欧美有码视频-无码中文字幕乱在线观看-小泽玛利亚一区二区在线观看-99热高清-天天综合影院-和岳每晚弄的高潮嗷嗷叫视频-伊人激情av一区二区三区-香蕉视频网站在线-www.色综合.com-熟女啪啪白浆嗷嗷叫-精品深夜寂寞黄网站-色综合五月-成人淫片-亚洲一区欧美-亚洲裸体大白屁股xxx

作者：毛旭初

工業(yè)互聯(lián)網產業(yè)聯(lián)盟理事、朗坤智慧科技股份有限公司副總經理

數智化是工業(yè)互聯(lián)網平臺助力企業(yè)智慧化轉型的重要抓手。2018年年底，在中央經濟工作會議上首次提出了“新基建”，包括工業(yè)互聯(lián)網、人工智能、大數據中心、5G等七大領域，其中工業(yè)互聯(lián)網和人工智能技術相輔相成、相互融合。只有通過數智化技術的融合應用，工業(yè)互聯(lián)網平臺匯聚的海量數據才會創(chuàng)造業(yè)務價值，這也是工業(yè)互聯(lián)網平臺通過互聯(lián)網技術服務制造業(yè)轉型升級的初心。

數智化突破是頭部企業(yè)數字化轉型的重要趨勢。國內很多能源企業(yè)、頭部裝備制造企業(yè)管理成熟、流程規(guī)范，也具備很好的自動化和信息化基礎，信息化平臺已覆蓋生產經營各環(huán)節(jié)，有效支撐著各業(yè)務的有序開展。在新一輪數字化轉型浪潮中，他們希望抓住DT時代的發(fā)展機遇，不再滿足于對傳統(tǒng)信息化平臺的修修補補，而是充分挖掘積累的海量業(yè)務數據價值，通過應用數智化技術，在鞏固原有核心競爭力的同時，實現經營效益突破和商業(yè)模式創(chuàng)新。

工業(yè)企業(yè)要實現業(yè)務戰(zhàn)略和智慧化技術的共生共舞，取得數智化升級成功，我覺得取決于兩個要素：內驅力和支撐技術，也就是本文討論的數智化創(chuàng)新的“道”與“術”。

這么一個復雜、長期的工程，需要匹配對應的發(fā)展戰(zhàn)略和規(guī)劃。通過制定企業(yè)數智化業(yè)務發(fā)展戰(zhàn)略，明確數智化業(yè)務應用范圍、應用目標、評價指標、實現路徑、參與組織和投入規(guī)劃等，通過戰(zhàn)略引領，有序推進，避免實踐過程中的冒進、徘徊、半途而廢。這個過程，可以聯(lián)合專業(yè)咨詢機構或者解決方案提供商共同參與，圍繞設備故障預警、運行優(yōu)化、能耗優(yōu)化、安全態(tài)勢感知等領域開展。例如朗坤蘇暢服務的一家全球領先的裝備制造企業(yè)，他們就制定了清晰的數智化業(yè)務發(fā)展戰(zhàn)略，從最基本的遠程監(jiān)控，到全面的服務在線，到基于智能算法的診斷和后市場服務，小步快跑，每一步都特別務實，投入小、效益高，成功率也高。

任何工作成敗的關鍵是人、是組織，這不僅是我們常說的“一把手”工程的事，更是一個讓組織目標一致、高效協(xié)同、不斷創(chuàng)新突破、關注效益的“數智化文化”。通過我們對優(yōu)秀企業(yè)的觀察發(fā)現，“數智化文化”不同于先僵化后優(yōu)化再固化的規(guī)范化、標準化文化，不同于手工作業(yè)電子化的文化。“數智化文化”是通過企業(yè)積累的數據創(chuàng)新、創(chuàng)造的極客文化，數據是企業(yè)重要的資產，不僅僅放在口頭上，而是要通過積極挖掘積累的物聯(lián)網數據、經營過程數據和生產過程數據，洞悉規(guī)律、預測未來、發(fā)現改進機會；“數智化文化”是IT人員和一線業(yè)務人員無縫深度融合的文化，IT人員提供工業(yè)互聯(lián)網平臺，業(yè)務專家樂于使用先進的工具，固化自己的知識，融入行業(yè)算法，驗證自己的經驗，讓執(zhí)行更精準、團隊更輕松；“數智化文化”是關注通過大數據技術創(chuàng)造效益的文化，應用效果不僅體現在預測準確率、泛化能力等技術指標，更是由業(yè)務管理人員制定的降低多少能耗、提升多少產量、避免多少故障等效益指標。

高質量數據匱乏是工業(yè)領域的普遍現象，已成為企業(yè)數智化轉型的瓶頸。很多企業(yè)通過數據治理落地數據編碼、主數據等規(guī)范，實現生產管理數據的資產化，但在生產實時數據管理方面投入明顯不足，無法打造生產管理與生產實時相結合的綜合“工況數據”樣本集，而這類數據正是智能化模型開發(fā)所需的工業(yè)“黃金”。基于我們多年數智類產品交付經驗可以發(fā)現，企業(yè)想要構建高質量工況數據集，需要從數據采集“全面性”、標記生成“流程化”、質量檢查“專業(yè)化”三個方面實現突破。

數據采集的“全面性“是企業(yè)打造高質量數據的基礎。工業(yè)企業(yè)現有的監(jiān)測點更多是為了生產工藝的過程監(jiān)控，缺少了支撐智能化應用所需的專業(yè)化測點，導致智能模型數據維度缺失、建模困難。針對這種現狀，工業(yè)企業(yè)需要基于智能化業(yè)務需求，提前完成數據采集點的補裝，從而保障數據“全面性”，支撐數智化模型的構建。例如在某些需要精細化診斷分析的場景，需引入高頻位移、紅外、超聲波等監(jiān)測技術，盡早開始收集滿足數智化需求的復合工況數據。

工況數據收集的“流程化”是企業(yè)打造高質量數據的靈魂。“工況數據”是綜合了多類數據信息的高價值數據，例如設備故障記錄、故障解決方案與同期的設備監(jiān)控數據共同構成了設備故障診斷工況數據。由于這些數據的收集需要IT與OT專家的大量專業(yè)化協(xié)同工作才能完成，導致工況數據集的收集效率較低，所以該項工作的“流程化”至關重要。

工況數據質量檢查的“專業(yè)化”是數智化創(chuàng)新效果的保障。目前企業(yè)在生產管理數據質量提升方面做的較好，基于數據治理工具實現了數據的常規(guī)質量檢查與修復，然而在面對場景化工況數據的整體質量問題時缺乏有效的檢查、修復手段，例如“工況時間段偏差”、“多維數據關聯(lián)錯誤”等 。企業(yè)面對這類綜合數據質量問題，一方面需要更專業(yè)的數據質量檢查與修復工具輔助，如“時序據趨勢異常檢查工具“、“工況數據回放驗證計算工具”等；另一方面需要業(yè)務專家從數據應用效果上做審核把關，例如基于工業(yè)數據智能平臺將工況數據的標記、驗證、審核、發(fā)布流程固化，大幅提升數據質量與模型準確度。

數智模型的開發(fā)與應用是數智化創(chuàng)新的前提，但對于不少工業(yè)企業(yè)，數智模型的開發(fā)與應用是一件棘手的事。主要原因有：一是缺少對算法庫的持續(xù)完善與優(yōu)化。由于工業(yè)場景的特殊性、環(huán)境的多樣性，工業(yè)算法很難做到“開箱即用”，需持續(xù)結合工業(yè)數據特點和變化情況，實現針對性的算法優(yōu)化設計，而工業(yè)企業(yè)缺少對算法庫持續(xù)跟蹤的工具。二是“小作坊”式的數智模型開發(fā)思維。不少企業(yè)抱著“小作坊”式思維，不關注數智模型開發(fā)與投運的產品化，無法完成規(guī)模化應用，也就無法充分發(fā)揮數智化創(chuàng)新價值； 三是數智模型應用依賴各專業(yè)團隊合作。例如生產過程的工藝參數優(yōu)化場景，不僅依賴數據科學家，也需要一線的生產運行人員深度參與，因此融合各團隊的能力，實現高效協(xié)作至關重要。

要解決以上問題，必須確定平臺思維，打造支撐工業(yè)企業(yè)數智化創(chuàng)新的數據智能平臺。對于工業(yè)企業(yè)來說，打造數據智能平臺即打造了一個共享、協(xié)作的數智實驗和創(chuàng)新平臺，也是一個數智化模型管理和應用的平臺。一方面，企業(yè)以平臺為載體，整合自身各專業(yè)團隊資源，實現數智知識共享與協(xié)作；另一方面，也可通過平臺，聯(lián)合高校、研究院，實現產學研結合，共建數智化創(chuàng)新應用。同時，在數據智能平臺加持下，工業(yè)企業(yè)也可避免陷入“小作坊”式開發(fā)思維，建立起企業(yè)自己的核心算法庫和模型開發(fā)、應用標準，提升自身數智化認知水平與數智化創(chuàng)新能力。我們服務的某生物質發(fā)電企業(yè)，圍繞經濟真空、四管監(jiān)測兩大核心場景，通過朗坤蘇暢天璣數據智能平臺，整合包括運行專家、高校團隊等多方創(chuàng)新團隊，建立管壁溫預警模型、冷端優(yōu)化模型，成功實現了數智化創(chuàng)新突破。 

安全、產能、能耗、質量、環(huán)保是工業(yè)企業(yè)數智化創(chuàng)新的優(yōu)化目標，多數領域工藝流程都較為復雜，受到設備可靠性、物料配比、物化反應、能源供應等多重因素影響，涉及到力學、電氣、熱力學、化學、數學等多學科交叉融合。因此，需搭建一個開放的數字孿生建模平臺，支撐工藝業(yè)務專家、設備運維專家與數據算法科學家深度合作，協(xié)同構建適應生產現場真實場景的實用性模型。

通過數字孿生建模平臺的應用，一方面，能夠按照企業(yè)生產工藝，靈活定義“工廠、生產線、系統(tǒng)、設備”完整工藝流程層級關系，構建匹配自身數智化業(yè)務的數字化實體；另一方面，可實現工況靈活定義、模型測試評價、樣本更新維護、知識庫配置等可視化模型管理，幫助業(yè)務專家持續(xù)“研發(fā)、驗證、優(yōu)化、擴展”模型，這是“實驗室理想化模型”升級為 “生產現場實用性模型”的關鍵。

在構建數字孿生體過程中，企業(yè)自身數智化創(chuàng)新團隊需深度參與。在各類場景下，數字孿生體要么是融合了一線人員的經驗（機理模型、知識庫），要么是學習訓練不同工況設備運行歷史數據（大數據模型），或者是兩者兼具，從實驗室走向現場實際場景都有一個持續(xù)迭代優(yōu)化的過程，因此，企業(yè)業(yè)務專家深度參與調優(yōu)是模型長期保持精準性的關鍵因素。

隨著工業(yè)智能的逐步落地推進，以數據模型驅動的創(chuàng)新場景越來越豐富，也積累形成了越來越多的數智模型。但這些模型往往多以輔助、提醒、參考等作用為主，與工業(yè)現場具體業(yè)務聯(lián)動不緊密。再創(chuàng)新的算法、再精準的模型，如果未能觸達生產一線，也是“空中樓閣”。

所以，數智化應用要在業(yè)務的橫向擴展和工業(yè)現場的縱向集成方面再往前走一步，落實好這“最后一公里”的工作。在業(yè)務的橫向拓展方面，要能夠和生產管理、物資管理、能耗管理等具體業(yè)務流程相結合。例如，設備故障預警要和檢修運維管理結合，診斷出的預警要能夠自動關聯(lián)檢修業(yè)務，指導現場精準開展點檢、維護、備品備件管理等工作，才能夠真正減少設備維護成本，實現設備管理提質增效。在工業(yè)現場的縱向集成方面，云端的數智模型與邊緣端的工控系統(tǒng)集成是一個趨勢。很多工藝優(yōu)化場景，像智能監(jiān)盤、鍋爐燃燒優(yōu)化、冷端優(yōu)化等，通過AI模型實現對最優(yōu)變量的計算，如果能夠將模型結果反饋至工控系統(tǒng)，優(yōu)化控制參數變量，這將大幅提高現場作業(yè)效率，同時也是真正意義上的“云邊協(xié)同”，系統(tǒng)不僅僅會思考，還能夠執(zhí)行。