當前，我國新能源產(chǎn)業(yè)正在逐漸推進能源生產(chǎn)和消費方式革命，構建清潔低碳、安全高效的能源體系成為我國經(jīng)濟社會轉型發(fā)展的迫切需要。

“工業(yè)智能技術正在加速風電行業(yè)智能化建設?！比涨?，北京天澤智云科技有限公司技術研發(fā)副總裁金超博士在接受科技日報記者的采訪時表示，風電智能化有三個重要的參考要素。

數(shù)據(jù)來源與質量管理

金超強調(diào)，要結合風電領域知識，對數(shù)據(jù)的來源跟質量進行管理，選擇那些對工業(yè)智能建模有作用的數(shù)據(jù)，才是最有價值的。

“這不僅僅適用于風電，任何一個做智能化轉型的行業(yè)，采用數(shù)據(jù)驅動的方式，最終目的都是要將人的決策過程自動化。也就是說，我們所理解的數(shù)據(jù)驅動的工業(yè)智能，是要將‘以前要靠人去不同的數(shù)據(jù)系統(tǒng)里整合信息、內(nèi)化成知識、最后形成決策’這樣一條鏈路自動化。”金超說。

除了對數(shù)據(jù)的量和來源進行管理之外，對數(shù)據(jù)質量的管理也很重要。金超認為，數(shù)據(jù)的質量，大概可以分為三類問題：第一類是通用的數(shù)據(jù)質量問題，比如奇異值、缺失值、超限值等。第二類是跟行業(yè)相關的，比如有的工況不滿足分析目標，要對工況做修正。第三類是跟建模相關的，如樣本不平衡、標簽缺乏等。

數(shù)據(jù)質量對數(shù)據(jù)驅動的模型效果非常重要，提前獲得足量、高質量、能代表所建模型對象行為的數(shù)據(jù)，是保證模型效果的必要條件。但是，在現(xiàn)場獲取的數(shù)據(jù)的質量，通常都達不到理想狀態(tài)。而利用數(shù)據(jù)質量不佳的數(shù)據(jù)訓練得到的模型，效果也不會很好。

金超舉例說：“在做發(fā)電機軸承溫度異常預警功能時，我們并沒有大量的有標簽的歷史數(shù)據(jù)。根據(jù)我們能獲取的軸承溫度、環(huán)境溫度、功率、風速等信號，利用能量守恒建立微分方程，通過估計參數(shù)來建立‘正常行為’模型，再與當下的狀態(tài)做比對，根據(jù)殘差的分布偏移來判斷異常，以此來彌補歷史數(shù)據(jù)標簽的不足。這就是我們通常采用的一個原則‘數(shù)據(jù)不夠，機理來湊’。當融入機理之后，一是不需要大量的訓練數(shù)據(jù)，原來一個月的訓練數(shù)據(jù)，現(xiàn)在7天就夠了；二是對外部環(huán)境的敏感度有所降低，受工況影響也變??；三是根據(jù)機理設計的被估計參數(shù)，讓整個模型的可解釋性也變得更強?！?/p>

模型也需要全生命周期管理

“因此在工業(yè)智能建模的時候，模型的選擇不一定只用數(shù)據(jù)驅動的模型。考慮選擇什么樣的建模方式，應從數(shù)據(jù)和機理兩個角度來考慮?！苯鸪f。

當數(shù)據(jù)比較少，同時對建模對象理解不夠深時，更多依賴于經(jīng)驗或者需要做一些實驗。在數(shù)據(jù)比較少，機理很強時，比如典型旋轉類設備的智能診斷，可以基于機理來做分析，并且基于規(guī)則來做到預警。對于機理比較弱，但是數(shù)據(jù)很多的情況，就可以發(fā)揮數(shù)據(jù)驅動的模型優(yōu)勢，去彌補對機理認知的不足。當數(shù)據(jù)足夠，并且機理也很強時，我們更傾向于去做機理跟數(shù)據(jù)融合的模型，因為往往這樣的模型可解釋性更強，對于外部環(huán)境的變化也更加不敏感。

“通過我們和信通院合作舉辦的工業(yè)大數(shù)據(jù)創(chuàng)新競賽來看，也印證了這樣的思維方式。在第三屆工業(yè)大數(shù)據(jù)創(chuàng)新競賽的化工設備故障程度預測問題，第一名利用了傳統(tǒng)的振動分析，加上LightGBM機器學習，取得了非常高的分數(shù)。我們后來得知，第一名的選手是機械工程背景，對旋轉類設備的分析很在行。但第二名利用GAN這樣的非監(jiān)督式深度學習方法，也達到了類似的效果。第二名采用的思路尤其引起我們的興趣：將振動信號的分析轉化為類圖像問題，利用計算機科學在圖像領域的突破性技術和思想，來解決工業(yè)里面的非圖像數(shù)據(jù)問題。這個提醒我們，在數(shù)據(jù)量足夠的時候，數(shù)據(jù)驅動的方法，是可能彌補一些我們對機理了解的不充分的?！苯鸪f，“無論是哪次競賽，我們發(fā)現(xiàn)與我們的經(jīng)驗一致，機理和數(shù)據(jù)驅動相結合的方式，效果往往都比較好。”

一個模型的誕生就像嬰兒一樣，成長的過程中需要接受教育、做練習題，最終畢業(yè)，成人。模型類似，也要通過不斷的跟領域知識磨合和融入，在能夠采集更多樣本的情況下不斷迭代，最終才能形成一個比較成熟的模型。

“因此，我們需要一個基礎設施，能夠對模型的全生命周期進行管理?；谶@樣的理念，我們開發(fā)了一套完整的工業(yè)智能模型研發(fā)平臺，從算法的設計、探索、驗證，以及監(jiān)控和部署，形成一套完整的閉環(huán)。通過這樣的一個工業(yè)智能模型研發(fā)平臺，有效地解決了工業(yè)領域常常談到的‘建模難、用模難、管模難’的問題，極大提升了模型的研發(fā)效率、降低了維護成本?！?金超說。

智能化落地是跨領域跨技術的系統(tǒng)工程

在落地工業(yè)智能的時候，除了數(shù)據(jù)跟模型這兩個要素之外，還有系統(tǒng)工程能力。也就是，如何能夠把分析技術（AT），數(shù)據(jù)技術（DT），平臺技術（PT）以及運維技術（OT）這四類整合起來。

“在DT層，即數(shù)據(jù)技術這一端，要能實現(xiàn)設備的物聯(lián)以及邊緣計算，將孤島系統(tǒng)中的數(shù)據(jù)統(tǒng)一管理。在AT層，需要對模型的建立、管理、部署和服務化都進行全面的管控。最后跟信息系統(tǒng)以及運維系統(tǒng)形成融合。從DT到OT的工業(yè)智能系統(tǒng)，模型只是AT層的一小部分。系統(tǒng)建立起來，才是工業(yè)智能服務的開始。從數(shù)據(jù)到業(yè)務的閉環(huán)、不斷積累企業(yè)自己的知識資產(chǎn)，才是運營一個工業(yè)智能系統(tǒng)最需要關注的，而非僅僅建模?！苯鸪f。