<address id="7rjbj"><listing id="7rjbj"><meter id="7rjbj"></meter></listing></address><address id="7rjbj"><address id="7rjbj"></address></address>
<form id="7rjbj"></form>

<span id="7rjbj"></span>

<noframes id="7rjbj">

<address id="7rjbj"><address id="7rjbj"></address></address>
<span id="7rjbj"></span>

<form id="7rjbj"><nobr id="7rjbj"><meter id="7rjbj"></meter></nobr></form>

中華工控網 > 工控新聞資訊 > 西門子吳文超:人工智能需要人與技術的“雙向奔赴”
西門子吳文超:人工智能需要人與技術的“雙向奔赴”

伴隨數字化浪潮洶涌而至,作為核心驅動力的人工智能迎來飛速發展,從賦能千行百業到追逐星辰大海,人工智能已悄然融入世界的方方面面。相比商業應用的深度和廣度,目前人工智能在工業領域的潛力仍需持續挖掘。隨著人工智能步入發展新階段,推進人工智能與工業場景融合以釋放巨大潛能,將成為產業關注的重點。

5252c27d9a50798f28e2efe95287216

工業人工智能的起點是客戶痛點和需求

站在新一輪工業科技革命和中國加快轉變經濟發展方式的歷史性交匯處,工業人工智能已經成為當代工業企業邁向未來、實現工業高質量發展的必答題,人工智能也成為了越來越多行業提升競爭力的選擇。

那么,什么是工業人工智能?工業人工智能是實現工業大數據轉化為有效信息、抽象為模型、輔助人類進行精準決策、高效執行的過程,它基于算法與模型挖掘工業世界中的“隱性知識”。

盡管人工智能已經被熱議多年,但人工智能在工業領域一直面臨“落地難”的窘境,究其原因還是在于其落地過程常常容易走入一個誤區,那就是一談到工業數據賦能就會想成是大平臺,而往往忽略了數據能為客戶創造哪些切實的價值。數據是人工智能的基礎,但工業人工智能的出發點并不是數據,而是客戶痛點和需求。這正是工業人工智能和泛化人工智能之間最核心的區別所在。

工業向智能化轉型升級是跨領域多學科的系統工程,而工業各領域都經過了長達數十年乃至數百年的發展,因此工業人工智能技術之于工業,絕不應該是“顛覆者”,而應是“融入者”,因此以工業客戶的痛點和需求作為切入點,將智能化技術導入工業生產過程才是行之有效的手段。

以設備預測性維護為例,我們需要結合領域經驗,用結果倒推的方式來設計整個技術方案:首先根據客戶需要,選取合適的目標故障設備和故障類型,要知道不同的故障類型開展預測性維護的價值也不同,因此不同的行業、不同的企業、不同的時間階段,客戶的痛點和需求都不盡相同。而后,提取與痛點相關的數據,而不是全量數據,比如關鍵設備的關鍵故障類型的相關數據,同時需要充分結合生產運行過程中環境干擾以及復雜工況等影響因素,建立有效的預測預警模型。同時針對識別到的潛在故障風險,進行相應診斷,并為現場工程師提供檢維修方案或措施建議,只有這樣才能為工業客戶真正解決實際問題。

工業人工智能構建“蘊含知識”的模型

近年來,工業領域中依賴專家經驗代代傳承的模式正遭遇巨大挑戰,利用人工智能將核心經驗與知識固化下來變為可傳承的資產,將成為大勢所趨。而在此過程中,關鍵問題在于如何將數據特征和機理特征(行業經驗)深度融合在一起,將制造知識和“老師傅”的經驗轉換為能夠被數字世界理解的“蘊含知識“的模型,從而捕捉那些難以規則化但“老師傅”或行業專家能夠感性認知的復雜特征,進而洞察并預測制造過程中還未發生的不可見問題,幫助企業規避潛在風險、實現降本增效。

以某流程行業典型動設備故障預警功能的實現為例,通過實驗我們發現,采用純數據驅動的方式建模,訓練數據需要至少3-6個月,且生成的模型仍會較大地受到環境影響,易出現誤報。而采用結合經驗與機理的建模方式,通過譜峭度、機械特征參數、環境參數等機理輸入,并引入工況經驗,對人工智能技術進行有效引導,構建設備健康狀態預警模型,而這種方式將所需訓練數據量降低達1個月左右,其最終的預測效果也更為理想。

人工智能落地需要人與技術的結合

雖然我們對人工智能賦能工業充滿期待,但必須承認人工智能黑盒式的“一鍵美顏”解決方案很多時候并不適用于工業場景。技術落地過程中的可信任度和安全性對于企業非常重要,因此人工智能在工業落地的重點在于人與技術相結合,即通過客戶的參與,共創適合企業的蘊含知識的模型,由此將人工智能在計算和記憶力、感知方面的優勢,以及人類在認知、推理方面的獨特能力有機結合起來,左右腦互用,提供一種透明的“理解”算法,讓工業人工智能切實發揮其作用。

預測性運維系統SiePA就是西門子與客戶讓人工智能在工業落地的一次積極探索。SiePA基于工業人工智能技術和西門子深耕工業積淀的行業知識,通過預測預警模塊與智能排查診斷模塊,對設備運行風險、故障診斷及維護策略進行判斷,并給出推薦方案。對于客戶,SiePA相當于提供了一個分析模板,在此基礎上客戶將工廠的實際狀態和行業知識映射到模板中固化成模型,然后應用到具體業務場景。此外,SiePA還可以隨著新需求不斷升級迭代,實現對人工智能模型的全生命周期管理,形成持續優化的閉環。SiePA體現的這種人工智能+人類智能的“白盒”特征已在包括石油化工、水泥、城市供水、冶金等多個行業落地,并得到了行業專家的高度認可,目前西門子也在積極探索與設備生產廠商及設備服務商等企業的合作模式。

除了機理特征維度的合作共創,西門子在推進工業人工智能落地過程中還采取不同的互動方式,賦能于人。例如,西門子一直著力于構建工業人工智能的共創生態圈,通過更為深入的合作共創與溝通,針對不同行業中一些典型的場景,幫助客戶更好地梳理相關場景中的需求、共同尋求合適的方案、實現“數據變現”,西門子愿與合作伙伴一起讓人工智能真正在工業場景落地生根。

三大應用場景落地工業未來可期

除預測性維護這一重要的應用領域,從工業的行業特點和人工智能技術路徑來看,工業人工智能在強化感知、銳化運營、優化控制三個典型應用場景中將大有可為。

強化感知體現為從傳感到認知的變化。以往工廠只注重數據的采集和存儲,人工智能算法通過對大量數據的分析,洞悉出數據背后的邏輯從而支持工廠的決策,將無序的二進制數據變為真正的高價值數據資產。銳化運營則是專業基礎上的協同能力。專業領域間通常存在清晰的界定,但工業環境中的實際問題常常需要跨領域的經驗才能解決。企業迫切需要利用人工智能打通不同領域的壁壘,將知識和經驗融合,固化并用來指導生產。優化控制讓現代工廠中無處不在的自動化控制完成從準確向最佳的跨越,助力企業實現智能升級。

西門子針對三大典型應用場景一直在進行積極探索,并推出了相關產品和創新解決方案。在強化感知層面,預測性維護結合APS系統將工廠的強化感知能力進一步擴展到閥門等更多細節。在銳化運營層,SiePA利用自然語言處理以及失效故障與影響分析(FMEA)等,為客戶提供將經驗固化、傳承的數字化手段。圍繞優化控制,西門子已落地了一些典型應用場景,例如水行業的泵站設備控制和基于工業數據的泵組優化,在冶金行業可以利用人工智能算法和數據,將用料配比、參數配置等高度依賴專家經驗的環節轉化為可以傳承的知識,讓人類智能在數字化時代得以擴展和延伸。 

幾十年來,大概很少有一項技術能像人工智能一樣承載著人類如此多的憧憬和想象力。而只有將人工智能置于實際應用場景中才能真正打開它的價值觸點,讓科技有為。正如西門子股份公司總裁兼首席執行官博樂仁博士所言:“沒有一個國家或組織能夠憑一己之力實現數字化轉型,或釋放人工智能的全部潛能。人工智能的落地需要不同企業,不同組織的創新和協作,而這個任務也屬于這個時代的你、我以及每個人。”

如需了解更多信息,請訪問西門子工業官網

【工控產品體驗】艾睿光電天璇M600測溫熱像儀

  寄語 | 關于我們 | 聯系我們 | 廣告服務 | 本站動態 | 友情鏈接 | 法律聲明 | 非法和不良信息舉報  
工控網客服熱線:0755-86369299
版權所有 工控網 Copyright@2021 Gkong.com, All Rights Reserved

欧美大胆A级视频