此頁面上的內容需要較新版本的 Adobe Flash Player。

獲取 Adobe Flash Player

CIO 資訊

華能原CIO朱衛列:“工業互聯網”概念中存在五大認知誤區
作者:   來源:新浪財經   日期:2020-07-28

   來源:鈦媒體APP

   7月20日,鈦媒體全球連線科技月舉辦新基建板塊系列論壇。在鈦媒體的新基建圓桌對話,鈦媒體集團聯合創始人兼首席研究官萬寧、中國華能集團原CIO朱衛列、北高峰資本及坤湛科技創始人兼CEO閔萬里、天鷹資本創始合伙人遲景朝、《5G革命》作者陳志剛幾位大咖,共同探討新基建浪潮將如何重塑產業價值鏈。

   國務院國資委的國資信息監管的信息化專家 小組的副組長,也是前中國華能集團的首席信息師朱衛列在圓桌討論前進行了主題分享。本次以《工業互聯網與智能化創新之路》為題的分享中,他著重談到了工業互聯網概念中存在的五大認知誤區。

   1,“平臺”、“算法”思維不完全適用于工業互聯網

   我們在做智能化的時候,主要是做圖像識別和語音識別,這兩種智能化在很多的特征選擇上,是非常簡單的,往往忽視了工業做智能化核心內容。

   真正做工業智能化時,我們往往會發現,數據是第一要務,沒有數據肯定是跑不出來的,但是算法,實際上很多開源的算法已經可以解決很多工業上的問題。另外,在算力已經是基礎性工程,可以被解決。真正做工業智能的難點在于厘清工業的邏輯關系、知識、特別是領域知識,是非常重要的。

   2,“知識圖譜”在工業中應用受限,工業智能化突破方向是尋找工業機理

   知識圖譜的概念在IT界是非常的火,但是實踐結果發現,知識圖譜對于通常2C的很多知識可以使用,但是在工業領域、工業數據中,知識圖譜很難做到定量分析,定量精準度不夠。

   所以,只以“知識圖譜”這條道路作為工業智能化核心突破方向的話,很難做到數據的精準定量關系。我們在做工業里頭,需要走另外一條道路——通過工業大數據和工業機理分析,并且用神經網絡機器學習技術,找到他們之間的定量關系。

   3,工業互聯網應當是重平臺、重應用

   現在在工業互聯網領域,很多工業企業受互聯網影響,也提出工業互聯網應該是“重平臺、輕應用”,甚至還提出了“微應用”、“App上云”等等,但這恰恰是沒有深入工業。

   “重平臺、輕應用”在互聯網公司是適用的,但并不適合工業領域。工業領域要做智能的分析,手機點幾下是不能完成這項工作的。所以,工業領域一定是“重應用”,而不是“輕應用”。這樣相比起來,如果我們在應用里頭放上人工智能的技術,把人工的技術很好的和工業相結合,這個技術就遠比我們做一些平臺的技術難度要大得多。

   4,舊的概念又被提起,影響整個工業互聯網建設

   我們在做平臺時,發現很多幾年前的舊概念、舊平臺又被提起,比如“hadoop”等等大數據平臺,特別是平臺開發商,頻繁提起這些舊概念,也會產生誤導。很多企業可能根本用不到這樣的平臺,也來采購,這樣的現象也影響了整個工業互聯網建設。

   5,對“平臺”認知不清:工業互聯網應該是分布式架構,而不是互聯網平臺

   我們強調工業互聯網的時候,應該對“平臺”有一個很重要的認識——它是一個局部的概念,很有可能是一個企業有一個或N個平臺,然后再互聯;企業跟企業之間的平臺,又產生新的互聯,這才是工業互聯網。如果僅在一個企業里做工業互聯網,只能算是企業內網,不可能稱之為整個工業互聯網平臺。

   朱衛列最后總結道,工業互聯網及智能化建設,一定要走一條創新的道路,千萬不要抄襲別人的概念。“我們已經找到了工業互聯網和工業智能化的一個突破口,后續就看我們能不能把握這樣的一個戰略機遇期了。我希望我們國家能把這個領域,在世界領域能夠有所突破,走向前端。在第四次工業革命里頭,中國應該走在前列。”(本文首發鈦媒體App)

   以下為朱衛列主題演講全文,略經鈦媒體編輯:

   大家好,主持人好,借這個機會,與大家分享我本人在工業互聯網和工業智能方面的思考與創新。

   先簡單的介紹一下自己:我是工科背景,早年一直在生產、基建、經營等業務領域工作,后來轉到了信息化。有幸組織、參與了華能九年的工業互聯網建設與發展歷程,在這里與大家分享一下。

   我今天講的是四個方面的問題。

   第一個大問題:問題的提出。

   我們知道“新基建”內容之一是工業互聯網,無論是中央政府還是地方政府均非常的熱衷于在工業互聯網,大家知道工業互聯網的核心內容是工業的智能化。然而我們同時也看到了國際上主流的機構和媒體,并沒有看好工業互聯網,特別是工業智能化,他們把智能化的重點放在了交通、醫療、家庭機器人等領域,工業領域的人工智能往往提及的并不多。

   國內來講,新基建雖然很熱,但工業互聯網有價值的應用并不多,對工業而言智能化的效果并不令人滿意,這是什么原因?我們工業互聯網所下的功夫是否找準了突破口?我們找準了突破的技術路線?我們走的路對嗎?我們的突破口到底在哪里?我想今天主要就這幾個問題跟大家做一個探討。

   第二個大問題:探討、澄清幾個概念與問題。

   第一:智能化的三大要素問題。

   目前業內提到智能化,大多數人均引用“工業大腦是數據、算力、算法”的概念。這一概念經由某個大的互聯網公司提出后,基本上被整個行業,特別是IT領域引為經典被廣泛采納了,大家都認為只要有數據,有算法,有算力就可以做工業大腦、實現工業的智能化。一些搞智能化的IT企業,把一些算法集成起來,做一個平臺,賣給客戶,號稱是工業智能平臺大腦,居然還造勢、受到追捧,賣價很高。

   但是在我們看來,真正做過工業互聯網的項目,或者是工業智能的來說,我們認為這樣的一個提法,實際上會起到相當的誤導作用。

   為什么會起到這樣的一個誤導呢?我個人也分析了一下,主要是我們在做智能化的時候,主要做的是圖像識別和語音識別。所以他在很多的特征選擇上,它是非常簡單的,是忽視了工業里頭那種只是在里頭的做智能化的一個核心內容。

   我們真正做智能化的時候我們會發現,數據是第一要務,沒有數據肯定是跑不出來的,算法很重要,但不是深不可測,實際上我們經常用到的算法,借用開源的就可以解決很多工業上的問題。此外,在算力方面,當前已經不算是一個很重要的方面,因為當今算力已經是基礎性工程。

   做工業智能,工業的邏輯關系、知識,特別是領域知識,是非常重要的。所以我們認為真正做智能化以后,我們必須把工業里的知識,模型的這種基本的特征,把它放在我們的算法里頭。

   為什么要糾正這個概念呢?就是擔心很多企業,我們很多企業信息化花了大量的錢,去買這樣的一個算法平臺,實際上買了以后基本上沒有什么作用,所以會導致我們行業的一個誤導。

   第二,說說智能化的道路。

   也有一些很知名的工業企業,國外的知名企業,他們也談到了工業互聯網、智能化,也出了很多的知識圖譜。這個知識圖譜的概念在我們IT界是非常的火,但是我們實踐的結果發現,它對于通常2C的很多知識可以使用,但是在工業里頭,工業數據里頭,它很難做到定量分析,定量模型的精準度不夠。所以這條道路只作為我們工業互聯網核心突破方向的話,它只能做相關性分析比較多。我們在做工業領域,我們必須走另外一條道路,就是尋找工業機理獲得數據相關性,并且用神經網絡、機器學習的方法,找到物理量之間的定量關系。

   第三,我想談談這個平臺與應用的關系。

   很多很多企業受互聯網的影響,他們都提出工業互聯網就是“重平臺、輕應用”,或者是“重平臺、微應用”,目前這樣的一個提法在我們的工業互聯網領域大量的被提及。這種提及就涉及到還有一些提法也衍生出來,就是什么把工業APP上云,包括主流機構也都是這么提的。但是這恰恰就是沒有深入到工業里頭去。

   這種重平臺、輕應用,早期像阿里這些企業,肯定是,因為它的應用是很輕的,都是拿手機輕輕的點幾下,就能開發一兩個應用,但是在工業領域確實不是這樣輕的一個應用。工業領域你要做智能的分析,手機點幾下是不能完成這項工作的。所以很重的一條,就是重應用,而不是輕應用。這樣相比起來,如果我們在應用里頭放上人工智能的技術,把人工智能技術很好的和工業相結合,這個技術就遠比我們做一些平臺的技術難度要大得多。

   另外工業應用也是非常非常多的,因為每一個工業設備都可以做很多的應用,這個市場非常之大,相比來說我們這個平臺就沒有那么大的作用。

   我們發現周邊很多的企業過去一直在建工業互聯網平臺,建完平臺以后,沒有應用,反而沒有實質性的工業互聯網的價值。由于這樣的一個誤導,產生我們在工業互聯網里頭雷聲大、雨點小,因為你沒有解決企業里頭實際的問題。

   第四,我們做平臺的時候,我們也發現很多的企業,一上來就選擇hadoop等等的大數據平臺。最近一張大數據架構圖又被登到出來,這個圖實際上是好幾年以前的,最近朋友圈又繼續發這張圖,也會產生一些誤導。我們一些企業,其實根本用不著hadoop的,他們也采購這樣的一個結構。當然了,這一些做法也會影響到我們整個工業互聯網的建設。

   第五,工業互聯網現在提到的,包括很多企業,一起去申請國家項目,都是申請工業互聯網平臺,以為互聯網平臺就可以解決很多的問題。但實際上工業互聯網應該是一個分布式架構,分布架構,實際上是平臺和平臺、應用之間,都會架起一個橋梁,就是互聯互通,在我們的節點上,每一個節點都有邊緣計算和智能的應用,智能應用產生一些數據以后,給更大的系統做更多的應用。這樣的一個應用,就是一個星云架構的一個方式。

   所以在我們強調工業互聯網的時候,對于平臺大家應該有一個很重要的認識,它是一個局部的概念。也很可能在一個企業里頭有一個平臺,或者是有N個平臺,然后再互聯。企業和企業之間的平臺,又產生新的互聯。這才是工業互聯網。因為你要僅僅做一個企業里頭的工業互聯網平臺,那個東西,它不可能稱為整個工業互聯網的平臺,它是一個企業內網的系統而已。

   第三個大問題,工業互聯網和工業智能化技術突破點在哪里?未來發展方向是什么?

   我們看到的工業互聯網,迄今很多的工業級應用主要停留在圖像識別和語音識別上,就是把我們2C的很多應用,圖像識別的一些東西用到工業里來,如識別輸變線鐵塔上的鳥窩、螺栓松動、掉落;鍋爐的管壁機器人,利用圖像識別去識別鍋爐管壁的銹蝕,甚至是漏洞;裂紋紡織車間里,利用圖像識別發現布匹的瑕疵等等。這個應用確實是用到了人工智能的技術,這些應用有一定作用,但針對整個工業來說,這樣的應用實在是貢獻太小,而無關痛癢。

   如果我們把人工智能都發展在表面的應用上,不去探索、研究深層次的計算和應用,我們對工業的智能化,將失去歷史機遇。

   從工業數據的角度看,我們不能把將我們眼睛僅僅盯住圖像數據、語音數據方面,更不應該僅僅把大家普遍掌握的圖像識別、語音識別應用于工業,而應著眼其他工業數據,并努力開拓新的人工智能技術。

   實際上我們在許多工業企業中,我們有很多的實時數據,我們工業設備產生的數據,稱為實時數據,它是按秒級,或者是毫秒級產生的。

   想一想一個發電廠一臺機組就有1.5萬-2萬的實時數據測點,每個測點按秒級輸送,這個數據量非常之大。所以我們說工業智能化的方向,不能停留在表面的圖像識別這樣一些數據上,而應該對工業的真正的大數據,能夠有一些突破。這個突破,才會產生更大的經濟效益。

   早期的工業里頭對這些數據有沒有應用和探索呢?是有的。

   過去我們也曾對實時數據做過一些分析,主要統計學知識進行分析,比如說我們的統計發電量,統計機組可靠性指標等等,按月統計,做一個環比、同比的一些分析,并用BI技術進行展示,給管理層做一些真正的一些比較好的報表、圖形等等。

   稍深一些層次的應用,也有一些建模的技術,比如我們用同一個變量來計算不同的時間點參數的AR(p)的這種自回歸的方式;也有用因變量與自變量之間的設置,也就是我們現在比較多的,特征選擇的這樣的一種方式。當然也有把兩個方式統一起來,建一個ARMA這樣一個自回歸模式去解決一些工業、經濟學、金融領域的問題。這些技術未來依然會用到,但是經過幾年的探索和開發,我們發現我們可以將人工智能技術應用到工業生產實時數據中。

   這一人工智能技術,我們用的更多的是機器學習。工業生產實時數據量太大了,將這些數據用機器學習進行計算后,形成工業設備的數字模型,或者是它的系統的一個模型。這種模型的產生和建立,就是定量化的,它將給工業帶來巨大的變化。

   生產實時數據,跟過去的自動控制有什么區別?

   自動控制是一個短時間的數據的反饋,這個數據反饋,它是幾秒鐘、幾分鐘的數據反饋,但是機器學習,是用至少半年到一年的數據反饋,它是更大領域上的時間跨度的建模和分析。

   我們發現建??梢杂懈髸r間跨度的,具了解美國有一個earthcube項目,它是研究整個地球的數據系統。在這個系統建模后,可以進行遠期的考古分析,預測地球未來的發展變化,預測地震,了解石油資源等等。他實際上是在更大的時間維度上去建模。

   機器學習今天帶給我們的,依然也是這樣的一個道理。我們在工業領域,也是加大了時間跨度,變成一個比較長周期的數據分析。

   利用工業時序數據和機器學習我們解決了一個什么問題?

   我們找到了工業設備、以及系統這樣一個復雜系統的一個建模的方法,尋找到工業設備各個輸出參數之間的定量的數據關系。有了這樣一個數據關系,實際上我們打開了工業領域智能化的一個天窗。

   因為過去我們工業領域這么多的數據,它們之間的這種邏輯關系,我們很難用一個顯函數來表示。工業領域系統參數那么多的維度,之間的關系往往以隱函數的方式顯示,我們不知道它的具體數值關系,這種維度太多的時候,我們很難解決問題。

   有了機器學習,我們終于找到了工業系統里頭多輸出量這樣的一個隱函數這樣一個問題。實際上搞到工業設備,或者是系統,或者是機組它們之間的運行的內在關系,內在邏輯關系就找到了。再來用這樣的方法解決我們的實際問題。

   比如我們現在正在探索的鍋爐優化燃燒的問題,在過去是非常復雜的,現在這個問題我們能夠解決。

   舉幾個簡單的例子。比如說我們在水電領域,我們來進行狀態檢修。過去我們在廠里也有監控系統,這種監控系統,實際上把,像我們自控系統似的,把數據進行展示,靠人進行分析。用了機器學習以后,等于我們能夠找到這個設備的特征關系,從而預測它什么時候出現問題,主要是通過特征量的劣化這樣的一個時間維度來解決,從而完成設備狀態檢修的技術問題。

   去年一年,我們通過這種方式在一些電廠減少了100多天的檢修,流域之間的檢修間隔也拉長了,節省了大量的檢修費用。

   風電也依然是這么做的,比如說風電塔基的沉降的一些問題,都是通過大數據機器學習的方法來解。

   這幾個例子,效益基本上都是可以在半年或者是一年就可以回收的?,F在看來工業智能化的拐點已經產生了,大家已經慢慢接受這樣的一個方法。

   目前還有一個關鍵,就是掌握這類技術的人員還太少。

   第四個大問題,創新開拓問題

   現在我們看到的國外的一些企業,實際上還沒有走這條路,他們期望走知識圖譜的道路,我認為是有問題的?,F在我們在這個領域我們已經突破了技術的門檻,我們已經突破了,找到了工業智能的新道路。

   總結起來,工業互聯網及工業智能化建設,一定要走一條創新的道路,千萬不要抄襲別人的概念?,F在我們就發現在這個領域里頭,抄別人的概念太多,或者是沿用互聯網公司的概念,或者是抄國外的概念。抄概念的人往往自己又沒有做過人工智能,所以就會這樣不斷的抄襲,抄來抄去把行業弄亂了。

   我們已經找到了工業互聯網和工業智能化的一個突破口,后續就看我們能不能把握這樣的一個戰略機遇期了。

   我希望我們國家能把這個領域,在世界領域能夠有所突破,走向前端。在第四次工業革命里頭,中國應該走在前列。


? 黄金棋牌下载送18金币 海南41开奖结果查询 安徽十一选五开奖数据 今晚开什么特马 湖北快3和值走势图 基金配资平台 北京11选5规律 四川金七乐开奖走势图 广东快乐10分计划软件 北京赛车玩法技巧 股票指数2000点是什么意思