美国管理学家德鲁克在《后资本主义社会》中指出，人类社会正在进入知识社会。

无论是多年前出台的《国家信息化发展战略（2006-2020）》，还是近两年关于数字经济的定义，人们都强调了数字化转型中知识传承与共享的意义。

工业领域富含研发、工艺、装配、业务流程、供应链、员工知识、管理等各类知识。工业互联网的核心，正是面向加速变化的市场和日益个性化的需求，基于大数据与人工智能技术，将工业的技术、经验、最佳实践等工业知识实现轻量级软件化，在更大范围、更宽领域、更深层次构建出一个知识发掘、重构、传播、复用的新体系，带来全新的效率价值。

蓝图美好，但，知易行难。

如果不曾亲身体验，你可能很难理解，从零开始，从一份现场专工的判断经验到一个可以现场运行的工业APP，简单的“知识沉淀”四个字里会有多少挫折与迷茫。

且从一个历时近18个月的火电行业知识沉淀案例说起。

01

来之不易的火电行业试点

与电力行业的第一次亲密接触，要回溯到昆仑数据成立之初在风电行业小试牛刀。在清洁能源备受追捧的今天，火电也仍然占据了国内供电领域的第一份额，我们总想着做点什么。

燃料价格上升，环保压力增加运行成本，新能源全额上网挤占电量，间歇性能源增加的造成的电网调度难度大等等，火电面临着日趋严重的市场竞争压力。在工艺系统没有突破性进展的情况下，数字化、智能化理应有发挥的一席之地。要知道，整体电力行业相较于我国大部分工业产业而言，已经相当先进了。

从哪里开始着手呢？从哪个业务场景切入呢？我们到访过很多个一线的火电厂，很多人对这件需要大量精力投入却看不清产出的事情，表达了十动然拒；我们也拜访了相关行业的资深专家，探讨可行性，专家表示十分看好、有机会，但成功几率不明。

是啊，数据本身测不测的准，留没留的全，都存在未知，更别说火电整体运行过程本身就充满了不确定变化，老专工到了新厂子都得摸一摸设备的“脾性”，而我们呢，怎么从不甚准确的数据中学习出准确的建议？

有的人，因为看见，所以相信；有的人，因为相信，所以看见。

于是，寻到愿意配合又有条件能配合的电厂，作为项目试点的合作伙伴，成了这个小团队前期最大的困难。从冬天到夏天，项目组由华北辗转华南，最后终于跨越大半个中国，选定了珠三角地区的某火电厂。

02

敬畏专业才能真正看清问题

有了愿意配合的电厂，大家有了共同的目标，第一步从哪里开始呢？先从历史数据找找灵感吧，不久，“磨煤机堵磨”这个关键词浮出水面。

磨煤机是制粉系统的关键设备，火力发电厂重要辅机，运行状态直接影响锅炉燃烧的稳定性，其故障是火力发电机组非计划停运的重要因素之一。而且磨煤机是耗能大户，耗电量占厂用电的20%左右，其经济运行是发电厂节能降耗重要途径之一，其运行工况也会直接影响锅炉燃烧的经济性。

目前电厂处理设备故障主要依靠DCS系统，通过监盘人员24小时对设备运行状态进行监控、调整并对设备故障进行预警。系统只有基于阈值的简单规则告警，对是否堵磨，还是依赖运行人员的经验，告警的精确性及及时性都不尽如人意，一旦发生事故就只能停产。

是不是把DCS升个级就行了？很多老旧的设备或者运行中的DCS系统改造工程量太大，为了一些小小的改进就停产大技改，几乎不可能，且改造结果仍是未知。要知道，火电厂的盈利空间也在被逐步挤压。

如果运用数据分析，找出磨煤机堵磨的征兆，就能对磨煤机堵磨故障进行提前预警，辅助监盘人员提前干预，优化运行方式。

至少，理论上，可行。

03

工况复杂、数据不准，机器学习向谁学习？

模型的准确度离不开海量的数据训练，本身工业行业的数据来源和制式就相当复杂，运行机理的难度也各有千秋，这次情况显而更加困难。

首先，磨煤机工况非常复杂，影响因子多，温度、开机时间、疲劳状态、设备劣化、煤的质量等等都会影响运行状态；

其次，数据测不准。磨煤机风煤比例是个黑盒问题，行业中普遍存在一次风量测量不准，测量值与实际值往往存在较大偏差的问题。运行人员凭感觉，把一次风压、风量调得过高或过低都容易造成不同部位的零部件损坏。而这种自动和手动操作过程的“干扰”变化很多，从数据中我们很难发现两次一模一样的操作。

在这种的情况下，机器学习应该向谁学习？反复考量后，倔强的项目组有了自己的主意，数据学不了，向监盘的运维专家学知识啊，他们平时是怎么判断磨煤机是否堵磨的呢？

万分庆幸，电厂专家的配合度非常高。监控和判断是否堵磨，对他们来说，是个相当辛苦的过程。24小时眼不能停地监盘，发现一处异常值，就要来回翻阅近期其他相关多种数值的变化，做出判断。一台机组6台机器，对于一线的运维人员来说工作强度大，安全生产的压力也大。

现场专家列出了多种有可能出现堵磨的征兆，给出了大量的文字和故障描述。我们的小伙伴表示非常振奋，随即，陷入了绝望谷底的沉思。

比如有的专家规则是，“A不变，B缓慢上涨”，这一定性判断怎么翻译成定量算法代码问题？精确到什么速度算缓慢？上涨是从什么值到什么值？数值超过一丢丢，或者低于一丢丢，怎么算？何况，在我们过往的经验中，专家规则往往存在一定程度的不严谨，偶发的异常情况无法穷举，有遗漏，很难做成自动执行的软件系统。

看起来，也没有更好的途径。项目组曾私下问过有经验的运维人员，如何把这些经验传给新人，他们想了一会说：这个，靠“悟”！

于是我们的分析师开始了悟道之路，花了大量的时间完成征兆规则和数据的关联，并向专家反复求证，形成了核心指标体系，将定性的描述定量化，专家的经验终于被“悟”成了机器代码。三个月，一个像样的模型终于跑通了。

04

落地部署 只是智能化的开端

到了这一步，隐性知识终于显性化了，是不是可以写项目总结了？事实告诉我们，不能高兴得太早。比如，一个现场可用的预警模型，过于敏感或者过于迟钝都是不可取的；再比如，从数据中筛查出的专家无意识遗漏的额外异常征兆，是否纳入产品考量？

项目团队立下了“零误报”的小目标，和专家反复推敲，将模型的预警确定到了一个合适的灵敏度。现场专家们对最终结果表示超出预期，从堵磨风险指数、状态评估到操作建议，这个历经多番磨难的模型将成为一个得力的工具，真正有效地帮助他们的日常工作。

当然，产品上线后，还需要结合现场运行工况，算法不断优化和迭代的过程，这次，暂且略过不表。

回顾至此，我们不只是想鼓励广大从业者，知易行难，却仍要知难而上。

划重点！！！

定义一个合适的数据可解的问题至关重要；

让机理和算法握手，是一个反复试错反复验证的过程；

在这背后，大量数据处理工作往往耗时耗力却不为人知。

从信息化系统中做数据迁移和接入绝不是“拉一根网线”这么简单，原有系统导出的原始数据并不能直接用于模型训练，因此团队做了大量数据接入、预处理、数据结构化、数据标记等数据工程，同时，为分析模型创建了一个利于小规模快速迭代的运行环境。

在帮助专家经验形式化的过程中，我们历经了跨领域多个知识沉淀的全闭环，也将部分我们的经验（血泪史）形式化、服务化、产品化，以期帮助更多从业专家，将大量的技术原理、行业知识、基础工艺、模型工具，更高效、便捷的沉淀和复用。

2020年，经济下行压力的严峻挑战之下，修炼内功正当时。