演讲实录 | 陆薇:领域知识驱动工业生产系统数智化
来源: | 作者:pmod6d781 | 发布时间: 2022-06-15 | 2890 次浏览 | 分享到:

本文整理自清华校友工业数智化高峰论坛



工业互联网、数智化的核心是业务驱动,需要把工业业务场景、领域知识、经验和数字技术紧密结合在一起,所以工业大数据的本质是工业引领。


工业的不同业务环节都有数字化需求,但数据类型和业务场景的差异很大,昆仑数据在工业领域比较专注在生产环节,这是工业数智化的深水区。要做好这个环节,需要把生产现场的人机料法环测等各种数据有效收集管理在一起,同时通过智能算法结合工业领域知识,帮助工业企业实现生产提质、增效、降耗、控险等业务目标。要把数字化技术应用到现场去解决特定场景下的问题,有两个很重要的桥梁,一方面现场需要有足够的数据基础,数据要完整、要连续;另一方面,还需要结合这个场景下相关的领域知识比如说设备机理、生产工艺等等,才能做好。这两者在现实环境中挑战都很大。


生产环节工业数智化的两大核心挑战


数据方面,数据的采集、治理和组织,在现场都会面临很多问题。从采集的角度,虽然说现在工业企业对数据采集的意识比以前有了非常大的提高,但是数据到底应该在哪里采?以什么样的频率采?这个非常有讲究。


例如在煤化工行业,研究最关键的煤粉气化过程,就需要知道气化炉内温度,但是炉内温度不能直接被采集,只能在炉壁上安装温度传感器,根据气化炉温度场反算炉内温度,那么在炉壁上的温度传感器怎么布、布多少、如何换算成炉内温度,就有讲究,要结合热力相关原理。


我们也见过传感器分布的问题,比如在化工行业要做管道破裂预警,结果安了传感器的地方没有破裂,其他地方破裂,是因为装传感器时不了解管道中流体流动规律,没有装在管道受力最大位置。



数据采集起来之后,由于现场数据非常多,有设备传感器数据,还有原料的、质检的、环境的各种参数等等,如果只是散放在不同数据库里,使用起来会非常复杂,很难在同一时空下对齐。而这些数据在物理空间内,彼此之间是有逻辑关联的。如果能够把这些数据有机的组织在一起,能够反映其物理时空的逻辑关系,就会更利于数据消费。当然还有数据治理的挑战。怎么保证数据的完整性、准确性,以及标准化问题:不同的厂商制定的规范,不同版本控制系统下的测点名称,差异都非常大。还有怎么做数据的全生命周期管理的问题,例如十年以上的运行数据,怎么能够最高效、最经济保存起来,区分冷、热、温数据,都是从数据治理的角度要考虑的问题。



我们要解决工业现场的问题,意味着在采集数据、管理数据的时候,必须要结合对工业系统的整个机理和结构等方面的认知,需要先理解该领域下的工业知识。工业领域知识有一部分是已经沉淀下来的理论知识,但还有一大部分的知识没有被很好的形式化描述,是现场工业专家脑中的一些生产规律。