美林数据技术专家团队|Tempo平台助力智能制造，推动工业领域算法模型管理与复用
2022-07-18 16:50:45
次
智能制造是工业界当下最关注的发展方向之一：对制造全过程全面感知形成数据，由数据反映制造过程实际情况，基于实际情况全面分析做出相应决策，进一步将决策转化为及时有效的反馈。智能制造着眼于这一“闭环”过程在制造全流程层面的实现。与自动化生产相比，智能制造通过智能化的感知、人机交互、决策和执行技术，实现设计过程、制造过程和制造装备智能化，是信息技术、智能技术与装备制造技术的融合与集成，更多地结合了当下新兴的数据驱动技术和人工智能技术，并且需要此类新兴技术与机理技术的深度融合。
然而，当前有大量可用于智能制造领域的算法、分析方法、机理知识等存在于高校和研究院所科研人员、企业研发与工艺技术人员的实验环境中甚至个人电脑中。这些成果中富集了科研人员与一线生产者所积累的知识与智慧，具有非常巨大的应用价值。但由于各种现实原因，使得这些珍贵的知识成果就如散落在海滩上的珍珠，存在着难以快捷实现提取利用以及持续创新协同改进，不断有效落地的问题。
因此，如何汇聚高价值资源，构筑一体化模型构建与管理平台，便捷高效地集成汇总、转化应用高价值机理算法、行业知识与新兴人工智能算法，推动工业知识复用，是工业智能制造推进及升级的核心痛点之一。
为什么存在工业知识难以复用的问题
具体而言，在智能制造领域，对工业机理算法、机器学习算法的研究及成果落地过程中，存在以下几个方面的问题：
01、开发工具不统一
工业领域发展至今，已经具备了一定程度的信息化技术能力，并已经完成了大量的软件、算法及模型的构建。但这些信息化建设的成果总是难以全面协同使用，原因之一是此类成果的开发工具并不统一。目前在工业界常用的开发语言主要有以下几种：
(1)Matlab
作为一门强大的科学计算语言，Matlab可以实现矩阵运算、绘制函数和数据、算法开发等功能，其强大的工具箱、函数库和绘图功能，对科学研究者而言非常便利友好，因此是高校和研究院所中科研人员进行算法实现的常用工具。
(2)Java
作为一种静态面向对象编程语言的代表，Java极好地实现了面向对象理论，能够方便的实现业务工作建模，因此是企业各类流程信息化管理系统如PDM、ERP、MES、CRM等构建的主要开发语言。
(3)Python
Python语言提供高效的高级数据结构和面向对象编程，具有非常强大的第三方库，很大程度上提高了开发效率，且随着人工智能技术的兴起，Python成为数据驱动算法与人工智能模型构建的主要工具，也因此成为智能制造领域算法开发构建所不可缺少的核心工具。
除此之外，还存在大量使用其它语言和开发环境完成的富集知识的软件成果。在智能制造领域，普遍存在着多种语言混合开发的现象，由不同语言开发的软件通常难以充分协作，它们往往无法共享内存空间，具有不同定义的数据结构和类型，依赖复杂的环境设置，并且各自对输入输出的参数结构具有各自独特的定义等，种种情形对于各类工业智能知识/算法的复用和工程化应用提出了极大的挑战。
02、成果共享难
在智能制造领域所积累的大量算法和模型等研究成果大多分散在各自的应用系统中，出于自身业务、数据等保密性和安全性要求，导致成果难以推广和复用。此外，由于开发者的水平参差不齐，导致开发的程序无法保证标准化或规范性一致，阻碍了各积累成果的融合与集成。相关成果分散割裂，也无法实现便捷查询和知识共享复用。
03、集成应用难
当前工业智能制造领域的算法创新工作主要是由各大高校、机构、科研院所担任，企业与高校之间缺少直接链条式的联系，无法直接实现科技创新成果到生产力的转化，导致高校的创新成果难以适应企业的信息化系统建设需求，集成应用较为困难。具体表现在：由于企业的信息化系统类别多样，标准不一，导致算法和模型难以在各系统间快速实现工程化应用；算法和模型依赖的开发环境复杂，难以对接现有生产系统，也无法动态应用数据分析工具。
综上所述，智能制造领域的算法模型创新成果应用过程中存在着难以快捷实现工业知识复用的限制。为解决此问题，推动智能制造领域工业知识复用，美林数据在Tempo AI平台中引入适合于工业知识迁移与复用的自定义算法模块，该模块支持多种开发语言，包括Matlab、Java、Scala和Python等，通过规范化算法节点，实现拖拉拽一键式数据分析与机理算法开发流程应用，并支持多种API调用方式。
如何应对工业知识复用的难题
Tempo 平台支持制造全流程建模，实现了自定义算法管理+大数据分析平台结合应用的统一模式，解决了工业领域各类算法和模型在协同集成应用和统一管理层面共享难的问题，支持不同行业用户面向工程化应用的分析工具及应用系统建设，推动工业知识复用。
准确来说，工业制造领域的数据来源于各类业务系统，经常分散在不同的应用系统中，通过Tempo平台提供的数据库接口，实时接入业务系统的数据；采用Tempo AI 平台中的自定义算法模块，封装业务机理算法和数据驱动类算法，形成可复用的算法节点，通过拖拽式图形化建模，构建面向典型业务的分析流程。最后，将数据分析结果存储到数据库中，并支持实时推送结果信息，及时、有效地赋能领导层决策。
Tempo AI 算法统一管理与协同集成应用模式如何使用Tempo AI实现工业知识复用
以某新能源发电企业的生产运维为例：为确保电厂运行状态满足相关技术要求，需对厂内的发电机组运行相关的多个参数进行实时监测。然而，在面对海量运行监测数据时，人工极难准确识别其中存在的尚未有明显可视特征的异常信息，易导致误判漏判；况且，在监测出机组的异常状态信息后，需尽早评估相关异常可能对机组安全性和经济性所造成的影响，并依据影响情况拟定运行策略。然而，由于电厂的系统规模庞大，运行工况复杂，运行状态参数众多，使得人的知识、经验和识别可靠度，难以满足机组运行对于异常发展趋势评价的准确性和时效性要求。
现有以下需求：优化目前电厂基于DCS系统的异常检测方法，基于数据驱动的故障预测与健康管理PHM技术架构，实现全功率范围内的系统级状态估计、异常检测、健康评估、故障诊断和故障预测等功能。
01、数据采集
基于Tempo DF平台OPC-UA标准协议进行数据采集，实时读取DCS系统的设备运行数据，通过Kafka接入数据，实现数据实时采集；同时提供了各类常见的数据库接入协议，可以实时接入业务系统数据。
02、算法复用
用户根据电厂多年实际运行情况，结合历史经验和国内外的技术文献，实现了大量的自主算法设计和模型构建。然而，这些算法和模型都是以文件或代码的方式存储，难以实现算法和模型的迁移和复用。为解决以上问题，利用Tempo AI 平台的自定义算法模块将此类算法和模型封装成可支持拖拽式的自定义算法节点，直接融入平台所提供的模型管理与服务调用机制中，实现了算法和模型的统一管理与快速复用；此外，这些自定义节点可以与平台上的其他节点相互配合，完成深度数据分析流程的搭建，支撑各业务系统应用。
03、业务系统构建
构建最优状态估计模型、不确定度分析模型和可靠性模型，利用电厂离线数据或设备试验台架数据对最优状态估计模型进行预测，实现对实时采集数据的最优状态估计，以及对最优状态估计模型开展不确定度分析、可靠性分析，为后续的异常检测、健康评估和故障诊断等奠定基础。
04、数据可视化展示
通过Tempo平台的BI可视化功能, 根据最优状态估计结果实现仪表的健康状态评估, 并实时显示其性能退化趋势。
随着Tempo AI平台通过融合自定义算法模块，实现各类典型工业知识和第三方算法的嵌入、复用落地，在试验数据分析、设备智能运维与健康管理等领域已带来非常便捷高效的应用体现。然而，依旧存在着许多待改进的地方，例如：未来，我们将继续着力提升算法嵌入后的执行性能，满足不同业务领域工程化应用的诉求；考虑为多方联合开发的算法组件提供授权机制，孵化平台在行业应用的生态及运营模式等。
服务工业智能化进程推进，我们一直在路上！
Tempo商业智能平台
Tempo人工智能平台
Tempo数据工厂平台
Tempo指标平台
Tempo数据治理平台
Tempo主数据管理平台
首页
陕公网安备 61019002000171号
