在人工智能技術的支持下，SiePA 充分利用工廠歷史數據，通過設備運行狀態預測預警模塊與智能排查診斷模塊，不僅能及時預測預警運營中的故障風險，還能幫助企業高效診斷故障原因并指導其進行維修維護，從而有效控制風險、降本增效。在中國，SiePA已成功應用于包括中國石化青島煉油化工有限責任公司在內的多個客戶工廠。在青島煉化的智能工廠中，SiePA為客戶建立起了從智能預警到高級診斷的閉環機制，以保證生產的可靠性和安全性。
|
演講實錄： 今天我希望和大家分享如何把人工智能和大數據運用到工業領域中，幫助工業落地工廠的智能運維。我們從簡單的自動化走到數字化，更多的是實現兩化融合，打造端到端的價值鏈，形成從采購、訂單、排產、倉儲物流到用戶的閉環信息流，將從設計、工程、生產、運維到服務的所有數據集成到一個平臺。這是今天我們在做的，其中運用了很多智能化的技術，但這還不是我們所追求的真正的智能工廠的目標。我們希望實現的智能運維分三個層次，一個是強化感知，從認知到傳感到認知；一個是優化控制，從精準到最佳；一個是銳化運營，從專業到協同。 數字化工廠包括三個數字化雙胞胎：產品的數字化雙胞胎、生產的數字化雙胞胎和性能的數字化雙胞胎�；跀底只p胞胎技術，我們已經可以將智能運維中的強化感知、優化控制、銳化運營等應用融入到很多應用場景之中。在產品設計過程中實現產品質量預警，在產品生產中實現風險預測、參數優化和仿真模擬，以及在性能方面實現預測性維護，如異常預警和智能診斷。 工業人工智能是工廠智能運維落地的核心工具。今天我們在日常生活當中碰到的人工智能也可以用到智能運維中，比如監督學習就是一個很好的例子。在工業場景中完成異常狀態預警，首先需要識別什么是異常，異常出現后系統會預警。異常出現頻繁了，系統會做風險預測趨勢等。強化學習也是一樣，通過不斷的自我學習，來將優化控制運用到工廠里面，例如實現參數的優化。生產包括工藝，有很多關聯性的分析能夠實現參數的優化，從而提升質量和效率。那么最高的一個層次是知識系統和知識圖譜，就像我們今天去看醫生一樣，原來是望聞問切，今天需要做很多檢查，需要不同專業的醫生的判斷來幫助醫生做出最后診斷。在工業場景中，就需要形成一個知識圖譜。如果一個設備出了問題，需要專家去看，做出診斷解決問題。今天我們用知識圖譜就可以解決這個問題，也就是說積累了大量信息和知識后，如果發生了設備問題，就可以在知識圖譜里去對照。過去發生過嗎？怎么發生的？什么原因造成的？后來是怎么解決的？也就是說我們可以不再依賴一個老專家，而是一個知識庫來幫助我們快速找到問題的關鍵，從而解決問題。 工業大數據分析也是智能運營的一個重要基礎。今天數據的利用大部分還是在應用數據的描述性。我們在工廠看到的非常炫的大屏展示，還是一些實時數據或者是篩選過的、總結過的一些數據。真正的智能化是能夠持續學習，持續優化。一個工廠能夠自主學習、自優化，需要經過兩個主要階段，一個是數據分析，通過深入的分析和預測，可以向工廠運維人員提供很多信息。第二個是全生命周期數據閉環。如果有了一個模型，這個模型會在今后得到的所有數據上不斷的去反饋來優化這個模型，形成閉環。反饋非常重要，能夠讓系統實現自主學習、自優化。
今天西門子中國的團隊研發出了一個重要的預測性運維平臺SiePA，它目前主要有兩大模塊，一個是狀態預測預警，一個是智能排查診斷。第一個預警是提早預報關鍵設備可能出現的問題，同時診斷模塊會說明問題可能產生于哪里，以及如何來解決和避免這樣的問題，這樣能夠幫助客戶減少非計劃性停車，提高效率。
SiePA的架構圖很簡單，我們從現有數據里面，不管是來自控制系統、設備監測、故障通知與分析、工藝設計還是維修報告日志的數據，從這些數據中建立模型，實施監控、分析評估，最后來做診斷，甚至是形成一個閉環來幫助模型的不斷優化。
我們從工業大數據開始機器學習，找到各種不同參數之間的關聯性并建立模型，然后建立風險預測預警，提供智能分析診斷，然后又能在全生命周期通過新的數據反饋來進行模型的迭代和優化，進一步幫助機器去學習。生命周期不斷的提高將大幅提升工廠的可用率和運營效率，包括正確的決策，成本的降低等。
作為人工智能在工業場景下產品化設計的一次成功嘗試，SiePA獲得了2020德國紅點設計大獎，入選2020世界人工智能大會卓越人工智能引領者（SAIL）TOP30榜單。SiePA 已成功應用于包括中國石化青島煉油化工有限責任公司在內的多個客戶工廠，為客戶建立起了從智能預警到高級診斷的閉環機制，以保證生產的可靠性和安全性。目前，西門子已在全球市場與眾多企業基于 SiePA 開展相關合作與應用，向著數字化與智能化制造的目標不斷邁進。 —————————————————— |
