人工智能的通用實現思路，是基于數據挖掘價值，通過模型傳遞價值。這在工業場景的落地過程中，存在諸多挑戰。

其一，客戶不買賬。模型本身不是產品，也無法直接創造價值，這與企業現行的管理體系、現用軟件的邏輯有著天差地別，企業很難理解并相信。第二，模型不準確。在工業場景中，普遍存在數據質量差、缺乏標簽等問題，使得初期的模型很難達到好的效果。客戶不信任、模型不靠譜，結果就是模型得不到使用和積累，造成了模型無法迭代優化的惡性循環。

而工業智能落地的核心，需要將快速見效和持續優化相結合。這通過泛在的大數據及人工智能技術很難實現。

天澤智云通過近年積累的項目經驗，梳理了工業智能的最佳實踐路徑。從工業場景及企業痛點出發，融合工業領域知識、智能建模技術及計算機科學，衍生出DT、AT、PT、OT四大支撐技術。并基于此開發四大核心產品，縱向打通數據采集、邊緣計算、分析建模，到工業應用的閉環，快速、流程化、標準化、系統性地為客戶交付可持續傳承的工業智能解決方案，實現客戶價值。

這之中包含4個產品：

• EdgePro，工業物聯網與邊緣智能軟件

• GenPro，工業智能分析與建模工具

• CyberRepository，工業智能模型生命周期管理協作系統

• CyberSphere，企業級算法模型執行引擎

工業智能產品矩陣與IAI DevOps理念構成了天澤智云的工業智能應用研發平臺。

——天澤智云技術研發副總裁 金超博士

如何使用這套研發平臺

加速工業智能的落地

觀察員小郭帶領客戶來到峰會

和“無憂機床”項目組現身說法

生動呈現工業智能研發新模式

觀察員：產品經理-小郭

OT：富士康項目總監-武哥

DT：邊緣計算工程師-芳哥

AT：首席數據科學家-學姐

AT：算法工程師-男哥

PT：軟件工程師-小明

OT-武哥：

富士康打造燈塔工廠的目標可以用3W來概括，即Waste Reduction（節能）、Work Reduction（減勞）、Worry Reduction（無憂）。其核心不是無人，而是要通過工業智能做到無憂。

舉個例子，模具加工過程中，刀具磨耗程度是影響模具成品質量的關鍵因素，但其磨損狀態不透明，現場工人無法掌握最佳換刀時間，以至于經常發生換刀過早或過晚的情況，造成刀具浪費和產品缺陷的問題。

我們之前做了很多嘗試，但是落地難度太大。然而與天澤智云合作之后，短短4個月就開發出了一個刀具剩余壽命預測的工業智能App，并在2個廠區試點無憂機床系統上線，取得了很好的效果。

這次峰會，很想請你們講講背后的技術和研發過程，給我好好做個“解密”。

觀察員-小郭：

沒問題，就讓我們一同走進工業智能DevOps研發新模式的解密之旅。

首先來了解一下系統的架構，這一套系統包含了5個關鍵環節，對應著李杰教授CPS系統的5C框架。

DT：數據采集

觀察員-小郭：

搭建系統的第一步是采集關鍵有效的數據。芳哥，給我們介紹一下，根據當時算法科學家建模的需求和現場的情況，我們的數采遇到了哪些挑戰？

DT-芳哥：

關于機床刀具剩余壽命預測問題，數據科學家需要兩種不同類型的設備數據。

振動數據采集的挑戰在于它的采樣率要求很高；低頻機床狀態數據采集難度在于不易解析機床控制器的通信協議；最后，還有一個難點在于高低頻數據在時間軸上的同步。

觀察員-小郭：

這三個挑戰如何解決？

DT-芳哥：

對比之下我們使用了天澤智云自主研發邊緣智能硬件iEC-1001來采集這些不同類型的數據。

iEC-1001具備4個高速動態信號采集通道可集成常見傳感器，包括振動、聲音、轉速計或電流等，無縫實現高頻信號采集。

同時內置高性能嵌入式處理器，可部署常見的工業協議，在一體化硬件中實現對高低頻數據的混合信號采集，輕松完成數據同步。

觀察員-小郭：

當時要采集的機床有幾十臺品類、規格，我們如何加速數采硬件的安裝調試，實現數據又準又快地接入呢？

DT-芳哥：

這就要依靠我們邊緣層的核心工具-工業物聯網與邊緣智能軟件EdgePro。

有了EdgePro的加持，就可快速實現規模化智能硬件的配置和數據接入。

OT-武哥：

這樣的高頻數據上云開始只有一兩臺設備時還好，但是如果一個廠區平均有500臺機床的話，我們現場的網絡帶寬就很難承載了，要改造網絡成本又很大。這個問題如何解決？

DT-芳哥：

當時我們就應用了邊緣計算技術，在邊緣端完成數據預處理和特征提取，只將少量有效特征數據傳輸上云，再在云上進行AI模型訓練和執行。這個功能iEC-1001也能支持。

經驗證，采用該系統后數據總量從之前的600MB/s縮減為10MB/s，降低60倍。

這套系統方案也可擴展到上千臺機床的工廠，同樣能有效降低對工業現場網絡帶寬的需求。

AT：算法建模  

觀察員-小郭：

完成關鍵有效數據采集之后，下一步進入算法建模。工業場景建模需要同時具備機理和算法知識，面臨著行業門檻高等挑戰。下面請學姐分享一下，在這個項目中模型如何又快又好地完成交付？

AT-學姐：

你說得很對，專業性強是工業智能建模的難點，比如在“無憂刀具”這個項目中，就涉及到振動信號預處理、故障特征提取、機器學習建模等多個環節，需要不同領域的知識和經驗。

我們的做法是將整個建模問題解耦，形成盡可能獨立的任務，并交由專業人員處理。我作為數據科學家，任務是定義這些子問題和設計解決問題的整體框架。

觀察員-小郭：

這種模型研發方式聽起來是一種非常不錯的思路，但是在項目中如何落地？

AT-學姐：

這就需要提到我們自主研發的GenPro了，它是一個專門面向工業場景的數據分析和建模工具，我們整個算法研發都是基于它來實現。

GenPro不僅可以包含基礎的統計分析、機器學習算法，同時內置非常豐富的行業算子，這些算子由天澤智云的數據科學家們結合IMS 中心的實踐經驗沉淀而成，是工業智能建模的一把利器。

比如在“無憂刀具”這個項目中包括針對振動信號的故障特征提取算子、自動工況分割的算子、處理復雜環境下的信號降噪算子等。

基于GenPro這些行業算子，算法工程師可以站在更高的起點上：他們無需特別深入掌握跨學科技術，而是可直接采用“拖拉拽”的方式，快速完成建模。

觀察員-小郭：

GenPro具體如何使用？

AT-男哥：

我來簡單介紹一下：我在GenPro中的建模并不是從零開始，而是可以基于之前建好的行業模版庫快速建模。比如搜索“機加工行業刀具剩余壽命預測”，打開后即可看到完整的模型流程，包含數據讀取、數據預處理、特征提取、模型訓練、調優、驗證等全部建模環節。接下來，我可以直接配置EdgePro數據庫信息，讀取模型訓練所用的數據。再基于剛才提到的行業算子提取穩態切削工況、自動篩選趨勢性故障特征。最后執行流程就可以查看結果、快速完成模型的開發和驗證。

要是在以前，開發一個初版的模型算法至少需要個2個工程師耗時3個月的時間。現在基于GenPro只需2周即可完成模型的原型化和初步驗證，而且算法團隊不同角色之間的協作也變得更加規范了。

PT：模型上線  

觀察員-小郭：

從建好模型到它能上線提供服務，還需要做哪些工作？

AT-男哥：

以前，模型從建好到上線還需要單獨開發很多軟件模塊，如算法數據服務、算法執行管理、運行時等，這就要軟件團隊花費幾周甚至更長的時間來支持。

為了解決這個問題，天澤智云研發了CyberSphere作為工業智能算法模型標準的運行環境，可部署多種主流算法語言開發的智能算法模型。只需一個算法工程師花費幾小時即可完成上線 ，實現算法的即交付即使用。

OT-武哥：

CyberSphere性能能否支撐起整個工廠設備的數據分析？以及安全性怎樣？

PT-小明：

完全沒有問題，因為CyberSphere采用了高性能、分布式的微服務架構體系，可以輕易地進行資源擴展，模型結果的實時性也不會受到任何影響。

去年CyberSphere曾成功支持數百臺設備的1500多個模型的并行運算，自部署以來運行得非常穩定。

在安全性方面CyberSphere做了很多增強，如對算法代碼進行混淆、加密，模型文件進行驗簽、防篡改校驗；容器化運行模型；基于用戶角色權限的數據隔離機制；用戶操作日志等。

AT：模型全生命周期管理  

OT-武哥：

模型上線以后，如果以后刀具的規格、加工模具發生變化，之前的模型是否還能發揮作用？

AT-男哥：

模型上線到CyberSphere平臺中之后，我們就可以對其運行指標進行監控，如耗時、故障檢出率、預測誤差等，并可以迅速排查模型的異常指標，確保模型上線后的風險可被管理。

針對算法模型經常出現的兩類問題，我們也設計了一套模型自學習框架，來保障模型結果的持續準確和穩定。

第一種是模型偏差比較嚴重，這個往往是因為初期算法設計的泛化性能不足，可能需要系統性的升級模型流程，這種情況就會交給我們的算法團隊在GenPro中重新去修正模型。

另一種情況是外部狀態發生變化，如更換了尺寸不同的刀具，此時的模型流程是無需修改的，只需在CyberSphere中重新訓練模型，優化參數，這種情況客戶現場的操作人員自己就能夠完成。

OT-武哥：

這套系統中的模型是很好的知識資產，未來我們也想在其他工廠復用，如何對其進行集中管理？

AT-學姐：

模型資產是工業智能App研發的基石，在項目實施的過程中，我們開發的算法都被管理在工業智能模型資產管理庫CyberRepository中。

小到一個行業算法組件，大到整個建模流程，它們每一次的版本更新迭代都可以通過CyberRepository進行追溯。

此外，當其他類似場景需要復用這些模型時，可基于模型倉庫中的資產快速建模，加速價值落地。從更高的層面來看，CyberRepository也將改變工業資產沉淀、使用、分享、傳承知識的方式。

OT：現場效果  

觀察員-小郭：

感謝大家的解惑和分享，到這里無憂機床智能APP的開發過程就介紹完了。這套刀具剩余壽命預測系統的效果如何呢？

OT-武哥：

刀具剩余壽命預測系統，經過幾個月的實踐取得了杰出的效果，感謝天澤智云團隊的支持！

觀察員-小郭：

有了這些工業智能研發“神器”，工業智能應用的研發效率可以被加快，技能門檻也可以被降低，知識也可以被持續地傳承。除了機加工外，天澤智云的工業智能應用研發平臺已經在風電、鋼鐵、電子制造、軌交、焊接等領域落地。我們以“讓工業無憂”為愿景，一路前行。