當前，我國新能源產業正在逐漸推進能源生產和消費方式革命，構建清潔低碳、安全高效的能源體系成為我國經濟社會轉型發展的迫切需要。
“工業智能技術正在加速風電行業智能化建設。”日前，北京天澤智云科技有限公司技術研發副總裁金超博士在接受科技日報記者的采訪時表示，風電智能化有三個重要的參考要素。
數據來源與質量管理
金超強調，要結合風電領域知識，對數據的來源跟質量進行管理，選擇那些對工業智能建模有作用的數據，才是最有價值的。
“這不僅僅適用于風電，任何一個做智能化轉型的行業，采用數據驅動的方式，最終目的都是要將人的決策過程自動化。也就是說，我們所理解的數據驅動的工業智能，是要將‘以前要靠人去不同的數據系統里整合信息、內化成知識、最后形成決策’這樣一條鏈路自動化。”金超說。
除了對數據的量和來源進行管理之外，對數據質量的管理也很重要。金超認為，數據的質量，大概可以分為三類問題：第一類是通用的數據質量問題，比如奇異值、缺失值、超限值等。第二類是跟行業相關的，比如有的工況不滿足分析目標，要對工況做修正。第三類是跟建模相關的，如樣本不平衡、標簽缺乏等。
數據質量對數據驅動的模型效果非常重要，提前獲得足量、高質量、能代表所建模型對象行為的數據，是保證模型效果的必要條件。但是，在現場獲取的數據的質量，通常都達不到理想狀態。而利用數據質量不佳的數據訓練得到的模型，效果也不會很好。
金超舉例說：“在做發電機軸承溫度異常預警功能時，我們并沒有大量的有標簽的歷史數據。根據我們能獲取的軸承溫度、環境溫度、功率、風速等信號，利用能量守恒建立微分方程，通過估計參數來建立‘正常行為’模型，再與當下的狀態做比對，根據殘差的分布偏移來判斷異常，以此來彌補歷史數據標簽的不足。這就是我們通常采用的一個原則‘數據不夠，機理來湊’。當融入機理之后，一是不需要大量的訓練數據，原來一個月的訓練數據，現在7天就夠了；二是對外部環境的敏感度有所降低，受工況影響也變小；三是根據機理設計的被估計參數，讓整個模型的可解釋性也變得更強。”
模型也需要全生命周期管理
“因此在工業智能建模的時候，模型的選擇不一定只用數據驅動的模型。考慮選擇什么樣的建模方式，應從數據和機理兩個角度來考慮。”金超說。
當數據比較少，同時對建模對象理解不夠深時，更多依賴于經驗或者需要做一些實驗。在數據比較少，機理很強時，比如典型旋轉類設備的智能診斷，可以基于機理來做分析，并且基于規則來做到預警。對于機理比較弱，但是數據很多的情況，就可以發揮數據驅動的模型優勢，去彌補對機理認知的不足。當數據足夠，并且機理也很強時，我們更傾向于去做機理跟數據融合的模型，因為往往這樣的模型可解釋性更強，對于外部環境的變化也更加不敏感。
“通過我們和信通院合作舉辦的工業大數據創新競賽來看，也印證了這樣的思維方式。在第三屆工業大數據創新競賽的化工設備故障程度預測問題，第一名利用了傳統的振動分析，加上LightGBM機器學習，取得了非常高的分數。我們后來得知，第一名的選手是機械工程背景，對旋轉類設備的分析很在行。但第二名利用GAN這樣的非監督式深度學習方法，也達到了類似的效果。第二名采用的思路尤其引起我們的興趣：將振動信號的分析轉化為類圖像問題，利用計算機科學在圖像領域的突破性技術和思想，來解決工業里面的非圖像數據問題。這個提醒我們，在數據量足夠的時候，數據驅動的方法，是可能彌補一些我們對機理了解的不充分的。”金超說，“無論是哪次競賽，我們發現與我們的經驗一致，機理和數據驅動相結合的方式，效果往往都比較好。”
一個模型的誕生就像嬰兒一樣，成長的過程中需要接受教育、做練習題，最終畢業，成人。模型類似，也要通過不斷的跟領域知識磨合和融入，在能夠采集更多樣本的情況下不斷迭代，最終才能形成一個比較成熟的模型。
“因此，我們需要一個基礎設施，能夠對模型的全生命周期進行管理。基于這樣的理念，我們開發了一套完整的工業智能模型研發平臺，從算法的設計、探索、驗證，以及監控和部署，形成一套完整的閉環。通過這樣的一個工業智能模型研發平臺，有效地解決了工業領域常常談到的‘建模難、用模難、管模難’的問題，極大提升了模型的研發效率、降低了維護成本。” 金超說。
智能化落地是跨領域跨技術的系統工程
在落地工業智能的時候，除了數據跟模型這兩個要素之外，還有系統工程能力。也就是，如何能夠把分析技術（AT），數據技術（DT），平臺技術（PT）以及運維技術（OT）這四類整合起來。
“在DT層，即數據技術這一端，要能實現設備的物聯以及邊緣計算，將孤島系統中的數據統一管理。在AT層，需要對模型的建立、管理、部署和服務化都進行全面的管控。最后跟信息系統以及運維系統形成融合。從DT到OT的工業智能系統，模型只是AT層的一小部分。系統建立起來，才是工業智能服務的開始。從數據到業務的閉環、不斷積累企業自己的知識資產，才是運營一個工業智能系統最需要關注的，而非僅僅建模。”金超說。
