工业人工智能实践者——天泽智云的先行探索经验与心得

工业人工智能领域的“西点军校”

2001年，天泽智云首席科学顾问李杰教授发起成立了智能维护系统中心（IMS），旨在推广产学研结合的理念，推动故障预测与健康管理技术在工业生产中的应用，至今已经有全球超过100家会员企业，完成了近200个企业资助研究项目，横跨几十个行业，服务过GE、波音、宝洁、英特尔等世界知名企业。应用领域涉及能源、轨道交通、装备制造、工程机械、海洋工程、微电子等行业。

IMS的研究人员在美国故障预测与健康管理技术协会（PHM学会）每年举办的工业数据分析竞赛中连续取得优异的成绩，被誉为工业人工智能领域的“西点军校”。研究员中80%都去往GE、Bosch、Boeing等国际知名制造企业，成为工业界智能化的主力军。

李杰教授本人堪称全球范围最先提出并实践工业人工智能的泰斗之一。自1983年在美国开始做汽车自动化生产线，1988年开始在美国邮政主管机器视觉和机器手写辨识的研发，实现邮件自动分拣系统，是人工智能技术在产业中最早的应用探索。于1992年加入美国国家基金会NSF，李杰教授提出最早的工业人工智能概念。1998年开始在联合技术公司(United Technologies Research Center UTRC)担任研发总监，参与了普惠发动机、开利空调、奥迪斯电梯等工业人工智能技术的研究。

李教授于2000年回到高校，在辛辛那提大学任教授，并联合工业界创办了IMS中心。那时，他便提出了一个大假设，假如所有的数据都能拿得到，那时我们该做什么？这样的思考逐步构筑了最早的工业人工智能体系的雏形，并先后于2005年在GE发动机、2006年在丰田凯美瑞等做预研试点。

智能系统维护中心(IMS中心)通过与NI美国国家仪器合作，开发了基于LabVIEW的Watchdog Agent预诊断工具包，并获得了2012年NI Week创新奖。2013年，周济院士（机械工程专家，中国工程院院士）邀请李杰教授前往工程院演讲，是在中国首次分享工业人工智能的概念与技术实践经验。

在2012年美国国家科学基金会对所有 I/UCRC产学研中心进行了经济影响力评估，IMS中心以8.5亿美元的经济价值和1:238的投入回报比位居所有研究中心的首位。

自2015年起，李杰教授与IMS成员单位合作联手，陆续出版了《工业大数据》、《从大数据到智能制造》、《CPS新一代工业智能》、《工业人工智能》等多部著作，汇聚了大量工业大数据分析与预测和工业人工智能的实践案例，引领了中国制造企业的智能制造价值转型。

2018年7月，IBM在TJ Watson研究中心举办了IMS活动，与李杰教授共同成立了全球第一个工业人工智能中心。2019年李杰教授获得了第九届（2019）吴文俊人工智能科技进步奖（科普奖）。

沿着李杰教授的亲历经验，我们可以大致梳理出西方国家在工业人工智能技术领域的布局与发展脉络，早于中国十数年。同样的，在美国出现这些技术的早期，IMS积极地倡导故障预测与健康管理PHM（工业人工智能的高价值应用技术之一），依然鲜有企业愿意尝试。

即使是信息化程度最高的半导体行业，仍处在摩尔定律趋势下不断追求下一代集成工艺的阶段。直到元器件越来越精密，工艺进步越来越难，对于设备可靠性的要求越来越高，半导体厂商才意识到产线的维护将产生巨额的成本，这才回头开始关注PHM。

从2010年开始，半导体制造的业界龙头纷纷开始与IMS合作，研究如何提升设备以外停机时间、缩短平均检测时间（MTBD）。通过双方的努力，在半导体行业实现了多个标杆项目，被证实对于蚀刻设备上某一关键部件的寿命可以至少延长8%。因为效果显著，美国的半导体行业开始全面推广PHM技术，如今Lam Research的一些设备已经几乎完全可以做到自维护。

工业人工智能致力于解决工业领域的“不可见”问题

IMS通常用“可见”和“不可见”，“解决”和“避免”的四象限图来分析人工智能目前的应用场景。目前人工智能在工业领域主要用来解决和避免“可见”的问题，前者包括工业机器人、视觉检测等，后者则包括无人驾驶、语音助手等。

在工业领域，可见问题仅仅是海面上的“冰山一角”，“不可见”的隐性问题才是海面下的恶魔。生产系统中的“不可见”问题包括设备性能的衰退、精度的缺失、易耗件的磨损、资源的浪费等。制造企业向智能化转型的本质就是从解决可见问题到避免不可见问题的过程。

如果说可见问题可以通过机器视觉、语义处理、深度学习等人工智能技术加以解决，那么“不可见”的隐性问题又该如何解决？

IMS的基本思路是，在传统的基于专家的规则和机理模型的基础之上，通过数据中蕴含的洞察和依据建立预测性分析算法和模型，在这个过程中不断累积新的知识，形成可以持续传承、迭代的模型资产和行业模板，并逐步构建成体系化的工业人工智能系统。

不仅如此，只有大量的数据或者自动化控制并不能实现智能化，关键在于要搭建一个可以从数据到知识再到执行的闭环。

在李杰教授的框架中，工业人工智能中4T缺一不可。第一，是数据技术data technology，实现不同来源数据的统一采集，并不断改良数据采集的过程，提高数据的质量和标准化程度；第二，是分析技术analytic technology，以行业机理与数据驱动融合的技术，将问题产生的过程进行数据分析、建模与管理，并构建准确、可靠和可解释的预测模型；第三，是平台技术platform technology，通过硬件架构和软件机制，实现边缘端和云端的协同控制，支持设备集群和生产线的自组织、自配置。第四，运营技术operation technology，将得到的预测模型转化为运维、管理决策，实现从以人为核心的经验驱动生产向以数据为核心的模型驱动生产的转变。

工业人工智能技术面临落地难困境

“错把技术手段当做目标，当前很多的工业互联网平台都把重心放在了解决可见问题的通用性技术上，强调平台的工具和技术指标，却忽略了问题本身。”在《工业人工智能》一书中，李杰教授曾经直言不讳地批评目前很多的平台都是在“拿着锤子找钉子”。

在天泽智云COO谢炯看来，目前很多工业物联网平台只解决了一个问题：设备互联、设备上云。工业互联网能够采集、获取的大部分都是一些通用数据，比如机器的启停、以及电压、电流、温度设备等对外开放的低频信号。但怎么样去利用这些数据，怎么样对数据进行分析，获得洞察？这才是工业智能应该发挥的作用。

另一方面，从客户的角度来说，国内企业在做智能化项目探索的时候，几乎没有思路，需求和目标都不明确，“你问他哪里疼，他说我全身都疼。”它们最需要的不是所谓“连接万物”的平台，而是有人能把业务需求转化为技术需求，真正解决问题、实现价值。而时下最流行的大数据和深度学习等“屠龙术”，也需要放在工业的背景之下重新考察，几乎没有拿来即用的可能性。

总结来看，人工智能技术在工业领域的应用面临四大高难度挑战：

一、数据难变现：95%工业场景没有标签数据，泛AI方法识别的奇异点数据很可能是工业现场中故障异常等高价值数据，不仅不能简单排除，而且还需要解读这些数据背后的机理含义。然而更重要的是，工业人工智能的起点并非数据，而是用户的痛点。偏离了这个出发点的话，针对数据展开的工作往往无法转换成真正的业务价值。

二、隐患难预见：工业领域在设计研发过程中就运用多种建模手段，通过对物理指标的仿真等，确保产品能够被制造出来。然而到实际生产中仍可能会产生产品缺陷，有些问题很难在设计阶段被发现或避免。在生产制造这一更加漫长的运行过程中，设备的衰退积累到一定程度就会出现停机、缺陷和浪费的风险等。这些都造成了工业企业的忧虑，却难以通过传统手段或泛AI技术被提前预知和解决。

三、转型难启动：工业智能化是跨领域多学科的系统工程，从硬件选型到软件部署，从数据采集、预处理到特征增强，以及算法开发、模型构建再到工业AI的应用，需要考虑的维度众多，企业内部也需要多部门协同，受限于效率和成本等因素，往往无从下手难以启动。

四、经验难传承：依赖专家和师傅们传授制造现场的经验，毋庸置疑将逐渐淡出历史舞台。一是经验丰富的老师傅越来越少，二是随着两化融合的深入发展，信息系统日趋复杂，各个系统之间的数据关系容易形成竖井状态，比如制造过程与运维管理系统之间的割裂，工业企业的关键信息与核心知识无法转化为可传承的资产，发展受到极大掣肘。

天泽智云打造工业界“GitHub”

针对国内工业人工智能领域的普遍误区，天泽智云在IMS理论体系的基础上对症下药，提出了针对性的解决方案。

“我们听到过一位互联网专家来这儿做演讲，他说这个行业最缺的不是AI工程师，而是理解业务需求，把业务需求转化为技术需求的人”。

天泽智云要做的，就是挖掘、提炼不同行业之间的共性需求，专注于工业人工智能领域的几大杀手级应用领域：1、设备维护策略的优化；2、工艺优化与过程质量控制；3、能源管理和能耗优化。

据孙昕介绍，天泽智云能够给制造业企业带来的核心价值在于三个“零”——零宕机、零次品和零浪费。零宕机指的杜绝设备意外宕机。零次品是指持续提高良品率。零浪费则是指在生产的整个过程中降低能耗、提高能源效率。

创业头两年虽然一直在不同的行业寻找场景、服务客户，但天泽智云一直不满足于做一家项目主导的服务公司，而是希望打造一套为所有客户赋能的“工业智能模型生产流水线”。毕竟，仅仅依靠自身的技术团队一个一个地实现智能化场景，对于整个产业来说只是杯水车薪。

“天泽智云应该靠体系、平台、工具搭出一条流水线，把工业智能化的技术难度降下来。这时候不只是我们自己，整个产业的高级人才就都不用花那么多时间和精力去做基础的技术活儿了。”孙昕意识到这样的产品体系才是支撑天泽智云长久发展的关键所在。

把天泽智云自身的数据采集能力、软件工程能力、工业数据分析能力、模型构建与管理能力提炼为标准化的通用性软件工具，将会大大缩短交付落地的周期。交付的系统本身也具备简单易用的特点，让用户自己赋能自己，持续迭代模型或者构建新的模型、不断优化业务效果。

对于天泽智云自己的团队而言，辅助以这样的产品工具，也大大地缩短了项目的交付时间，团队规模将不再是制约承接项目数量的主要瓶颈。原来，一个钢铁能耗优化场景的项目大概需要6到9个月时间，现在4个月之内就可以搞定。

经过十几轮的迭代，天泽智云已经形成了基于工业智能技术体系的工业智能产品矩阵，涵盖了数据转换为业务价值的关键环节，从工业现场的数据采集、边缘计算，到数据服务、分析建模，再到系统部署和工业应用。

天泽智云将工业物联和边缘计算系统、工业大数据服务中台、工业智能模型研发平台这三款核心产品共同打造成了一套工业智能基建系统——模力工场，可以快速孵化工业APP与创新工业应用，加速工业智能化的转型升级，还寄托了为国家抢占下一代工业软件制高点的愿景。

在孙昕看来，中国制造业的最大短板就在于“核心资产都在工业软件手里，而我们国家真正掌握制高点的工业软件几乎没有。”“模力工场”将帮助那些有能力构建愿景、有研发能力的组织，在智能化过程中不再受制于人，不再落后于一些欧美厂商，使中国在新基建领域完全做到自主可控。

“模力工场”将IMS 20年间以及天泽智云过去4年多扎根中国所积累的典型行业模板和模型资产沉淀下来，成为中国工业场景的领域知识、算法模型资产平台，让更多的开发者，尤其是有工业Know-how的专家，可以高效便捷地开发复用，在更多的个性化场景产生更大的价值。

“如果我们用这套软件系统做了一百个工业智能应用，就有一百个场景的模型被沉淀在这些行业的土壤当中，中国的工业模型资产库就多了一百个可以传承和生长的工业智慧”。这才是天泽智云贡献给中国工业界的一笔不可估量的财富。

声明：本站转载此文目的在于传递更多信息，并不代表赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本网联系，我们将在第一时间删除内容,本网站对此声明具有最终解释权。