当前位置：今日智造 > 智造快讯 > 新闻

【智能制造】设备维修“不预则废”，人工智能深度学习能不能来帮忙？

2017/9/30 2:10:35 人评论次浏览来源：产业智能官分类：新闻

造奇新媒体导读

前不久，杨明波先生新著《数字化工厂+工业维修服务体系》面世，会由工业4.0俱乐部、机械工业出版社、造奇智能产业新媒体联合推出大型万人线上读书会在9月26日晚间黄金时间强档推出，同时在数十个微信群同步直播/转播，受众广大读友好评。

读书会邀请了杨明波（作者）、朱铎先（蓝光创新董事长）、马笑潇（观为监测创始人）等重量级嘉宾，从不同的角度深入探讨数字化及智能制造趋势下的设备、工厂及B2B工业服务领域的种种。在此刊发马笑潇现场分享内容，经[造奇新媒体]编辑。

演讲：马笑潇博士，观为监测|MHCC设备健康体检中心创始人
整理：刘成军，造奇智能产业新媒体创始人兼主编，智能产业深度观察

马笑潇，工学博士，科技部创新创业人才，观为监测|MHCC 创始人，国际振动分析师俱乐部发起人，现任观为监测技术无锡股份有限公司董事长兼CEO。

马博士职业生涯起步于西门子，此后十余年先后供职于西门子、罗克韦尔自动化、通用电气等世界500强工业巨头，历任高端自动化产品经理、渠道经理和中国区总监等高级管理职务。

2013年带领创业团队在无锡国家传感网产业示范区创办观为监测。观为监测在无锡建有该领域国内专业技术水平最较高，影响力较强的第三方独立云诊断中心和工业大数据中心。

观为监测2015年完成钛和资本A轮融资，2016年登陆新三板。MHCC全生命周期智能设备健康预警与诊断平台于2017年成功入选工信部优秀大数据案例。

每个人的进步都是从读书开始的，很高兴参加这个读书会。

我是马笑潇，来自观为监测，是MHCC设备健康体检中心的创始人。从事预知性维修行业差不多10年了。2007年取得ISO国际振动分析师认证，算国内最早的一批认证的振动分析师了。

观为监测|MHCC 是一家专注于工业运维领域的大数据预知性维护服务机构，长期服务于美国雪佛龙、神华、华润、中船重工等世界500强标杆型企业，为其生产设备的健康运转保驾护航。

公司位于无锡的MHCC工业大数据中心（IBC），设备健康云诊断服务中心每年向各行各业出具数万份设备健康诊断分析报告，并提供诊断回溯机制，是国内影响力较大、专业水平较高的远程诊断服务中心之一。2017年该平台成功入选工信部全国大数据50家优秀解决方案。

公司是国内首家经国际标准化认证组织授权的ISO 国际振动分析培训认证基地，先后为中石油、神华、GE、SIEMENS 、台塑等企业集团培训了数百名取得国际振动分析师，欢迎大家来观为监测学习。

我本人也非常荣幸，为明波老师的这本新书作了序言。

我们言归正传。大家知道研究过去叫“历史”，把握现在叫“当下”，想知道未来叫“预测”。但想真实地还原过去可不简单，恰当地把握当下又谈何容易，当然预测未来就更难了。细想想都是“时间在后面捉弄大家”。

但是，人类似乎一直都“痴迷于做预测这件事”。比如咱老百姓都喜欢推个八字、算算命什么的，都是大家很热衷的事情。一句话，世界上凡是带“预”字的事都是大家想干却不容易干好的事。

我们工业的预知性维护的状况也差不多。

今天我们的话题是要谈谈从人工诊断到智能自诊断，预知性维护的瓶颈在哪里。

首先我们认为工业运维有三个段位。

不同行业，不同企业，所处的段位不同。同一企业的不同车间、不同设备也可能采用不同段位的运维方式。

但是趋势和目标是非常明确的，就是任何企业都会尽量规避处理应急事件、减少不必要的过度预防措施和增加预测能力。

工业运维也经历了4个主要发展阶段：

预知性维护是相对于失效后维修和定期预防性维护的一种基于状态的维护方式，建立对设备当前健康状态的准确评估，是实施有效地预知性维护的前提。

这个P-F曲线大家都很熟悉。毫无疑问，大家都想在P点就关注设备健康。可是现实当中，很少有企业能够及时准确的察觉设备的劣化趋势。

预测的难度并不来源于对未来的不可把握，而是对历史和当下缺乏全面、准确的判断和掌握。因为未来是无常的，而当下又是转瞬即逝的。

目前为止，人类所有的预测行为，本质上都是对过去规律的推演和依赖，掩藏着重要的假设逻辑。比如股市里的K线理论，股市明天的涨跌本质上是独立行为，但是通过观察一支股票的过去的走势，可以为其明天的涨跌规律建立假设。

当然，当我们具有“扩维看见”能力后。有些预测又是建立在更多维度上的发现而做出的。但大多数的人是很难建立超过4维的观察能力的。

回到预知性维护，我们看看制约其发展的瓶颈在哪里？

缺乏正确、有效的手段获取设备的运行状态数据：

这些状态数据有哪些呢？

常用的状态数据有：机组各部位的振动数据、润滑油液数据，温度变化数据，噪声（其实是某种特定振动的结果，如果能进行振动分析，也就不必进行噪声分析了，还有超声波检测，也是振动分析的一个子集，只是对特定对象，超声波分析更加直观、易于理解，振动分析专家是不必要做超声波分析的）；

当然还有设备的性能数据（如水泵的流量、扬程，功率等主要输出指标的变化等等）。有些数据可以从SCADA系统获取，有些数据SCADA往往没有，就需要后装。目前对于大多数旋转设备，普遍都没有振动监测手段，或者振动监测方案不科学。

所以，今年三月份，任正非就告诫华为人：

“华为做人工智能不要太冲动，不要遍地都是智能化，高质量的数据是人工智能的前提和基础，高质量数据输出要作为作业完成的标准”。

所以离开高质量的数据，谈人工智能是非常可笑的。工业物联网、边缘计算和云是获取正确、有效设备运行数据的数字化基础。

为什么振动信号如此受重视呢？

但是，大家对振动参量理解上的误区又很大，甚至有的人还拿振动参量等同于一个模拟量来看。实际上振动是复杂的信号量，一组振动信号可以派生出几十种、甚至上百种振动特征参量。

一、缺乏对状态数据的正确、有效的解读

笼统来讲，状态数据的解读，主要有两个思路：第一个思路叫机理辨识的思路，也可以叫机理建模的思路。就是通过对未知对象建立参数估计、进行阶次判定、时域分析、频域分析或者建立多变量系统、进行线性和非线性、随机或稳定的系统分析等，试图揭示系统的内在规律和运行机理。

这在故障诊断和根源性分析上，我们经常用的振动分析的方法，就是通过对振动信号进行时频变换后，发现设备早期故障的蛛丝马迹。

第二个思路，就是“灰度”建模的思路。比如我们大家经常提到的神经网络、深度学习型神经网络等。现在有很多人对人工智能有误解，一提起人工智能就认为是神经网络，也往往容易夸大人工智能解决问题的能力。其实，人工智能的基础是“机器学习”，神经网络是众多机器学习算法中的一种，只不过是因为GOOGLE ALPHAGO 的人机大战，让深度学习和神经网络名声大振。

这些都是人工智能的方法，那有朋友可能会问，哪种算法更好呢？每一种方法都有其适用性和局限性，能解决实际问题的方法，经得起实践检验的方法就是好的方法。

对于故障诊断而言，专家系统、决策树、基于主元分析的聚类算法、SVM和深度学习都是实践中不错的方法，后三种更是大有可为的。

二、缺乏对长周期(全生命周期)和多维数据的关联解读能力

故障诊断是一种高级复杂的数据科学活动。数据与数据的关联性尤为重要，我相信人工智能和大数据最终能形成解决这类复杂问题的终极能力。但这个过程也许比我们希望的还要漫长得多。在此之前专家与机器的协同诊断是一条现实路径。

毕竟，我们工业大数据的属性和消费大数据有很大不同。

在故障诊断上，我们无法接受“差不多”和“有可能”的判断，我们需要的是“准确”和“有效”。这也是为什么这么多年来观为监测提供的数据服务，一直提倡一种回溯机制，就是让客户用他的实践来检验我们的诊断分析结论。

最后，我想借用华为在今年的全连接大会上任正非的一句话作为结语：

在大机会时代，拒绝机会主义！——任正非。

工业人、工业服务人、设备人、振动分析师们、运维工程师们，我们没有什么捷径，踏踏实实地干好技术，为客户创造价值，成功只是时间早晚的问题。

延展阅读：打造数字化工厂？应该用“双模”！

来源：SAP制造聚乐部

2017年9月22日，由国家商务部、中国国际贸易促进委员会、湖北省人民政府、武汉市人民政府主办，e-works数字化企业网等承办的“2017（第三届）智能制造国际论坛”，在武汉举行。SAP 作为工业4.0的发起者、推动者，中国智能制造建设的引领者在会上全面展现了SAP的数字化创新。

当前，中国制造企业面临着巨大的转型压力。一方面，劳动力成本迅速攀升、产能过剩、客户个性化需求日益增长等因素，迫使制造企业转型；另一方面，物联网、协作机器人、增材制造、预测性维护、机器视觉等新兴技术迅速兴起，为制造企业数字化、智能化改造提供了良好的技术支撑。再加上国家和地方政府的大力扶持，使各行业越来越多的大中型企业开启了智能工厂建设的征程。然而，我国制造企业在打造数字化工厂建设方面，还存在诸多问题与误区：

1. 自动化设备+自动化产线=智能工厂。很多制造企业认为推进智能工厂就是自动化和机器人化，因此盲目购买设备，但只注重购买高端数控设备，但却没有配备相应的软件系统。

2. 数据自动采集、车间互联尚未实现。企业在购买设备时没有要求开放数据接口，大部分设备还不能自动采集数据，没有实现车间联网。

3. 工厂运营层依旧存在管理“黑箱”。在工厂运营方面还缺乏信息系统支撑，生产过程还难以实现全程追溯，与生产管理息息相关的制造BOM数据、工时数据也不准确。

4. 信息化孤岛和自动化孤岛依然存在。智能工厂建设是一个庞大的系统工程，需要多系统配合，然而很多企业不仅存在诸多信息孤岛，也存在很多自动化孤岛。

因此，面对数字化建设中的诸多问题，企业需要找到适合中国企业转型升级的有效方法和路径！那么，如何部署企业的智能制造解决方案？如何构建符合企业需求的数字化工厂场景？如何建立企业自身特色的智能制造建设体系？如何规划企业数字化转型升级平台？如何实现制造企业的可视化管理？如何快速成为数字化智能企业？……

过去，企业的资源分布相对内敛、企业的业务模式和管理方式相对稳定，SAP的产品承担了企业IT骨干系统的角色。而后，数字化转型的冲击下，企业对产品的需求悄然发生了颠覆性的变化，作为智能制造解决方案提供商的SAP也必须重新思考，交给市场、企业一份完美答卷。经过不断的努力，SAP通过践行Gartner的“双模IT”理论，打造出了数字化时代的旗舰产品，也就是“数字化核心”+“数字化创新系统”的SAP的“双模”产品体系。

“双模”之数字化核心

“数字化核心”由对相对稳定的SAP传统的商务套件进行数字化改造和SaaS改造而成，其目标是将企业业务的各个环节连接起来，运行在SAP的云产品上，其核心是S4/HANA。借助SAP S/4HANA功能强大的商务套件，从核心应用开始，企业可以逐步构建数字化转型平台。

“双模”之数字化创新系统

“数字化创新系统”-SAP Leonardo则是建立在SAP HANA云平台基础之上，帮助企业利用最新的数字化技术，对数字化核心进行快速调整、集成与扩展，从而满足数字化转型的不断变化的敏捷性、创新性的要求，它包括了物联网、机器学习、大数据、商务分析、区块链和数据智能等技术。SAP不仅在这些领域提供现成的应用软件，还提供相应的开发环境、可被调用的服务和API等支持企业定制开发的功能。

SAP可以帮助企业更好的搭建数字化工厂，迈向智能制造：

面向万物互联的物联网云平台的创新

在工业4.0领域里的数字化制造创新

基于数字化双胞胎技术进行的数字化产品创新

在双模产品体系下打造新一代的企业资产管理系统

利用机器学习打造“自驱动”的智能化企业

利用区块链技术的物流和采购领域创新

对于制造企业而言，完善数字化建设，成为智能企业需要“双模IT”的支撑。SAP“双模”创新数字化核心与数字化创新这一对产品是互生的，可以帮助企业快速成就数字化智能企业，直达智能制造核心。

新一代技术+商业操作系统：

AI-CPS OS

在新一代技术+商业操作系统（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPSOS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。

产业智能官AI-CPS

用“新一代技术+商业操作系统”（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。