煤气管网的智能调度系统利用机器学习算法建立高炉煤气产生的预测模型 ， 可以对未来 4 小时煤气产生量曲线进行预测 ， 同时对减休风（由于炉况异常造成的煤气发生量剧烈下降现象）事件进行预警 。
文章图片
结合对煤气产生量和煤气总管压力的预测 ， 首先保障关键用气工序的生产节拍稳定 ， 如多个热风炉换炉节拍 ， 避免由于生产节拍紊乱造成的管网压力波动 。 同时对异常的用气情况进行检测 ， 将不按照规范使用煤气的操作在各个操作工序间进行广播 ， 既对此类现象进行了有效地监督 ， 还可以提醒各个工序对此类现象可能对自身生产带来的影响进行评估和预防 。
最后 ， 结合管网的压力趋势预测和异常事件的影响分析 ， 对发电锅炉的用气调度指令进行决策建议 ， 最终达到稳定压力的作用 。
据估计 ， 高炉煤气智能平衡系统预计将为该企业带来年化经济收益 2300 万元 。 与此同时 ， 系统的标准化操作建议和异常问题追溯也为能效精细化管理提供了新的抓手 ， 促进了系统与运营能力的持续成长 。
「包打天下」的工业 AI 模型
上边讲述的这两个案例 ， 只是工业领域「百业百态 ， 千厂千面」的缩影 。
「工业」二字包罗万象 ， 其中包含的分支领域难以计数 。 每个分支都有各自不同的子场景 ， 这些高度碎片化的场景中蕴含着各种各样完全不同的业务逻辑 ， 每个逻辑又对应企业各自的痛点 ， 不同工业领域之间需求的差异化完美地诠释了「隔行如隔山」 。
行业的差异化需求给大量专业领域的小微企业创造了生存空间 ， 但也使得今天的工业互联网行业出现了「平台林立 ， 应用丛生」的景象 。
即便是同行业 ， 在不同的生产阶段 ， 不同的工业设备也很难实现智能化平台的统一 。 以工业大厂的智能制造平台为例 ， 西门子的 MindSphere 更擅长通过数字孪生对工业 PLC 进行优化管理；施耐德的 EcoStruxure 在电气化领域实现了基于主动控制的无人值守和可靠运维管理；ABB 的 Ability 则更擅长自动化设备、边缘端的一体化数字化能力 。
每家工业大厂都希望能打造跨行业、跨领域的通用平台 ， 从而扩大自己的客群和市占率 。 但在用户端 ， 则更关注智能化应用的行业经验及与自身业务的契合度 。
辛辛那提大学讲席教授李杰教授主导的美国 NSF 智能维护系统中心（IMS） ， 针对工业人工智能的预测性分析维护提出 ， 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建立工业 AI 模型 。
基于不断累积新的知识 ， 形成可以持续传承、迭代的模型和行业模板 ， 并逐步构建成体系化的工业人工智能系统 。 利用大量的数据和自动化控制相结合 ， 搭建可以从数据到知识再到执行的闭环 。 由此 ， 工业智能开发者们正在差异化的行业和设备之间 ， 寻找 AI 模型跨行业复用的可能性 。
推荐阅读
- 星链|石豪：在太空，马斯克和美国当局是如何作恶的
- 建设|这一次，我们用SASE为教育信息化建设保驾护航
- 生活|气笑了，这APP的年度报告是在嘲讽我吧
- 精度|将建模速率提升10倍，消费级3D扫描仪Magic Swift在2021高交会大显“身手”
- 最新消息|世界单体容量最大漂浮式光伏电站在德州并网发电
- 公司|科思科技：正在加速推进智能无线电基带处理芯片的研发
- 测试|图森未来完成全球首次无人驾驶重卡在公开道路的全无人化测试
- Monarch|消息称微软Win11 2022重大更新将在明年夏天到来
- 社交|Facebook被指试图在美政客中抹黑前雇员Frances Haugen声誉
- Intel|Intel在Alder Lake平台演示PM1743 PCIe Gen 5 SSD，带宽达14GB/s