智能制造15讲最新章节_李东红著

六、工业物联网和人工智能对智能制造的价值

下面举几个案例给大家分享IIoT、AI等新技术如何为企业实现智能制造带来价值。

第一个例子是，如何通过IIoT+AI来提高产品质量管理水平。美国一家汽车电子产品制造企业，它的一条生产线的最后一道工序是焊接。焊机装有九个传感器，客户的数据采集系统每隔几秒钟会采集一组焊机的传感器数据及对应的产品质量数据。他们希望能够把焊机的工作状态与产品质量关联起来，以构建产品质量预警模型，从而减少出现批量残次品——连续出现残次品——的次数。我们采用AI的方法，通过两个步骤对这些数据进行了建模和分析。首先，我们对焊机的传感器数据进行了状态特征的提取；然后，我们把焊机状态特征与产品质量记录进行关联建模，结果发现88.7%的残次品出现时都有唯一的焊机异常状态特征与其对应。因此，可以通过实时分析焊机的传感器数据，当发现焊机出现异常状态特征时，及时通知现场工程师采取措施，避免连续的、更多的残次品出现，从而降低因残次品导致的损失。

图3-6中，所有的蓝点是焊机状态特征点，绿线（竖直方向的直线）表示残次品出现的时刻，所有黄圈内的蓝点表示残次品出现时对应的状态特征，这些特征叫异常状态特征。当某一时刻焊机的状态特征与异常状态特征之一吻合时，意味着开始有残次品出现。

图3-6 焊机数据图谱

第二个例子是，如何通过数据智能来优化工艺控制和稳定产品质量。这是一家化工企业的应用案例。其生产过程的第一步涉及原料的投放、工艺参数的设定等。每种原料有其特定的成分，比如甲烷、丁烷等；然后，要根据原料的情况设定工艺控制参数，比如说温度、压力等。如果工艺控制参数设定不合理，生产出来的产品就将会是废品或低等级品。

以往设定工艺控制参数通常由工艺人员进行。这是一个对经验要求高，甚至很高的岗位。而根据企业的经历，即使有经验的工艺人员也常有不能合理设定控制参数的情况。企业希望能够引入数据智能手段，针对实际原料模拟合理的工艺控制参数集合，以作为生产控制的决策支持。

客户提供了一组历史的批次原料参数数据、相关的工艺控制参数数据，以及对应的批次产品质量数据——产品成分数据。基于客户提供的数据，我们采用数据智能方法，建立了基于生产过程数据——原料数据+工艺数据——的产品成分预测模型（图3-7）。用另一组生产过程数据和产品成分数据进行测试，预测准确率高于90%。客户认为，利用这样的模型在每次生产前进行模拟预测，以指导工艺控制参数的设定，可期待对产品稳定性的提升有重要帮助。

图3-7 产品成分预测模型

第三个例子是，如何通过数据智能来实现设备异常或故障的预警。提早发现设备运行异常或故障的征兆对于企业而言非常重要，其可以减少非计划性停机、提高设备利用率和减少设备故障，从而大大节省运营成本，对于拥有大量设备的企业更是如此。目前绝大多数企业对于设备运行状态的监测还是采用报警机制，即当设备的某些传感器参数超过预设阈值时，获得设备报警信息，然后采取相应的应对措施。但往往设备报警时即发生故障，需要停机检查或维修。石化、电力企业一般都有DCS（Distributed Control System，分布式控制系统）或SCADA，从这些系统平台上可以监视各种设备的运行参数，但由于设备数量多且传感器数量庞大，要从中发现故障征兆，即使是经验丰富的工程师也难做到。

以压缩机的故障预测为例。压缩机故障有很多种，涉及的因素也很多，不同的传感器参数异常可能对应不同的故障征兆。一台较大的压缩机，其状态传感器有三十多个，分别用于测量温度、压力、转速、振动、位移、流量等。这么多不同种类的参数涉及海量的数据，很难进行人工分析。人工智能恰恰在通过大量传感数据发现设备故障征兆上有巨大的应用潜力。

该案例是电厂的一台汽轮机，这个汽轮机因故障停机过，故障发生前其内部主要传感器参数都没有报警，即：没有超过预设报警阈值。这是现在很多企业遇到的问题：这个设备坏了，而所有监测参数却没有报警，难道没有征兆吗？电厂给出了该设备故障发生前三周的主要传感器数据，让我们帮助分析。我们采用人工智能方法对数据进行了状态建模和状态分析，发现故障发生前该轮机的状态稳定性趋势即有明显劣化（图3-8），且出现过多个“状态异常时段”。经过确认，得知这几个时段的传感器参数异常变化是轮机主轴松动造成的，是故障征兆。若提前知道，通过拧紧主轴固件就会避免此次故障。这些故障征兆在此次故障发生前一周就已经出现。

为什么故障发生前所有主要传感器参数没有报警呢？我们分析认为，原因之一是设备出厂时设定的报警阈值在设备运行多年后已经不能准确反映设备在实际运行中的异常状态了。据我们了解，有些企业也曾尝试过通过调整设备的报警阈值范围来实现故障预警，但调整后引起另一个管理上的问题——“虚警”，因而放弃。

图3-8 汽轮机故障发生前三周数据呈现的状态稳定性趋势