下载掌阅APP，畅读海量书库
立即打开
提问：请问，你们为企业做进行分析时，是给每个企业做一个数据模型，还是用一个通用模型？
回答：我们研发的是一种方法模型，是通用的，任何企业用这个方法模型都可以基于目标对象的数据快速构建对象的实用数据智能模型，比如目标对象是生产过程和设备。
提问：可否这样理解？这些客户给的数据实际上不能算是数据，而是数值，比如说温度、湿度等，把所有单位都拿掉了，仅给出一些数值。
回答：你的理解是对的。所以我们是在用纯粹数据驱动的方法为客户服务。
提问：很多企业有大量数据却不利用，您觉得是什么原因？是他们缺乏人才，还是不够重视或缺乏投入？
回答：我认为首先是思维方式问题。我国多数大型企业内部都有一批非常有经验的工艺师，他们仅凭简单的工具就能告诉你该机器有潜在问题。所以，经验是解决问题的关键，这已成为一种共识。其次，大家已经习惯于报警机制和“事后分析”，认为有报警就够了。另外，进行与管理相关的技术创新驱动力不足。最后，在设备预防性、预测性维护方面有不少企业也做过探索，但是研究成分多、浅尝辄止，落地应用的很少，见效的就更少。
提问：设备故障预警与预测性维护在国外发展得怎么样？
回答：据我了解，在国际工业界，NASA、GE、西门子、霍尼韦尔、ABB、施耐德、PTC、微软、三菱重工等在这方面都进行了很深入的尝试，并已有一些实际应用。但利用纯数据驱动的技术实现设备故障预警与预测性维护方面，GE、霍尼韦尔、PTC、微软的技术相对成熟。
提问：大数据预警概念其实已提出很多年了，现在有什么新的技术？
回答：下面我举一个例子来说明目前国内外绝大多数的做法。比如，要对一台风电机进行故障预警，一种方法是对该风电机的历史状态传感器数据进行关联分析，找出关联变化的参数，然后提取参数变化特征，再将这些特征信息与该风电机历史上的故障信息进行对比，利用AI的监督式学习来训练一个故障预警模型。当实际运行数据符合已学习的某种故障前兆特征时进行预警。另一种方法是针对该风电机的一些关键状态传感器数据，比如振动信号，用AI方法构建参数预测模型。当某参数的预测值与实际值的差异超出设定范围时给出预警。这两种方法有个明显的不足是建模效率低、代价高，且对数据人才要求高。另外，由于涉及预设条件，对模型的更新维护要求高。目前比较先进的技术是利用风电机全部或绝大多数的传感器数据，结合AI的无监督学习机制构建状态特征模型，然后利用状态特征模型实现动态的异常状态预警。
提问：目前很多企业的设备上已安装的传感器很少，是不是将来都需要加装？
回答：传统制造企业，尤其是离散制造业企业，除了使用大型或精密设备的企业外，绝大部分没有或缺少传感器和数据采集系统。是否要加装还是要看企业对数据价值的认识，以及企业本身的运营情况。我个人认为，数据智能对于企业节省生产运营成本和提高产品质量有很大帮助，在企业有能力的情况下，应该应用此类新技术。
提问：目前传感器技术本身还不成熟，那传感器如何来发挥作用？
回答：这是非常好的问题，它涉及监测方法。监测方法分两大类：第一类叫静态目标监测法，就是我们对监测对象设定某种参数值范围，通过判断参数值是否超出范围来进行异常预警和故障分析；第二类是动态目标监测方法，这种方法不是根据所设定的某一些值的范围来判断问题，而是根据对象状态的演变来判断是否有问题，所以，对传感器本身的精度要求会低一些。