當前，我國新能源產業正在逐漸推進能源生產和消費方式革命，構建清潔低碳、安全高效的能源體系成為我國經濟社會轉型發展的迫切需要。
“工業智能技術正在加速風電行業智能化建設?！比涨埃本┨鞚芍窃瓶萍加邢薰炯夹g研發副總裁金超博士在接受科技日報記者的采訪時表示，風電智能化有三個重要的參考要素。
數據來源與質量管理
金超強調，要結合風電領域知識，對數據的來源跟質量進行管理，選擇那些對工業智能建模有作用的數據，才是最有價值的。
“這不僅僅適用于風電，任何一個做智能化轉型的行業，采用數據驅動的方式，最終目的都是要將人的決策過程自動化。也就是說，我們所理解的數據驅動的工業智能，是要將‘以前要靠人去不同的數據系統里整合信息、內化成知識、最后形成決策’這樣一條鏈路自動化?！苯鸪f。
除了對數據的量和來源進行管理之外，對數據質量的管理也很重要。金超認為，數據的質量，大概可以分為三類問題：第一類是通用的數據質量問題，比如奇異值、缺失值、超限值等。第二類是跟行業相關的，比如有的工況不滿足分析目標，要對工況做修正。第三類是跟建模相關的，如樣本不平衡、標簽缺乏等。
數據質量對數據驅動的模型效果非常重要，提前獲得足量、高質量、能代表所建模型對象行為的數據，是保證模型效果的必要條件。但是，在現場獲取的數據的質量，通常都達不到理想狀態。而利用數據質量不佳的數據訓練得到的模型，效果也不會很好。
金超舉例說：“在做發電機軸承溫度異常預警功能時，我們并沒有大量的有標簽的歷史數據。根據我們能獲取的軸承溫度、環境溫度、功率、風速等信號，利用能量守恒建立微分方程，通過估計參數來建立‘正常行為’模型，再與當下的狀態做比對，根據殘差的分布偏移來判斷異常，以此來彌補歷史數據標簽的不足。這就是我們通常采用的一個原則‘數據不夠，機理來湊’。當融入機理之后，一是不需要大量的訓練數據，原來一個月的訓練數據，現在7天就夠了；二是對外部環境的敏感度有所降低，受工況影響也變??；三是根據機理設計的被估計參數，讓整個模型的可解釋性也變得更強?！?/p>
模型也需要全生命周期管理
“因此在工業智能建模的時候，模型的選擇不一定只用數據驅動的模型。考慮選擇什么樣的建模方式，應從數據和機理兩個角度來考慮?！苯鸪f。
當數據比較少，同時對建模對象理解不夠深時，更多依賴于經驗或者需要做一些實驗。在數據比較少，機理很強時，比如典型旋轉類設備的智能診斷，可以基于機理來做分析，并且基于規則來做到預警。對于機理比較弱，但是數據很多的情況，就可以發揮數據驅動的模型優勢，去彌補對機理認知的不足。當數據足夠，并且機理也很強時，我們更傾向于去做機理跟數據融合的模型，因為往往這樣的模型可解釋性更強，對于外部環境的變化也更加不敏感。
“通過我們和信通院合作舉辦的工業大數據創新競賽來看，也印證了這樣的思維方式。在第三屆工業大數據創新競賽的化工設備故障程度預測問題，第一名利用了傳統的振動分析，加上LightGBM機器學習，取得了非常高的分數。我們后來得知，第一名的選手是機械工程背景，對旋轉類設備的分析很在行。但第二名利用GAN這樣的非監督式深度學習方法，也達到了類似的效果。第二名采用的思路尤其引起我們的興趣：將振動信號的分析轉化為類圖像問題，利用計算機科學在圖像領域的突破性技術和思想，來解決工業里面的非圖像數據問題。這個提醒我們，在數據量足夠的時候，數據驅動的方法，是可能彌補一些我們對機理了解的不充分的?！苯鸪f，“無論是哪次競賽，我們發現與我們的經驗一致，機理和數據驅動相結合的方式，效果往往都比較好。”
一個模型的誕生就像嬰兒一樣，成長的過程中需要接受教育、做練習題，最終畢業，成人。模型類似，也要通過不斷的跟領域知識磨合和融入，在能夠采集更多樣本的情況下不斷迭代，最終才能形成一個比較成熟的模型。
“因此，我們需要一個基礎設施，能夠對模型的全生命周期進行管理?；谶@樣的理念，我們開發了一套完整的工業智能模型研發平臺，從算法的設計、探索、驗證，以及監控和部署，形成一套完整的閉環。通過這樣的一個工業智能模型研發平臺，有效地解決了工業領域常常談到的‘建模難、用模難、管模難’的問題，極大提升了模型的研發效率、降低了維護成本。” 金超說。
智能化落地是跨領域跨技術的系統工程
在落地工業智能的時候，除了數據跟模型這兩個要素之外，還有系統工程能力。也就是，如何能夠把分析技術（AT），數據技術（DT），平臺技術（PT）以及運維技術（OT）這四類整合起來。
“在DT層，即數據技術這一端，要能實現設備的物聯以及邊緣計算，將孤島系統中的數據統一管理。在AT層，需要對模型的建立、管理、部署和服務化都進行全面的管控。最后跟信息系統以及運維系統形成融合。從DT到OT的工業智能系統，模型只是AT層的一小部分。系統建立起來，才是工業智能服務的開始。從數據到業務的閉環、不斷積累企業自己的知識資產，才是運營一個工業智能系統最需要關注的，而非僅僅建模?！苯鸪f。
