在人工智能技术的支持下，SiePA 充分利用工厂历史数据，通过设备运行状态预测预警模块与智能排查诊断模块，不仅能及时预测预警运营中的故障风险，还能帮助企业高效诊断故障原因并指导其进行维修维护，从而有效控制风险、降本增效。在中国，SiePA已成功应用于包括中国石化青岛炼油化工有限责任公司在内的多个客户工厂。在青岛炼化的智能工厂中，SiePA为客户建立起了从智能预警到高级诊断的闭环机制，以保证生产的可靠性和安全性。
|
演讲实录： 今天我希望和大家分享如何把人工智能和大数据运用到工业领域中，帮助工业落地工厂的智能运维。我们从简单的自动化走到数字化，更多的是实现两化融合，打造端到端的价值链，形成从采购、订单、排产、仓储物流到用户的闭环信息流，将从设计、工程、生产、运维到服务的所有数据集成到一个平台。这是今天我们在做的，其中运用了很多智能化的技术，但这还不是我们所追求的真正的智能工厂的目标。我们希望实现的智能运维分三个层次，一个是强化感知，从认知到传感到认知；一个是优化控制，从精准到最佳；一个是锐化运营，从专业到协同。 数字化工厂包括三个数字化双胞胎：产品的数字化双胞胎、生产的数字化双胞胎和性能的数字化双胞胎。基于数字化双胞胎技术，我们已经可以将智能运维中的强化感知、优化控制、锐化运营等应用融入到很多应用场景之中。在产品设计过程中实现产品质量预警，在产品生产中实现风险预测、参数优化和仿真模拟，以及在性能方面实现预测性维护，如异常预警和智能诊断。 工业人工智能是工厂智能运维落地的核心工具。今天我们在日常生活当中碰到的人工智能也可以用到智能运维中，比如监督学习就是一个很好的例子。在工业场景中完成异常状态预警，首先需要识别什么是异常，异常出现后系统会预警。异常出现频繁了，系统会做风险预测趋势等。强化学习也是一样，通过不断的自我学习，来将优化控制运用到工厂里面，例如实现参数的优化。生产包括工艺，有很多关联性的分析能够实现参数的优化，从而提升质量和效率。那么最高的一个层次是知识系统和知识图谱，就像我们今天去看医生一样，原来是望闻问切，今天需要做很多检查，需要不同专业的医生的判断来帮助医生做出最后诊断。在工业场景中，就需要形成一个知识图谱。如果一个设备出了问题，需要专家去看，做出诊断解决问题。今天我们用知识图谱就可以解决这个问题，也就是说积累了大量信息和知识后，如果发生了设备问题，就可以在知识图谱里去对照。过去发生过吗？怎么发生的？什么原因造成的？后来是怎么解决的？也就是说我们可以不再依赖一个老专家，而是一个知识库来帮助我们快速找到问题的关键，从而解决问题。 工业大数据分析也是智能运营的一个重要基础。今天数据的利用大部分还是在应用数据的描述性。我们在工厂看到的非常炫的大屏展示，还是一些实时数据或者是筛选过的、总结过的一些数据。真正的智能化是能够持续学习，持续优化。一个工厂能够自主学习、自优化，需要经过两个主要阶段，一个是数据分析，通过深入的分析和预测，可以向工厂运维人员提供很多信息。第二个是全生命周期数据闭环。如果有了一个模型，这个模型会在今后得到的所有数据上不断的去反馈来优化这个模型，形成闭环。反馈非常重要，能够让系统实现自主学习、自优化。
今天西门子中国的团队研发出了一个重要的预测性运维平台SiePA，它目前主要有两大模块，一个是状态预测预警，一个是智能排查诊断。第一个预警是提早预报关键设备可能出现的问题，同时诊断模块会说明问题可能产生于哪里，以及如何来解决和避免这样的问题，这样能够帮助客户减少非计划性停车，提高效率。
SiePA的架构图很简单，我们从现有数据里面，不管是来自控制系统、设备监测、故障通知与分析、工艺设计还是维修报告日志的数据，从这些数据中建立模型，实施监控、分析评估，最后来做诊断，甚至是形成一个闭环来帮助模型的不断优化。
我们从工业大数据开始机器学习，找到各种不同参数之间的关联性并建立模型，然后建立风险预测预警，提供智能分析诊断，然后又能在全生命周期通过新的数据反馈来进行模型的迭代和优化，进一步帮助机器去学习。生命周期不断的提高将大幅提升工厂的可用率和运营效率，包括正确的决策，成本的降低等。
作为人工智能在工业场景下产品化设计的一次成功尝试，SiePA获得了2020德国红点设计大奖，入选2020世界人工智能大会卓越人工智能引领者（SAIL）TOP30榜单。SiePA 已成功应用于包括中国石化青岛炼油化工有限责任公司在内的多个客户工厂，为客户建立起了从智能预警到高级诊断的闭环机制，以保证生产的可靠性和安全性。目前，西门子已在全球市场与众多企业基于 SiePA 开展相关合作与应用，向着数字化与智能化制造的目标不断迈进。 —————————————————— |
