对于工业设备来说，整个过程是一个非常长的产业链，从运行状态数据收集到上传云存储分析，再到应用组件的集成。做好产业链并不难。困难的是打开这些数据。周北川告诉数据猿。
记者 | 郭敏
官网 | www.datayuan.cn
微信公众号ID | datayuancn
一分钟内，蛟龙最大能潜50米，复兴前进5833米，神威太湖之光运算750亿次，333万元投入研究试验，生产汽车55辆……每一分钟，中国都在发生巨大的变化，这与工业的发展和智能制造密不可分。
2015年5月，国务院发布了《中国制造2025年发展纲要》，将智能制造作为中国制造2025年九项战略任务之一。云计算、大数据、人工智能等技术可用于工程设计、工艺流程设计、生产调度等环节。
然而在众多环节中，有一个环节经常被忽略，那就是设备的故障诊断和维护。其实，搭建一个开放的控制和反馈系统，基于数据对设备的运行故障以及异常问题进行动态反应才是实现智能制造的根本。
“对于工业设备而言，从运行状态数据搜集到上传云端存储分析，再到应用组件的整合，整个过程是一条非常长的产业链，做好产业链的某一点并不难，难的是将这些数据打通。”中科云创创始人兼CEO周北川告诉数据猿。
虽然难，但周北川却和他的团队做到了。
5年前的一天，在微软呆了10年的周北川与表哥的一次谈话坚定了他创业的决心，“我表哥在德国巴鲁夫公司担任中国区副总经理兼销售总监，做了15年的工业设备传感器的销售，他说工业互联网已经到了一个爆发点，如果想做就早点下手。”
其实，在微软工作期间，周北川一直有创业的想法，“我当时在微软的企业服务部，做后端的云平台，包括如何给企业提供售后服务支持，一个项目接一个项目的做着，时间长了脑子里就有了千万个想法，但苦于没有应用场景，想法就搁浅了。”
于是，在与表哥的一番交谈中，周北川沉积多时的创业想法被唤醒，他觉得是时候了。不过工业互联网有商品交易、项目撮合、社区论坛、物联网、柔性制造等众多细分领域，要从哪个点切入，哪个行业入手还需深思熟虑。
“当时，我们看到了工业客户一个比较大的痛点——设备的远程监控和维修维护问题。”周北川决定把它作为切入点。
不过说起来容易，做起来难，摆在周北川面前有两个棘手的问题：第一个是企业的数据沟通问题，第二个是数据量的积累问题。
企业的数据沟通分为两个层面：企业内部的数据沟通和企业与企业之间的数据沟通。在考察工厂的过程中，周北川发现，虽然现阶段大家都在提工业互联网，但多数工厂依然沿着“设备信息化”的老路在走。
“他们依然沿用的是内网、局域网，走有线，为了互相之间的线不要走的太远，控制室、中控室和车间必须挨在一起，一个工厂里就有好几个中控室，各个车间的数据没法打通；设备数据存储在工厂内部，假如接入西门子的仪器远程诊断工厂设备的状态，看不了，要维修设备，必须要到现场。”
在周北川看来，要打通这些数据需要一个物联网平台。但初创企业搭建工业物联网平台得先找一个“拳头级”应用，不然“九死一生”。
据周北川描述，这个“拳头级”应用要具备三个特征：
第一、简单可复制。互联网领域讲究长尾效应，每个项目需要投入大量的人力成本，在周北川看来并不可取，对于初创企业来说做通用性服务才是王道。可复制有两种方式：一种是产品，另一种是SaaS。如果做产品的话，需要公司的技术人员到企业去部署，这样算下来也是一大笔开销，最终周北川选择以SaaS的方式进行，这样就可以下载即用。
第二、既然要做SaaS，它就要具备标准化。“很多工业领域需要的工具，比如MES、ERP等不好SaaS化，因为它的非标程度非常高，每个企业都必须要带着一个咨询项目去做这件事情，所以也没有办法复制，我们得找到一个可以复制且标准化的应用。”周北川说。
第三、可以放到公有云平台上。相信多数工业企业因担心数据的安全问题，不愿意把数据放到公有云平台上。但在周北川看来将数据放到公有云是节约成本、提升效率的关键，况且对设备进行远程监控和维护只需要状态数据，并不涉及其他隐私数据，所以企业无须担心这一点。
基于这样的思路，周北川率领团队搭建了工业物联网设备健康管理SaaS服务平台——云中控，以数据为基础、设备为节点、流程为准绳、人员为中心，将物联网、语音识别、图像识别、机器学习等技术融入其中。
据周北川介绍，云中控平台通过公有云或混合云的方式，为设备制造商和设备用户快速实现设备的运行状态数据采集、传输、展示和加工等提供一揽子服务。
用户在数据源设备加装工控机或数采模块，标记设备控制系统或传感器等采集点，通过操作图形化界面完成本地设备的数据采集，经由3G、4G、Wifi等方式将实时数据上传到云服务器的数据库。
使用云中控的Web应用和手机APP，浏览设备状态，追溯历史数据，将加工统计后的数据转化为产能、良品率、设备使用率、能耗等各类报表，为生产和运维的优化提供决策依据。
“虽然我们的定位很清楚，但刚开始确实没有企业愿意把设备数据放到我们这个平台上，毕竟没有数据累积和具体的应用案例。”周北川坦言。
不过，当周北川拿着这套解决方案四处奔走的时候，他发现还是有很多企业愿意试一试，毕竟生产设备突发故障后，设备专家不在现场或者无法联络，维修备件没有库存或者供应商无现货，这些情况都会造成长时间的停机，这些问题已经困扰他们多年。
在采访的中，周北川重点提及了东升科技园的案例：
在东升科技园的某个配电室里，按要求每两个小时工作人员需要进行一次巡视，对机房内部的变压器、绝缘开关、断路器、柴油发电机等设备进行检查，把电气设备上的电流、电压、功率、温度等信息抄录下来，发现问题及时报告和处理。
“配电房都依赖人员巡检，而人员巡检存在责任心、技能和设备熟悉程度的差异，巡检效果参差不齐。”周北川表示。
据了解，为了保证园区办公区域不断电，配电室需要两个人轮班值守，一个配电房要配备八个人，一个园区通常是一个到四个配电房，每年花费在配电房人员监控方面的费用就有几百万。
为了节省开支，让巡检更加高效，东升科技园在配电房外增加了现场监控一体机，接入“云中控”的平台后，采集配电房里配电箱、配电柜、不同线路、开关等几千个点位的数据并传到云平台，通过移动终端和运营中心大屏，随时接受提醒、查看数据，及时保养和抢修。
周北川告诉数据猿，中科云创还将机器人用于配电房巡检，“我们做了一个机器人，机器人会把配电柜上的具体信息拍下来，通过图像识别就可以知道哪个灯是亮着的、仪表盘的数据是多少、开关是什么样的状态……通过这些数据和后台数据做对比来检测设备是否正常工作。”
这样的方式不仅能实现配电房的智能化维护，还能结合人工智能实现故障预测。
不过，利用人工智能进行故障预测是什么逻辑？周北川告诉数据猿，“把声音识别器安装在配电房里，通过它来采集设备振动或者打火的声音，一段时间之后对累积的数据进行分析，就知道哪种声音是打火的声音，之后就可以通过声音识别来做故障诊断、预判和实时告警。”
当下，在工业领域，图像识别、语音识别已经进入实用阶段，但在算法方面，周北川却认为，用AI来做工业设备的故障诊断，目前还停留在“鸡尾酒疗法”阶段。
“将各种算法运用到机器学习中，最开始的算法扔进去可能只能达到40%的准确率，再换个算法扔进去实现50%，再扔进去一个算法实现70%……之后实现80%，找到方向了，然后再做一些调优，这时候可能用到一些专家、行业知识再去调，最后调到90%多，有一点像鸡尾酒疗法，不过这个过程需要很多有效数据的积累，通常不是短期能够取得巨大成效的。”
在过去的几年里，一些工业领域的巨头依靠自身的数据和技术独自研发了工业互联网平台，例如三一重工的树根互联、沈阳机床的i5系统……根据他们对外披露的数据，所花的费用均在10~16亿之间，对于小企业来讲，这样高昂的研发费用他们是承担不起的。周北川表示：“在我们平台上，一台设备每年只需要支付一千块的运营费，任何一个小企业都可以用得起这个平台。”
如今，中科云创已经在数控机床、港口机械、智能配电、高速设备等领域累积了大量的客户，取得了不错的收入。发展至今，中科云创的团队也已经初具规模，其核心团队多是来自于微软、思科、索尼、华鲁锻压等企业的经验人士。对于2018年，周北川表示，中科云创将重点聚焦在智慧消防、机床的维修维护、融资租赁的设备风控三个方面。（文/郭敏）
制造业大数据标准化应用及成功案例分析
2018年3月29日，“2018全国大数据标准化工作会议暨全国信标委大数据标准工作组第五次全会”在北京国际会议中心召开。会议发布了《大数据标准化白皮书（2018版）》，白皮书对大数据国内外政策、产业及标准化现状和应用做了全面梳理和分析，完善了大数据标准体系，介绍了重点国家标准，并提出了下一步工作方向。
伴随着“智能制造 2025”国家战略的实施，大数据应用已成为制造业生产力、竞争力、创新能力提升的关键，是驱动制造过程、产品、模式、管理及服务标准化、智能化的重要基础，体现在产品全生命周期中的各个阶段，工业大数据正在加速制造业的转型升级。
通过产品全生命周期数据的采集，工业大数据建模和数字仿真技术优化设计模型，及早发现设计缺陷，减少试制实验次数，降低研发成本、提升设计效率，缩短了产品研发周期。
通过生产工艺过程参数，设备运行状态参数与产品质量性能、生产线排产负荷、耗能等数据进行关联性深度挖掘，形成数据闭环，可得出工艺参数的最优区间、车间排产计划的最优方案、厂房能效优化的最佳调控手段等。
另外，基于大数据构建的产品故障预测系统，能帮助用户实时掌握产品状态，在产品出现异常前展开预测性维修。基于数据标准化思路的企业全流程的数据集成贯通与工业大数据建模分析，支撑了大规模定制为代表的典型智能制造模式。基于研发知识库的大数据产品模块化分析，以及协同创新平台所整合的内外部产业链协同设计能力，可实现产品的个性化设计；基于工业生产大数据的互联工厂柔性化生产能力，保障了个性化设计订单低成本高效率的制造；结合物流大数据分析优化的物流配送系统，可充分保障个性化定制产品在最短时间内按承诺交付至用户。
海尔胶州空调互联工厂部署有国内唯一的分贝检测设备，当空调测试分贝大于标准分贝时，系统判断为不合格并将结果输出至 COSMOPlat-IM（MES）系统，但此设备无法识别空调运行中的异音，如摩擦音、共振音、口哨音等。此外，每天快节拍、高强度的空调装配流水线工作导致检测工人听取噪音时间过长，易产生疲劳和误判，偶尔有不合格品流到下线，影响产线整体检验的可靠性。因此，急需找到新式噪音识别方法，解决企业当前痛点。
基于标准化思路的核心问题研究：COSMOPlat 是海尔自主研发、自主创新的共创共赢工业互联网平台，通过整合平台上的软件及硬件资源，与美林数据共同开发了空调噪音智能检测系统，有效地解决了无法准确、可靠识别异音的痛点。解决方案包括非结构化音频数据实时采集与存储、分析建模与智能识别、结果输出与可视化展现三大部分，核心过程如下：
针对生产线采集的大量历史检测音频，利用端点检测技术对产品运转过程中起、停机阶段的音频区段进行智能切割，利用数字滤波技术自动对音频进行降噪。通过特征自动提取与样本标定，利用机器学习技术构建智能分类模型，模拟人工判断行为，构建标准化的模型研究思路。
智能分类模型需通过大量音频数据进行模型训练与优化，并验证其准确性。算法专家利用历史音频对模型进行验证与参数调优，通过不断扩充训练样本及模型自学习，确保识别准确率满足生产线质检精度要求，最终形成一套基于标准化思路的调优方法。
构建音频采集系统，实现产品分贝检测产线对音频的实时同步采集与型号关联。智能识别模型自动完成音频文件的接入、特征提取、智能判别等工作，输出对应产品条码号的实时判别结果，对异音自动报警，并针对识别结果对产品异音原因进行智能分类，辅助返修排故。系统将智能检验结果实时反馈至企业COSMOPlat 工业互联网平台，支持产线质量问题在线统计与分析。
项目实施过程中参考了《信息技术 大数据 术语》《非结构化数据管理系统技术要求》《信息安全技术 数据库管理系统安全技术要求》等大数据相关标准，并与海尔工业智能研究院有限公司一起，结合项目具体实施过程中的现场问题和解决过程为《信息技术 大数据 存储与处理系统功能测试规范》《非结构化数据访问接口规范》《实时数据库通用接口规范》等在研以及拟研制的大数据相关国家标准反馈了标准立项诉求和标准内容建议。
海尔 COSMOPlat 空调噪音大数据智能分析项目通过传感器、分贝检测系统、业务系统、模型算法的集成与交互，在企业解放人力、减少误判、提高检验可靠性等方面均有了极大提升。此项智能检测系统的实施充分利用了设备端的嵌入式智能计算技术，以分布式信息处理的方式实现了设备端的智能和自治，通过服务器、业务系统间的交互协作，实现了检测系统整体的智能化。项目的实施为海尔集团在旗下其他分厂生产线部署基于声音检测的空调状态智能识别系统积累了丰富经验，为行业内公司在产线智能化改造与转型升级等方面做出了示范。
标签： 锻压机械传感器