天泽智云科技有限公司怎么样_人工智能的公司「建议收藏」

来源：天泽智云 授权 产业智能官 转载。

2017年7月13日-14日，第三届风电场信息化智能化专题交流研讨会在北京召开，本次会议由中国电力企业联合科技开发服务中心与全国风力发电技术协作网联合主办，300多名风电行业专家、相关企业代表出席，旨在分享、传递国内外人工智能应用风电领域的最新进展，鼓励行业创新，加速风电领域工业智能化的进程。

北京天泽智云科技有限公司首席数据科学家史喆博士在会上介绍称，“如何应用人工智能为风场无忧运营保驾护航，是风电领域亟待突破的问题之一。”

从人工智能到工业智能

人工智能技术的发展经历了三次浪潮，近两年来又得到了突飞猛进的发展，部分原因是得益于资本市场的投入和大量的市场宣传，让大家相信这项技术可以解决很多问题。从市场上能看到很多互联网企业在向工业企业转型提供技术服务，但是怎样去结合，谁占主导地位，两股力量正在斗争；从技术成熟度角度看，这个领域仍处在探索阶段，不少人认为工业大数据有数据基础，与人工智能相结合就可以解决很多的问题，因为从海量数据当中很容易通过数据清洗和数据挖掘发现相关性。其实，工业领域真正需要挖掘的是因果性，以及因果性怎样去证明、怎样去利用才是核心难点。像这张图所展示的，销售的业绩和刮胡子的人数是有强相关性的，那么，让所有的人都去买把剃须刀就一定能提升业绩吗？答案是不一定的。

从这个角度看，工业智能需要将传统的计算机科学，人工智能技术和工业领域知识这三方面进行有效的结合才能帮助工业客户解决真正的问题。计算机科学是通过软件整合所有底层技术，包括大数据、云计算平台，选择人工智能算法在这些平台上运行；工业知识的核心是发现业务逻辑。听起来简单的逻辑，在实践中会发现有很多地方是脱节的，现场人员了解业务逻辑，但并不知道数据分析能解决什么样的问题；传统做统计和机器学习的人懂算法，但不了解实际的工业现场可能遇到的问题，倾向于把模型抽象化，到实际的情况当中无法使用。针对这样的痛点，需要相关机构或者人员把三者结合起来，这是一个系统集成的过程，最终为客户提供优质的解决方案。

实践工业智能，我们还有很多技术难点需要攻坚。首先，是定义和发现不可见问题。我们所有可见的问题，比如SCADA系统出现报警或者设备故障，需要运用策略去保护和维护它。如果不能应用在线监控与实时分析，很多不可见的问题很难被发现，比如设备的衰退和发电量的损失等。我们可以使用监测、建模和执行的方法，最终解决、避免不可见的问题。

我们的核心团队在世界各地做了很多的工业项目，涵盖各个工业门类，从实践当中总结出了一套方法论和常用的模型库，常年的工业现场操作对于个人的经验也带来了很大的提升。数据分析和数据建模需要依托于大量的经验，拿到一组上百维的数据，该怎样分析？从哪里开始？是否真的需要数据清洗？是否真的需要做数据降维？这些都是需要经验判断。

工业智能在风电行业的应用思路

下面进入今天的主题，工业智能怎样在风电行业实现？这其实是一个很复杂的系统工程，我们将CPS（信息-物理系统）架构作为解决方案的指导框架，以CPS为基础，以分析技术（AT）为核心，基于物联网（IoT）技术打通从原始数据到业务应用的通道，实现从数据库到模型库最终产生应用库的价值升级。信息-物理系统是一个从感知层到配置层的方法论架构。智能感知层是智能化的数据采集管理，信息挖掘层是从原始的数据当中初步提取有用的信息，网络层通过大量的数据对风机进行处理，认知层是进行协同优化，配置层最终执行优化操作。基于5层架构，通过状态模型、关系模型和决策模型相互指导与支持，形成企业级整体解决方案。

目前，天泽智云所提供的服务包括，从顶层咨询到落地实施的端到端解决方案，最终交付给客户从产品到能力的赋能服务。我们提供的服务之一是数据采集方案咨询，精准的数据采集既优化了数据的传输和存储，又保证了分析的准确度，是整个智能应用的基础。智能化的运维管理平台最终目的基于装备的性能评估、预测性诊断以及运维管理的调度优化，最终实现风场的无忧运行。简单来说，就是故障发生的时候知道故障在哪，未发生故障的时候知道何时发生故障，在具体的运行当中可以通过优化方法来提升运行效能。

为什么说风力发电是运用人工智能最理想的行业呢？GE的Predix、IBM的PMQ、西门子的Mindsphere都以风电作为实践工业智能化的案例，因为风电是相对独立的系统，且数据完善；同时风电属于重资产的设备，维修维护成本高，迫切需要智能维护来降低成本；再者风电以集群的形式出现，可以在网络层运用一些数据传输、数据管理等方法进行分析。

天泽智云的核心团队自2010年起，在风电行业积累了大量的数据模型与应用实践。台湾的工研院、华锐、美国可再生能源实验室（NREL）、上海电气的智能运维系统以及目前国内正在开发的智慧风电系统，通过不断的探索与改善，逐步实现了从失效维护到故障预测与健康管理（PHM）的跨越。PHM技术的核心是在设备出现故障之前对剩余寿命进行预测、对设备运行策略进行优化，对维护策略优化排程。

在实践当中，研发团队也面临着这不断的挑战，从风场角度，需要对风场进行整体优化，如何做到全局最优；从设备角度，全生命周期的费用不断下降，模型的复杂度不断上升，这样的需求缺口（gap）如何填补。从模型上来讲有四大部分，一个是机理模型，机理模型使用第一原理建模反映风机的输入输出关系；第二个是数据模型，通过运行数据拟合风机运行参数；除此之外是混合模型，结合机理模型和运行数据提升模型准确度，在机理模型不够准确的情况下，使用运行数据优化模型表现，如GE的PowerUp，另一方面，在数据过于复杂的时候，使用机理模型去提取特征；最后一个是运用可靠性分析的方法对设备状态进行评估。

无忧风场的概念

我们所提到的无忧风场即智能风电，基于“人工智能+大数据+运维服务”，几年前很难甚至不能实现，现在可以实现。随着科技的进步，智能感知技术所提供的测点的不断增多，在感知的基础上增加更多有效的信息，智能分析技术提供更加精准的趋势性的分析结果，智能决策技术是通过协同优化来减少运维成本，智能执行技术最终结合人员，背景信息和优化结果，通过更有效的方法实践运维操作。我们认为将以上所有智能的技术结合起来才能达到智能化的目的。

对于无忧风场而言，最重要的就是要避免不可见问题。控制和报警策略是解决可见问题，有两个部分是需要我们去做的，早期故障诊断与劣化速度的管理需要运用先进的信号处理和故障预诊技术，另一个是数字化风机建模（Digital Twin）,就是GE所说的数字化风场，运用风场集群建模和风功率预测的调度与维护策略优化等方法得以实现，以上分析方法结合起来形成无忧的风机与无忧风场。

无忧风场的技术实现