e-works数字化企业网  »  文章频道  »  基础信息化  »  物联网

徐山: NI工业互联网平台力助人工智能与工业4.0深度融合

2018/2/7    来源:中国信息通信研究院    作者:徐山      
关键字:人工智能  工业4.0  
NI是一个做智能测量数字化的公司,是全球基于PC的智能化测试跟智能化测量最大的一家企业。
徐山: NI工业互联网平台力助人工智能与工业4.0深度融合
 
    感谢大会的组织方,也感谢到现在还留下来听讲的各位工程师,各位专家,非常感谢!我来自于美国国家仪器有限公司,也就是前面刚才有一位阿里云的我们的前同事王峰,被他理解为是生产采集了很多的数据,但不知道用到哪里的一家公司。我相信这不是美国国家仪器一家的问题,应该是在座的所有企业负责人也好,工程师也好,我们面对的一个最终的问题,这也是为什么今天借这个机会非常感谢大会组织方把我们聚在一起学习交流,究竟我们怎么把数据用好。
 
    我注意到所有今天演讲的公司,我们是唯一一家做智能测量的公司,我们要形成错位合作,借我们对数据的理解跟各位专家在产业上的理解,我们怎么样融合这个数据,更加应用到工业互联网这个领域来。
 
    今天我的演讲有四个环节。首先,我们美国国家仪器公司究竟做什么。其次,我会介绍我们工业互联网的平台,具体在工业互联网这个特殊领域做了哪些工作?最后,以案例的方式跟大家阐述具体NI提供的工业互联网这个平台怎么助力AI以及工业互联网的结合,以及最后在AI这个平台上面有哪些长足的发展以及我们的投入。
 
    NI是一个做智能测量数字化的公司,是全球基于PC的智能化测试跟智能化测量最大的一家企业。这个产业部大,整个测试测量的产业并不大,但它却是整个工业环节里面非常非常重要的一个环节,不可或缺的一个环节。我们总部在美国的德州,但是我们在全球有50多个国家都有分公司或者办事处,而中国是我们最大的一个海外的分公司,也是发展最好的一个海外分公司。我们在全球有超过5万家工业的用户在使用,所以应该说NI是懂一点数据。所以在这边也是希望能够跟各位专家后续做一个深度了解和交流,看看我们了解的数据跟大家了解的工业怎么样结合起来。
 
    这张图上是NI提供的一个工业互联网的一个架构。在这张图的最左边大家可以看到是一个核心的资产。我们提工业互联网非常核心的一点就是我们要监测什么东西,看什么东西,这是在工业互联网领域的核心资产,这些资产包括什么?首先包括运营资产,包括生产线里面的一些设备。像我们的测试装备本身也是因为它价格比较昂贵,本身也是一个非常重要的核心资产。基于这些资产我们前面已经有很多专家提到,我们会用大量的传感器把物理信号变成电信号。接着会有采集设备,在这张图里面我们称为边缘节点来采集传感器的数据。然后,把传感器的数据经过计算发布到本地的服务器,直至云端。那么,反馈回的链条也是一样,最终在云端做完决策之后,发布到本地的服务器,发回到边缘节点,发回给执行机构,最后去做整个决策,这是整个链条。
 
    大家会注意到有一条线,这条线是在OT跟IT之间的一条线,OT是非常重要的工业互联网里面的核心技术,我们称为运营的技术。在后面的IT端相信大家都了解的非常多了,我们每天都在说IT。那么,在OT跟IT之间这条界限我们称之为边缘。NI做的事情,用一句话可以总结,NI做的是在工业互联网领域一个边缘计算的系统的平台提供商,我们基于这线的左边右边,边缘节点这一块,我们的本地服务这一块,怎么做数据管理等等,在这两块做了一个平台型的产品。
 
    那么,具体这是一个什么样的产品?我相信在座的应该不一定听说过NI公司,也不一定了解NI究竟做什么?可能很多的客户会见到过这个软件,我们称为LabVIEW软件,是测试测量领域非常友好,非常容易上手的一款软件,NI所有的系统都是围绕这个软件构建的,特别是软件的系统都围绕这个软件构建。在工业互联网领域也一样,首先围绕这个软件作为所有平台,硬件在这个软件平台之上有各种各样的产品,不管是做数据采集还是数据控制的硬件产品,软硬件服务从电力到交通,到石油天然气的能力,到工业机器人领域的各个行业,这是我们在整个工业互联网领域的产品。
 
    具体它的产品解决什么问题?我们比较马上能落地的一个应用场景就是PHM,具体什么是PHM,很多专家也做了演讲,我在这边不做展开性的阐述。NI在PHM这块我们有长达十多年的工作经验。简单来说,就是从数据端,我们怎么反馈到能够警告给我们客户的一个预警端,这里面包括告诉客户什么时候要做听机维护,什么时候要更换零件,这里面牵扯到大量的故障诊断跟产品的OPAS(音译),这都是属于PHM里面的概念。PHM发展到今天,决不仅仅是非常简单的统计学模型就可以做出一个PHM的模型,而是跟现在的AI相结合,我们现在有机器学习的模型,深度学习的模型,模型端+数据端+数据处理端加在一起会成为一个很好的PHM的平台。
 
    具体我们来看落地的案例。第一,跟中车合作在轨道交通这个领域做的一个PHM领域的案例,就跑在青岛的现场。大家知道在高铁里面,区别于动车很大的一个因素在于它跑的非常快,往往有350公里每小时的速度,也这么高的速度,学过机械的专家都知道,所有旋转机械里面离不开一个部件,这个非常关键的部件叫做轴承。在这么高速的运转的高铁里面,轴承承担的压力非常非常大。以往我们怎么处理这种轴承检测,我们用巡检的方法,定期派工人敲敲打打,看看轴承的设备。这样不实时,也不知道具体什么时候坏,也没有办法得到实时判断。
 
    第二,由于人工做这个事情,效率很低,准确性是不高的。基于这种做法,我们帮四方厂设计了这个方案,这套方案在每个轴承箱里面都布置了大量的传感器,这个传感器用来测量温度信号、转速信号灯。我们有一个称为闭源节点的硬件平台,上面有很多的模块,我们会在上面采集所有部署的这些传感器,并且把数据传到我们称为闭源节点上,做闭源计算。最终可以得到一些非常有意义的特征的提取,我们再把它发布到本地的服务器,最终可以发布到云端,供整个中车的四方厂(音译)他们跟其他的一些运营端做一个联合的决策的判断。
 
    当然一辆高铁里面绝不可能只有一个轴承,往往有很多个轴承,这就带来一个问题,就是边缘端的数据异常庞大,这也就是解决一个技术点,为什么我们需要边缘计算,而不仅仅用云计算就可以了。我们给四方厂做的项目里面,每秒高达130MB的数据,如果这么多数据全部都放到云端,这还只是一辆列车,整个数据量是不可想象的。这就是我们为什么需要边缘计算,我们边缘计算是分布式的同步处理海量的数据。
 
    展开说我们整个架构,每个轴承的边上都部署一他硬件采集的产品,里面也有边缘计算的能力,借助SDK我们会开放给客户一些模型,他下载到这个里面做边缘计算,最终计算的结果我们建议客户发布到云端,跟他自己的AI算法做更多的云端的计算,最后反馈到整个系统进行判断。所以,我们希望它的客户的运营。这是现在跑在四方厂的一个软件的界面,这个界面里面一共有八个轴承,每个轴承我们都会实时显示它的信息,最终他的健康状况会反馈用颜色标出来,这是在现场跑的这么一个软件的界面。
 
    虽然我们这个项目还没有做完,但是根据2017年下半年做出来的监测样机的开发,我们可以帮助四方厂得大90%以上故障的识别率,所以应该说我们这套系统真正帮助客户解决了问题。
 
    那么,下面再介绍另外一个案例,这个案例是电力方面的一个案例,大家知不知道杜克能源,杜克能源是全美最大的发电公司。它在全美有60个电厂站点,应该说在北美有60个以上的电厂站点。在60个电厂里面,我们给每个电厂里面都部署一套我们称为InsightCM的软件,我们管理他们北美超过一万个核心资产,我们整整部署了超过3万个传感器,集成了一个非常非常庞大的边缘计算的这么一套系统。最终我们会把这个边缘计算的结果所有的数据去发布到客户的IT端,跟他们的ERP系统连接起来,指导他们整个的运营。我们这个项目给杜克能源做了整整六年,2016年的时候他们也通过权威的刊物发表了一篇文章,里面做了一些总结,也是对NI工作的褒奖,里面提到他们在五年里面通过这套系统节省了三千万美金,这也是我们产品能真正落地解决问题的非常好的例子。
 
    除了工业界我们也在和学术界进行合作,这是2016年年底跟同济大学合办的一个工业物联网的实验室,其实到今天它里面核心资产比图片里面多很多了。应该说在当天这个实验室应该说是产业在国内,我们首套的一个全4.0元素的一个工业实验室,这个实验室具体的核心资产,2016年的时候布置了一套机床,但是机床是一个产品,是一个设备,里面包括核心的部件层,还包括驱动电机,包括轴承,还包括了泵等等。我们同样借助我们的软件,借助我们的硬件,我们也有很多的传感器在这些核心的部件里面部署,用我们的采集,采集完之后,用InsightCM进行管理。最后我们还结合了前面李铮主任提到的RMS,NI跟RMS也是有非常长远的合作,我们使用了他们的估值,他们可以提供一些模型给客户提供一些Insight。在这些工具用上之后,最后提供给学校是一个可视化的交互界面,来指导究竟在这个具体机床里面的核心部件,PHM的一个健康运行状况。我们希望通过这种方式,不但可以培养学生,更是可以让更多的院校能看到工业互联网这个领域真正可以落地,哪怕是在院校也是可以真正落地的。
 
    说回到NI自己的老本行,我们是做一家测试测量的公司,我们给全球的这么多的一线的大工厂提供测试设备。其中在这个测试设备里面会有一些特殊的需求,我前面提到了测试设备本身也是一个核心资产,也很贵。整个核心资产里面如果一旦停机,整个生产线就得停机,这对于出货量一样有很大的影响。所以,我们找了几个核心的客户问他们这个需求,其实他们的需求都非常的紧迫。我们在合作的客户里面有华为,还有海尔,我们在他们原有的NI设备里头,我们跟他们强调不用买更多的NI的产品,你们只需要在原先NI的硬件产品里面多写一点点程序,并且分析你们这么多年来拿到的测试数据,我们用我们的模型给他们构建一个架构,帮助他们分析现有的测试平台究竟健康状况是怎么样,以及什么时候可能会出问题,给他们一个预警,就是在这种范围里面,我们做出了一些成绩。因为这个项目还没有做完,我们是一年前给这家公司在做,现在还在运行。但是,客户反馈来讲,他们是真的决定我们这套系统解决了他们的问题,能够帮他们做一些有效预警。
 
    前面说了很多在于NI产品的平台,好像没有说到人工智能。因为我前面题目里面谈到了人工智能。具体人工智能怎么样助力工业4.0,现在短短一年间,好像如果我们作为一个企业不谈人工智能就好像瞬间要被整个产业抛弃。所以,我们并没有不做人工智能,NI从四年前开始致力于做人工智能,我们以往做的数据收集和特征提取,这是我们的老本行,我们借助软硬件做了30年这个工作。之后我们开始做模型的训练跟模型的验证,以及到最后模型的部署,我们用四年时间开发了基于LabVIEW的机器学习的工具包。2017年我们发布了机器学习工具包。应该说我们现在能做到的,非常实在的讲,我们能做到仅仅就是在工业状态监测跟产线测试这两块的机器学习,这两块是我们比较熟悉的领域,我们的目标并我不是替代所有做模型的公司,我们这个工具包是开放所有接口可以纳入其他的第三方的模型的工具包。应该说我们既然有LabVIEW这么好一个平台,我们希望更多的做人工智能的用户可以享受到这个平台的便利,这也是我们开发这个工具包的原因。
 
    除了工具包,就是FPGA的技术,人工智能如果要落地,基本上是两个平台,一个是GPU,一个系FPGA,前几年我们做基于FPGA素材的时候还没有人工智能大范围的出现。前面的素材有更多的IO模块,我们做完素材,放到FPGA端会把客户开发的模型算法部署到FPGA端,形成整个软硬件一体化的平台,最终我们希望打通整个边缘计算各个连里面的每个工具链,帮客户真正解决问题。
 
    一个典型的案例就是我们从十五年前开始做机器学习,帮客户做很多药厂,或者芯片级的一些管角测试。原先的方法跟现在的方法没有太大的区别,也由于用摄像头来拍,工业摄像机。NI不做工业摄像机,但是我们是做图像采集的,现在我们继续做这个,我们从十年前开始,我们的板卡里面就有FPGA这种技术,现在我们可以把自己做的机器学习的算法,基于机器视觉的算法很好的部署在NI平台里面,而整个平台是无缝,跟原先大家的努力去连接起来,不用我们另外再花很多的时间。
 
    今天时间比较有限,我最后花一点时间总结一下之前非常简短,20分钟的一个讲演。首先NI是一个什么样的公司?是一个测试测量与自动化的公司,我们是做一些大家都不太愿意做的事情的公司,我们做数据采集。但是,这么多年以来,我们不光光做数据采集,我们今天来想提供给大家的是我们一直在做工业物联网的一个平台,在这个平台里面,我们真正希望做到的目标是帮助工程师,帮助客户从繁杂的数据里面挖掘到有用的数据,根据他们的模型部署到他们系统里面,来做他们整个边缘端的一个决策,这是我们最终的一个目的。我们也希望借助NI的工业互联网这个平台,能更多的跟一些行业的专家合作,包括这边提到跟一些云服务的合作伙伴合作,我们构建一个更成熟的、更有利于中国工业互联网发展的这么一套平台,非常感谢大家,谢谢!
 
责任编辑:李欢
本文为授权转载文章,任何人未经原授权方同意,不得复制、转载、摘编等任何方式进行使用,e-works不承担由此而产生的任何法律责任! 如有异议请及时告之,以便进行及时处理。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐