|华能原CIO朱卫列：“工业互联网”概念中存在五大认知误区( 四 )
想一想一个发电厂一台机组就有1.5万-2万的实时数据测点 ， 每个测点按秒级输送 ， 这个数据量非常之大 。 所以我们说工业智能化的方向 ， 不能停留在表面的图像识别这样一些数据上 ， 而应该对工业的真正的大数据 ， 能够有一些突破 。 这个突破 ， 才会产生更大的经济效益 。
早期的工业里头对这些数据有没有应用和探索呢？是有的 。
过去我们也曾对实时数据做过一些分析 ， 主要统计学知识进行分析 ， 比如说我们的统计发电量 ， 统计机组可靠性指标等等 ， 按月统计 ， 做一个环比、同比的一些分析 ， 并用BI技术进行展示 ， 给管理层做一些真正的一些比较好的报表、图形等等 。
稍深一些层次的应用 ， 也有一些建模的技术 ， 比如我们用同一个变量来计算不同的时间点参数的AR（p）的这种自回归的方式；也有用因变量与自变量之间的设置 ， 也就是我们现在比较多的 ， 特征选择的这样的一种方式 。 当然也有把两个方式统一起来 ， 建一个ARMA这样一个自回归模式去解决一些工业、经济学、金融领域的问题 。 这些技术未来依然会用到 ， 但是经过几年的探索和开发 ， 我们发现我们可以将人工智能技术应用到工业生产实时数据中 。
这一人工智能技术 ， 我们用的更多的是机器学习 。 工业生产实时数据量太大了 ， 将这些数据用机器学习进行计算后 ， 形成工业设备的数字模型 ， 或者是它的系统的一个模型 。 这种模型的产生和建立 ， 就是定量化的 ， 它将给工业带来巨大的变化 。
生产实时数据 ， 跟过去的自动控制有什么区别？
自动控制是一个短时间的数据的反馈 ， 这个数据反馈 ， 它是几秒钟、几分钟的数据反馈 ， 但是机器学习 ， 是用至少半年到一年的数据反馈 ， 它是更大领域上的时间跨度的建模和分析 。
我们发现建模可以有更大时间跨度的 ， 具了解美国有一个earthcube项目 ， 它是研究整个地球的数据系统 。 在这个系统建模后 ， 可以进行远期的考古分析 ， 预测地球未来的发展变化 ， 预测地震 ， 了解石油资源等等 。 他实际上是在更大的时间维度上去建模 。
机器学习今天带给我们的 ， 依然也是这样的一个道理 。 我们在工业领域 ， 也是加大了时间跨度 ， 变成一个比较长周期的数据分析 。
利用工业时序数据和机器学习我们解决了一个什么问题？
我们找到了工业设备、以及系统这样一个复杂系统的一个建模的方法 ， 寻找到工业设备各个输出参数之间的定量的数据关系 。 有了这样一个数据关系 ， 实际上我们打开了工业领域智能化的一个天窗 。
因为过去我们工业领域这么多的数据 ， 它们之间的这种逻辑关系 ， 我们很难用一个显函数来表示 。 工业领域系统参数那么多的维度 ， 之间的关系往往以隐函数的方式显示 ， 我们不知道它的具体数值关系 ， 这种维度太多的时候 ， 我们很难解决问题 。
有了机器学习 ， 我们 终于 找到了工业系统里头多输出量这样的一个隐函数这样一个 问题。 实际上搞到工业设备 ， 或者是系统 ， 或者是机组它们之间的运行的内在关系 ， 内在逻辑关系就找到了 。 再来用这样的方法解决我们的实际问题 。
比如我们现在正在探索的锅炉优化燃烧的问题 ， 在过去是非常复杂的 ， 现在这个问题我们能够解决 。
举几个简单的例子 。 比如说我们在水电领域 ， 我们来进行状态检修 。 过去我们在厂里也有监控系统 ， 这种监控系统 ， 实际上把 ， 像我们自控系统似的 ， 把数据进行展示 ， 靠人进行分析 。 用了机器学习以后 ， 等于我们能够找到这个设备的特征关系 ， 从而预测它什么时候出现问题 ， 主要是通过特征量的劣化这样的一个时间维度来解决 ， 从而完成设备状态检修的技术问题 。
去年一年 ， 我们通过这种方式在一些电厂减少了100多天的检修 ， 流域之间的检修间隔也拉长了 ， 节省了大量的检修费用 。
![[vivo]刘昊然代言！vivo S6夜间自拍超给力，首销拿下“双料”冠军](http://ttbs.guangsuss.com/image/2c21366b6615b11f6aa04afaea131c0b)
![[后老勺痛]后老勺痛是什么原因](http://imgs.tom.com/shcs/201809/THUMBNAILE4EAE581A6A74BA4.jpg)
