“ 在巨量原料與工序混合交織的生產場景下，良率的提升一直是老大難問題。數據“記不全、易出錯”且數據間呈現高相關性時，傳統人工與人機協同的方式深陷潰敗，怎麽辦？訊能集思帶來基於AIoT融合技術的「先進品質與能耗管理」解決方案，幫助一家水泵業龍頭大廠實現數字化升級，質化+量化均收效明顯。”

與元宇宙相對相向的AIoT

當人們在談論元宇宙的發展時，其實習慣於從虛擬世界來看問題：從互聯網看入口，從遊戲看構造，從動漫看內容，可實際上推動真正意義上的元宇宙，都不在上述，而在以「AIoT」為主導的現實世界。

在AIoT的定義下，現實世界被接入到網絡中，通過人工智能賦予物品虛擬化的人格，通過傳感器賦予物品感知，通過通信將物品連接，由此新建出人與物、物與物連接的數據世界，此世界即為元宇宙的“本元”。

人工智能讓物具備人的智能，物聯網讓物和物、物和人連接；結合AI與IoT技術，通過物聯網產生、收集海量的數據，並將這些數據存儲於雲端、邊緣端，再通過大數據技術和人工智能技術，實現萬物數據化、萬物智聯化。可以說，讓物和人擁有同等的智能就是AIoT的終極目標。

可是，擁有了智能後可以幹什麽呢？隨著AIoT的發展完善，人們逐步也有了一些共識，那就是AIoT=AI+IoT+場景，我們應該注意到，除了負責智能的AI，負責萬物互聯的IoT外，還需要有落地的場景，這里的場景才是AIoT應用的星辰大海。

AIoT的終極阻礙

在進入AIoT的星辰大海前，我們還是有一些現實問題需要解決。

回到構造層面說，數據是驅動能源，算法從數據中挖掘信息和知識幫助我們開發人工智能功能，繼而智能功能加持的物聯網終端成為新的場景。

新場景也孕育著新應用，同時在雲端、邊端和終端側積累與存儲了海量的數據，且這些數據隨著時間的推移還在不斷積累。海量的數據為數據分析、數據挖掘和人工智能提供了大量素材，成為和石油、煤炭一樣屬性的資源。

隨著應用的普及而實現指數級別的增長，數據甚至能夠加速再生。人類的難題不再是信息不足，而是數據爆發帶來的信息冗余、信息過載，以及非結構化數據弱相關性導致的無關數據。

IoT是可以通過信息傳感器、射頻識別技術、全球定位系統、紅外感應器、激光掃描器等各種裝置與技術，實時采集任何需要監控、連接、互動的物品或過程的相關信息。但是放在實際場景中，對聲、光、熱、電、力學、化學、生物、位置等方面的信息收集，深度、廣度、顆粒度都有待在反覆試驗中，形成最佳實踐。說白了，人類的難題是如何處理這些信息以分辨有用與無用的信息、得出有效結論、開發出新功能。

訊能集思AIoT解方的價值

客戶背景：

中國泵行業某上市公司，擁有員工近5000人，2020年實現營業收入155.5億元。

產品在民用給排水、農業灌溉、工業水處理、水利建設等關鍵領域發揮著至關重要的作用。公司系國家智能制造試點示範企業。

（“十四五”智能制造規劃500家之一）


客戶痛點：

需要抓取的原料、工序、流程數據眾多，以往均為人手記錄，易記錯，記不全。

各原料、工序與流程數據間的呈高度相關性，人工無法計算，無法找到關鍵質量異常原因。

人工經驗決定應變措施，無法判斷措施好壞，更沒有科學的依據。

我們可從項目前期調研中可知，在鑄造工藝全過程對應所要收集的數據項目繁雜多樣，明目眾多，以最簡潔維度歸納的話，可表達為原料與工藝眾多，通過IoT的方式，是能夠收集到生產完備的數據。但要系統層面實現能夠對壓力、流量、溫度和振動等參數進行監測；能夠對泵的軸、軸承和密封的狀況進行評估；能夠對故障的原因進行診斷等，則需要人工智能的深度介入，完成數據挖掘，真正地價值化。


但是在人工智能應用數據方面，項目前期遭遇了三大方面的問題：

1、算法與數據間的選擇題

大多數數據集呈現的是中小型數據集，雖然在IoT的幫助下，數據會持續地產出，但是大多數據都是異構數據，需要在大批量學習下進行預處理，尤其是需要我們在算法優化與數據收集間做好選擇題。



2、數據噪聲、臟數據、無關特征

巨大的數據量，算法在執行時，偶有錯誤地添加非關聯性的樣本，需要進一步優化算法，排除噪聲。對於源系統中的數據不在給定的範圍內或對於實際業務毫無意義，或者數據格式非法，以及在源系統中存在不規範的編碼和含糊的業務邏輯的數據集，統稱為臟數據，則需要數據科學家從項目之初，設置數據規則排除掉。另外，無關特征的數據亦同理，只是排除環節發生在導入算法之初。

3、過度擬合

過度擬合是機器學習算法中比較突出的問題，一般有三個方式解決：簡化模型、獲得更多數據，減少噪聲幹擾。此次是訊能集思團隊通過反覆試驗，以多種混合的處理來解決過度擬合問題。



最終以良率提升為終，針對泵廠現存生產與數據狀況，訊能集思設計了基於智能網關ODIN+IoT管理平台+JarviX數據分析平台的AIoT自適應系統。


自適應系統的方法論源於AI分析方法論「精進回圈」，具體落地分為以下三步：

一、聚合

過通智能網關ODIN+IoT管理平台聚合產線工藝上的物理數據，並整合各應用數據流程數據等虛擬數據，實現對有效數據的實時監控。

二、分析

在完成數據整合後，導入JarviX數據分析全流程平台，借助算法+人工智能建模進行異常分析，找出關鍵因子。

我們前面所說，數據間呈現高度的關聯性，是人力所不能計算的問題，在JarviX平台就能實現有效的大數據根因分析。

三、洞見

JarviX平台完成異常分析，但數據出現異常時，系統會主動預警，實時對物理產線台機的實時控制。
「聚合、分析、洞見」跑完的一輪輪中，不斷叠代升級，不斷讓生產良率逼近最佳，因此我們也將此基於AIoT技術的反饋系統稱之為“自適應系統”。



在導入本次智能工業制造自適應系統後，本階段所收獲的效益如下：

質化效益：

1、質量：工藝參數與質量檢測結果關聯並建立模型後，可優化工藝參數，並可快速追溯質量異常的原因；緊實率在不同溫濕度條件下實現動態優化。

2、能耗：通過減少廢品數量與調整出爐溫度來達成。

3、人工：將人力目檢全檢依據檢出率下降程度改為動態抽檢。

量化效益：

1、與工藝相關不良減少30%

2、產品整體合格率提升1-2%

3、鑄造廠電費減少3-5%

4、目檢人力減少50%

案件分享到此，從技術層面總體上看，AIoT代表了一種技術融合的趨勢，它結合了人工智能、大數據服務、雲計算、邊緣計算、物聯網、通信技術等技術。



相信你也感覺到了，當下的科技革命名詞太多了，我們需要在其中尋找一個標志物串聯起所有的革命，AIoT技術可以說就是第四次工業革命的標志物，而它的能源驅動力，毫無疑問就是數據。這也正是訊能集思為客戶帶來的核心價值——以標準化方式讓數據產生價值，讓用戶以低成本、可規模化方式在JarviX平台上開發分析應用，大幅降低分析成本。