2017年中国电机工程学会年会能源互联网专题研讨会于11月23日在广西南宁国际会展中心召开。
ABB(中国) 有限公司首席技术官刘前进博士出席会议，并发表了题为《智能运维-机器学习在资产健康管理中的应用》的主旨演讲。
以下为发言内容：
刘前进：上个月接到组委会的邀请做个报告，问我讲什么题目，当时脑瓜一热说讲讲机器学习的工作，因为这几年ABB我们在做数字化变革，过去三年讲了非常多的架构、方案、平台的构建，所以我想讲点不一样的，我的题目是机器学习在电力九洲官网(中国)股份有限公司中的应用，这是我最近的工作，特别是结合智能运维。
过去的三年我们讲了ABB的平台，去年底和今年初在美国和中国分布发布了平台，这是工信部之前的白皮书26号工业互联网之一，最大的背景是我们看到物联的成本越来越低，我们做了一个小的盒子一百美金，当时开发项目的时候，上海一个客户说2013年用的手机，我简单做几个APP，中间有十多项传感器，我一个一个拿出来，每个传感器就几块一个，这个数据怎么用，不知道。我就想到这能不能使用在工业上，这是当时的一个背景。
第二个背景很简单，因为计算能力越来越强，从最早的CPU、GPU，对大的数据提前处理，挖掘出特殊的信息，这是一个很特别的点。
第三个背景，我们带宽越来越强，最早3G的时候几十K很了不起了，后来几十M，到了5G的时候会怎么样，这是我们在2014年讨论对ABB战略性转型阶段。过去一年多我们在原有的7千万的联网设备进行整合，有7万套的系统平台，还有6千多台解决方案，还有几十个云平台，这是当时的方案。
所以，讲到历程的时候，这是我们的构架，提到这个平台的时候也很多，从学术界的圈子里的方向，一个是机器人，我讲得比较多，两个月前我们干了一件事，在意大利，我们开发的机器人取代了指挥，指挥非常惊讶，说不可思议，动作的平滑度，在女高音讲《我的父亲》中，有一个高音，机器人的手随着节奏给予对应的指挥，这是非常好的例子。但是我在想，机器学习跟我们的能源、电气如何结合，这是今天的内容。
机器学习给我们带来的影响是什么，我们的专业知识在座的各位大部分是电气工程背景，和大数据怎么融合，能够产生新的方案，为什么在推出平台的时候，我们跟微软合作，跟IBW合作，最近在跟华为测试平台等事。为什么还需要行业的专家参与，因为将这个平台应用到行业的时候确实需要非常多的工业知识，没有这些很难产生业务价值。所以，机器的计算能力非常强，从认知上没有达到人的水平。如果我们把这么一个强计算能力，通过数据所产生的模型以外的知识，和我们专业知识整合，甚至专家的知识来结合，应用到各个领域当中会产生对应的价值回归。
机器学习，我简单提一下，对机器学习来说从过去十几年之后，其实有很大的提高，特别是在处理大数据的时候，这是人所不具备的，如何一个人处理几百台变压器、在线变压器产生的数据，这是通过一个人做不到，但是通过计算机，通过互联网的平台是可以做到的，基于学习可以不按照规则的变成就可以从数据中挖掘合理的信息。但它不是万能，你给的是垃圾信息，出来的信息也是垃圾的，也不是实时的，需要有不断的学习过程，也需要人的介入，因为在数据的标签行为中，也在你最后的实施过程中，都需要有人的介入，这必然打上人的标签，这个算法本身有提高的过程。行业背景知识很关键，我讲边际计算有惠普找我一起看看怎么做，因为没有行业背景，你不知道标签，你纯粹学是学不到内容的，这是非常关键的点，得到结果如何用专业的角度解释，也有可能有价值，但是怎么用，客户不可能买单，背景很专业。
数据背景和重要性，今天中午吃饭的时候提到一点，电网公司说数据比较多，这些数据真不算多，数据质量是不能达到我们的目标，就像我们做调度自动化的时候，我们会做动态分析，你的表是有误差的，可能多方面影响，如果把一个非常大的偏差数据放到计算中，最后的结果一定会带来很大的差别。多样性是指各种多结构的数据，从运营的角度来说，数据随着九洲官网(中国)股份有限公司的生命周期不同的形态，不仅仅是正常的设备给你的信息也有限。所以，能不能得到一个设备，生命周期的权限，没有商家的配合你也做不到。为什么在不同学术讨论的时候，他们说我们也不相信深入学习在工业中很大的使用，有可能是一个热度，会随着时间下降。有一个新的说法，宽度学习，可以融合起来达到效果。
无论如何，当你做一个机器学习的时候会做分类、异常检测和回归，接下来怎么跟运维结合。我们做了地区的体检，大小箫条，汇总一下，最后看看设备怎么整改。从数据来说，有一些小的特征你可以实现，我们叫早期缺陷探测。这怎么跟结合我们的题目，我们对一个物理模型与数据分析的优点，有一些无法预测的运营状态，有一些东西是现在模型无法描述的东西，这个时候需要结合，改善模型，解决问题的因素。
有两种方式，有监督学习，根据历史的数据做个预测，建模流程中，这个大家不用拍，因为网上非常多，用好工具和用工具是不一样的。讲到非监督学习之前，我的建议是如果能用监督学习最好不用非监督学习，因为非监督学习在数据中心没有合适的标签，你需要对数据进行分解，比如我们对这么一组数据，我们假设绝大多数的设备是好的设备，这是不对的。我们假设所有的设备是好的，只有个别设备是非健康的，算法的过程中，有很多想法，以及怎么做，比如把数据如何规划，如何把数据降维。哪怕只有几十个检测量，每分钟检测一组，一个月下来数据量非常大，如何把这么大的数据量进行处理，而且还能够映射回去，这是需要技巧的，这需要在数据分析的专家来了解和配合运作。
接下来我举几个例子，这在整个圈子里是第一手，讲风机的场景，2014年的时候，我们有南方、北京、岛上、海上的，拿到不同数据，把对应的数据进行迁移，进行分析，把它的故障种类进行分类，开始训练开始培训，推完之后我们做判断，我们在预测暴风点发生的时候，这么一个时间段内我们预测早期的信号，我能够在1700当天可以检测出82%的故障，这算高吗，其实提不提高不是关键点，我看到软件和百度也在提，也是80%—90%。但是有前提条件，第一你预了多少，第二，不知道价值的前提下给你装传感器，所以我们不用传感器，直接用机器检出，我们在HV也发表了文章。
第二个例子，针对断路器的健康评估，涉及到热、材料、电厂的计算等工作，这些工作跟各个材料有直接的关系。需要对这些数据和运营数据结合起来，我在电网找运营数据，如果有部分的场景，可以导出来，最后定出一个指标，叫做健康指数，根据指数给出第一层的数据。所用的开发类型、故障种类、检测信号做出评估，最后检测类达到90%多，这是非常高的，差几点不关键，而是检测出一家是在执行，不断往前推测。所以，90%多是非常理想的结果。作为一个用户，如果你接受用继续学习来解决现有的问题的时候，你应该也有心理接受纠错的问题。所以，我们把程度设到最低，因为大家不希望被打扰，哪怕可以少报，但是不能误报，这是需要你到到场参与行动地
我们针对变压器所做的机器学习案例，在过去二十年中，我们已经积累了很多数据，不叫继续学习，应该是AI中的专业模型，对对应的类型分类，我们可以考虑不同类型的场景，对不同的因素进行学习。去年我们在北美的时候，有一个厂子，已经有了设备，有一些小异常也一直在运行，结果这个设备就断了，厂子不得不替工。把算法和实际运行的平台结合，对现有传感的结合，整理出相应的设备数据、客户平台。对数据要聚合、抽样，最后给出短路、热、绝缘、配件等。我最后举个实例，第一个是变压器的例子，这在国内已经有很多人使用了，变压器中间有在线的有色谱等等， 将数据输入之后，我们有专门的条差工具。2014年做了一个项目，这个项目在意大利电网开始使用了，因为英文还不错，而且资产健康不错。资产健康针对开发远程服务，客户不会24小时一个服务团队在那里，我们针对现有的标杆对应相应的传感器。这个工作可以通过视频让大家了解一下，这已经是我们前年拍的了，这个服务中心在厦门。
这是我们整个内容，在客户刚发现问题的时候我们可以在现场第一手解决问题，解决客户的问题才是工业互联网最终所带来的价值，谢谢大家。
