点击看第四范式、百度、Zilliz、火山引擎公司的AI基础设施变革之路>> 了解详情
写点什么

绿色制造:AIoT 的潜力应用场景

  • 2022 年 9 月 23 日
    北京
  • 本文字数:4156 字

    阅读完需:约 14 分钟

绿色制造:AIoT的潜力应用场景

虽然现在我们谈到AIoT在工业场景的应用时,主要还是聚焦质量检测、安全生产管理、设备预测性维护、现场排产优化等等。但是,由于绿色制造与产线和设备运行息息相关,因此也在成为 AIoT 的潜力应用场景。


尤其是在“双碳”战略背景下,绿色制造成了一个硬指标。工信部在《“十四五”工业绿色发展规划》中提出,到 2025 年,要实现我国规模以上工业单位增加值能耗降低 13.5%,大宗工业固废综合利用率达到 57%,主要再生资源回收利用量达到 4.8 亿吨,单位工业增加值用水量降低 16%,重点行业主要污染物排放强度降低 10%。


这一连串数字反馈到具体的工业生产场景,将变成一个又一个具体的节能减排任务,成为工业企业绿色制造战略的重要组成部分。


但是,在过去很长一段时间里,绝大多数工业企业的第一任务是生产规模扩张和业务快速发展,工业污染的控制方式主要还是“先污染后治理”。简单理解,就是污染的处理会等到生产末端环节才进行,生产过程中的能耗和排放往往会被忽视。


这种粗放的“填坑”方式,显然已经很难满足目前绿色制造的标准和要求,大量的能源浪费、污染排放实际上在前端的生产环节就已经发生,并且不可逆转。所以,从 20 世纪 80 年代开始,以“防范为主”的污染控制策略就慢慢成了国际主流,它主张的是以节能、降耗、减污为目标,以管理和技术为手段,实施工业生产全过程污染控制,使污染物的产生量最少化。


其中,实现生产全过程的污染控制,意味着要掌握从产品研发、规划、设计、生产到运营管理全流程中与污染相关的信息,并针对性采取措施。比如哪些环节的能耗最高、什么时间段最高、如何据此进行绿色排产,哪些环节是比较大的排污节点、需要使用多少废气废水废渣的处理原料才能满足绿色制造标准等等......


也就是说,绿色制造的背后需要一系列的能源管理机制,涉及能源管理与各个业务模块间的协调运作。在这个过程中,如果只是散点、滞后的收集,很难形成全局视角,更谈不上指导生产,设备的连接、实时的监测和分析是一些基本前提,而这就是 AIoT 等相关技术,在绿色制造场景中有的放矢的原因。

减少不必要的能源损耗和原料浪费


苏州科舵工程技术有限公司(以下简称“苏州科舵”)是一家环保和制药设备的工程设计与制造的企业,目前他们正在把三废处理过程中对污染气体、液体和固态颗粒物的有机处理技术融入到设备的工艺设计中,并且结合 AIoT 让绿色制造的理念贯穿于制造全过程。


日前,苏州科舵数智工业部总监兼首席信息官许宏在接受 InfoQ 记者采访时表示,AIoT 是在万物互联的基础上与人工智能技术进一步形成连接关系。“通过传感感知、微控制器等物联网等技术相互连接形成网络,工业场景中的客观物理世界可以形成大量信息的数据化,在这基础上引入人工智能的意义,是依靠计算机帮助加快运算,并且它可以模仿人脑的思维,以此来找出数据间的相关性或趋势,进而产生探索新价值点的可能性,得到新增长的生产关系与发展机遇。”


而在绿色制造过程中,具体来说有两个核心目标:一是节能,包括通过资源的有效利用、资源的再利用、节水省料,从而减缓对资源的消耗;二是减排,包括减少废气、废水、废渣的产生和排放,减少生产活动对环境的伤害。


针对节能目标,许宏指出,AIoT 的一个关键价值就是实现能源平衡调度。比如,通过实时采集燃料气、电力、水等能源介质的投入和消耗数据,并结合生产数据进行相关性分析,可以获取二者的线性关系,其中包括在产出较低时设备耗能是否异常超出指标,产出较高的时候设备耗能是否控制在合理水平内等等,从而及时对其中的无效生产运行做出调节,提高生产资料的综合利用率,优化能源调度。


针对减排目标,过去企业大多是通过加装处理装备,把排放物的指标控制在环保水平以内。拿有机工业废水处理来说,其中主要包含了高盐成分、高氮氧化物等等,在排放之前,需要往里面加入吸附材料等处理材料,把废水分解成符合环保标准的可排放水。


虽然从结果来看确实达到了减排的目的,但是许宏表示,很多企业对这些添加吸附材料的用量、利用率等信息并不关注,通常是每隔一段时间就往里添加新的原料,并没有考虑是否已经吸附饱满、能不能循环利用等等,而且根据人的经验,企业经常会多备库存,这同样会带来不必要的损耗和浪费。


“而通过在关键环节进行数据采集和智能分析,企业就可以知道这些原料的吸附率实时的趋势,帮助企业判断什么时候要添加、需要添加多少,如果没有吸附饱满,可以进入哪个环节进行二次循环利用。”


许宏告诉 InfoQ,“我们曾经对一家日排放有机废水 600 吨的企业做过测算,他们在没有使用 AIoT 之前,整套设备的运行成本是一年四千万左右,通过生产资料的优化,他们把很多原料投入的利用率提升了 25%-32%,最后的设备运行成本节省了一千万左右。”

解决连接、安全和模型的问题


虽然这种以“防范为主”的污染控制策略在 80 年代就开始被提出,但是践行和推广这个理念并不容易,尤其是对于很多老厂来说,过去的工业产线设计即便考虑了能源管理,也只是从成本视角出发,其中涉及的标准和规范,与绿色制造的目标并不完全一致,数据采集的关键节点也会有所偏差。


换句话说,要实现以绿色制造为目标的能源管理,需要采集更多维度的数据。


而在这个过程中,许宏提到一个难点:过去制造企业的传感器鲜少布置在一些高温的极端环境,现在,为了采集热能热值数据,这变成了不得不做的工作。


“其中会涉及一些跨学科的知识,比如为了适应高温环境,可能就要用电磁学的方式进行感知感测。这对于苏州科舵这样的设备的工程设计企业来说,就会提出新的要求,包括相关技术是否达到了可行性的标准等等。”许宏举例。


不过,他也强调,这并不是企业利用 AIoT 实现绿色制造的主要挑战。“比较大的一个挑战是,这些废水、废气的处理设备都是分立的,需要接入到企业原来的生产场景中才能真正实现所谓的全工艺过程管控优化,这是比较难的。”


针对这个问题,苏州科舵提出的办法是用边缘计算的方式,把机器、设备等固定资产 IOT 化链路到网络中,并入原始生产厂商的设备中;此外,与工业企业现场的设备连接,则采用传统以太网或者 Wi-Fi。


也就是说,苏州科舵把废污处理设备设计成了一个边缘计算设备,其中内置了网关、计算、算法模型等能力。但这又会演化出两个新的问题:


首先,一旦涉及网络,就有一个无法回避的问题——安全。许宏谈到,在苏州科舵帮助企业部署废污设备时,他们经常会对其中的网络安全提出担忧。但在他看来,这种担忧往往是因为认知不足而放大了不成立的风险,而解决这个问题最关键的是时间,需要通过让新技术带来价值,让顾客分享到收益,才会消除企业的顾虑。


其次,边缘设备中的模型必须随着设备的持续运行与采集,根据实时的数据情况不断优化,并且对照旧模型持续迭代。


“比如一个管道,过去企业采集的数据都是静态的,里面的压力是多少就是多少。但是,现在企业除了要动态采集管道中液体的压力数据,可能还要采集它的流速、材质(是粘稠的还是稀薄的)等等,然后才能把这些物理属性转变为动态变化的数字属性。并且,随着产线的运行,其中涉及的参数要素、算法模型也要不断做出调整,才能满足生产现场的需要。”许宏举例。


对此,他还强调,这背后要求企业能够拉通技术、生产、设备等各个部门的人员,整合各个层面的领域知识,才能界定其中的各种关键参数和要素,比如,流速在什么范围内是正常值、超出多少需要预警、达到多少需要立即采取措施——只有让相关人员参与到这些细节确认中来,才能让算法模型越来越精细化。

信息化是 AIoT 应用的先决条件


除此之外,要让“AIoT 助力企业实现绿色制造”这个课题成立,还有一些先决条件。许宏认为,其中,最重要的就是必须要健全企业的信息化、网络化和数据基础,所有信息要能够互联互通,所有的流程要可以被标准化,并且由数据驱动


“所谓的标准就是各个作业环节要连接起来,如果企业的信息还是割裂的,或者信息交互还需要通过人传人,这就不是标准化的信息驱动方式。在这种情况下,要去落地 AIoT 是不现实的。”许宏表示。


拿能源管理场景举例:假设生产过程中的某种能源介质原料投入出现指标异常,而后台人员在拿到数据后还是通过手工单据的方式记录数据,或者用口头的方式通知生产现场人员进行处理,那么,造成的后果——一方面是现场人员拿到的不是当下数据,采取的应对举措可能会不准确或者滞后;另一方面,很多数据掌握在后台人员手中无法被有效留存,很难形成管理闭环。


“也就是说,数据要被多维度并且实时呈现,在数据背后还要有人做出判断和决策,这些决策都是通过数据去驱动的。只有这样一环扣一环,系统和人才能各自发挥最大作用。否则,人就只是信息的制造者、传递者,而不是信息的使用者和受益者。”许宏表示。


当然,这里还有另一个前提,即人在这个过程中拿的数据分析结果是准确的,否则就会出现决策方向偏差。对此,许宏强调,企业中的所有信息应该放在一个所谓的“数据网格”中,在其中,企业必须定义清楚元数据,确定数据的类型、数据的业务归属、相关数据归类等等,这是人工智能得出准确分析结果的基础和前提。


“所以,AIoT 应用不是上一个系统就能解决的事情,它的投资建设周期是比较长的。从信息、数据、数字到智能的这个基本逻辑是贯穿于其中的。对于企业来说,任何盲从行为,都将是在浪费有效变革活动的时间与资金。”许宏强调。


抛开绿色制造场景,想清楚企业的现实情况和真实需求同样重要。许宏举了另一个场景案例——AI质量检测


“比如说企业的生产产量很大,产线运转速度非常快,如果依赖人工检测或者后期抽检,一是效率不高,二是出错率比较大,这时候就可以考虑通过 AI 质检替代人工。但是,如果企业的生产规模很小,产线流转也没那么快,可能用一两个人就能看过来了,那这时候投入那么多钱上 AI 质检系统就是不划算的。”许宏表示,“也就是说,很多 AI 应用的场景,一定是在企业产量要达到一定规模,技术的投入和应用才有意义、才有经济性。企业应该从自身经营的角度,进行全盘的考量和统筹。”


在许宏看来,AIoT 的“种子”刚刚种下,一切刚刚开始,企业只有脚踏实地从基础做起、从自身出发,才能从中汲取能量和价值。“未来,AIoT 的价值一定不会局限于企业本身,它会贯穿于垂直产业链,通过生态共创和共同增长,将有助于个体企业在 AIoT 技术应用场景有效实现的关键助力者。而在此之前,需要企业先保持开放的心态,从原本的独享价值收益转为共享价值收益,只有开放方可共生。”

2022 年 9 月 23 日 14:201

评论

发布
暂无评论
发现更多内容

Rust 元宇宙 5 —— SDL2.0

Miracle

rust SDL 元宇宙

应运而生! 双11当天处理数据5PB—HiStore助力打造全球最大列存储数据库

阿里技术

不会用Camtasia的“库”,你可能错过了一个亿

淋雨

Camtasia

使用redis生成唯一编号

喵叔

11月日更

Rust 元宇宙 3 —— 进入和离开

Miracle

rust 元宇宙

百度ERNIE新突破!登顶中文医疗信息处理权威榜单CBLUE冠军

百度大脑

人工智能

阿里巴巴服务网格技术三位一体战略背后的思考与实践

阿里巴巴云原生

阿里云 云原生 服务网格 三位一体

企业决策智能项目的五种失败姿势

脑极体

29 K8S之ReplicaSet控制器

穿过生命散发芬芳

k8s 11月日更

Rust 元宇宙 4 —— 让世界动起来

Miracle

rust 元宇宙

微博系统中”微博评论“的高性能高可用计算架构设计

Beyond Ryan

面试官:说一下final关键字和final的4种用法?

王磊

[Pulsar] 消息的消费

Zike Yang

Apache Pulsar 11月日更

网络监控原理

喀拉峻

网络安全 安全 网络

你需要用战略耐心实现职业目标

石云升

读书笔记 11月日更

面试官:int和Integer有什么区别?为什么要有包装类?

王磊

中国首批区块链订单融资缘何落地雄安?

CECBC

直播预告丨“Hello ArkUI:初识Slider组件(JS)”周三约起

HarmonyOS开发者社区

HarmonyOS

阿里研究员毕玄谈应用运维体系的变迁,DevOPS是大势所趋

阿里技术

激发数字新活力 打造发展新优势

CECBC

元宇宙是人类文明不可避免的一次内卷

CECBC

超强实时跟踪系统首次开源!支持跨镜头、多类别、小目标跟踪!

百度大脑

人工智能 人工智能摄像头

花了2个钟才搞懂这AOP为啥没生效,水友却睡着了……

4ye

Java spring 程序员 后端 签约计划第二季

面试官:final、finally、finalize 有什么区别?

王磊

java面试

【死磕Java并发】-----J.U.C之深入分析CAS

chenssy

11月日更 死磕 Java 死磕 Java 并发

[干货] Weex在双11会场的大规模应用:业务支撑、稳定性保障和秒开实战

阿里技术

阿里巴巴Aliware十年微服务架构演进历程中的挑战与实践

阿里技术

Apache再次接受阿里开源产品捐赠 移动开发框架Weex进入孵化

阿里技术

天猫技术全面打造『身临其境』的消费者交互体验

阿里技术

使用ES6编写一个超简单的搜索算法

DisonTangor

JavaScript 大前端

Rust 元宇宙 6 —— 显示世界

Miracle

rust SDL 元宇宙

绿色制造:AIoT的潜力应用场景_AI_高玉娴_InfoQ精选文章