|
本文图片来源 ：霍尼韦尔 作者 | Bas Kastelein 借助人工智能（AI）技术，工程师们可以增强专业领域知识，并显著缩短交付用户的时间。 在人工智能（AI）成功应用于制造业或过程工业之后，工程师们希望在产品开发中获得类似的收益。开发团队想弄清楚在工程实施过程中，是否可以利用机器学习（ML）方法，以便在极端运营条件下，更快地理解和预测复杂的产品行为。 利用无代码环境处理测试数据，也有助于辨别哪些问题适合用自学习模型来解决。也就是说，那些高度非线性的行为很难用物理方程来描述，但可以精确测试。 例如，大多数流体动力学问题，不管是流经住宅计量表的燃气混合物还是其它气体，都很难用数值方法解决。调整计算流体动力学（CFD）的仿真，直到其精度能满足决策需求，可能需要数月的时间，比在设施的测试台上进行测试要长得多。因此，尽管趋势是更多地利用CFD，但在产品开发过程的初期进行测试仍然至关重要。 ▲图1：设计和优化住宅燃气表可能是一项昂贵且耗时的工作。借助AI技术，工程师们可以使用数据驱动的方法更快地优化用户的燃气表。 AI可用于早期测试数据，以更快地了解影响结果的因素。通过AI模型预测尚未完成的测试，甚至可以更快地将仪表校准到高精度水平。简而言之，将AI应用于产品设计，工程师可以更好地理解复杂的系统行为，更快速地做出设计决策。 尽管利用机器学习（ML）测试并在随后识别系统的工作流程，看起来可能“不务正业”，但在产品开发过程中，它往往可以更早地为适用AI的问题（例如，居民和商业燃气表以及甲烷排放监测工具），提供更准确的结果。 01 利用AI加速产品开发 根据美国市场调查与咨询公司MarketsAndMarkets的数据，预计全球智能电表市场将从2021年的196亿美元增长到2026年的302亿美元。准确测量燃气用量具有诸多收益，例如用户可以跟踪和预测自己的支出。供应商还可以了解其客户群，并提供更可靠的定制服务。 ▲图2：此图上部：用于解决理解透彻的（线性）问题的理想工作流程，通过求解基于物理模型的已知方程，来最小化上市和测试时间。此图下部：用于难以解决的（非线性）物理问题的理想工作流程，该问题无法利用基于物理的建模方法轻松解决，但可以利用Monolith的自学习模型进行测试、建模和校准。 在住宅燃气流量计中增加压力和温度传感器还有一个额外好处：如果一旦检测到燃气管网超压，就能够自动关闭，从而可以提高用户的安全性。 随着能源转型的推进，燃气和氢气的混合物将进入燃气管网，为这些混合物的精确计量带来了挑战，特别是对超声波燃气表。这给负责进行必要测试以找到最佳技术解决方案的产品开发团队带来了严峻的挑战。 在借助AI技术之前，通常使用一种传统、大家都熟悉的开发过程，对许多不同的产品变量进行物理和虚拟测试，以获得适合生产制造的产品设计。这个过程往往需要18个月，以确保校准误差低于法律规定的1%。采用了AI之后，这个时间可以减少25%。 02 用于智能仪表的AI技术 智能仪表可以为工程师提供更多产品见解。这不仅适用于产品开发过程，还包括质量控制以及在现场对智能电网的优化。因此，在开发新产品时，开发工程师可以也应该考虑大量可用数据。这需要一套全新的技能，从大数据分析到构建复杂动态系统的高级模型。 意外排放监测系统的自动化解决方案，是风险较高的复杂问题的另一个完美案例。由于风向和风速的随机性，试图检测意外燃气泄漏或工艺通风口的位置并对其进行量化是一个非常复杂的问题。 ▲图3：在每个校准过程开始时，气量计的精度往往不满足法规的要求（左图）。工程师需要校准仪表，使其落入红色边界内（右图）。利用自学习模型它们不仅可以满足要求，而且与需要大量时间、乏味和重复的测试活动相比，更快得到期望的结果。 复杂系统的物理特性往往无法通过CFD仿真快速甚至完整的表达出来，试图理解这些需要大量的物理测试来校准。在这种情况下，工程师们在产品开发过程初期就开始构建原型，以从现场数据中学习，现在只需不到一年的时间就可以拥有先进的解决方案。在这么短的时间内构建一个先进的复杂工业解决方案，将改变过程解决方案行业的游戏规则。与启发式模型不同，ML解决方案在部署后，仍会继续学习并不断改进。 决策速度的提高和这种持续的学习能力，有助于证明在智能能源行业以及其它面临复杂工程挑战的领域内，自学习工程模型如何成为工程师的标准工具。 关键概念： ■ 发现特别适合用AI 来解决的产品开发挑战。 ■ 利用自学习模型或AI，研发工程师可以将产品开发时间缩短数月。 ■ 利用机器学习工程师可以探索更多的运营工况，发现新的见解，从而可以提高产品性能和质量。 思考一下： 您如何利用 AI 和 ML来助力运营？ |
|
|
