演讲嘉宾简介：刘宇航（昊海）ET工业大脑首席架构师。
本次直播视频精彩回顾，戳这里！https://yunqi.aliyun.com/2018/nanjing/review
一、阿里云智能制造介绍
1. 新制造发展的新一波浪潮已经到来
ET大脑，智能制造这些概念并非来源于阿里巴巴。在这个时代背景下，无论是国内还是国际，都把工业当作发展对象。阿里巴巴在这一方向上的工作一方面为了响应国家的号召，另一方面也是为了顺应产业的潮流。
2. 阿里云一直致力于为广大企业提供最优质的技术服务
3. 阿里云拥有完整的大数据体系，技术架构久经考验
阿里云原来就是阿里巴巴的IT部门，所有的数据、业务都架构在其之上。它是经得起长时间，高频次，不容失误的金融、商业交易的冲击的架构。
4. 我们的理念是：大数据是IT技术与应用场景的完美结合
ET工业大脑是工业大脑中的一个分支。其他分支包括，农业大脑、城市大脑等。可以理解为是大数据技术、云计算技术，在具体的行业和业务场景结合形成的有特殊行业属性的一种产品。
5. 阿里云ET大脑深入行业，为一家又一家企业创造看得见的效益。
阿里云的一个理念是一定要真正找到企业的痛点，产生真正的效益，帮助企业解决问题，降低能耗，提高效率等。
6. 安全可靠的数据安全保障，是持续合作的基础
二、工业智能制造理念和应用
1. 工业智能化项目的布局和三个基石
生产集中： 生产和产生价值的部分是集中的。解决这部分痛点，十分有利于提升企业的效益。
目标明确： 确定具体场景，明确目标。
数据闭环： 数据从企业中来，经过算法处理后，还要回到系统中去指导生产，产生效益。
下图展示了一些基本应用。
2. 工业智能化与传统的工业专家有何区别？
以前的工业大部分是靠人来支撑的，比如老专家的经验。这本质上是一种机理的推导。而工业智能化，将这种机理推导转向数据分析。 同时，可以应用于工艺创新、流程优化、智能生产、风险预警等方面。
3. 传统的经验有何局限性？数据和专家经验应该如何结合？
举一个简单的例子，以一个钢铁厂为例，从矿石到产品中间会经过一系列的过程，每一个环节的负责人可以保证当前段是最优的，但无法保证整个产线产生的结果是最优的，即局部最优的叠加不一定是全局最优。而我们现在做的事情就是依靠大数据，依靠全数据链的数据驱动进行决策。
4. 工业大数据应从哪里入手？
·政策要求： 供给侧改革，不仅是去库存，一方面：低效产能，提升产品质量提升竞争型。另一方面：减少能耗，绿色环保。提升生产效率。
·设备故障：以风电设备为例，大部分为出保设备。运行年限变长，机组故障率逐年递增，风电场运维成本也逐年增加。如，一台风电机组，一次大修的成本为30-50w。
·能源消耗：工业互联网影响了全球44%的能耗（GE，2011）。烧焦的耗电优化。锅炉加热炉燃烧煤气，耗费大量能源，希望能提升加热效率，降低能耗成本。
·人力成本：为避免故障带来问题，需要安排维修人员不断巡检。30个工厂，每厂100多个维修人员，每个工厂有几百台生产设备，设备每年的维修费用有几个亿。
·生产低效：弹簧钢钢材存在脱碳率高的问题，良品率大概80%-90%，希望能降低脱碳率，提升良品率。提升风电场运行的计划和效率。
5. ET工业大脑的核心能力框架
核心框架基本上包含供、研、产、销、能、环这几个方面。相关的各种应用都在阿里巴巴的官网上可以找到。
6. 工业大数据建设的数据基础
即数据的来源，包括在线数据，IoT方面的基础层数据等来自全域的数据。
三、工业智能制造案例
1. 协鑫光伏–太阳能电池切片良品率提升
痛点: 协鑫光伏太阳能电池硅片生产过程的切片次品率过高，导致生产效率降低，生产成本升高。
方案： 将阿里云ET工业大脑应用于太阳能电池硅片生产制造领域，监控切片生产参数曲线，推荐最优参数，提升良品率。
价值: 通过对太阳能电池切片制造流程进行最优参数推荐，提升了1%的切片良品率，从而大大减少太阳能电池硅片产品次品率。
2. 中策橡胶–炼胶工艺提升
痛点：中策橡胶在橡胶密炼（橡胶生产的核心环节）过程中的能耗和次品率过高，导致生产效率降低，生产成本升高。
方案: 将阿里云ET工业大脑应用于橡胶生产领域，对密炼工艺建模分析，推荐最优工艺参数。
价值：通过最优参数推荐，优化密炼工艺：门尼值标准差降低14%（密炼工艺关键参数）、密炼时长减少10%，密炼温度降低6%，大大降低密炼能耗和次品率。
3. 梦兰神采–企业废料智能交易与企业排废监督
痛点：产废企业与处废企业供求交易低效，企业排废申报缺乏综合评估与监督，导致废料处理低效，资源浪费。
方案：将阿里云ET工业大脑应用于企业废料处理领域，分析废料特征，追踪废料流向，建立企业排废综合评估模型。
价值：通过对废料和供求企业的特征分析，提升废料交易效率，实施企业排废申报监督，大大降低环境污染，提升资源回收率，预防企业排废申报欺诈行为。
4. 固德威–光伏发电智能化功率预测
痛点：光伏发电功率的波动对电网的安全性和稳定性有严重影响，导致电网运行成本高、对太阳能资源的利用率低。
方案：将阿里云ET工业大脑应用于光伏发电领域，通过分析气象数据和历史功率数据，科学预测光伏发电功率。
价值：通过对光伏发电功率的预测，支撑电网统筹安排常规电源和光伏发电的协调配合，大大提升电网安全和太阳能资源利用率，降低电网运行成本。
5. 国网浙电– 变压器油色谱在线监测数据评估与筛选
痛点：变压器油色谱在线监测数据能够监测变压器故障，但由于该数据质量参差不齐，导致变压器在线监测准确率低，并导致电网在油色谱在线监测装置上的投资回报率低。
方案：建立油色谱在线监测数据的可靠性分析模型，从完整性、一致性、准确性三个维度分析数据质量，并由此评估油色谱在线监测装置性能。
价值：筛选出可靠的监测数据，并对监测装置的可靠性评分，为变压器故障监测提供数据保障，指导电网制定监测装置的采购计划和厂家的选择。
6. 中芯国际–芯片良率提升
痛点：中芯国际28纳米集成电路芯片生产过程的光罩产品次品率（CD偏差）过高，导致生产效率降低，生产成本升高。
方案：将阿里云ET工业大脑应用于中国顶尖精密制造领域，对工艺参数进行建模分析，构建预测模型。
价值：通过CD预测建模，预测误差可控制在1纳米左右，大大减少光罩产品次品率。
7. 盾安集团–风力发电机故障预测
痛点：传统风力发电机维护是故障发生后“亡羊补牢”，事后发现维修复杂，维修周期长，停产损失大、维修费高昂。
方案：通过海量风机历史运行数据，构建风电机组异常智能监控预警以及风电机机组故障预测模型，提前发现微小故障并预警。
价值：通过高频谐波的占比预测风机故障趋势，提前2个月进行发电机故障预警，风机维护费用从30-50万减少至2万元每台。
8. 火车列车故障检测
基于图像的案例。
四、 工业大数据平台
五、宣传扩展和知识转移
1. 为合作方提供培训与知识转移，提升企业的自我造血能力
目标：独立进行大数据平台的使用、管理、测试维护、故障处理和新需求的数据存储、算法建模、数据呈现、大屏展示等工作。
·上云培训：通过培训熟练运用阿里云产品、技术、服务及解决方案。
·共同参与实施：需求调研、方案设计、数据建模、算法定制、数据分析应用、大屏展示、安全体系构建在整体规划实施中，掌握大数据平台相关云服务使用与系统运维。
·现场培训：研讨会、答疑等方式，对产品使用、部署方式、运维管理、针对业务场景的云架构及项目中设备、软件、技术方面存在的问题研讨，答疑。
·集中培训：定期或不定期对关键业务人员和技术人员进行集中培训。
2. 重点领域的企业联合宣传，提升智能制造转型的影响力
·五大机场平面广告：北京、广州、上海、深圳、杭州
·分众11个城市楼宇广告：杭州、苏州、重庆、南京、成都、广州、深圳、武汉、厦门、上海、北京
本文由云栖志愿小组马JY整理
