【云栖号案例 | 物联网&人工智能】训练AI吞食垃圾 瀚蓝环境探索破解垃圾围城难题

简介: 瀚蓝发展过程中面临经验存在偏差与不稳定、经验难以固化与传承的问题。上云后实现对垃圾焚烧过程的自动控制,AI垃圾焚烧优化方案实现蒸汽量1.8%提升。

云栖号案例库:【点击查看更多上云案例】
不知道怎么上云?看云栖号案例库,了解不同行业不同发展阶段的上云方案,助力你上云决策!


随着我国经济快速发展和城市人口不断增长,以及新型的城镇化建设,很多地方垃圾围城的问题正日益严峻。垃圾在填埋过程中会产生大量的臭气、沼气和二氧化碳以及大量的细菌病毒等微生物,会对人居环境产生恶劣的影响,高效的做法是将垃圾通过现代化焚烧技术,实现无害化,同时焚烧余热还可供发电,既环保有效、又能变废为宝。根据《“十三五”全国城镇生活垃圾无害化处理设施建设规划》,生活垃圾焚烧比例将由 2015 年的 28.6%提升至 2020 年的 50%。预计“十三五”期间垃圾焚烧建设市场规模将高达两千亿。

对于垃圾焚烧企业来说,垃圾的成分变化多端,如何提升焚烧控制的稳定性,是一个重要的技术挑战。焚烧工程师通过调节焚烧炉的各种参数,确保垃圾焚烧充分、蒸汽量稳定,一方面减少锅炉设备受损,另一方面可以更稳定发电并降低烟气污染物的排放。但是,每天的生活垃圾不一样,成分也很复杂,一年四季受温度和湿度影响不断变化,要做到稳定的燃烧很不容易。

长久以来,焚烧控制主要依赖于人的判断,靠的是经验积累。老师傅经验丰富,通过调节锅炉温度和进风大小,就可以让垃圾焚烧得更充分;年轻师傅经验少,容易出现判断失误的问题,稳定性就差很多。此外,老师傅如果出现身体和精神状态不佳,影响工作状态,也会有判断失误的状况。人工智能的参与,提供了很多想象的空间。

瀚蓝环境股份有限公司(简称瀚蓝环境)是一家专注于环境服务产业的上市公司。公司拥有22个生活垃圾焚烧发电项目,日生活垃圾焚烧发电总规模33100吨。仅是广东佛山南海厂区的六台焚烧锅炉,每天就能“消化”近3000吨垃圾,发电150万度,足以满足南海区16万户40万人的生活用电需求。

虽说垃圾焚烧发电是朝阳产业,市场潜力巨大,但过去多年,进一步提升垃圾焚烧稳定性的关键技术,一直没有突破。

瀚蓝环境固废事业部信息管理部总监赵浩表示,整个垃圾焚烧发电的过程,主要是靠锅炉师傅通过调节焚烧炉的各种参数,尽量做到让垃圾的燃烧更充分、蒸汽更稳定。而限制技术进步的最大阻碍,就出在焚烧过程对人工经验的过度依赖,这给技术进步带来诸多障碍。

一是经验存在偏差与不稳定。不同工艺专家技术水平参差不齐,调出来的效果相差较大。此外,现场人员难以长时间集中精力观察参数变化,导致焚烧炉无法发挥到最佳状态,垃圾焚烧的稳定性不足。

二是经验难以固化与传承。经验都存在老师傅的脑袋里。培养一位合格的工艺专家需要 1-2年的时间,一旦离岗,经验也随之带走,没有任何积累留给新人。而培养一名新员工直到上岗,则要耗费大量精力与时间。长时间的大强度劳动,也加剧了工人的流失。

此外,经验还存在天花板。即便再有经验的老师傅,也只能做到对一部分参数的认知,而整个垃圾焚烧过程涉及上千种参数,远超出人脑的计算与理解能力。

引入AI:数据+模型+经验=最优参数推荐

为摆脱对经验的过度依赖,瀚蓝环境意识到更高效的数字化手段是可行办法。通过将经验与数据中的隐性知识转化为显性知识,并嵌入到机器中,让机器协助人类来完成复杂焚烧过程的复杂决策与控制。但摆在眼前的问题是,垃圾焚烧领域鲜有数据科学家,懂行业机理模型的数据科学家更是凤毛麟角,行业算法处于空白。于是,瀚蓝环境找到阿里云工业大脑团队,希望借助其在数据与算法上的优势,加之与瀚蓝环境专家经验结合,共同开发垃圾焚烧工艺优化算法,优化垃圾焚烧的稳定性。

工业大脑落地场景的选择至关重要。数据可用性、风险可控、可实施、高收益与可复用是选择优先场景需要考虑的关键因素。

垃圾焚烧发电主要包括垃圾推料、垃圾焚烧、烟气处理、污水处理、汽轮机发电五个环节。双方团队经过多轮沟通,最终选择先以垃圾推料(将垃圾在最佳时间送入焚烧炉,达到充分燃烧)做为切入点。原因就在于这个环节已经具备一定数据基础 (系统已接入上千个实时测点,瀚蓝环境也是目前国内垃圾焚烧行业同类测点,数据量积累最多的公司之一)、且该环节依靠人工操作,AI发挥空间大,并且各电厂面临的问题是共性的,复制性强。

明确了落地场景,瀚蓝环境与阿里云大数据专家开始共同制定垃圾焚烧优化的方案思路,整个过程好比一个菜谱的开发过程,包括精选食材、调试配方、反复试菜、直到最终菜谱的生成。

第一步:关键参数识别 (选择食材)

垃圾焚烧的全过程充斥着复杂的物理与化学变化,涉及多达2000+个实时测点数据,因此需要过滤出对焚烧稳定性影响最大的关键参数。通过历史数据分析与专家经验,识别出包括推料行程、推料动作、一次风量、一次风压、二次风量、炉膛温度、烟气含氧量、主蒸汽压力等多达30个测点数据,用于下一步的分析与模型训练。

第二步:模型训练 (调试配方)

锁定关键参数后,接下来输入到工业大脑平台上的仿真预测模型,进行垃圾焚烧过程的模型训练,实时预测焚烧产生的蒸汽情况。通过对每次垃圾推料生产的前后关系分析,比如推料前的炉型状态,推料动作,以及推料后的焚烧反应,构建数据的输入输出关系模型。训练过的焚烧炉蒸汽量仿真预测模型可以准确预测90秒后的蒸汽量,准确度到达95%,为后续推料时间提供决策依据。此外,通过历史有效推料数据及专家经验,建立各关键参数的特征数据与推料时间的对应关系,在此基础上结合蒸汽量预测值预判,实现更加精准的推料时间推荐。

第三步:算法辅助决策 (菜谱生成)

该阶段, 算法模型分析的结果通过API接口的方式把推荐工艺参数实时的提供出来。产品配套的人机交互界面,会直接部署到工厂控制室现场, 可以实时的告诉工人,什么时候该推料,以及如何推料等操作建议。工人只需要按提示直接生产就可以了。

image

经过数月的密集研发和测试,双方团队开发出了首个AI垃圾焚烧优化方案,结合瀚蓝掌握的海量垃圾焚烧数据,AI可以进行更精准更稳定的监测、预判和及时调整。结果发现,过去操作员4个小时内需要操作30次,才能让垃圾焚烧过程保持稳定,而如今在AI的协助下,干预6次即可。而且工业大脑辅助人的方式对比单纯人工操作,系统可以提升约1%~2%的蒸汽产量,锅炉蒸汽量稳定性提升20%。

接下来, 垃圾焚烧炉AI平台将完成以下三项任务:

第一,从局部试验到全局复制

当前, 工业大脑还只是在局部范围内尝试,仅在几台锅炉上进行验证。很快,算法模型将被复用到公司的近百座焚烧炉上,让每一座锅炉都能获得AI“手把手”的操作指导。此外,AI既然能在焚烧环节取得效果,一定还存在很多应用场景等待挖掘。

第二,打通决策到执行的最后一公里

算法将会直接与锅炉系统连接,实现对垃圾焚烧过程的自动控制。由过去的人控制机器转为人监测机器,无需人工干预,进一步降低对人工经验的依赖。

第三,赋能产业智能化升级

像瀚蓝环境这样的焚烧炉,中国还有近千座。通过将焚烧炉稳定优化模型沉淀到工业大脑平台之上,对全行业的开放。借助平台优势拉低人工智能的门槛,让全中国的焚烧炉都能享受到智能带来的红利。目前,在阿里云与浙江省能源集团的合作中,AI垃圾焚烧优化方案已实现蒸汽量1.8%提升,可为企业每年增加百万元利润。

阿里云研究院高级战略专家王岳表示,越是看似离AI技术遥远的行业,一旦与其发生化学反应,所产生的能量将会是巨大的。在未来相当长的时间,行业内专家与行业外数据科学家的跨界组合将会是推动工业智能落地的关键力量。但这还不够,工业智能未来一定是朝着平台化发展的。平台x(数据+算法)的互联网模式所产生的杠杆效应,可以支撑工业智能应用以百倍速复制, 最终撬动整个产业的数智化转型。

文:王岳、双宏、巢恬逸
责编:斌卡

logo

【云栖号在线课堂】每天都有产品技术专家分享!
在线课堂地址:https://yqh.aliyun.com/zhibo

立即加入社群,与专家面对面,及时了解课程最新动态!
【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK

相关实践学习
钉钉群中如何接收IoT温控器数据告警通知
本实验主要介绍如何将温控器设备以MQTT协议接入IoT物联网平台,通过云产品流转到函数计算FC,调用钉钉群机器人API,实时推送温湿度消息到钉钉群。
阿里云AIoT物联网开发实战
本课程将由物联网专家带你熟悉阿里云AIoT物联网领域全套云产品,7天轻松搭建基于Arduino的端到端物联网场景应用。 开始学习前,请先开通下方两个云产品,让学习更流畅: IoT物联网平台:https://iot.console.aliyun.com/ LinkWAN物联网络管理平台:https://linkwan.console.aliyun.com/service-open
相关文章
|
3月前
|
机器学习/深度学习 存储 人工智能
【科普向】我们所说的AI模型训练到底在训练什么?
人工智能(AI)模型训练类似于厨师通过反复实践来掌握烹饪技巧。它通过大量数据输入,自动优化内部参数(如神经网络中的权重和偏置),以最小化预测误差或损失函数,使模型在面对新数据时更加准确。训练过程包括前向传播、计算损失、反向传播和更新权重等步骤,最终生成权重文件保存模型参数,用于后续的应用和部署。理解生物神经网络的工作原理为人工神经网络的设计提供了灵感,后者广泛应用于图像识别、自然语言处理等领域。
|
28天前
|
机器学习/深度学习 人工智能 自然语言处理
FinGPT:华尔街颤抖!用股价训练AI,开源金融大模型预测股价准确率碾压分析师,量化交易新利器
FinGPT是基于Transformer架构的开源金融大模型,通过RLHF技术和实时数据处理能力,支持情感分析、市场预测等核心功能,其LoRA微调技术大幅降低训练成本。
113 12
FinGPT:华尔街颤抖!用股价训练AI,开源金融大模型预测股价准确率碾压分析师,量化交易新利器
|
2月前
|
人工智能 物联网 开发者
Oumi:开源的AI模型一站式开发平台,涵盖训练、评估和部署模型的综合性平台
Oumi 是一个完全开源的 AI 平台,支持从 1000 万到 4050 亿参数的模型训练,涵盖文本和多模态模型,提供零样板代码开发体验。
401 43
Oumi:开源的AI模型一站式开发平台,涵盖训练、评估和部署模型的综合性平台
|
1月前
|
机器学习/深度学习 人工智能 物联网
MiniMind:2小时训练出你的专属AI!开源轻量级语言模型,个人GPU轻松搞定
MiniMind 是一个开源的超小型语言模型项目,帮助开发者以极低成本从零开始训练自己的语言模型,最小版本仅需25.8M参数,适合在普通个人GPU上快速训练。
422 10
MiniMind:2小时训练出你的专属AI!开源轻量级语言模型,个人GPU轻松搞定
|
2月前
|
机器学习/深度学习 人工智能 计算机视觉
MILS:无需对LLM进行额外训练就能处理多模态任务,Meta AI提出零样本生成多模态描述方法
MILS 是 Meta AI 推出的零样本生成高质量多模态描述方法,支持图像、视频和音频的描述生成,无需额外训练。
187 34
MILS:无需对LLM进行额外训练就能处理多模态任务,Meta AI提出零样本生成多模态描述方法
|
1月前
|
人工智能 自然语言处理 监控
17.1K star!两小时就能训练出专属与自己的个性化小模型,这个开源项目让AI触手可及!
🔥「只需一张消费级显卡,2小时完成26M参数GPT训练!」 🌟「从零构建中文大模型的最佳实践指南」 🚀「兼容OpenAI API,轻松接入各类AI应用平台」
|
2月前
|
人工智能 JSON PyTorch
TPO:告别微调!这个AI框架让大模型实时进化:无需训练直接优化,输入问题越用越聪明,输出质量暴涨50%
TPO(Test-Time Prompt Optimization)框架,通过奖励模型和迭代反馈优化大语言模型输出,无需训练即可显著提升性能,支持动态对齐人类偏好,降低优化成本。
240 8
TPO:告别微调!这个AI框架让大模型实时进化:无需训练直接优化,输入问题越用越聪明,输出质量暴涨50%
|
2月前
|
人工智能 Python
Light-A-Video:好莱坞级打光自由!上海AI Lab开源视频打光AI,无需训练秒改画面氛围,3步让阴天变夕阳
Light-A-Video 是由上海AI Lab联合交大等高校推出的无需训练的视频重照明方法,支持高质量、时间一致的光照控制,零样本生成和前景背景分离处理。
74 9
|
1月前
|
存储 人工智能 Cloud Native
小鹏汽车选用阿里云PolarDB,开启AI大模型训练新时代
PolarDB-PG云原生分布式数据库不仅提供了无限的扩展能力,还借助丰富的PostgreSQL生态系统,统一了后台技术栈,极大地简化了运维工作。这种强大的组合不仅提高了系统的稳定性和性能,还为小鹏汽车大模型训练的数据管理带来了前所未有的灵活性和效率。
|
1月前
|
人工智能 开发工具 git
LanPaint:零训练消除AI图像违和感!与ComfyUI完美兼容的无损修复神器
LanPaint 是一款基于 Stable Diffusion 的零训练 AI 图像修复工具,支持无缝修复和内容替换,适用于从简单修复到复杂损坏恢复的多种场景。
97 0
LanPaint:零训练消除AI图像违和感!与ComfyUI完美兼容的无损修复神器

相关产品

  • 物联网平台
  • 下一篇
    oss创建bucket