【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
|
9天前
|
人工智能 监控 搜索推荐
移动应用开发的未来趋势:人工智能与物联网的融合
【4月更文挑战第20天】 在数字化时代的浪潮中,移动应用已成为人们日常生活不可或缺的组成部分。随着技术的进步,人工智能(AI)和物联网(IoT)正逐渐改变移动应用的开发和使用方式。本文探讨了AI与IoT在移动应用开发中的结合,分析了这一趋势如何推动移动应用走向更加智能化、个性化和互联的未来。通过具体案例和数据支持,文章揭示了开发者如何利用这些技术为用户提供更丰富的体验,并预测了未来可能出现的挑战和机遇。
|
9天前
|
人工智能 边缘计算 监控
【开源视频联动物联网平台】视频AI智能分析部署方式
【开源视频联动物联网平台】视频AI智能分析部署方式
157 3
|
9天前
|
机器学习/深度学习 人工智能 自然语言处理
人工智能基础——模型部分:模型介绍、模型训练和模型微调 !!
人工智能基础——模型部分:模型介绍、模型训练和模型微调 !!
175 0
|
9天前
|
机器学习/深度学习 人工智能 安全
ai集成环境
【4月更文挑战第27天】ai集成环境
28 1
|
9天前
|
机器学习/深度学习 人工智能 NoSQL
人工智能平台PAI产品使用合集之机器学习PAI EasyRec训练时,怎么去除没有意义的辅助任务的模型,用于部署
阿里云人工智能平台PAI是一个功能强大、易于使用的AI开发平台,旨在降低AI开发门槛,加速创新,助力企业和开发者高效构建、部署和管理人工智能应用。其中包含了一系列相互协同的产品与服务,共同构成一个完整的人工智能开发与应用生态系统。以下是对PAI产品使用合集的概述,涵盖数据处理、模型开发、训练加速、模型部署及管理等多个环节。
|
9天前
|
机器学习/深度学习 人工智能 TensorFlow
人工智能平台PAI产品使用合集之如何在CPU服务器上使用PAIEasyRec进行分布式训练
阿里云人工智能平台PAI是一个功能强大、易于使用的AI开发平台,旨在降低AI开发门槛,加速创新,助力企业和开发者高效构建、部署和管理人工智能应用。其中包含了一系列相互协同的产品与服务,共同构成一个完整的人工智能开发与应用生态系统。以下是对PAI产品使用合集的概述,涵盖数据处理、模型开发、训练加速、模型部署及管理等多个环节。
|
9天前
|
机器学习/深度学习 SQL 存储
人工智能平台PAI 操作报错合集之机器学习PAI训练的时候logging.info('Train and evaluate finish')后, 总会报出来一个错如何解决
阿里云人工智能平台PAI (Platform for Artificial Intelligence) 是阿里云推出的一套全面、易用的机器学习和深度学习平台,旨在帮助企业、开发者和数据科学家快速构建、训练、部署和管理人工智能模型。在使用阿里云人工智能平台PAI进行操作时,可能会遇到各种类型的错误。以下列举了一些常见的报错情况及其可能的原因和解决方法。
|
9天前
|
人工智能 API 决策智能
【AI Agent系列】【MetaGPT多智能体学习】0. 环境准备 - 升级MetaGPT 0.7.2版本及遇到的坑
【AI Agent系列】【MetaGPT多智能体学习】0. 环境准备 - 升级MetaGPT 0.7.2版本及遇到的坑
29 0
|
9天前
|
人工智能 自然语言处理 搜索推荐
通义大模型落地手机芯片!离线环境可流畅运行多轮AI对话
通义大模型落地手机芯片!离线环境可流畅运行多轮AI对话
37 0
|
9天前
|
传感器 人工智能 搜索推荐
移动应用开发的未来趋势:人工智能与物联网的融合
【4月更文挑战第7天】随着科技的不断发展,移动应用开发正面临着新的挑战和机遇。本文将探讨人工智能(AI)和物联网(IoT)在移动应用开发中的融合,以及这一趋势如何影响未来的移动应用。我们将分析AI和IoT技术的关键特性,以及它们如何相互补充,为移动应用带来前所未有的智能化和互联性。此外,我们还将讨论开发者如何利用这些技术为用户提供更智能、更便捷的服务。

相关产品

  • 物联网平台