FOXBORO PO973JN 重庆渝赣铭瑞自动化科技

FOXBORO IGP10-A22C1F???0-50kpa? 重庆渝赣铭瑞自动化科技

ABB BRC300 重庆渝赣铭瑞自动化科技

ABB AX410/5010C/STD 重庆渝赣铭瑞自动化科技

ABB AC221/211231 重庆渝赣铭瑞自动化科技

海德汉 315420-03 重庆渝赣铭瑞自动化科技

本特利 振动位移探头 330104-00-04-10-01-CN 重庆渝赣铭瑞自动化科技

本特利 通用型振动探头 3330104-00-18-10-01-CN 重庆渝赣铭瑞自动化科技

本特利 通用型振动探头 3330104-00-08-10-01-CN 重庆渝赣铭瑞自动化科技

本特利 通用型振动探头 3330104-00-22-10-01-CN 重庆渝赣铭瑞自动化科技

本特利 通用型振动探头 3330104-00-25-10-01-CN 重庆渝赣铭瑞自动化科技

本特利 轴系仪表 330130-080-03-CN 延伸电缆 重庆渝赣铭瑞自动化科技

本特利 通用型位移探头 330104-00-05-10-01-CN 重庆渝赣铭瑞自动化科技

本特利 振动位移探头 330104-00-04-10-01-CN 重庆渝赣铭瑞自动化科技

本特利 通用型振动探头 3330104-00-18-10-01-CN 重庆渝赣铭瑞自动化科技

本特利 通用型振动探头 3330104-00-08-10-01-CN 重庆渝赣铭瑞自动化科技

本特利 通用型振动探头 3330104-00-22-10-01-CN 重庆渝赣铭瑞自动化科技

本特利 轴系仪表 330130-080-03-CN 延伸电缆 重庆渝赣铭瑞自动化科技

GE IC695CHS012 重庆渝赣铭瑞自动化科技

GE IC695PSD140 重庆渝赣铭瑞自动化科技

GE IC695CRU320 重庆渝赣铭瑞自动化科技

GE IC695RMX128 重庆渝赣铭瑞自动化科技

GE IC695ETM001 重庆渝赣铭瑞自动化科技

GE IC695PNC001 重庆渝赣铭瑞自动化科技

GE IC694ACC310 重庆渝赣铭瑞自动化科技

GE 重庆渝赣铭瑞自动化科技

GE IC695CHS016 重庆渝赣铭瑞自动化科技

GE IC695PNS001 重庆渝赣铭瑞自动化科技

李杰教授在《云上工业智能》这本书里基于煎蛋模型延展出了数据、服务、知识的生态融合图。核心含义是工业的转型要切入到服务，才能体现为用户创造价值。边缘计算和云计算承载了数据三个生态所具有的不同功能。边缘计算部署在终端或者边缘端，除了数据采集，其实是实现嵌入式人工智能的关键，因此边缘端计算的实时性比云端更强。在工业场景中，模型设计完成后应尽量将数据部署在终端。试想，当出现异常状况，边缘端如果仅局限于数据采集，只能将数据传输到云端进行运算后，再传回到边缘端，这就失去了时效性，从而整个过程也就失去了意义。

 

云端承载的是第三方提供的专业性服务，以及更加复杂的运算，比如对模型的优化、算法迭代等相对灵活的部署方式。从边缘端到云端的生态，被称为“知识的生态”。这是具有相关领域知识的人能够发挥最大作用的地方，云端可以承载很多专家的行业知识，以及数据建模技术等服务，从而形成流程、框架以及软件的知识生态，来支撑包括产业链上下游等的服务生态。

 

天泽智云和NI是紧密的合作伙伴，在实现工程化解决方案时，先将工业AI的算法引擎部署在云端；再通过InsightCM或者其他的NI的边缘计算系统进行对接，承载开发的算法所产生的结果，帮助用户产生对系统的认知；最后底层通过CompactRIO执行机器学习模型，以及对运算结果进行数据的交流，将运算结果通过InsightCM和Web Server进行发布。同时这一套系统流程也可以针对不同场景的应用需求，通过形成定制化的软件服务进行发布。

 

工业智能化案例分享

 

轨道交通行业的智能化 – 从预防性维护转变为预测性维护

 

在IMS时候我们跟阿尔斯通的高铁部门进行合作，参与开发的技术被整合到了在2013-2014年发布的高铁健康维护系统Health Hub。所开发的技术可以从轨道上判断这台车的关键设施是好的还是不好的，或者轴承的衰退情况。针对轨道的基础设施，如道岔机、铁轨的健康状态，我们也做了一个分析系统，能够在载客状态下，实时判断铁轨是否有问题。

 

国内高铁行业的领头企业跟天泽智云合作，目的也是希望实现这样一套智能的高铁维护系统。目前这个阶段是针对组件级，包括几个非常关键的部件，比如刹车系统、牵引系统、以及跟运行安全性相关的系统的预测性维护。比如轴承，我们通过国外的供应商购买轴承，本身昂贵的成本，再加上定期的预防性维护，造成了极大的浪费。究其原因，是企业对高铁运行安全的忧虑。通过PHM系统量化轴承的衰退状况，以及精准地管理轴承维护维修的排程计划，可以实现高铁装备的预测性运维及资源运营决策优化。

 

传统制造业的智能化 – 从依靠人的经验更换锯带转变为基于自动识别工况的精准更换

 

很多人关心如何能让传统的制造行业也能实现智能化，是不是做数据处理，做一些可视化的东西就能实现智能化？或者有一些具有物理意义的数据提取出来，用专家领域知识去看这些东西就能实现智能化？

 

 

举一个带锯机床制造商的案例。带锯机床的用户不要求其加工精度有多高，也不要求加工的复杂性，但对加工速度与切割平面的平整度有较高要求。痛点是什么呢？锯带是个耗材，总会断裂，而且更换成本比机床还贵，所以大量的运维成本都是在后续的售后服务上。想控制这个成本，就需要更换的准时性，当锯带用到刚好疲劳到不能再切时进行更换，整个的效率才能实现最大化。

 

之前都是依靠人的经验，通过听噪音变大了，就进行更换。然而人的经验不同，判断标准无法统一化。换得过早会造成浪费，换得过晚就产生非预期断带的情况，锯带卡在工件里面，还要把未加工好的工件裁掉，这对工件也是浪费。如果发生绷带断刀的状况还会发生安全风险。

 

为了实现更加智能准时地更换锯带，首先要通过大量的调研找到哪些是影响刀具状况的因素，之后根据客户的需求和期望的业务目标进行数据采集，以及试验传感器的部署。在具体实践中，从控制器与传感器采集数据建立锯带衰退预测系统。根据锯带的振动、声学等特性，以及机器运转的工况，将采集的数据进行特征提取，进而形成特征矩阵。由于加工的工件材料变化，以及加工过程的工况复杂性，我们用自适应预诊方法来建立锯带的衰退预测模型。用户可以在电脑端与移动客户端实时监测锯带的衰退与机器关键组件的健康情况，从而在锯带刚好要断裂之前，准时更换。

 

每种类型锯带的衰退档案都被存储在用户的私有云中，可以通过系统实时掌握锯带衰退的状况。日积月累，通过对比不同种类锯带的衰退模型，用户也更加清楚地知道每种锯带在切割不同形状、不同材料工件时的性能，在采购锯带时还能够更经济地管理供应商，获得更低的成本；锯带制造商也可以通过锯带衰退曲线，建立洞察，改进锯带的性能，减少实验成本，同时提高耐用性。

 

这个案例在2014年芝加哥的国际制造技术展会(IMTS)上展出，受到了广泛关注。接下来一年中，带锯机床生产商推出了自己的智能化产品，在北美带锯机床行业的排名从第八名升至第一名。