内生外化，以生态之力推动数据智能在工业场景落地

LENOVO CAPITAL

9月8日，以“新智造，新生态”为主题的联想创新科技大会（Techworld)分论坛在线上顺利举行。在圆桌Panel环节，联想高级总监、联想创投董事总经理罗旭深度对话联想研究院人工智能实验室研发总监靳玉茹、联想数据智能业务集团产品运营总监王晟，联想创投被投企业天泽智云技术研发副总裁金超、杉数科技智能制造业务总监黄翔，共同围绕“技术创新赋能新生态”这一主题，深度剖析数据智能在落地工业生产中面临的产线场景复杂多变、行业专业性强、决策复杂等痛点，并分享了各自的智慧解决方案。联想和成员企业携手将先进技术内生外化，以生态之力推动数据智能在工业场景的落地与应用。

以下为圆桌论坛现场对话实录：

罗旭：大家好，我是来自联想创投集团的罗旭。大家应该有所了解联想的三级创新体系：产品事业部聚焦未来1-2年的科技研发，研究院专注于未来3-5年的核心科技研发，而联想创投作为联想旗下的全球科技产业基金，最重要的使命就是以投资布局未来5-10年的先进科技，构建起联想内外创新生态的桥梁。联想正在凭借着这样的三级创新体系，和我们的成员企业及合作伙伴一起，构建起独特的网状竞争优势，服务并推动产业变革。

在前面的环节，几位演讲人已经从制造、质量、物流等方面讲述了联想在智能制造方面的全栈能力，也多次提到内生外化的这个关键词，那么接下来我们将专门邀请来自联想一线业务团队、联想研发团队、以及联想成员企业的几位嘉宾，一起来诠释大家是如何以紧密的技术创新和合作机制，将先进技术内生外化，共同赋能新生态的。

01 数据智能赋能工业生产，助力降本增效

靳玉茹 ：大家好，我来自联想研究院。联想研究院专注于未来3—5年的核心科技研发，致力于推动IT、计算机领域和智能设备和服务的技术发展。

今天为大家带来两个案例，第一个是供应链端的飞鹰项目。供需矛盾是普遍存在供应链中的问题，如需求的预测、物料优先投产的选择……飞鹰项目将人工智能的核心算法与供应链多年数字化转型的经验积累相结合，实现了从需求到供应、从订单到交付两条业务主线“端到端智能化”升级。飞鹰项目已在联想内部落地，已实现上亿美元的销售额提升、客户订单交期准确度提升2个百分点、物料供应计划准确度提升16个百分点的成绩。

下面分享一下人工智能赋能产业线检测的案例。一个笔记本部件，以往需要通过三个以上经验丰富的工人分区域进行检查，才能将一些细小的缺陷检测出来。人工容易出现疲劳、主观判断不稳定等问题，严重影响整体检测质量。此外采用机器视觉智能方案又将面临两点问题：产品缺陷复杂多样、正样本多、负样本难求、样本的数据非常不平衡，以及产线的环境复杂多变。

我们的在线智能检测方案采用领先的算法以及高可靠的视觉系统，并结合边缘人工智能技术，已经在我们的产线上线并稳定作业一年多，从性能来看接近了零漏检，检测的精度也高于了95%，很好的保证了产品质量，提升了效率，并且极大地节约了成本。

王晟 ：联想数据智能集团（DIBG）致力于通过平台级数据智能软件产品、核心平台规划建设运营、数字化原生应用系统建设三个维度发力，成为中国数据智能市场一线的产品和解决方案服务提供商，助力中国实体经济实现智能化转型升级。

今天我给大家带来的案例是联想的“工业物联网”在生产制造中的应用。去年联保工厂80%的订单是定制化小件，整个生产制造过程是定制化、大批量生产，很难通过传统工业的自动化改造、增加人力等方式来满足。

对此我们引入网络化、智能化、数字化手段对产线进行改造，物联网是其中一个方向。以自动化程度较高的SMT贴片产线为例，通过物联网实现了从所有的SMT贴片设备提取数据，再定位缺料机器，最终把数据汇总到统一的平台。原本四五个人才能巡视一个生产工区，现在通过终端，仅需一人就可以管理整个工区多条产线。

产线中的其它自动化设备也实现了数据采集，并通过模型的组合形成整个工厂的数字孪生模型，从而进行全局性的管理。原本是人跟着产线走，现在通过模拟数据融入人工智能技术对整个产线进行在线优化，甚至可以实现产线重构，通过物联网结合人工智能提升生产制造的效率，并为探索更多智能化应用留下空间。

罗旭：刚才两位联想的同事已经分享了他们的案例，下面听听我们两位成员企业合作伙伴的案例。有请杉数科技智能制造业务总监黄翔、天泽智云技术研发副总裁金超进行分享。

黄翔：杉数科技是一家专注于数据驱动进行人工智能决策的科技公司，我们自主研发的运筹优化的求解器，是目前在国内华人领域中唯一可以商用的求解器，这一利器为解决大规模复杂问题带来了突破。

刚才靳总和王总分享的两个案例都是我们电子行业的标杆案例。现在电子行业的复杂度远超我们的想象，背后是成千上万的决策，以及供应链计划、整体检测方案、物联网集成的人工技术方案等。刚才所说的供应链多工厂协同的生产问题，就是典型的应用场景。现在我们的客户面对的不是单工厂的场景，更需要把前端、后端以及末端当中的销售计划、生产计划、物流计划、产能、物料供应多方面联动起来，这其实是上亿级别的决策问题。

杉数提供的多工厂协同生产计划解决方案，很好地填补了企业在这方面的空白，最终帮助企业成功落地，实现人工干预比例明显下降的目标，每年帮助企业减少上千万美金的供应链成本。

金超：天泽智云以“工业智能实践者”定位自己，最重要的核心理念，是“worry-free industry”，让工业无忧。我认为做工业智能落地，场景选择非常重要。那么刚刚几位聊到的场景，有两个共性特点：其一是变量多，数据量庞大，几乎不可能凭借人力决策完成。其二是高度不确定性，需要依赖人的思维能力。

在国家的“双碳”目标下，我们关注到节能减排成为高能耗的企业的刚需。除了帮助企业提质增效，也将客户企业的设备健康状态与能耗状态相匹配，从而帮企业去降低能耗。

举个例子，我们在跟山东一家民营钢厂合作中，为其搭建了一个煤气管网平衡系统。高炉煤气往往会作为燃料投放给下游的用户，而上游钢厂不知道各个煤气用户的需求量，传统做法是通过电话确认，动力调度部门去调节整体用气的情况，从而保证整个管网的压力的稳定。

在天泽智云的案例中，用预测性建模技术预测高炉产气量、各个用气单位的预期用气量，然后做供需匹配。现实中还要考虑设备健康的情况，为设备做机理和数据融合建模，从而预测设备可能的故障时间节点以及可能会出现的故障模式，以此来实现管网平衡。

案例中的钢厂原本将放散降低到了5%左右，后来又通过我们的技术降低到0.5%，实现了量级的提升。此外还为其钢厂的生产保驾护航，客户因此一年最终提升的经济效益约2300万。

02 深入行业机理 寻找全局解决方案

罗旭：新技术赋能智能制造的过程，一定也遇到了很多挑战，请二位分享一下你们遇到的挑战，以及如何解决了这些问题。

金超：从技术层面来说，我认为数据本身是数据智能落地工业场景面临的最大挑战之一，这里面可能包含几个层面：首先，是数据本身的质量问题。其二，很难获得完整训练工况的数据，如风电行业，设备会受到季节性环境等的因素影响。其三，工业变量都是有明确的物理含义的，跟其他行业依靠庞大的数据量去弥补数据质量问题的场景并不一样。

前面提到的小样本问题，也影响了风电行业的数据模型落地。面对这样的情况，我们采用的思路非常简单：先验知识。先验知识在工业领域通常被叫机理，或者叫专家知识。天泽智云采用了一套建模的路径，我们称之为机理和数据驱动技术融合的建模方式。

举个例子，做叶片数据的采集，涉及声学信号、振动、应变等信号。拿业主的风机做数据采集并不现实，我们不知道存在哪些故障模式，只能做异常检测。但通过跟行业专家的交流，我们可以定义叶片的常见故障模式，如前缘腐蚀、雷击、结冰等，再根据用户的痛点、故障的模态反推需要的数据和模型。在建模的过程中也采用了深度学习，在边缘端做条件采集的触发，或者是作为特征增强的辅助手段。通过这一过程，将数据处理与建模分析跟机理和领域知识相配合，从而实现完整的故障预警能力。

罗旭：多谢金总。天泽智云在数据采集中面对很大挑战，因为需要行业机理才能够产生有效数据。下面请杉数的黄总分享，杉数是计算最优解的企业，这个过程中遇到过什么样的挑战？

黄翔：杉数遇到的问题，是“脱离局部优化，走向全局优化”的挑战。举个例子，前段时间杉数为一家传统制造企业服务的过程中，总经理提了一个问题：现在我生产什么样的产品，在这个市场上投放，才真正赚钱？

为什么一个总经理没有办法回答这个问题？因为传统企业的软件所使用的数据是具有实质性的数据。其次在传统架构下，所有的问题都被进行了切片；每个部门都做到了局部最优，但却没有做到全局最优。

要完整看待一个问题，寻找全局的解决方案。这就需要对这个行业的know-how有深入理解。我们通过实际整体的制造业供应链解决方案，帮他回答了一个实际问题：在有一个急单插单的情况下，应该如何去选取最优的利益模式去进行生产。得到量化决策的依据后，杉数求解器凭借强大的计算能力，帮助客户在不借助复杂报表的情况下，秒级给到客户准确回答。局部优化的环节串成了一条完整的供应链，帮助企业实现端到端整体供应链的价值提升。这背后不仅是全局优化带来的效果，也通过行业知识的know-how去回答了企业关心的问题。

03 科技创新“内生外化” 赋能联想成员企业

罗旭：刚才两位成员企业伙伴介绍了他们遇到的问题及解决方案，也请两位联想的同事介绍在为企业服务过程中会遇到什么样的挑战，以及我们是怎么解决的？

王晟：就数据智能而言，刚才其实黄总和金总都提到一个重要的词：行业知识。工业领域的数据往往跟消费领域有很大的不同，它不再基于我们日常的知识，而是基于特定行业领域的垂直知识，这是一个很大的挑战。

分享一个我们与中石化的合作案例，石油管线泄漏，焊接质量的原因最为常见。我们开发了一个石油焊机焊接的质量管理系统，该系统由几个部分组成：第一个部分是连接的焊机上的数据采集盒子，在焊接过程中采集电流电压、焊口预热温度和层间温度；第二个部分是物联网中台，把不同地点发回来的数据汇总处理；第三部分是结合行业工艺、专业知识、智能算法形成智能化应用。我们甚至可以把地理位置、工人信息之类的数据汇总，实现对管线整体焊接质量的管理；通过这些数据，可以持续提升焊接过程的质量，以及最后整体的施工效果。

在过程中还发现在工地上还有另外一个需求：机器视觉。我们希望把视觉的数据和这些焊接过程工艺的数据结合起来，去综合判定，焊接的管线是否存在质量问题。研究院的同事在机器视觉方面做了很多工作，所以也想把话筒转给我同事。

靳玉茹：我从另外的角度来介绍一下：如何形成可持续的方案，让我们的技术为更多伙伴赋能。这里还是以联想的机器视觉方案举例，我们遇到的难题是方案怎样进行复制以及怎样大规模化。

首先还是以面向产线的实际场景，形成平台化的可扩展的架构和方案。信息世界里面包含数据的采集、模型的生成、模型的部署、前后台的数据管理、如质量的预测等等所有的应用层，把它总体形成了一个扩展的架构和方案。

首先是在联想内部赋能制造产线。针对前面提到生产线的异常、缺陷、样本稀缺等问题，已经在应用这套可扩展架构方案，覆盖整个产线流水线，包括备料、装配、测试、包装。然后不断将方案在内部实践，也同时“外化”赋能联想的生态伙伴。比如屏幕缺陷检测方案，已经成功应用在显示器大厂，为显示器厂带来了很好的收益。其中既包括产品质量持续的稳定提升，也包括人员检测的成本的下降。方案已经为其他的显示器生产商带来了示范效应，带来了更多的合作。目前的影响力度以及和生态伙伴的合作，为我们的技术方案带来了更多的落地空间，在此也期待和更多的伙伴共同携手，实现共赢。