將夢想變為現實是科技的魅力所在，而科技所創造的現實價值，也許連科幻電影都不曾預料到。如今，人工智能已經融入社會生活的方方面面，從“刷臉”支付、語音助手等日常應用，到疫情期間發揮重要作用的智能測溫系統、智能消毒機器人，都為人們提供著更加便捷和人性化的服務。

與此同時，人工智能也從消費領域拓展到制造業、基礎設施、能源、交通、醫療等關系國計民生的關鍵領域，逐步實現規�；�落地。

“人工智能與工業場景融合將釋放出巨大潛能。我們應當關注人工智能在不同工業領域的創新和應用，以提升現有系統性能，并助力數字化轉型達到新高度�！� 西門子大中華區總裁兼1執行官赫爾曼（Lothar Herrmann）表示，“憑借在工業領域 170 多年的豐富經驗和專業知識，遍布世界的專家資源，以及先進的人工智能技術，西門子為客戶提供安全可信、更懂工業的人工智能解決方案�！�

在現代化的汽車生產車間里，數字化和智能化技術為突破傳統制造工藝中的難點打開了全新思路。

以沖壓工藝為例，振動直接反映著加工過程中的設備健康狀況，是設備安全評估的一項核心指標。然而，振動分析極為復雜，產線上多種設備和眾多組件之間的振動相互影響、疊加，形成一場大型“復合”振動，只有經驗豐富的領域專家才能“讀懂”這些動態交錯的信號。但專家無法全天候實時監測，尤其在伺服壓機應用場景中，速度、位移、壓力等都在不斷變化，單憑人力更難以捕捉復雜的加工過程。當人力不可為，人工智能介入是必然選擇。

來自西門子數字化工業集團客戶服務部門和西門子中國研究院的專家團隊，將專家經驗與人工智能相結合，實現了基于振動分析的預測性維護。北京奔馳汽車有限公司（北京奔馳）與西門子合作，為其沖壓車間（一期）生產線上的關鍵設備加裝了 70 多個傳感器，每個傳感器每秒可采集 20000 多個數據點。如此龐大的數據量上傳至云端，進行基于機器學習技術的云端大數據分析。 “聰明”的人工智能系統因此成為了專家智慧的延伸，能夠實時掌握設備狀態，并預測未來一段時間內出現故障的可能性。

“成功部署后，系統在一天深夜捕捉到車間某處電機異常振動，即時通知客戶，避免了非計劃性停機，保證了產線的正常運行�！蔽鏖T子中國研究院高級研究員周林飛說，“未雨綢繆，這讓大家切實感受到了工業人工智能的價值所在�！�

在石油化工、有色冶金、鋼鐵等過程工業領域，生產連續性至關重要。由于設備故障而導致的短暫非計劃性停機就可能給企業造成上百萬的經濟損失，甚至引發火災、爆炸等嚴重安全事故。

在中國石化青島煉油化工有限責任公司（青島煉化）的智能工廠里，西門子預測性維護系統 SiePA 為客戶建立起從智能預警到高級診斷的閉環機制，幫助客戶有效控制風險，保證生產的可靠性和安全性。這一過程既運用了對傳感器量化數據的機器學習與深度分析，也結合了基于知識圖譜的自然語言處理技術，堪稱工業界的“中西醫結合”。

SiePA 系統是工廠中的 “1大腦” 。它基于智能運算為工作人員及時提供設備故障預警，并根據簡要描述迅速匹配相關歷史案例，進而推薦行之有效的維護方案。通過便捷的交互式操作，工作人員還可以將當前的處理過程與結果反饋給系統，形成機器學習模型的閉環優化，實現知識經驗的固化與傳承。

除了設備本身之外，SiePA 系統還可以結合生產環境和相關工藝數據，智能挖掘潛在的異常生產過程，為整個工廠的運行狀態提供預測性分析。這將有助于確保生產的穩定性，對于制藥、食品飲料、精細化工等生產批次化明顯的行業具有重要意義。

*SiePA 入圍 2020 世界人工智能大會卓越人工智能1者（SAIL獎）TOP 30 榜單。

從城市上空俯瞰，人們會發現一排排的藍色屋頂。它們是把太陽能直接轉化為電能的光伏組件。制造企業采用屋頂分布式光伏發電方式，不但能緩解當地供電高峰時間段的電網壓力，同時還環保節能，為自身節省大量工業電費支出。

屋頂光伏使用壽命周期為 25 年左右，有效的運維管理是光伏電站長期穩定運行的根本保障。然而，定期進行全面巡檢與清洗需要投入大量的人力物力，且難以及時、準確地發現異常。如何讓長期的運維工作降本增效，是管理者關心的問題。

對此，來自西門子智能基礎設施集團解決方案與服務業務部門、MindSphere 數字化應用中心的專家團隊，運用人工智能和物聯網技術開發出組件級別的監控與診斷解決方案，實現了貫穿光伏電站全生命周期的智能化運維管理。在西門子 DSDE 數字化光伏診斷平臺的界面上，組件異常、衰減情況、清洗建議以及電站整體狀態等信息要素皆一目了然，幫助運維人員精準定位問題 、優化策略。

隨著人工智能在工業領域的滲透，出現了許多在消費領域所不曾遇到的挑戰。當下，西門子人工智能研發團隊正致力于開展一系列創新實踐，推動前沿技術的成果轉化。

“我們希望提供用得起、用得好的工業人工智能解決方案，將工業數據的巨大隱藏價值變得可見且可得�！蔽鏖T子中國研究院大數據分析研發部總監田鵬偉說道。

一方面，工業領域普遍故障樣本少，數據打標依賴行業專家，成本高昂。西門子研發團隊將神經網絡和傳統貝葉斯方法相結合，盡可能把工業領域的先驗知識融入模型，減少對樣本數據量的依賴，開展基于小樣本數據的有效學習。與此同時，團隊還通過主動學習技術來降低數據打標的成本，先基于算法篩選出有用的未標記樣本，再交由專家進行標記，只需要和專家進行少量交互即可高效完成模型訓練。

另一方面，工業人工智能的巨大潛力與高應用門檻似乎是一對無法解決的矛盾。西門子研發團隊前瞻性地探索基于元學習等技術的自動機器學習應用，讓系統根據當前數據集的特征幫助使用者快速選擇算法模型和參數配置，降低專業性要求，這將大力助推人工智能在工業中的普及。

美國辛辛那提大學工業人工智能中心主任、《工業人工智能》作者李杰教授表示：“人工智能在工業領域的真正價值是替人找到工業系統中不可見世界的參數的關系與變化，預測并有效避免問題的發生 。當工業人工智能滲透愈發深入，當它的潛力在工業智能化進程中被充分釋放時，整個工業應該是 ‘無憂’ 的�！�

作為工業人工智能的理想賦能者，西門子正在加速這一天的到來，讓企業不再為運維成本、生產瓶頸以及未來隱患而擔憂，讓工業變得更具智慧、更加安全。