借助人工智能（AI）技術(shù)，工程師們可以增強專業(yè)領(lǐng)域知識，并顯著縮短交付用戶的時間。

在人工智能（AI）成功應(yīng)用于制造業(yè)或過程工業(yè)之后，工程師們希望在產(chǎn)品開發(fā)中獲得類似的收益。開發(fā)團(tuán)隊想弄清楚在工程實施過程中，是否可以利用機器學(xué)習(xí)（ML）方法，以便在極端運營條件下，更快地理解和預(yù)測復(fù)雜的產(chǎn)品行為。

利用無代碼環(huán)境處理測試數(shù)據(jù)，也有助于辨別哪些問題適合用自學(xué)習(xí)模型來解決。也就是說，那些高度非線性的行為很難用物理方程來描述，但可以精確測試。

例如，大多數(shù)流體動力學(xué)問題，不管是流經(jīng)住宅計量表的燃?xì)饣旌衔镞€是其它氣體，都很難用數(shù)值方法解決。調(diào)整計算流體動力學(xué)（CFD）的仿真，直到其精度能滿足決策需求，可能需要數(shù)月的時間，比在設(shè)施的測試臺上進(jìn)行測試要長得多。因此，盡管趨勢是更多地利用CFD，但在產(chǎn)品開發(fā)過程的初期進(jìn)行測試仍然至關(guān)重要。

▲圖1：設(shè)計和優(yōu)化住宅燃?xì)獗砜赡苁且豁棸嘿F且耗時的工作。借助AI技術(shù)，工程師們可以使用數(shù)據(jù)驅(qū)動的方法更快地優(yōu)化用戶的燃?xì)獗怼?/p>

AI可用于早期測試數(shù)據(jù)，以更快地了解影響結(jié)果的因素。通過AI模型預(yù)測尚未完成的測試，甚至可以更快地將儀表校準(zhǔn)到高精度水平。簡而言之，將AI應(yīng)用于產(chǎn)品設(shè)計，工程師可以更好地理解復(fù)雜的系統(tǒng)行為，更快速地做出設(shè)計決策。

盡管利用機器學(xué)習(xí)（ML）測試并在隨后識別系統(tǒng)的工作流程，看起來可能“不務(wù)正業(yè)”，但在產(chǎn)品開發(fā)過程中，它往往可以更早地為適用AI的問題（例如，居民和商業(yè)燃?xì)獗硪约凹淄榕欧疟O(jiān)測工具），提供更準(zhǔn)確的結(jié)果。

01

利用AI加速產(chǎn)品開發(fā)

根據(jù)美國市場調(diào)查與咨詢公司MarketsAndMarkets的數(shù)據(jù)，預(yù)計全球智能電表市場將從2021年的196億美元增長到2026年的302億美元。準(zhǔn)確測量燃?xì)庥昧烤哂兄T多收益，例如用戶可以跟蹤和預(yù)測自己的支出。供應(yīng)商還可以了解其客戶群，并提供更可靠的定制服務(wù)。

▲圖2：此圖上部：用于解決理解透徹的（線性）問題的理想工作流程，通過求解基于物理模型的已知方程，來最小化上市和測試時間。此圖下部：用于難以解決的（非線性）物理問題的理想工作流程，該問題無法利用基于物理的建模方法輕松解決，但可以利用Monolith的自學(xué)習(xí)模型進(jìn)行測試、建模和校準(zhǔn)。

在住宅燃?xì)饬髁坑嬛性黾訅毫?a href="http://www.www27dydycom.cn/tags/溫度傳感器/" target="_blank">溫度傳感器還有一個額外好處：如果一旦檢測到燃?xì)夤芫W(wǎng)超壓，就能夠自動關(guān)閉，從而可以提高用戶的安全性。

隨著能源轉(zhuǎn)型的推進(jìn)，燃?xì)夂蜌錃獾幕旌衔飳⑦M(jìn)入燃?xì)夤芫W(wǎng)，為這些混合物的精確計量帶來了挑戰(zhàn)，特別是對超聲波燃?xì)獗?。這給負(fù)責(zé)進(jìn)行必要測試以找到最佳技術(shù)解決方案的產(chǎn)品開發(fā)團(tuán)隊帶來了嚴(yán)峻的挑戰(zhàn)。

在借助AI技術(shù)之前，通常使用一種傳統(tǒng)、大家都熟悉的開發(fā)過程，對許多不同的產(chǎn)品變量進(jìn)行物理和虛擬測試，以獲得適合生產(chǎn)制造的產(chǎn)品設(shè)計。這個過程往往需要18個月，以確保校準(zhǔn)誤差低于法律規(guī)定的1%。采用了AI之后，這個時間可以減少25%。

02

用于智能儀表的AI技術(shù)

智能儀表可以為工程師提供更多產(chǎn)品見解。這不僅適用于產(chǎn)品開發(fā)過程，還包括質(zhì)量控制以及在現(xiàn)場對智能電網(wǎng)的優(yōu)化。因此，在開發(fā)新產(chǎn)品時，開發(fā)工程師可以也應(yīng)該考慮大量可用數(shù)據(jù)。這需要一套全新的技能，從大數(shù)據(jù)分析到構(gòu)建復(fù)雜動態(tài)系統(tǒng)的高級模型。

意外排放監(jiān)測系統(tǒng)的自動化解決方案，是風(fēng)險較高的復(fù)雜問題的另一個完美案例。由于風(fēng)向和風(fēng)速的隨機性，試圖檢測意外燃?xì)庑孤┗蚬に囃L(fēng)口的位置并對其進(jìn)行量化是一個非常復(fù)雜的問題。

▲圖3：在每個校準(zhǔn)過程開始時，氣量計的精度往往不滿足法規(guī)的要求（左圖）。工程師需要校準(zhǔn)儀表，使其落入紅色邊界內(nèi)（右圖）。利用自學(xué)習(xí)模型它們不僅可以滿足要求，而且與需要大量時間、乏味和重復(fù)的測試活動相比，更快得到期望的結(jié)果。

復(fù)雜系統(tǒng)的物理特性往往無法通過CFD仿真快速甚至完整的表達(dá)出來，試圖理解這些需要大量的物理測試來校準(zhǔn)。在這種情況下，工程師們在產(chǎn)品開發(fā)過程初期就開始構(gòu)建原型，以從現(xiàn)場數(shù)據(jù)中學(xué)習(xí)，現(xiàn)在只需不到一年的時間就可以擁有先進(jìn)的解決方案。在這么短的時間內(nèi)構(gòu)建一個先進(jìn)的復(fù)雜工業(yè)解決方案，將改變過程解決方案行業(yè)的游戲規(guī)則。與啟發(fā)式模型不同，ML解決方案在部署后，仍會繼續(xù)學(xué)習(xí)并不斷改進(jìn)。

決策速度的提高和這種持續(xù)的學(xué)習(xí)能力，有助于證明在智能能源行業(yè)以及其它面臨復(fù)雜工程挑戰(zhàn)的領(lǐng)域內(nèi)，自學(xué)習(xí)工程模型如何成為工程師的標(biāo)準(zhǔn)工具。