“在職”優化

如果將學習算法應用到各種異常復雜的系統中，它們幾乎可以全部變成維護需求低、產量更高的系統。例如，高級醫療設備、配電系統、燃氣輪機和風電場等。

好萊塢喜歡拍一些智能機器人的電影。只要想想商業大片《變形金剛》中那些無需人工控制的自動機器，就會對此了然于心。但現實卻是另外一回事。大部分觀眾可能并不了解研究人員已經取得了巨大進展，現在研發出的機器已具備學習能力，并能夠獨立行動，當然，它們都是為了造福人類而開發的。

位于新澤西普林斯頓的西門子美國研究院（CT）正在開展這類研發工作。該院知識決策系統項目經理Amit Chakraborty帶領的一支團隊，正在為電力公司開發一種新軟件。該軟件通過分析上百萬個數據記錄，掌握人們的用電習慣。后，系統就可以獨立預測用電需求。未來“智能電網”的主要目標就是平衡用電和不斷波動的電力供應，例如來自太陽能電站以及風電場的電力之間的關系。“可持續發展的能源系統可調節用電負荷，以適應產量不斷波動的可再生能源發電，”Chakraborty說，“因此，我們必須開發讓電力公司做出準確計劃的方法。”

2011年底之前，Amit Chakraborty的團隊將在試點項目中用真實的用電數據對新的軟件進行測試。首先要對消費者的用電數據進行研究。為此，他們將會從數百萬使用智能電表的消費者中收集相關數據。收集的數據會包括以下信息：用電量及用電時段。西門子的研究人員將會把從試點項目得出的結論和氣象數據以及特殊事件（例如棒球決賽）信息結合起來。他們將使用這些原始數據為軟件開發訓練數據。然后，軟件的算法將會精確地預測出短期用電負荷。

負荷預測并不是一項新發明。大家都知道，假期時數以百萬的火雞被放入微波爐時所造成的峰值負荷。但是這種粗糙的預測還不能滿足可持續發展能源體系的要求。在美國，電力公司在管理負荷方面多年來一直依賴于市場規律。如果供電量增加，用電成本會下降。相反，電力供應緊張時，消費者就會減少用電量，否則就要多花錢。但是這種“需求響應”并不總能有效地發揮作用。如果消費者的行為和預期的不一致，電力公司就必須馬上生產或購買更多的電能。這種規律常常失效，并會產生更多的溫室氣體。“為避免這一情況，我們必須能夠預測消費者在任何特定時刻的行為，”Chakraborty指出。

機器學習可以幫助降低擴建電網的成本。例如，Michael Metzger博士正在為西門子在慕尼黑開展的一個高級“智能電網”項目研究電網自動化。他和西門子中央研究院的其他專家一道開發出了一種學習算法，可以使用傳感器測得的數據來計算電網的結構。“幾十年以前埋下的供電電纜有多少，位置在哪里，現在一般基本找不到這種資料了，”他說。為了獲得這種有關電網隱藏部分的基本信息，在電纜網絡內安置了傳感器。傳感器可以提供某個位置的電流和電壓數據。有了這種信息，就可能推斷出電網結構。“電網運營商掌握這種信息后，就可以知道網絡內有多少電力及其分布情況，” Metzger說到。西門子正在德國南部肯普滕市Allgäuer überlandwerke電力公司的部分電網中檢驗該估算方法。

查明故障信號。在服務行業，機器學習將會帶來革命性的變化。西門子研究人員如今已不再滿足于發現醫療診斷系統等昂貴設備出現故障后再去解決，而是要往前跨一大步。西門子美國研究院的Fabian Mörchen博士正在研發知識決策系統領域的學習系統，他說：“我們開發的程序可以有效預測核磁共振成像設備或核醫學系統什么時候會發生故障。”這種方法的原理是，很多機器在發生故障前會發出預兆。Mörchen說：“關鍵是找到這種信號，并讓它們可被察覺到。”這種信號包括電流、電壓、噪聲、震動、氣壓以及溫度等的變化。

機器自帶的傳感器可以檢測出自身的異常情況。在了解如何判斷機器是否正常運轉后，研究人員和其學習系統使用數據挖掘技術找出異常模式。一旦將一系列模式和某個故障聯系起來，Mörchen團隊就可以開發出相關算法，來訓練計算機程序。這樣，程序在處理之前沒有見過的數據時也能夠識別出這些模式。比如，MRI掃描器的低溫氦泄露時，溫度和壓力只是發生了微乎其微的變化。得益于早期預警算法，西門子醫療的技術人員才盯住了這個問題，在機器出現故障前就修復了制冷系統。如今，在這種軟件的幫助下，西門子服務團隊不僅僅監視著3,500臺MRI掃描儀，還可以進行預防性維護。這一戰略使過去三年間的維修成本降低了580萬美元。

西門子美國研究院的研究員Ciprian Raileanu領導開展的一個項目，是這類研究項目的之一。開發的成果被用來監控橋梁。當時，美國交通部正想優化全國境內大約650,000座橋梁的維修工作。Raileanu團隊和普林斯頓附近的羅格斯大學及其高級基礎設施和交通研究中心聯合開發了一種解決方案。

自主學習提高了風電場的發電量，相當于增加了一臺風電機組。

Raileanu說：“根據橋梁傳感器資料、檢測報告、氣象資料、橋梁基建圖等歷史數據和來自警方的事故記錄、照片等，系統能夠獨立判斷橋梁的狀態。”他還補充道：“我們還從這些紛雜的數據中找到了模式。”在這些模式的基礎上，相關算法可了解由于某些因素共同作用可能會導致怎樣的后果。例如，如果某座橋梁于1976年建在強降雨地區，并使用了梁鐵，那么，30年后橋墩很有可能就會出現裂縫。美國交通部自2008年以來就一直在使用這種橋梁監視程序。

英國和俄羅斯的鐵路公司用于監視其列車車隊的全新系統也以該程序為藍本。這種學習軟件使用的數據一部分來自火車各種子系統上的傳感器，比如監視剎車和車門的傳感器，另一部分則來自列車時刻表和故障報告。這種被稱為列車遠程服務桌面（RRSD）的系統綜合所有數據，計算出某個時刻每輛列車的位置，判斷是否需要對其進行維護等。目前，RRSD正在監視175輛列車——西門子不僅提供軟件，還提供自動化部件。

使用神經網絡，學習系統可以預測輪機的運行標準及其排放量（如需了解更多信息，請參閱第54頁）。

駕馭復雜數據。學習軟件的另一個主要應用領域是燃氣輪機——在這方面，學習軟件的基礎主要是神經網絡。這種系統能在數秒之間作出關于排放量和輪機運轉情況的預測。輪機受無數因素之間復雜關系的影響，研究人員一般只能通過統計手段去評估，因為很多值都只能粗略地估算出來。傳統的數學公式需要精確的數字，因此在這種研究中不是很實用。但想要使輪機達到長的使用壽命，實現的運轉狀態，同時將其排放量降到低，就必須精確地估算并預測數千種設置的影響。

為此，位于慕尼黑的西門子智能系統與控制技術領域（GTF）部門的Volkmar Sterzing及其CT團隊開發了一種可以實現以上功能的新方法。使用所謂的遞歸神經網絡，研究人員可以描繪燃氣輪機的整個運轉過程，并準確預測其產出。Sterzing解釋說：“過去，我們只能了解到這些過程在某一時刻的狀態。而現在，使用這個新方法，我們可以掌握在這個特定時刻之前及之后的運行情況。”Sterzing表示，利用這種方法，研究人員不僅可以查明過去發生了什么，還可以預見未來會發生什么。這種動態的描繪可以確認其中的變化，充分利用有利的變化，同時弱化可能產生負面影響的變化，并相應地調整維保計劃。

未來，個人能源代理將使用裝有學習軟件的專業電表箱（左圖）來操作顧客和電力公司之間的電力交易。

CT研究人員已經將他們從燃氣輪機中學到的知識應用在相關領域內，例如優化風電機組及整個風電場。作為熱心航海比賽船員的一份子，Sterzing知道在比賽中每時每刻都需要關注波浪、風速和對手的船只，這樣才能決定駕馭船只的方式。否則，如果無法預測未來的變化，就不能規劃合適的路線。在這種辦法的啟發下，他為風電機組發明了一種軟件系統，這種系統的基礎是能夠測量大約十種因素的傳感器，包括風速、亂流度、溫度和氣壓。算法將這些數據和風電場發電量聯系起來，這樣軟件就能夠從數以千計的關系中學習并學會如何在新情況下應用已有的知識。

西門子研究人員現在正在測試該系統。

隨著對不同情況的學習，系統越來越擅長獨立預測，知道哪種情況下，旋轉葉片的入射角或發電機速度快慢的改變，使得風電機組能夠從風中獲得大的產出。這種方法可以將風電機組的產出提高0.5個百分點。聽起來似乎不多，但是對一個大型風電場而言就是很顯著的效果。在過去的六個月里，瑞典Lillgrund風電場進行的實驗已經表明，正是得益于從自己的行為中獨立學習的能力，即所謂的自主學習，風電場提高了發電量，這相當于額外添加了一臺風電機組所生產的電量。

從聲音中學習——高效節能

將電弧爐中的鐵塊熔煉成鋼板會產生大量噪聲。重量各異的鐵塊，有的甚至像汽車那么大，在三個強大的電弧下熔化時來回滑動。雖然電弧的溫度高達一萬攝氏度，有時也不能將熔化的鐵塊焊接起來，而將能量消耗到爐壁上。熔爐產生的噪聲震耳欲聾。三相交流電電極的電弧產生大約120分貝的噪聲，比噴氣式飛機的噪聲都大。Detlef Rieger是慕尼黑西門子中央研究院的非破壞性試驗技術領域（GTF）部門的項目經理，Thomas Matschullat就職于愛爾蘭根的冶金技術部門。正是這樣巨大的噪聲使兩位科學家不得不認真思考這一問題。兩人想知道該如何監視和控制熔煉過程，以減少能源的浪費。

他們在熔爐外壁掛上傳感器，這樣就可以測出熔爐內部產生的聲波。除此之外，他們還持續不斷地監視電極產生的電流。Rieger說：“把電極數據和聲波測量結果結合起來。我們的算法可以計算出電弧和爐壁之間產生的是哪種聲音振蕩。通過這個信息，我們可以推斷出熔爐內部每時每刻的情況。”在熔化的初階段，系統已經掌握足夠的信息可以確定熔爐內部各個鐵塊的位置，從而判斷出單個電極的輸出是增加還是減少。在熔煉的第二階段，確保鐵塊中碎屑異物形成的礦渣盡可能均勻地分布在熔化的金屬表層，這很關鍵。為此，將煤灰吹入熔爐中，在礦渣上形成一層一氧化碳泡沫。這一層泡沫保護了電弧和熔化的金屬，避免爐壁的溫度過高。這樣就減少了能源消耗。軟件不斷地通過解讀聲波數據來測量含有泡沫的礦渣是否足夠厚，分布是否均勻，因此該過程被命名為“IMELT Foaming Slag Manager（IMELT泡沫煤渣管理器）。”德國的兩家煉鋼廠和白俄羅斯的一家煉鋼廠都在使用這個系統，并成功地將能耗降低了2.3%。Rieger說：“例如，按照100噸鋼材的成本計算，差不多相當于每小時節省了920 度電。”而且，煉鋼廠每年的煤炭消耗量降低了25%，二氧化碳排放量減少了12,000噸。