前言
工業網際網路平臺普遍面臨的問題是：
1、在資料完成採集和展示之後，資料如何分析、如何挖掘、如何建模、如何將資料價值變現？
2、不同行業的技術原理、行業知識、基礎工藝都不一樣，如何建設跨行業跨領域的工業網際網路平臺？
泛在感知中臺是跨行業跨領域的大資料處理中臺，可以幫助企業提升平臺能力，為企業提供豐富的多行業場景和應用模型，豐富的演算法支援企業專案落地。
建設背景（1）-工業網際網路
作為國家新基建之一的工業網際網路，能夠幫助製造業實現數字化、網路化和智慧化轉型。工業網際網路平臺的核心是將工業技術原理、行業知識和基礎工藝，規則化、軟體化和模型化。泛在感知中臺聚焦於將工業知識和專家經驗模型化這個核心點。
建設背景（2）-智慧製造
《中國製造2025》明確提出把智慧製造工程作為五項重點工程之一，要求大力推進製造過程智慧化，在重點領域試點智慧工廠及數字化車間。智慧工廠具有數字化、自動化、整合化、視覺化、模型化和智慧化的六化特徵。泛在感知中臺聚焦於智慧工廠的模型化和智慧化。
建設背景（3）-企業數字化轉型的面臨的問題
當前企業數字化轉型過程中面臨的問題在於，雖然知道工業資料是非常有價值的，但資料的真實價值尚未得到挖掘，導致資料資產都變成了資料負債。比如：企業採購了大量的裝置去採集和儲存資料，但卻無法對資料有效利用。
建設目標
以人工智慧和大資料技術為驅動，以泛在感知中臺建設為抓手，以“多維資料匯聚”、“超感模型”、“大資料分析”為目標 ，實現對企業生產經營資料的挖掘，從而降低生產成本，提高經濟效益，助力工業企業實現數字化、網路化和智慧化轉型。具體包括：
總體架構
採用工業網際網路平臺典型的四層架構：邊緣層支援工控系統和應用系統資料採集，IaaS層支援公有云和私有云部署，PaaS層支援資料接入、計算、儲存和服務，SaaS層包括泛在感知、超感模型、資料分析等應用。
典型場景 1-化工
需要定時抽樣檢測樣品質量，無法對連續生產的產品進行有效監督的場景。透過泛在感知中臺可以線上感知產品質量變化，及時參與中間控制，增加優級品率，提高公司效益。
典型場景 2-煤礦
需要複雜手段檢測，檢測過程複雜或成本較高場景。一般這種場景環境惡劣複雜，儀器裝置成本高且準確率無法保證，備品備件及維護成本高昂。透過泛在感知中臺可以不依賴於檢測環境，增加檢測準確率，降低檢測成本,進而實現質量卡邊控制。尤其在一些粗獷行業，對公司的效益會產生革命性的提升。
典型場景 3-環保
三廢處理裝置中，存在多個重要且難測的過程變數，制約了環保裝置的控制策略的調整與最佳化。比如：煙氣脫硝裝置中，煙氣線上監測系統存在煙氣中氮氧化物分析滯後的問題，對噴氨控制帶來了較大的影響。透過泛在感知中臺，可實現煙氣中氮氧化物濃度的實時計算，一方面降低了煙氣出口Nox排放濃度的波動，另一方減少了噴氨量，降低了脫硝成本。
典型場景 4-智慧樓宇
我國建築能耗佔所有總能耗的 30%以上，其中高達 40%是空調能耗。大多數中央空調使用的是反饋系統，但由於其本身存在大慣性、大滯後特性，導致中央空調的供冷量往往過餘，造成能耗浪費。透過泛在感知中臺，對未來3天的樓宇的冷負荷以及供回水溫差進行逐時預測，進而提前對冷凍水系統進行溫差控制，實現按需供冷，最終降低樓宇的能耗，使樓宇更智慧。
典型場景 5-綜合能源
可應用於綜合能源的大資料分析，具體應用場景包括：風電、光伏、供熱、儲能等（供能側），工廠能源、建築能源、充電站等（用能側），配網線路斷線診斷、供熱管網等（管網側）。泛在感知中臺對這些場景的關鍵指標的預測分析。
典型場景 6-裝置故障預測
建立裝置關鍵引數的預測模型，將模型預測結果與實際值進行對比分析，如果兩者差別不大，代表裝置執行正常。如果兩者之間的差值大於某個閾值，則表明裝置可能發生了故障，由系統自動進行預警提醒，進而實現預知性維修，保障裝置和生產安全。
典型場景 7-技術經濟指標預測
生產裝置的技術經濟指標，比如：綜合能耗、水蒸汽單耗、電單耗、迴圈水單耗等，通常只能按照班次統計或者日/月統計，不利於實時控制和最佳化。透過泛在感知中臺，建立工藝引數與技經指標的數學模型，實現對技經指標的實時預測估計，進而指導生產操作，提升技經指標，提高經濟效益
典型場景 8-生產過程動態模擬
透過泛在感知中臺建立關鍵指標的預測模型，手動將該模型的某些輸入引數動態調整，觀察模型的輸出引數的變化情況。比如：對於連續重整裝置，建立產品收率預測模型，將原料芳潛從小到大進行調整，可發現汽油收率呈現出上升趨勢。
典型場景 9-生產過程的推演
當產品質量出現問題或者生產指標出現異常時，可利用泛在感知中臺，匯入歷史資料，對當時的生產過程進行推演或者覆盤，幫助生產技術人員分析質量異常或者生產事故的原因。
典型場景 10-複雜機理模型的迴歸
對於複雜的機理模型，往往透過Matlab或者Fortran編寫複雜的計算程式，大多數只能進行離線計算，而且需要較長的計算時間。泛在感知中臺只需要對歷史計算資料進行學習，即可對模型的輸入和輸出進行準確迴歸，進而能夠對未知的原料或者工況進行計算，具備了較好的外延性，實現對複雜機理模型的離線或者線上計算，且計算速度快，比如：對FCC六集總模型、加熱爐熱效率、腐蝕風險評估等。
典型場景 11-輕量級的雙跨工業網際網路平臺
跨行業跨領域的工業網際網路平臺：對於中小微企業，泛在感知中臺支援平臺的快速部署。對於集團企業，泛在感知中臺支援跨行業跨領域的工業網際網路平臺部署，對管理者提供集團級的監管平臺。
總體技術路線
採集DCS、SCADA、PLC以及應用系統的資料，透過資料預處理、特徵工程、構建模型、模型評估和模型部署五個步驟，完成超感模型的建立，實現對產品質量以及關鍵指標的超級感知，進而精準地指導生產控制。
總體技術路線-1 資料預處理
將採集的歷史資料進行資料預處理，利用資料清洗相關演算法進行資料的異常值處理、資料融合和標準化，其中將用到資料清洗、整定、對齊和標準化等技術。
總體技術路線-2 特徵工程-相關性分析（1）
對經過預處理和標準化的資料進行相關性分析，按照在兩個相關性較強的變數之中選擇其中的一個變數作為特徵變數的原則，結合專家經驗輔助，實現特徵變數的初選。
總體技術路線-2 特徵工程-主成分分析（2）
利用主成分演算法抽取特徵變數，比如前4個主成分累計方差貢獻大於85%，則確定為4個主成分。每一個主成分是其它個指標的線性組合，而不是具體某一指標。
總體技術路線-2 特徵工程-因果鏈路分析（3）
採集裝置包括工藝、質量、裝置、原料等資料在內的全量的歷史資料，對資料進行整定、濾波、標準化等預處理，然後使用傳遞熵演算法，計算出與模型輸出變數相關的變數的傳遞熵，並基於傳遞熵的計算結果，繪製模型輸出變數的因果鏈路圖。然後從根原因中結合專家經驗，對特徵變數進行篩選。
總體技術路線-3 模型構建
以化工行業建模為例：採集汽提塔頂溫度、汽提塔迴流流量、再沸器支路流量和汽提塔底溫度等資料，以汽提塔頂溫度等工藝資料為輸入，以液化氣中丙烷含量等為輸出，建立機器學習模型。使用歷史資料中的訓練集部分對模型進行訓練，並結合遺傳演算法，對模型的權值和閾值等引數進行最佳化，從而完成模型構建過程。
總體技術路線-4 模型評估
模型構建完成之後，使用歷史資料中的測試集部分，對模型進行效果評估。評估方法可選擇預測準確度、相對誤差、均方根誤差和均方根對數誤差，對模型進行評估。如果模型誤差滿足業務需求，即可進行模型部署，否則需要重新構建模型。
總體技術路線-5 模型部署
當模型的準確度符合業務要求，即可進行模型部署。模型部署後，接入線上資料，進行流式計算，即可實現對產品質量等指標的線上計算和展示。
化工行業應用效果分析
化工行業是典型的連續生產，但是由於產品需要實驗室檢測，對產品質量把控的時間週期比較長，一般一天只能分析2-3個樣品，中間的質量情況完全不可控。透過模型可實現每分鐘一個結果，實時指導現場的工藝操作，對於一個100萬噸/年的生產裝置，優等品率預計提高10%，預計每年可為現場增加產值1000萬以上。
煤炭行業應用效果
在精煤檢測階段，目前現場約1小時分析1次精煤灰分。透過泛在感知中臺，對於1000萬噸/年的選煤廠，預計每年為工廠帶來超過2000萬效益的提升，對整個行業都是顛覆性的進步。
產品特點
產品與智慧工廠的關係
本產品是智慧工廠的高階應用和重要組成部分。在工廠完成資料採集的基礎上，產品能夠幫助企業在大資料分析層面，快速構建智慧工廠，透過五個中臺的建設，使企業具備全面感知、預測預警、協調最佳化、安全受控和科學決策五項能力。泛在感知中臺是五大中臺的第一個產品。
泛在感知中臺綜合上線時間為20個工作日，包括前期調研、資料清洗、開發、聯調、上線使用。