起重裝備數字化關鍵技術綜述*

劉武勝 段 勇 劉 浩

北京起重運輸機械設計研究院有限公司 北京 100007

1 背景

在近期的一項研究中，87%的受訪者認為他們的行業和業務將受到數字化的顛覆。調研結果表明：數字化領先的組織在營收增長和整體價值創造方面均優于同行；而《哈佛商業評論》研究結果顯示，數字化領先與落后的2個組織之間的收入增長存在近20%的差異。由此可見，數字化技術能夠幫助裝備企業實現跨越式發展，實現業務從制造到制造+服務的轉型，實現機械化換人、自動化減人、智能化無人。國資委則要求國有企業積極推進研發數字化、生產智能化、經營一體化、服務敏捷化、產業生態化等技術，促進傳統業務全方位、全鏈條改造，集中優勢力量攻關新技術、推出新產品、布局新基建、打造專精特新企業、培育新興產業，助力實現高水平科技自立自強。

裝備產業數字化一般包含管理數字化、裝備數字化、服務數字化等。其中，裝備數字化是數字技術與裝備研制和服役過程深度融合，其關鍵點是業務驅動和技術驅動，實現裝備智能升級和價值重塑的演進過程，是人、機、物三元融合萬物智能互聯時代的必然選擇，是數字經濟的物質基礎。本文歸納了起重裝備在向智能化、數據化、個性化、網絡化、平臺化、生態化的數字化發展過程中的各項數字化關鍵技術，以數據的采集、傳輸、存儲、分析、優化、應用等裝備全生命周期的數據為主線，把握數據核心要素，挖掘數據的價值，用數據驅動技術進步、業務發展及管理提升，實現起重裝備向數圖強、向智圖強。

2 起重裝備數字化的定義

起重裝備數字化是基于網絡信息技術，以數據為關鍵要素，實現物理設備、業務流程和業務組織的泛在連接，達到數據共享和和協同處理的新型工業模式，其關鍵在于打造全在線、全鏈接、全協同的數字化環境，通過數字化方式重塑企業的組織關系、管理結構和生產經營方式，重構客戶服務渠道和相關創新能力。起重裝備數字化的核心任務是建設數據采集渠道、搭建數據分析平臺和數據應用平臺，實施數字化設計、數字化交付、虛擬調試、數字孿生運維、可視化監控、智能管控云平臺，直至數據挖掘與預測性維護、評估及壽命預測等全生命周期、全業務場景模式創新。建立立體監測、智能感知、精準識別、快速響應的裝備交付與服務體系，促進特種設備的裝備制造與檢驗檢測業務互聯互通，推動在線檢測、風險預警、應急管理等技術應用，構建特種設備（起重機械）數智化監管系統。該系統是基于工業互聯網的構架體系，可實現從數據感知到數據轉換，再到信息提取和認知，最終實現智慧決策和資源的優化配置，進而解決多場景、多品類、多業務的起重裝備及其各機構、各零部件的多端邊接入、多源工業數據集成、數據管理與處理、數據建模分析、應用創新與集成、知識積累迭代實現等問題。基于三維數字信息模型技術，實現在役裝備在線故障診斷和異常情況即時預警功能，實現工業技術、經驗、知識模型化、標準化、軟件化、復用化，全面提升起重裝備快速感知能力、自主決策能力、實時監測能力、超前預警能力、應急處置能力、系統評估能力和特種設備監管能力，為起重裝備制造企業形成研發、設計、驗證的數字化平臺，形成風險辨識、評估、預警、防范和管控的有效閉環管理。

3 起重裝備數字化關鍵技術

起重裝備的全生命周期數字化是新興技術加持傳統裝備，融合信息化、自動化、智能化技術，逐步向高端發展、迭代升級的過程，涉及技術維度的采集、傳輸、計算、分析、應用等環節，包括數字身份、端邊采集、邊緣計算、高效傳輸、加密存儲、大數據、人工智能等新興技術，是一個龐大而復雜的系統工程，涉及諸多不同的技術和領域的整合及協同作用，能夠幫助企業實現智能化升級和數字化轉型，提高生產效率，優化資源配置，提高產品品質。

數字化技術由物理對象、模型、數據、服務、網絡、算力、算法、安全等要素協同實現，涉及需求分析、環境感知、狀態認知、結果預知、決策優化、智能運維、精準管控等能力，每種能力均需相應的理論方法、技術手段和軟件工具支持，涉及產品的規劃、研究、設計、驗證、制造、試驗、使用、維護、報廢全生命周期各環節，涉及數字身份、感知、傳輸、存儲、計算、控制、運維、評估、監管等環節，達到全面感知、可靠傳輸、智能處理、數字管控。

3.1 起重裝備信息碼ID技術

針對由數據孤島導致的業務全周期應用難以貫通、由數據分層導致的數據之間難以關聯的問題，信息碼通過多元關聯技術打通各數據分層，形成全時空要素、全時序跟蹤、全業務關聯的數字關系網絡，并動態沉淀和融合要素的時空、行為、狀態等信息，實現一碼可知任意商品的前世今生，全面完整、動態現勢地展示起重裝備的數字化內涵。同時，以碼為鏈可以進行全方位業務協同和全生命周期監管，助力形成特種設備數據開放融合的新生態，并協助部門之間、企業與公眾之間的互聯互通、信息集成共享，支撐特種設備治理場景建設。

每種起重機、每個機構、每個零部件均按一定的規則賦予身份編碼，使之編碼化、信息化、標準化，在數字系統里用于信息的歸集、關聯、共享，在設備現場用于掃碼、在管理系統用于定位了解其具體信息（包括制造商、用戶、檢驗信息以及整機類型、參數、檢驗情況、維修記錄等）。編碼在時間、空間上具有唯一性，可追溯到功能、邏輯位置、物理位置等信息，貫穿裝備設計、制造、運維、監管直至報廢全生命周期過程。每臺起重裝備及其零部件均具有唯一性基因，形成唯一和可識別的基因碼。編碼具有唯一性、可識性、共享性，實現一品一碼，一碼貫通，提高智能化運維和數字化管理水平。對于編碼技術，根據國家商貿物流標準化試點示范要求，推薦采用GS1編碼體系作為起重機智慧管理編碼體系，實現起重機全球自動識別、狀態感知、透明管理和追蹤追溯。

3.2 多源異構的全景感知數據采集技術

智能感知采集技術最重要的是實現在強干擾、大范圍的工業場景下人、機、物全要素的多維度自主感知與融合（即多場景智維物聯采集技術），感知和收集現實世界的各種信息，將物理量轉化為數字信號并通過物聯網連接到其他設備或應用程序進行處理或分析，解決既能從工業現場采到多維度、多類型數據也能將數據回饋到現場的問題，實現全天候、全要素、全過程的全場景實時監測與感知，實現起重裝備更高效、更安全、更環保、更節能、更優質的生產和服務。信息來源包括本質安全、先進傳感、機器視覺等多個方面。

1）本質安全指通過設計等手段使起重裝備本身具有安全性，即使在誤操作或發生故障的情況下也不會造成事故的功能。具體包括失誤—安全（誤操作不會導致事故發生或自動阻止誤操作）、故障—安全功能（設備、工藝發生故障時還能暫時正常工作或自動轉變安全狀態），主要包括傳統起重機使用和基于特種設備安全監管固有的超載、超限等數據來源。

2）智能傳感利用各種傳感器獲取信息，并將其轉化為可讀數據的技術，具有信息檢測、信息處理、信息記憶、邏輯思維和判斷功能等，充分利用集成技術和微處理器技術，集感知、信息處理、通信于一體，直接提供數字量信息的傳感器感知技術，具有微型化、低功耗、多參量、網絡化特點，實現自動數據采集、邏輯判斷、數據處理。

3）視覺識別利用計算機視覺系統對圖像進行處理和分析，實現自動識別、檢測和測量的技術，可實現視覺定位、視覺識別、視覺測量、視覺檢測等功能。

數據采集的顆粒度直接影響數據的完整性和實時性，合理的數據采集顆粒度可以確保數據的準確性和及時性，幫助企業作出快速反應和決策。在進行數據采集時，需要明確采集的內容、頻率和方式，以及數據一致性，確保采集的數據與實際情況一致，并與其他數據源進行整合。

3.3 海量高頻數據實時、安全的邊緣處理技術

邊緣處理使用邊緣計算法、實時操作系統、高性能計算等技術，將數據處理和存儲功能放在臨近數據源頭的設備位置，對裝備數據全方位的采集，并對不同來源的數據進行協議解析和邊緣處理。在設備產生數據的最近處進行數據處理，將數據從冗余發散清洗為簡單高效，幫助實現由數據到知識的轉化，有效提升數據的空間利用率，加快系統運行速度和數據傳遞效率，實現實時分析、本地存儲、本地決策，并與云端服務器協同配合，提高數據處理效率、降低通信延遲和保護隱私安全。邊緣計算是一種去中心化的計算模型，可使計算資源更接近數據源或端點，在本地設備或邊緣服務器上處理數據，通常用于實時數據處理和需要低延遲的場合，避免將敏感數據傳輸到云端，可降低傳輸過程中數據泄露的風險，保護用戶隱私和數據安全，進而減少網絡流量和延遲并縮短響應時間，實現海量異構數據的高效處理，滿足工業裝備實時性的高要求，通過在源頭計算數據保護了用戶信息的安全和隱私。邊緣計算相較于云計算更加高效和安全，滿足爆發式的海量數據處理和快速響應訴求，具有數據集成強關聯、數據處理高速度、業務分析強機理的特點，實現集中控制與分布式計算的統一，具有輕量級、嵌入式、軟件定義、自主芯片替代技術、工控級操作系統開發、端邊云協同的技術發展方向。

3.4 海量數據安全、可靠、低時延傳輸技術

作為特種設備的起重裝備，安全運行及快速處置是重中之重，需要采用低時延、高安全、自適應、可監管的數據通信傳輸方案，支持在多類型終端大數據容量和復雜網絡環境下數據的高效安全傳輸及區塊鏈系統與其他系統之間的數據交換，達到數據的來源更豐富、連接更高效、分析更便捷，需具有更好的數據獲取能力、數據傳輸能力和數據分析能力，實現海量信息的快速傳輸和數據的集成分析。

利用5G+工業互聯網、F5G光網、視聯網等技術提供更高速、更低時延、更廣連接的網絡支撐，支持大規模數據采集、傳輸與分析，可促進起重裝備向協議統一化、5G大連接技術、空天地一體化、裝備定制化發展，使起重裝備具備網絡化、在線化、泛在化特征，為裝備自動化、智能化、數字化提供安全保障。

3.5 基于區塊鏈安全、可信、分布式加密存儲技術

數據挖掘和統計模型分析使用海量的大數據，大數據的關鍵挑戰是安全和隱私問題、臟數據、數據源的可靠性、數據共享等。電子數據存在無形性、脆弱性、技術依賴性、易篡改性等特殊屬性，存在固化難、保全難、審查難、跨部門協作互信難等問題，以及體量大、傳播快、易滅失、難追溯等天然特性。

區塊鏈以共同治理、防篡改、防滅失、可留痕等技術可信特性，能從源頭固化電子數據，實現數據可信、去中心化存儲、不變性、透明度和共識機制。區塊鏈網絡中數據的加密和分散存儲使得任何未經授權無法進行數據訪問，改善大數據安全和隱私。區塊鏈的不變性確保了幾乎不可能篡改存儲在區塊鏈網絡中的數據，提高數據完整性。由于區塊鏈存儲了所有交易，故可實現大數據的實時分析。基于區塊鏈分布式記賬、去中心化、數據不可篡改、可追溯的特性，實現起重裝備賦碼建檔。

區塊鏈核心技術包括分布式賬本、共識機制、密碼算法、數據防篡改、智能合約等。基于區塊鏈的特種設備監管系統架構和功能，實現對起重裝備的持續有效追蹤，保障起重裝備生產、運輸和交易過程中全量數據的不可篡改和隱私保護性，打通端到端的商品上行鏈路，致力于幫助企業實現商品從生產、流通、營銷等整個過程的全鏈路數字化管理，為每一件商品定制專屬身份證，使商品的全流程來源可追、去向可查，實現全程追溯和有效監管。同時，也實現數據管理和共享，提升合作效率和信任度，增強數據安全和隱私保護，推動商業模式的創新。

3.6 多源、多維、異構數據融合應用技術

來自不同數據源、格式和類型的數據在格式、結構、語義等方面存在較大差異（包括數據、信息、模型等多維度、多種類、強協同的數據應用管理），集成多源異構、海量存儲、實施性高、高吞吐量、數據壓縮、數據索引、查詢優化、數據緩存、數據集成等技術，數據形式則表現出高通量、強耦合、多態時變、多元異構的特征。通過零部件、產品整機、系統、裝備集群等大規模異質終端高效融合及自適應互聯技術實現高效互聯融合，實現特種設備工業場景大規模人、機、物、系統異質終端之間的泛在化互聯互通，解決信息流與知識流之間的互動瓶頸，特別是解決來自本質安全、智能傳感、視覺識別以及自動化、信息化系統的多源、異構、復雜數據的一致性問題，實現不同協議、不同系統、不同網絡環境下設備數據的互聯互通以及數據跨設備、跨系統、跨產業應用。

將不同來源的數據進行整合和清洗，確保數據的統一性和準確性，可將識別出的關鍵數據整合到一個統一的數據平臺中，消除數據冗余和沖突。異構多模態數據的融合分析涉及從小規模單模態到大規模多模態的轉變，在可解釋性、穩定性、公平性、可回溯性等模型4性方面的更高需求都具有很大的技術挑戰。

3.7 數字孿生動態模型仿真及裝備機理挖掘與分析技術

數字孿生是綜合運用感知、計算、建模等信息技術，通過軟件定義對物理空間進行描述、診斷、預測、決策，進而實現物理空間與賽博空間的交互映射。其通過數字軟件對某個物理進程進行模擬，將來自物理系統（或流程）的業務、前后關聯部分和傳感器數據整合到數字孿生的虛擬系統模型中，并對其進行觀察和數據分析，以優化、改造，或發現并規避問題，進而模擬預測，以選擇最佳方案。數字孿生技術面向的并非是靜止對象和單向過程，而是動態的演進過程和具有周期性生命的事件，不僅追求數字重現，更重視仿真模擬背后的數據分析。通過集成虛擬和物理世界，數字孿生能實時監控系統和流程，并及時分析數據，以便在問題出現之前阻止問題，安排預防性維護以減少/防止停機時間，發現新的商機，并規劃未來的升級和新發展。數字孿生產業鏈可分解為基礎支撐、數據互動、模型構建、仿真分析、共性應用和行業應用等6個模塊。數字孿生使用真實數據驗證系統模型，在整合運營、維護和健康數據后，為用戶提供決策支持和警報，實現預報、預警、預演以及預案。對來自物理孿生的運營、維護和運行狀況數據進行基于仿真的分析，預測物理系統隨時間的變化，預測物理孿生在現實世界中的預期性能。通過數字孿生可以評估不同版本的系統，減少驗證和測試持續時間和成本，發現新的應用機會和收入來源。通過數字孿生的高精度克隆，將人更便捷地接入虛擬化信息網絡空間，完全可以在虛擬工廠里模擬復雜的工作流程，輕松測試各種新方案的可行性，實現生產方式變革、創新模式躍遷和治理理念革新。

數字孿生是一種集成多物理、多尺度、多學科屬性，具有實時同步、忠實映射、高保真度等特性，能夠實現物理世界與信息世界交互與融合的技術手段，與傳統仿真技術剛好相反，是實物向虛擬世界的映射。理論上，實現了數字孿生的實體裝備，其在虛擬空間中映射的模型，其靜態與動態特性，都應該與物理實體完全一致。數字孿生的重要特征之一是雙向映射、動態交互、實時連接和迭代優化，裝備研發是問題驅動的，而出現問題就是迭代創新的原動力。數字孿生體改變了產品研發與生產的過程和邏輯，產品研發不再從產品的物理實體開始做起，而從產品數字孿生體開始做起，在數字空間把產品數字孿生體研制并驗證成功后，才在物理空間開始制造實體零件。

數字化模型包含技術原理、行業知識、標準法規、基礎工藝、專家經驗等要素，統一機械、電氣、控制、軟件等專業模型接口規范，確定主要設備、分系統模型接口形態，形成一套基于統一規范的可集成、可復用、可擴展、多層級、多場景的精細數理模型體系，實現智力資產的數字化積累與傳承，是對不同行業、不同領域中不同的專業知識技能和技術產生的知識積累，是對技術專業學習產生的數字產品。

數字孿生具有空間構造、物聯感知、時空計算、逼真渲染、仿真推演等能力，支持基于數據與模型融合的跨時空仿真推演，融合感知、計算、仿真推演和反饋觸達等優勢，并通過通信網絡構建一個可計算的數字化空間，在這個可計算的空間中，可以對物理空間進行描述、診斷、預測、決策，實現虛實集成和閉環控制，具備全真映射、實時計算、數據驅動、泛在連接等特點，可解決全流程及決策可視、決策優化、跨時空在場協同以及泛在觸達等問題，虛擬世界能夠干預或控制物理世界，助力實現物理世界的數字化治理，為起重裝備產業的數字化變革構建了支撐。

3.8 工業大數據高性能動態計算技術

高性能計算技術是利用云邊協同進行信息處理，采用網絡切片等技術，保證網絡化工業大數據的高性能計算和可靠傳輸，實現柔性生產過程的動態重構。在裝備運行過程中，通過傳感器獲取人員操作設備的工作狀態、系統的運行狀態等信息后，通過數據標識注冊、安全解析、雙向關聯、對接同步、安全防護等措施，在高效的網絡互聯層進行安全認證，最后通過計算得出重構的整個裝備、系統或集群信息的大數據，建立數據要素治理體系和服務體系，通過數據應用挖掘數據價值，形成數據資產、提供數據服務。常用有數據分析和挖掘：通過數據分析技術，挖掘出數據中的有價值信息（如趨勢、模式和關聯性等）。并行處理與分布式計算：通過并行處理和分布式計算技術，將任務拆分為多個子任務，并同時進行處理，有助于提高效率，尤其是在處理大規模數據集或復雜計算問題時。迭代優化是將任務劃分為多個階段或迭代，并在每個階段中逐步提高精度，可在保持一定效率的同時，逐漸提高結果的準確性。

3.9 工業大數據驅動的反饋協同控制技術

協同控制是利用工業過程數據設計數據驅動方法，實現工業互聯網場景下工業全過程協同反饋控制。跟蹤多個同時作業的各式裝備，將輕量化的計算放在端側，在對其運行狀態進行有效獲取后上傳到邊緣端，通過邊緣端進行分析、判斷、決策、規劃、處理，復雜的計算放在邊側或云上，最終形成云邊端的工業互聯網體系架構，實現多個設備協同、信息傳算、一體化運行，完成真正的數字化控制。反饋控制得以高速發展，一是越來越多來自工業設備的工業數據，經過工業軟件計算、賦能后，最終回饋到工業終端，驅動設備精準而智能地運轉，這些數據具有被反復應用和形成業務洞察的能力。二是越來越多的產品或裝備，不再僅由實體零件構成，而是增加了很多由軟件構成的軟零件（或軟裝備）。軟零件給產品帶來的改變為：增軟件，增功能；減軟件，減功能；改軟件，改功能；優軟件，優功能。同時，數據產品化將數據分析結果轉化為具有操作性的決策建議或業務行動，形成數據產品或決策支持工具；持續監測和優化，對數據驅動的決策和行動進行監測和評估，根據反饋進行調整和優化。通過這一步驟，可以不斷優化數據產品，提高決策的準確性和效率。

3.10 基于VR/AR/MR的沉浸式感知技術

虛擬現實（Virtual Reality，VR）、增強現實（Augmented Reality，AR）、混合現實（Mixed Reality，MR）這些沉浸式技術正在改變數字體驗，讓人們能夠探索新領域、釋放創造力并彌合想象與現實之間的差距。虛實融合的三維數據交互場景，直觀、真實、精確地展示設備形狀、設備分布、設備運行狀況，實現設備在3D可視化場景中的快速定位與信息查詢，更加符合工業、商業和消費端的需求邏輯，可使各類人員沉浸式參與產品驗證、運行、運維等場景，體驗數字樣機或虛擬產品。

借助沉浸式技術與裝備，實現專家無需到達現場，即可完成遠程的監控診斷。通過MR混合現實技術，用眼鏡掃描設備二維碼，獲取設備相關信息和位置信息，查詢設備數據；由專家遠程在線支持，現場畫面支持多方實時共享；直接在生產現場對知識庫查詢和瀏覽，快速定位故障部位。AR增強現實技術，全息畫面指導，操作標準化、維護高效率、培訓簡單化。

沉浸式混合現實和擴展現實技術由虛擬現實（VR）和增強現實（AR）組成，并長時間作為企業業務創新和商業版圖擴張的關鍵驅動因素存在。通過改變公司運營模式、增加客戶互動和實現長遠目標的方式，VR與AR已在多個行業產生了重大影響。

3.11 基于大數據和人工智能的壽命評估與延壽技術

起重裝備主要結構的設計壽命一般為30 a，許多設備已臨近或超過設計壽命。依據使用、保養、環境等因素，如何界定裝備可否續用或是否還能安全使用成為用戶和特種設備檢驗機構的痛點。剩余壽命是指從裝備被監測開始直到裝備功能失效所需的全部時間，往往利用分析設備的退化軌跡和歷史數據建立壽命評估預測模型，利用歷史數據、現實環境以及未來趨勢來預測裝備未來的安全狀況，為用戶和檢驗機構提供指導意見。常用的剩余壽命預測的方法主要包括：基于失效機制的物理模型預測方法、基于專家知識和模糊理論的知識預測方法和基于歷史數據和當前數據的數據模型預測方法。

延壽技術是指根據合理的失效準則，依據有關標準規定，針對裝備長期使用發生的退化、劣化程度，對帶有缺陷的裝備進行符合使用條件的安全性評定，采用專門的技術措施以延長裝備的使用壽命。例如對含有缺陷或損傷的裝備進行合于使用評價，研究具體結構或構件中原有缺陷、使用中新產生的或擴展缺陷對可靠性的影響，以確定在預期的條件下是否可以繼續安全運行，或根據缺陷、損傷判斷安全性能劣化程度、劣化趨向，進行裝備剩余強度評估，判斷結構是否適合繼續使用，或是按預測的剩余壽命監控使用，或是降級使用、返修或報廢。合于使用評價所評定的缺陷都是不滿足法規標準要求的所謂超標缺陷，安全評定的目的是科學分析帶超標缺陷裝備的安全性能。

3.12 多端融合協同控制技術

以數字孿生為基底，構建云邊端一體化融合架構，移動端、桌面端、大屏端實時互動，實現業務系統一圖統攬、分級管理、分布式實施的一體化數字系統。移動門戶、PC門戶、指揮調度中心門戶、現場大屏門戶構成智能運營系統。

工業PAD、手機等移動端的操作使用包括研發APP、生產APP、管理APP、服務APP等工業APP，可隨時隨地查詢，簡單便捷。在將工業知識和各工業要素數字化的基礎上，可為產業鏈各環節提供服務，實現知識的復用、移動化協同和可視化洞察，促進行業數字化和智能化，實現裝備智能調控和業務管理決策優化，極大提升信息化管理水平。

3.13 基于機器智能的科學決策技術

機器智能技術正從最初的視覺質檢、智能客服、路線規劃等相對外圍的需求場景，向工藝參數優化、能耗效率提升、安全運行管理等核心業務領域突破。類似這種生產效率的提升，是無法通過傳統的人工決策來實現的。面向智能裝備多智能體智能決策的需求，構建有理解能力、歸納能力、推理能力和運用知識能力的科學決策體系，實現安全、穩定、可靠的一體化自主控制、規劃、計劃、優化、調度、預測、決策，提升工作效率、保證工作質量、提升穩定性和安全性，是未來裝備數字化重要的發展方向之一。

科學決策包括優化、調度和控制等環節。而面向狀態變化趨勢決策的智能決策則以系列算法、模型、規則為核心構建智能專家系統，利用監測設備和運行狀態的數據，借助智能優化算法，協同調度各生產工序和裝備，控制相關的生產設備和工藝環節，實現全流程的綜合指標控制，保證全流程的整體優化運行決策，實現基于設備狀態變化趨勢、人機結合的全流程的智能決策，包括統計與先驗知識協同的多變量設備狀態預警、機理與數據驅動相結合的設備故障診斷、多維度數據協同的設備綜合決策等技術。另外，多任務自適應協同的群智決策通過智能裝備自主分析當前的工況和任務要求，建立協同執行的多任務協同規劃數學模型，基于最大益損比和任務均衡目標實現裝備多任務協同下的群智規劃，依據分配任務的要求和難度進行自主決策，自適應調整作業策略以完成復雜工況下的多樣化任務。

3.14 基于知識庫、專家經驗的深度自學習技術

通過對智能裝備作業過程中分布的多學科知識數據進行結構層次上的集成，消除數據的語法和語義的分歧，形成一致數據的知識表示，并對知識庫中技術原理、行業知識、標準法規、基礎工藝、專家經驗等大量數據進行處理、關聯、融合，得到產品設計、使用的知識圖譜，進而利用可視圖譜展示實體及關系，直觀表達領域知識，生成智能裝備的知識網絡、知識圖譜，構成集智應用的專家系統，其通過數據分析和知識挖掘，發現數據和知識中的潛在價值和業務機會，提升數據的商業價值。

自動化、智能化裝備在運行過程中產生海量數據蘊含大量的故障特征信息，在收集裝備運行特征數據的基礎上，應用深度學習算法對大數據進行深度挖掘，獲得與故障特征有關的診斷規則，實現對智能裝備的故障預測與診斷，形成基于大數據驅動的故障診斷深度學習技術。

單機或多機集群環境下多模式融合學習，利用智能裝備運行過程中產生的海量感知數據，可以為其提供圖像、視頻、語音、文本等多元數據處理能力，使智能裝備充分理解環境和人的情感、言辭、表情等，支撐人機之間進行交互，形成大數據驅動的多模式融合學習技術。

在人機交互使用專家系統的過程中，不斷發生知識的交叉與融合、解構與重構，既發生物理反應，也發生化學反應，在原有存量知識的基礎上，生成增量知識，持續豐富、補充著知識庫的知識體系。當用戶進入專家系統使用界面時，用戶始終不是獨自一人在使用系統軟件，而是如同有千千萬萬個數理化先賢、領域專家、行業翹楚和專業能人站在他的身后，在每一次點擊菜單、每一次模型計算、每一次控制指令傳輸中，都在出手扶助、指點迷津、啟智開慧。

4 應用前景

新型工業化既是企業數字化轉型的發展目標，又是企業數字化轉型的總體框架。隨著新型工業化的發展，市場競爭和消費者需求將日新月異，企業必須根據新型工業化發展趨勢，通過數字化轉型打造自己的組織、管理與技術手段，以快速適應市場和消費者變化。由此可見，新型工業化也是企業數字化轉型的約束條件和外在動力。此外，數字化轉型既是企業發展的基本邏輯，也是推進新型工業化發展的必由之路。企業通過數字化技術實現降本提質增效、創新服務模式，實現數字化轉型，進而推動產業升級、提升經濟發展質量和經濟效益，為新型工業化提供新的增長點和競爭優勢，推動新型工業化的發展。

國務院國資委《關于加快推進國有企業數字化轉型工作的通知》通知強調，數字化轉型是順應新一輪科技革命和產業變革趨勢，不斷深化應用云計算、大數據、物聯網、人工智能、區塊鏈等新一代信息技術，激發數據要素創新驅動潛能，打造提升信息時代生存和發展能力，加速業務優化升級和創新轉型，改造提升傳統動能，培育發展新動能，創造、傳遞并獲取新價值，實現轉型升級和創新發展的過程。國資委則要求國有企業積極推進研發數字化、生產智能化、經營一體化、服務敏捷化、產業生態化，促進傳統業務全方位、全鏈條改造，集中優勢力量攻關新技術、推出新產品、布局新基建、打造“專精特新”企業、培育新興產業，助力實現高水平科技自立自強。由于實現上述目標過程的時間跨度大且各階段所需功能不同，涉及要素種類多且協作關系和耦合關系復雜，需要基于模型、數據等構建數力，基于算力、算法、網絡、存儲等開發智力，充分利用數力和智力，實現并提升體系化解決問題和滿足需求的數字化能力。

起重裝備作為傳統產業裝備，要用創新研發跨界開辟新賽道，要用新技術加快傳統裝備升級，不斷推進從0到1的突破和從1到N的迭代，才能不斷提升創新力和核心競爭力。起重裝備作為單件小批量工業裝備和特種設備，其數字化發展趨勢是智能化、數據化、個性化、網絡化、平臺化、生態化，目的是解決信息孤島和業務斷鏈問題，以減人、增安、提效為目標，提高生產效率、創新能力和市場競爭力，從而達到狀態更佳、效率更高、成本更優的效果，構建物理裝備+數字資產新價值體系，培育產業發展新模式新業態，促進起重裝備產業數字化轉型。

5 結語

裝備數字化將數字技術加持、數據要素治理視為裝備數字價值創造的重要方式，將產品數字化和過程數字化視為數字化工程生態的關鍵。因此，除本文所述數字化技術外，起重裝備數字化還涉及許多相關的技術，如裝備智能化所需的三維空間感知定位、多機協同集群化交互與控制、多約束下路徑規劃、狀態監測和故障診斷、安全風險智能防控等技術，以及特種設備智能檢測、智慧監管等技術。另外，起重裝備數字化還需利用大數據、云計算、物聯網、工業互聯網、機器學習、人工智能、網絡安全等多種新興技術，實現用數據說話、用數據決策、用數據管理和用數據創新，促進企業實現業務數字化和數據價值化，助力企業經營數字化、管理精細化、決策定量化。