新兴又复杂的风电行业，是这家创业公司的试金石
王曦对工业并不陌生。他的故乡辽宁鞍山以重工业闻名。幼时对工业的好感，以及日后在工作实践中的积累，让他发现，虽然中国是世界体量最大的工业国，拥有海量的工业设备，但是在使用上还比较粗放，缺乏利用工业数据的意识和能力。而信息化和智能化，是工业化发展的必然途径，有的企业已经开始了这一进程，但更多的还没有——这让他下定了在这个领域创业的决心。
但方向只是第一步，具体的商业路径在当时还并不明确。王曦的创业并不是无的放矢，在创业之初，他就定了两个基本方向：一是要做头部企业，二是企业的设备要「复杂」。怎么界定「复杂」的范围呢？王曦的解释是，只有工业设备的价值和复杂程度高，设备对各项技术尤其是数据的依赖程度才会高，这样才有通过数据智能提升生产价值的空间，他们做的事才会有价值。
另一方面，是落地的行业上，要先难后易。「我先做最难的，再做别的行业会越来越简单，而不是每到一个新的行业，就要上个台阶。」而想要深入到工业之中，需要做许多基础技术的研发，在王曦看来，这同样是赶早不赶晚的。
在一系列考量和调研下，代表着旋转设备的风电行业进入了王曦的视野。2014 年，过度扩张的风电行业经历了「弃风限电」，行业开始冷却，进入调整期，也开始认真思考如何精益工艺来提升效益。作为新兴产业，风电的数据基础比其他传统工业也要更好，彼时风机的价格动辄上千万，由于分布离散，又有无人值守的需求，这都给了科技改造和提升效益的空间，最终风电成为智擎行业攻坚的第一梯队。
风电效益靠「减法」
能源是工业的血液，也可以说是所有现代产业存在和发展的必要条件。我国化石能源以煤炭为主，污染重效益低。因此，新能源如风电、光电和水电受到了国家层面的支持和补贴。相比较而言，水电受地理和季节的约束过大，光电过于昂贵，风电看起来是最适合替代传统化石能源的新能源。
截至 2017 年，我国累计并网装机容量 1.64 亿千瓦，风电年发电量占全部发电量的 4.8%。我国已成为全球规模最大的风电市场，占到了全球风电容量规模的 35%，与此同时还是增速最快的市场。
但我国的风电资源多集中在「三北」地区，而能源消耗大户却是东南地区。当风电场发电量的增长速度远超电网传输范围内的耗电需求时，供过于求让政府不得不「弃风限电」，造成了资源浪费。直到新建特高压的投运，这个问题才得以缓解。
另一方面，扶植新能源的根本目的是为了替代传统能源。长远来看，新能源的价格至少要不高于传统能源的价格才有经济意义。风电运营商的上网电价分为基数电价和补贴电价两部分，目前风电补贴在逐步退出。5 月 24 日，发改委下发《关于完善风电上网电价政策的通知》，宣布自 2021 年 1 月 1 日开始，新核准的陆上风电项目全面实现平价上网，国家不再补贴。
在这两个因素以及相应政策调整下，我国的风电产业从规模、速度优先向质量、效益优先转变。风电产业链最终变现的方式是卖电，互联网巨头们总渴望成为新的「水煤电」，然而真正卖电的企业，出售电力的价格难以提升，规模不能随意扩张，就只能靠减少成本来获取利润。
哪些成本是可以做减法的呢？简单来说，发电厂生命周期内的单位发电成本=（建设成本+运维成本）/总发电量。对风电运营商来说，建设成本在过去几年有所下降，那么如何更好地控制运维成本就成了他们着重思考的问题。
目前运维成本，包括人员成本、维护成本和备件成本，已经占到了风电资产生命周期生产总成本的 15%-20%。以逐渐兴起的海上风电为例。由于临近电力消耗大的东部地区，海上风电成为了风电行业快速增长的市场。但海上风电无论发电规模和技术复杂度都很高。当海上风电风机出了问题，工程师要划着船去，爬高百来米去检查，确定问题后还要想办法带着备件来修理更换，运维成本将飙升。
互联网时代的风电场，技术能解决这个流程中的问题吗？
「ABC」+工业智能
虽然调研时，横向对比其他传统工业，风电产业对数据的利用要更好，但真正深入产业后的王曦发现，风电行业的数据基础也没一开始想得那么乐观。而数据基础的欠缺，更多是来自企业数据意识的欠缺——设备绝大多数是足够先进的，装备着完备的工业传感器，只是缺少主动的数据收集和处理。
这也是在王曦看来，中国企业与国外最大的差距。「企业对预测运维不太在意，所以收集的数据的颗粒度没有那么细，实时性也不强，当时还是几分钟传一次的。」欧美国家的传统优势产业，一般有着完整的上下游产业链生态，从设备研发到生产运营，不断提升不同环节的技术和效率。这个过程中，对数据的积累、分析和再利用是一个持续性的过程，并形成体系化的进步。中国的工业进步，绝不只是买到了更新的设备，还应该积累与之匹配的知识体系，而新兴的技术，王曦认为，在工业领域最大的用处，并不是救世主般突破性的存在，而是将原本需要十年的知识积累，以更高的速度实现，在几年内达到同样的水平。
「我们做这件事情的初衷，是希望对整个业务流程进行改造，如果孤立于整个业务流程之外，我们的价值就没有体现出来。」智擎将新技术改造传统工业的进程分成了三个阶段。首先是连接设备，采集和清洗数据，然后将设备数据和来自系统和数据库的运营等数据相融合。其次是大数据应用，将融合后的数据总整体的模型化、可视化，以及数据流转、统计和简单的分析。第三个阶段是进行深度的数据应用，包括数据挖掘、人工智能的应用，进行智能化的分析预测，并将结果反馈到设备，实现完整的闭环。
智擎的智慧风电场解决方案
以往被动式的运维场景是，当传感器传回机器故障的信息后，工程师去前线了解故障位置，然后还需要带着更换备件再往返一次；在智擎设计的流程中，运维变得更加主动，根据对实时设备数据的分析，后台可以提前 2-15 天预测某个设备未来将在什么情况下发生什么样的故障，提前进行故障排查和维修，来节省原本更换备件、人员调度和停机带来的损失。
在这一系列的改造中，时下最热门的「ABC」新技术都被囊括在内。首先，在数据收集的源头风电场，智擎有边缘计算终端产品，可以针对不同的风电场，个性化地对自设备传感器的数据进行收集、存储和清洗，并传回企业的大数据平台。由于风电场大多在野外，可能突发断网，智能终端也可以自成体系，根据内置的模型进行自动化运营。其用于低功耗计算的 GPU 来自英伟达。（2018 年底，智擎曾获得 NVIDIA 初创企业大赛（Inception Awards）冠军。）
智擎的软件产品则以 SaaS 的形式提供给企业客户。当数据从场站传回后，企业的运营人员可以在浏览器上打开大数据平台，这是一个分布式的计算存储平台，由智擎基于 Hadoop 自行研发。企业可以选择公有云，也可以在私有云上搭建。
在平台上，通过可视化的方式，运营管理人员可以看到不同的风机不同部件的状况，而这些数据会根据已有的算法模型进行个性化的自动优化，计算出相应的故障预测结果，以及检查维修的建议，并可以连接维修人员的数据安排出工单。当维修人员到达一线之后，不再像以往只是维修或者更换备件，还可以将现场状况反馈回去，来促进算法模型的持续优化。「他觉得预测准或者不准，都会成为我们模型持续优化的一部分，用户逐渐会知道，哪些处理措施的效果最好，最快速解决问题。」王曦说。
那这些算法模型又是怎么样来的呢？最早智擎在拥有专家团队之前和客户的设备研发等技术部门进行了合作，也通过深入一线和企业交流获取了许多经验，基于开源的 TensorFlow，开发了一系列的算法和模型。在今年上半年，还和北京邮电大学联合积累完善了行业重点的知识图谱。这些算法模型可以被企业用户在 SaaS 上调用，对于不会编程的运维人员来说，针对企业个性化的设备和数据，利用模板库里的模型，在指导下即可进行可视化建模。最早的模型是由专家搭建，但随着不断优化和积累，也会逐渐自动化，降低成本。
智擎风电大数据平台架构
从场站到企业再到智擎，就这样形成了从云到端的闭环。据王曦介绍，目前智擎已经和包括金风科技等多家风电业头部企业达成了合作，不过这和王曦的初衷依旧有一些出入，虽然风电业是智擎的标杆行业，但他一开始，就希望能够赋能更多的传统行业。
未来，「3+N」
智擎积累的技术，能否复用到其他行业呢？王曦认为是有这个可能的。一方面，是许多工业设备存在共通性，例如风电行业有大量的旋转设备，其机理和其他行业的旋转设备很类似，场景之间差异性小，模型也会存在相似性。另一方面，和北京邮电大学的合作就是在为向其他行业的拓展做准备。王曦解释：「知识图谱有两点作用，一是积累了之前的各种特征、模型，二是可以自由生长。不同产业间很多机理是比较类似的，结合新的数据库，会在专家监督下半自动化地自我完善，这样我们跨行业的时候会更容易一些。」
相比在技术上的差异性，作为一家创业公司，王曦考虑更多的是商业模式上如何做好跨行业的拓展。「我们早期做调研的时候，会从商业模式和行业产品解决方案都做考量，快速地把现有的东西泛化到其他的行业，从产品或模型的角度来说是可以的，从商业模式的角度来讲，要有多种途径。」
作为一家创业公司，目前智擎直销大多是对头部用户，还有一部分客户来自于渠道。王曦告诉极客公园，他们内部正在做「3+N」的战略规划，未来专注在几个重点行业重点推进，在其他的行业，会作为核心技术和产品提供商，来和合作伙伴合作，由合作伙伴来承担具体的应用部署和二次开发等，以此拓展更多客户。
除了风电、钢铁、石化外，之前智擎也曾投入到一些其他行业中，验证了可复制性，但直接深入到每个工业产业，效率并不高，可以留给合作伙伴去完成。但工业互联网，在中国经济产业升级转型的大背景下，已经被视为新的战略高地。据 2018 年 3 月的一次统计，我国已经 269 个平台类产品，从阿里巴巴、腾讯这样的互联网公司，到海尔、TCL 等制造业企业，再到石化盈科、索为系统工业软件企业，都纷纷入场。对智擎来说，技术上的积累已经到了横向开拓其他业务的时候，保持技术模式和商业模式的最优匹配，是这家年轻的公司接下来最重要的事。
