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

在人工智能（AI）成功應用于制造業或過程工業之后，工程師們希望在產品開發中獲得類似的收益。開發團隊想弄清楚在工程實施過程中，是否可以利用機器學習（ML）方法，以便在極端運營條件下，更快地理解和預測復雜的產品行為。

利用無代碼環境處理測試數據，也有助于辨別哪些問題適合用自學習模型來解決。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，大多數流體動力學問題，不管是流經住宅計量表的燃氣混合物還是其它氣體，都很難用數值方法解決。調整計算流體動力學（CFD）的仿真，直到其精度能滿足決策需求，可能需要數月的時間，比在設施的測試臺上進行測試要長得多。因此，盡管趨勢是更多地利用CFD，但在產品開發過程的初期進行測試仍然至關重要。

▲圖1：設計和優化住宅燃氣表可能是一項昂貴且耗時的工作。借助AI技術，工程師們可以使用數據驅動的方法更快地優化用戶的燃氣表。

AI可用于早期測試數據，以更快地了解影響結果的因素。通過AI模型預測尚未完成的測試，甚至可以更快地將儀表校準到高精度水平。簡而言之，將AI應用于產品設計，工程師可以更好地理解復雜的系統行為，更快速地做出設計決策。

盡管利用機器學習（ML）測試并在隨后識別系統的工作流程，看起來可能“不務正業”，但在產品開發過程中，它往往可以更早地為適用AI的問題（例如，居民和商業燃氣表以及甲烷排放監測工具），提供更準確的結果。

01

利用AI加速產品開發

根據美國市場調查與咨詢公司MarketsAndMarkets的數據，預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。準確測量燃氣用量具有諸多收益，例如用戶可以跟蹤和預測自己的支出。供應商還可以了解其客戶群，并提供更可靠的定制服務。

▲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的自學習模型進行測試、建模和校準。

在住宅燃氣流量計中增加壓力和溫度傳感器還有一個額外好處：如果一旦檢測到燃氣管網超壓，就能夠自動關閉，從而可以提高用戶的安全性。

隨著能源轉型的推進，燃氣和氫氣的混合物將進入燃氣管網，為這些混合物的精確計量帶來了挑戰，特別是對超聲波燃氣表。這給負責進行必要測試以找到最佳技術解決方案的產品開發團隊帶來了嚴峻的挑戰。

在借助AI技術之前，通常使用一種傳統、大家都熟悉的開發過程，對許多不同的產品變量進行物理和虛擬測試，以獲得適合生產制造的產品設計。這個過程往往需要18個月，以確保校準誤差低于法律規定的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

智能儀表可以為工程師提供更多產品見解。這不僅適用于產品開發過程，還包括質量控制以及在現場對智能電網的優化。因此，在開發新產品時，開發工程師可以也應該考慮大量可用數據。這需要一套全新的技能，從大數據分析到構建復雜動態系統的高級模型。

意外排放監測系統的自動化解決方案，是風險較高的復雜問題的另一個完美案例。由于風向和風速的隨機性，試圖檢測意外燃氣泄漏或工藝通風口的位置并對其進行量化是一個非常復雜的問題。

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

復雜系統的物理特性往往無法通過CFD仿真快速甚至完整的表達出來，試圖理解這些需要大量的物理測試來校準。在這種情況下，工程師們在產品開發過程初期就開始構建原型，以從現場數據中學習，現在只需不到一年的時間就可以擁有先進的解決方案。在這么短的時間內構建一個先進的復雜工業解決方案，將改變過程解決方案行業的游戲規則。與啟發式模型不同，ML解決方案在部署后，仍會繼續學習并不斷改進。

決策速度的提高和這種持續的學習能力，有助于證明在智能能源行業以及其它面臨復雜工程挑戰的領域內，自學習工程模型如何成為工程師的標準工具。