訓練AI吞食垃圾 瀚藍環境探索破解垃圾圍城難題

隨著我國經濟快速發展和城市人口不斷增長，以及新型的城鎮化建設，很多地方垃圾圍城的問題正日益嚴峻。垃圾在填埋過程中會產生大量的臭氣、沼氣和二氧化碳以及大量的細菌病毒等微生物，會對人居環境產生惡劣的影響，高效的做法是將垃圾透過現代化焚燒技術，實現無害化，同時焚燒餘熱還可供發電，既環保有效、又能變廢為寶。根據《“十三五”全國城鎮生活垃圾無害化處理設施建設規劃》，生活垃圾焚燒比例將由 2015 年的 28.6% 提升至 2020 年的 50%。預計“十三五”期間垃圾焚燒建設市場規模將高達兩千億。

對於垃圾焚燒企業來說，垃圾的成分變化多端，如何提升焚燒控制的穩定性，是一個重要的技術挑戰。焚燒工程師透過調節焚燒爐的各種引數，確保垃圾焚燒充分、蒸汽量穩定，一方面減少鍋爐裝置受損，另一方面可以更穩定發電並降低煙氣汙染物的排放。但是，每天的生活垃圾不一樣，成分也很複雜，一年四季受溫度和溼度影響不斷變化，要做到穩定的燃燒很不容易。

長久以來，焚燒控制主要依賴於人的判斷，靠的是經驗積累。老師傅經驗豐富，透過調節鍋爐溫度和進風大小，就可以讓垃圾焚燒得更充分；年輕師傅經驗少，容易出現判斷失誤的問題，穩定性就差很多。此外，老師傅如果出現身體和精神狀態不佳，影響工作狀態，也會有判斷失誤的狀況。人工智慧的參與，提供了很多想象的空間。

瀚藍環境股份有限公司(簡稱瀚藍環境)是一家專注於環境服務產業的上市公司。公司擁有 22 個生活垃圾焚燒發電專案，日生活垃圾焚燒發電總規模 33100 噸。僅是廣東佛山南海廠區的六臺焚燒鍋爐，每天就能“消化”近 3000 噸垃圾，發電 150 萬度，足以滿足南海區 16 萬戶 40 萬人的生活用電需求。

雖說垃圾焚燒發電是朝陽產業，市場潛力巨大，但過去多年，進一步提升垃圾焚燒穩定性的關鍵技術，一直沒有突破。

瀚藍環境固廢事業部資訊管理部總監趙浩表示，整個垃圾焚燒發電的過程，主要是靠鍋爐師傅透過調節焚燒爐的各種引數，儘量做到讓垃圾的燃燒更充分、蒸汽更穩定。而限制技術進步的最大阻礙，就出在焚燒過程對人工經驗的過度依賴，這給技術進步帶來諸多障礙。

• 一是經驗存在偏差與不穩定。不同工藝專家技術水平參差不齊，調出來的效果相差較大。此外，現場人員難以長時間集中精力觀察引數變化，導致焚燒爐無法發揮到最佳狀態，垃圾焚燒的穩定性不足。
• 二是經驗難以固化與傳承。經驗都存在老師傅的腦袋裡。培養一位合格的工藝專家需要 1-2 年的時間，一旦離崗，經驗也隨之帶走，沒有任何積累留給新人。而培養一名新員工直到上崗，則要耗費大量精力與時間。長時間的大強度勞動，也加劇了工人的流失。

此外，經驗還存在天花板。即便再有經驗的老師傅，也只能做到對一部分引數的認知，而整個垃圾焚燒過程涉及上千種引數，遠超出人腦的計算與理解能力。

引入 AI：資料+模型+經驗=最優引數推薦

為擺脫對經驗的過度依賴，瀚藍環境意識到更高效的數字化手段是可行辦法。透過將經驗與資料中的隱性知識轉化為顯性知識，並嵌入到機器中，讓機器協助人類來完成複雜焚燒過程的複雜決策與控制。但擺在眼前的問題是，垃圾焚燒領域鮮有資料科學家，懂行業機理模型的資料科學家更是鳳毛麟角，行業演算法處於空白。於是，瀚藍環境找到阿里雲工業大腦團隊，希望藉助其在資料與演算法上的優勢，加之與瀚藍環境專家經驗結合，共同開發垃圾焚燒工藝最佳化演算法，最佳化垃圾焚燒的穩定性。

工業大腦落地場景的選擇至關重要。資料可用性、風險可控、可實施、高收益與可複用是選擇優先場景需要考慮的關鍵因素。

垃圾焚燒發電主要包括垃圾推料、垃圾焚燒、煙氣處理、汙水處理、汽輪機發電五個環節。雙方團隊經過多輪溝通，最終選擇先以垃圾推料（將垃圾在最佳時間送入焚燒爐，達到充分燃燒）做為切入點。原因就在於這個環節已經具備一定資料基礎 （系統已接入上千個實時測點，瀚藍環境也是目前國內垃圾焚燒行業同類測點，資料量積累最多的公司之一）、且該環節依靠人工操作，AI 發揮空間大，並且各電廠面臨的問題是共性的，複製性強。

明確了落地場景，瀚藍環境與阿里雲大資料專家開始共同制定垃圾焚燒最佳化的方案思路，整個過程好比一個菜譜的開發過程，包括精選食材、除錯引數、反覆試菜、直到最終菜譜的生成。

第一步：關鍵引數識別 （選擇食材）

垃圾焚燒的全過程充斥著複雜的物理與化學變化，涉及多達 2000+ 個實時測點資料，因此需要過濾出對焚燒穩定性影響最大的關鍵引數。透過歷史資料分析與專家經驗，識別出包括推料行程、推料動作、一次風量、一次風壓、二次風量、爐膛溫度、煙氣含氧量、主蒸汽壓力等多達 30 個測點資料，用於下一步的分析與模型訓練。

第二步：模型訓練 （除錯 引數）

鎖定關鍵引數後，接下來輸入到工業大腦平臺上的模擬預測模型，進行垃圾焚燒過程的模型訓練，實時預測焚燒產生的蒸汽情況。透過對每次垃圾推料生產的前後關係分析，比如推料前的爐型狀態，推料動作，以及推料後的焚燒反應，構建資料的輸入輸出關係模型。訓練過的焚燒爐蒸汽量模擬預測模型可以準確預測 90 秒後的蒸汽量，準確度到達 95%，為後續推料時間提供決策依據。此外，透過歷史有效推料資料及專家經驗，建立各關鍵引數的特徵資料與推料時間的對應關係，在此基礎上結合蒸汽量預測值預判，實現更加精準的推料時間推薦。

第三步：演算法輔助決策 （菜譜生成）

該階段， 演算法模型分析的結果透過 API 介面的方式把推薦工藝引數實時的提供出來。產品配套的人機互動介面，會直接部署到工廠控制室現場, 可以實時的告訴工人，什麼時候該推料，以及如何推料等操作建議。工人只需要按提示直接生產就可以了。

經過數月的密集研發和測試，雙方團隊開發出了首個 AI 垃圾焚燒最佳化方案，結合瀚藍掌握的海量垃圾焚燒資料，AI 可以進行更精準更穩定的監測、預判和及時調整。結果發現，過去操作員4個小時內需要操作 30 次，才能讓垃圾焚燒過程保持穩定，而如今在 AI 的協助下，干預 6 次即可。而且工業大腦輔助人的方式對比單純人工操作，系統可以提升約 1%~2% 的蒸汽產量，鍋爐蒸汽量穩定性提升 20%。

接下來， 垃圾焚燒爐 AI 平臺將完成以下三項任務：

第一，從區域性試驗到全域性複製

當前， 工業大腦還只是在區域性範圍內嘗試，僅在幾臺鍋爐上進行驗證。很快，演算法模型將被複用到公司的近百座焚燒爐上，讓每一座鍋爐都能獲得 AI“手把手”的操作指導。此外，AI 既然能在焚燒環節取得效果，一定還存在很多應用場景等待挖掘。

第二，打通決策到執行的最後一公里

演算法將會直接與鍋爐系統連線，實現對垃圾焚燒過程的自動控制。由過去的人控制機器轉為人監測機器，無需人工干預，進一步降低對人工經驗的依賴。

第三，賦能產業智慧化升級

像瀚藍環境這樣的焚燒爐，中國還有近千座。透過將焚燒爐穩定最佳化模型沉澱到工業大腦平臺之上，對全行業的開放。藉助平臺優勢拉低人工智慧的門檻，讓全中國的焚燒爐都能享受到智慧帶來的紅利。目前，在阿里雲與浙江省能源集團的合作中，AI 垃圾焚燒最佳化方案已實現蒸汽量 1.8% 提升，可為企業每年增加百萬元利潤。

阿里雲研究院高階戰略專家王嶽表示，越是看似離 AI 技術遙遠的行業，一旦與其發生化學反應，所產生的能量將會是巨大的。在未來相當長的時間，行業內專家與行業外資料科學家的跨界組合將會是推動工業智慧落地的關鍵力量。但這還不夠，工業智慧未來一定是朝著平臺化發展的。平臺x（資料+演算法）的網際網路模式所產生的槓桿效應，可以支撐工業智慧應用以百倍速複製， 最終撬動整個產業的數智化轉型。

文章來源： https://developer.aliyun.com/article/764837?groupCode=aliyunmit