西门子MindSphere在污水处理行业的应用

       这是一个新技术、新概念、新名词层出不穷的时代，云计算、大数据、物联网、人工智能、AR/VR、数字化、数字经济、工业互联网、IT/OT融合等名词，无时无刻不占据科技领域的热搜榜和各类微信文章的头条。作为德国老牌工业自动化及数字化工业软件领域的重型坦克--- 西门子公司，更是早早就在2016年就率先面向全球工业用户推出了旗下的工业物联网品牌--- MindSphere，并于2018年4月份在中国与阿里云合作落地，其目的是要借助其在过去100多年积累的自动化领域和工业软件领域的客户基础和行业经验，帮助用户利用各种新兴的信息化技术，来实现数字化转型，发展数字经济。

      西门子给MindSphere的官方定义是：开放的、基于云的工业物联网操作系统。谈到操作系统，可以类比于手机上的Android、iOS操作系统，通过将这两个能够连接到云端的操作系统（软件）和手机（硬件），结合各种新技术的应用（云计算、大数据分析、物联网、人工智能等），实现了我们生活的数字化（网上购物、买电影票、团购、社交、看病挂号、办理民政）和人们之间的互联互通。那么MindSphere也是希望打造一个工业界的基于云的操作系统（软件），采集现有工业设备的控制系统（硬件）数据（很少需要增加传感器），在监控告警的基础上，结合深入的数据分析，并综合运用最新的信息技术（云计算、工业大数据分析、工业互联网、人工智能、边缘计算、AR/VR等）找到提高设备可靠性、降低异常、降低成本、提高生产和运营效率的途径。

      在过去的一年当中，笔者曾经多次被用户问到，不同于消费互联网，在工业企业中，工业传感器，分布式I/O，工业以太网、PLC、SCADA等工业自动化及通信技术很早就在工业生产中得到了运用，貌似很多的问题都能够在现场端予以解决，为什么还需要把数据都上传到云端，抛开安全性不谈，给用户带来的真正的价值是什么？的的确确，在工业自动化领域，通过上述各类成熟自动化及通信技术的使用，我们实现了标准化、自动化和规模化的生产，帮助企业实现了从0到1 的问题。站在工业4.0、智能制造、工业互联网的时代大背景下，要解决的是如何以生产中工业数据（来自于人机料法环）作为生产资料，以云计算、大数据、人工智能等技术为生产工具，更有效的提升企业生产力、优化运营管理能力及业务模式创新的问题。

      接下来笔者将通过一个实际的污水处理行业的案例，来说明如何使用MindSphere来帮助用户实现数字化转型。

污水处理行业简介

      谈到污水处理这个行业，绝大多数人都会觉得很陌生，仿佛跟自己的生活八竿子打不着，但如果你下次有机会仔细阅读一下你家的水费单子，里面会有一项明确列出代收污水处理费。污水处理是为使污水达到排入某一水体或再次使用的水质要求对其进行净化的过程。污水处理被广泛应用于建筑、农业、交通、能源、石化、环保、城市景观、医疗、餐饮等各个领域，也越来越多地走进寻常百姓的日常生活。所以实际上，污水处理和我们每个人的生活息息相关，每个城市也都有大量的污水处理厂。正式因为有了污水处理这个行业的存在，才能保证我们的城市生活健康持续的运行，环境不被生活和工业废水污染，江河上游的水得以回流，整个城市和生态能够持续的运转。可以说，污水处理是一个关乎到国计民生的重点工程，是和自来水，电，天然气同等重要的关键保障行业。

      可能你还不知道污水处理厂长什么样子，下面是一个典型的污水处理厂的鸟瞰图：

        一般城市的污水处理厂的工艺分为三步：

1)     一级处理（物理处理）

简而言之，这个步骤就是需要通过物理的方式，将工业生产和生活中的废水中的固体给拦截住。一般来说，粗格栅用于处理较大固体，细格栅用于处理3mm以上的固体，膜格栅用于处理1mm以上的固体，曝气沉砂用于去除污水中的砂。

2)     二级处理（主体工艺）

这个阶段主要是在第一阶段固体杂质被清理干净的基础之上，通过在生化池中投入有机化学药品，让微生物分解掉水中的细菌和有机物。这些化学药品通常是聚合氯化铝（简称PAC）、聚丙烯酰胺（简称 PAM）、聚合硫酸铁（除磷化物）等。

这个过程又分为三个阶段，行业内称为AAO段（Anaerobic-Anoxic-Oxic）。分别为Anaerobic厌氧阶段，Anoxic缺氧阶段，Oxic好（hào）氧阶段，厌氧阶段的工艺是需要保持水中的含氧量（溶解氧溶度，单位：mg/l）保持到最低值，缺氧阶段则需要溶解氧浓度较低，好氧阶段的工艺则是需要保持水中的溶解氧溶度保持较高值。

3)     三级处理（深度处理）

经过第二阶段的处理，水中的细菌和有机物被微生物分解掉之后，死去的微生物会像泥巴一样漂浮在水面上，需要用到膜池将水中的“泥”留下，出来的水基本将会变得基本清澈。

       但是这个水还是不符合排放和循环再利用的国家标准的，还需要经过紫外线消毒来杀死水中大肠杆菌。

      通过上述三个步骤，肮脏和臭气熏天的污水将会变得清澈透明，也能够满足国家要求的排放标准了。处理过的水会用于城市道路洒水车辆，用于浇花和冲洗马路，也会用于洗车和其他工业行业的清洗用途，还会直接排入江河，作为江河干净水的补充。

污水处理行业的客户痛点及数字化转型方向

     污水处理行业已经存在了很多年，传统的自动化和IT信息化建设已经完成，整个处理过程基本上都是自动化的，无需人工干预，貌似不需要数字化，不需要智能制造，不需要工业4.0，这么多年也都这么过来了，那么这个行业的客户如何实现数字化转型，或者说转型的意义何在呢？

     首先我们必须了解这个行业的业务痛点，通常来说，污水处理行业的业务痛点有以下几点：

1)     关键设备的稳定性

每个工业行业都有自己的关键设备，对于污水处理行业，鼓风机是整个工艺过程中最核心的设备，尤其在二级处理（主体工艺）阶段，通过鼓风机的持续风力输入，保证了投放到污水中的化学药品和微生物能够在氧气和风力的综合作用下，对水中细菌和有机物进行充分的降解。对于一个小型的污水处理厂而言，通常需要8台左右的大型工业鼓风机持续的工作，如果其中一台鼓风机出现了运行故障，会导致工艺过程达不到要求，出水质量受到严重影响，不得不停止生产，对设备进行维护和检修。对于一个小型的污水处理厂（处理量10万吨）而言，一天的停产导致的直接经济损失是30万人民币左右。

2)     生产成本和出水质量

出水质量可以说是污水处理行业考核指标的重中之重。据统计，就单一个四川省，2019年纳入到国家环保局监管的污水处理厂就有将近400多家，仅成都就有将近40多家。如果出水质量不过关，对于一个污水处理厂一次的罚款金额是10万人民币，一天会记到12次，罚款会按排放出去的超标水的水量记。国家对整个污水处理行业出水质量的高标准、严要求可见一斑。

出水质量通常由化学需氧量(COD），生化需氧量（BOD），总需氧量（TOD），总有机碳（TOC），总氮（TN），总磷（TP），PH值，重金属等指标来综合评定。这些指标一般是由生产工艺中许多参数所决定的，根据来自于这个行业客户的多年经验积累，影响到最终出水质量的工艺参数通常有进水量，曝气量，加药量，回流比这么几个工艺指标。

下图是一个典型污水处理厂的成本分析图，除开设备作为企业的固定资产，能耗（设备用电）和主体工艺的化学药品投放量几乎占据了企业大部分的运营成本。

因此，溶解氧溶度，进水量，曝气量，加药量，回流比等等工艺因素融合在一起，往往让用户无所适从，不知道应当如何是好。目前这个行业的用户多数是通过DO和ORP传感器来探测溶解氧浓度，并通过PLC将数据上传到SCADA系统中，以用户报警和人工计算的方式来进行曝气量参数的调节。一切需要依靠经验来拍脑袋，至于出水质量嘛？随缘就好。。。

此外，不同于生活用电，对于工业用电来说，电价是阶梯状的，并且每周都会有电价的波峰和波谷。如果曝气量，或者说鼓风机的运转功率始终保持恒定的高位，会导致高昂的电费成本；但是如果为了节省成本而调低曝气量，又有可能导致最终出水质量受到影响，从而受到相关部门的处罚。

所以用户往往需要在电价的高峰时期，能够适当的降低曝气量，或者稍微提高药品投放量，在最节省电费的同时，又能够保障出水质量满足合规的要求。那么这里所谈的“适当”或者“稍微”，对于用户来说是缺乏具体数据来支撑的，具体的调节数量往往都只能依靠拍脑袋，靠经验。

3)     设备维护维修

工业鼓风机设备复杂程度较高，稳定性和可靠性也比较好，设计使用年限都在10年以上，出现大故障的概率不是太高，但是日常的报警信息还是很多。通常用户方也缺乏对设备故障码信息的足够了解，一旦出现了报警信息，往往需要设备厂家的员工出差到现场来进行诊断和调试，抛开人力和差旅成本不谈，往往调试的结果也仅仅需要针对某些模块或者部件进行状态复位即可，不会导致设备停机影响到生产，用户方却不得不为此付出高昂的差旅成本，同时问题也不能及时有效的得到解决。

      在了解了污水处理行业的流程和业务痛点后，才能针对客户的需求有的放矢，制定数字化转型的方向。而这些问题，都可以通过云计算、大数据、物联网、人工智能、AR/VR等新技术的综合利用来解决，MindSphere工业物联网平台大显身手的时候到了。

MindSphere简介

      MindSphere平台的整体功能和架构如下图所示，主要由3个部分组成：

1)     MindConnect，MindSphere提供了各式各样的数据连接选项，用于现场工业设备和传感器的数据采集。MindConnectNano和MindConnectIoT2040这两个工业物联网网关，帮助帮助用户安全快速可靠的把现场PLC中的数据上传到MindSphere云端的时序数据库中，支持的协议包括Modbus, S7, OPC-UA等；也可以通过IoT Extension实现对非工业协议如HTTP,MQTT, COAP等协议的支持；也可以通过IoTIntegration实现对企业IT系统的数据连接。

2)     MindSphere云平台，平台提供了对IoT设备建模和数据的采集、存储、可视化的基础功能，并通过规则警报制定、可视化开发、智能报表、分析API、后台基础服务等功能，为上层应用开发提供支持。同时提供了诸多的功能和服务针对IoT数据进行分析和处理，如边缘计算振动分析，基于Node-Red的IoT业务流快速开发，预测性分析API等。

3)     MindApp，用户能够基于MindSphere云平台提供的基础服务和API开发各类面向特定行业的工业App，并且能够快速的复制和推广到同行业。

MindSphere帮助污水处理行业实现数字化转型

      传统的工业里面，并不是没有数据处理。但是原本的数据采集、数据处理、数据分析和反馈，都是分散在不同系统里面，一方面无法处理海量的工业“大“数据，另一方面也无法保证实时性。我们经常看见工业企业里面，很多数据分析人员被迫从不同的控制系统中手动导出一些数据文件，通过手工的方式进行交叉关联和标注，并编写相应的Python、SPSS程序实现统计分析和建模，然后再提取一些现场数据进行验证，条件好的企业，还会请一些外部的合作伙伴将其开发成应用。这种处理和分析的效率实在是很低下，但确实是一种普遍现象。

      MindSphere作为工业物联网平台，能够为用户提供一站式的解决方案，包括工业数据采集，数据存储，数据分析，应用程序开发支持等。由于绝大多数污水处理厂都已经完成自动化的改造，现场除了PLC之外，通常还有SCADA系统，用于实现数据监控、报警、仪表等功能，可以通过OPC-UA Server快速的将相关数据上传到MindSphere（如之前所讲的溶解氧溶度，进水量，曝气量，回流比等工艺参数）。

      整体系统架构如下，可以看到，MindSphere的目的不是为了取代客户现有的SCADA系统，SCADA系统用于生产现场的作用依旧不可取代，但是SCADA系统不是为了存储海量工业大数据和运行离线或者在线实时分析而生的。在云端，我们将通过MindSphere提供的各种功能和服务，来对用户的工业数据来进行处理，并且能够通过PredictiveLearning，用机器学习和数据驱动的方式，来发掘的隐藏在出水质量和工艺参数直接的“密码”。

      利用MindSphere提供了的Asset Manager，能够帮助用户建立IoT数据模型，能够面向数据变量、子部件、设备、产线、工厂、跨工厂的级联型模型，方面用户进行设备资产的管理，以及IoT数据采集点的定义。

      而MindSphere提供的Fleet Manager，让用户能够在云端集中的查看所有工厂下所有产线下所有设备中采集的数据点，并且能够定义报警规则和响应事件，以最简单的方式实现多工厂、多产线条件下的远程状态监控。同时，用户还能以手动和API调用的方式，将设备运行所生产的日志信息以文件的形式存储在云端，方便工程师日后结合设备运行的历史数据进行分析。

      上图是在FleetManager中查看某台设备（鼓风机，或者是从PLC读取过来的传感器数据）的数据，数据存储在MindSphere在云端提供的时序数据库当中。时序数据库的性能、稳定性和可靠性、弹性扩容、容灾备份和打补丁升级等全部无需用户关心，交给MindSphere后台的云计算技术帮助你解决就好了。我们需要做的，是利用好FleetManager提供的数据为我们服务。例如，通过在FleetManager定义面向特定故障信号的报警信息，可以及时的把信息发送给设备制造商，设备制造商就可以远程实现鼓风机的故障针对，并且及时给用户方以维修维护建议。也可以通过MindSphere提供的API，在Cloud Foundry环境中部署一个应用程序，以微信小程序的方式，由用户方提交故障诊断申请给设备制造商。这样就能够很大的程度上避免设备制造商工程师耗费大量的人力物力和时间成本在路上。另外，通过跟AR/VR设备的结合，还能让设备制造商工程师远程通过AR/VR设备来对设备进行诊断和维修指导。

      前面有提到，如何在保持出水质量满足国家监管要求的前提下还能够最大化的降低污水处理的生产成本呢？答案隐藏在溶解氧溶度，进水量，曝气量，加药量，回流比等工艺参数当中，是我们无法通过肉眼来得到答案的。必须借助机器学习的力量来为我们找到答案。在MindSphere，提供了Predictive Learning模块，让用户通过数据来训练机器学习模型，再通过模型来指导实际生产。MindSpherePredictive Learning结合了分析，统计和机器学习算法，可提供对数据趋势的洞察利用所使用的数据来识别事件的模式和顺序，这种数据洞察力使您能够展望未来，优化系统以产生最高水平的产品性能和质量。MindSphere Predictive Learning界面为数据科学家，业务分析师和应用程序开发人员提供了强大的工具和友好的使用界面。

      通过大量数据的训练和参数调整，模型就能够根据溶解氧浓度作出鼓风机风量的预测，这样用户就能够根据当前电价的情况，再保证最终出水质量合规的同时，将风量维持在一个较低的档位，以最大程度的减少电力成本。

      通过大量数据的训练和参数调整，模型就能够根据溶解氧浓度作出鼓风机风量的预测，这样用户就能够根据当前电价的情况，再保证最终出水质量合规的同时，将风量维持在一个较低的档位，以最大程度的减少电力成本。下图是某污水处理厂在使用MindSphere之后，与之前依靠纯手工，非实时的方式进行工艺计算前后能耗的对比，平均一个小型的污水处理厂，一个月能够节省的电费大概是几万到十万不等，同时还有效的降低了氮的的排放量和生物能耗，体现的数字经济的价值可见一斑。

      实际上在各行各业，都有类似的数据分析和模型算法的积累，也有很多的客户都在基于MATLAB、Python和SPSS做一些行业模型的积累。下一步，MindSphere将会致力于融合更多的工具现有的模型，通过利用MindConnect采集到的数据，和云端近乎无限的算力，来为用户挖掘蕴藏在生产数据中的“宝藏”。

总结

      综上，我们通过污水行业工艺过程介绍和业务痛点的分析，让您对这个听上去可能有点陌生的行业有了一些了解，但这个行业的特点和痛点于很多流程制造业来说有很多的相似处，都是需要提高设备的稳定性和可靠性、提高最终产品的质量、降低能耗、并且能够远程指导设备维护维修等。