ChatGPT在工業領域的研究與應用探索-AI助手實驗應用

        為什麼我的工作效率和質量要比其他人要高，因為我的電腦裡有程式碼庫、產品庫、方案庫、自己工作經驗資料庫等，根據一個應用場景或需求能夠很快關聯到想要的資料，並且整合成新的方案。我的核心競爭力是什麼？各種資料庫、匹配資料的邏輯和快速找資料的能力。

       ChatGPT的核心是什麼：資料（各種資料庫）、演演算法（匹配資料的邏輯）、算力（快速找資料的能力），其實與我的個人競爭力是一致的。但是前提條件得有基礎資料，演演算法和算力才能發揮到極致。

ChatGPT與工業領域結合應用，有些人是新瓶裝老酒，老問題試圖用新技術來解決，例如：工藝優化控制、質量提升、生產計劃優化和裝置預測性維護等。我並不認為新技術出來就立刻能解決老問題，因為工業具有它的特殊性。

        對於工業來講，一是沒有基礎資料，二是無法立刻解決老問題。這種情況下，ChatGPT如何與工業相結合呢！我就是ChatGPT、ChatGPT就是我，達到我即是佛，佛即是我的境界。我把日常工作記錄輸入給ChatGPT，把它培養成我的工業AI助手，是不是將來它會變得和我一樣強大。至少，我認為這是發展過程中可以選擇的路徑。

      場景實驗過程：

      1.ChatGPT您好，我叫唯笑志在，是一個工業生產企業裝置方面工程師，我們的主要生產車間包括：迴轉窯、水浸中和、萃取轉型、碳銨沉澱、鍋爐和環保等。我每天的主要職責是：巡檢各車間的裝置、監測裝置的主要引數、管理裝置生命週期資訊等，總之是保障生產過程中的裝置穩定執行。每天上班過程的資訊會在下班前告訴你。

       ChatGPT回覆：

       2.ChatGPT您好，請記錄我今天的工作記錄。2023年6月1日，對電機一驅動端進行包絡分析，得出資料：轉頻=16.8Hz（轉頻=轉速/60）；轉頻16.8Hz對應幅值=0.3g（g重力加速度）； 16.8Hz的倍頻=[33.6Hz、50.4Hz、67.2Hz]（n*轉頻）。通過資料分析得出結論：電機非驅動端時域波形輕微衝擊，頻譜中未見軸承可疑頻率，但呈現明顯轉頻及其豐富倍頻成分，說明軸承遊隙增大或存在輕微配合鬆動。分析的頻譜如下圖：

       ChatGPT回覆：

      3.ChatGPT您好，請記錄我今天的工作記錄。2023年6月5日，對電機一驅動端進行包絡分析，得出資料：轉頻=16.8Hz（轉頻=轉速/60）；轉頻16.8Hz對應幅值=0.39g（g重力加速度）；16.8Hz倍頻=[33.6Hz、50.4Hz、67.2Hz]（n*轉頻）。通過資料分析得出結論：電機（靜輥）驅動端時域波形有輕微衝擊，幅值正常，頻譜中可見電動機轉子轉頻及其豐富諧波，懷疑軸承遊隙增大或存在輕微配合鬆動。分析的頻譜如下圖：

      ChatGPT回覆：

      ChatGPT回覆：

      5.ChatGPT您好，今天電機資料分析結果：轉頻=16.1Hz；轉頻16.1Hz對應幅值=0.25g； 16.1Hz的倍頻=[33.8Hz、49.4Hz、65.2Hz]。通過資料分析可能得出來什麼結論？

      ChatGPT回覆：

      結論：問題的資料與工作記錄的資料差異較大，ChatGPT基本上是基於已有資料模型進行回答的。

     6.ChatGPT您好，今天電機資料分析結果：轉頻=16.8Hz；轉頻16.8Hz對應幅值=0.3g； 16.8Hz的倍頻=[33.6Hz、50.4Hz、67.2Hz]。通過資料分析能得出來什麼結論？

     ChatGPT回覆：

      結論：問題的資料與工作記錄的資料基本一致，ChatGPT回覆的內容符合工作記錄的描述，這樣就可以關聯出來以往工作經驗的知識。

     7.ChatGPT您好，今天電機資料分析結果：轉頻=16.9Hz；轉頻16.9Hz對應幅值=0.3g； 16.9Hz的倍頻=[33.6Hz、50.4Hz、67.2Hz]。通過資料分析能得出來什麼結論？

     ChatGPT回覆：

      結論：問題的資料與工作記錄的資料有較小差異，ChatGPT回覆的內容關聯了一部分工作記錄的經驗知識。

     基於上面的實驗過程，隨著我工作記錄的越來越多、工作記錄內容越來越完善，ChatGPT的回覆應該會越來越準確。

     實驗過程參與人員：

     王強（唯笑志在），場景和產品設計。15年的煤炭、電力、環保、鋼鐵等工業領域開發和管理經驗；自主開發iNeuOS工業網際網路作業系統，根據工業專案經驗結合工業網際網路理論和技術體系實現的一套開箱即用的工業應用系統，參與工信部工業網際網路專案建設。出版《物聯網軟體架構設計與實現》書籍。

     範福林，裝置狀態監測和故障診斷。三級國際振動分析師，10多年工程機械和風力發電機組狀態監測領域的開發和資料分析經驗。自主開發風電機組全狀態監測系統，擅長風電發電機組大部件的故障診斷。

    李孟昌，大模型技術研究與應用。擁有10年以上的工作經驗，專注於數位供應鏈、數位物流、企業數位化和AIGC領域，參與過多家世界500強企業數位化體系建設，有成熟的SaaS數位供應鏈產品。致力於工業GPT大模型應用落地，擴充大模型的內容邊界，提高大模型可控性，簡化大模型在垂直領域的應用。

    陳修忠，裝置狀態監測和資料分析。多年工程機械和大型裝置狀態監測領域的開發和資料分析經驗。

物聯網&巨量資料技術 QQ群：54256083

物聯網&巨量資料專案 QQ群：727664080
QQ：504547114
微信：wxzz0151
部落格：https://www.cnblogs.com/lsjwq
微信公眾號：iNeuOS