“在职”优化如果将学习算法应用到各种异常复杂的系统中，它们几乎可以全部变成维护需求、产量更高的系统。例如，医疗设备、配电系统、燃气轮机和风电场等。

好莱坞喜欢拍一些智能机器人的电影。只要想想商业大片《变形金刚》中那些无需人工控制的自动机器，就会对此了然于心。但现实却是另外一回事。大部分观众可能并不了解研究人员已经取得了巨大进展，现在研发出的机器已具备学习能力，并能够独立行动，当然，它们都是为了造福人类而开发的。

位于新泽西普林斯顿的西门子美国研究院（CT）正在开展这类研发工作。该院知识决策系统项目经理Amit Chakraborty带领的一支团队，正在为电力公司开发一种新软件。该软件通过分析上百万个数据记录，掌握人们的用电习惯。，系统就可以独立预测用电需求。未来“智能电网”的主要目标就是平衡用电和不断波动的电力供应，例如来自太阳能电站以及风电场的电力之间的关系。“可持续发展的能源系统可调节用电负荷，以适应产量不断波动的可再生能源发电，”Chakraborty说，“因此，我们必须开发让电力公司做出准确计划的方法。”

2011年底之前，Amit Chakraborty的团队将在试点项目中用真实的用电数据对新的软件进行测试。首先要对消费者的用电数据进行研究。为此，他们将会从数百万使用智能电表的消费者中收集相关数据。收集的数据会包括以下信息：用电量及用电时段。西门子的研究人员将会把从试点项目得出的结论和气象数据以及特殊事件（例如棒球决赛）信息结合起来。他们将使用这些原始数据为软件开发训练数据。然后，软件的算法将会地预测出短期用电负荷。

负荷预测并不是一项新发明。大家都知道，假期时数以百万的火鸡被放入微波炉时所造成的峰值负荷。但是这种粗糙的预测还不能满足可持续发展能源体系的要求。在美国，电力公司在管理负荷方面多年来一直依赖于市场规律。如果供电量增加，用电成本会下降。相反，电力供应紧张时，消费者就会减少用电量，否则就要多花钱。但是这种“需求响应”并不总能有效地发挥作用。如果消费者的行为和预期的不一致，电力公司就必须马上生产或购买更多的电能。这种规律常常失效，并会产生更多的温室气体。“为避免这一情况，我们必须能够预测消费者在任何特定时刻的行为，”Chakraborty指出。

机器学习可以帮助降低扩建电网的成本。例如，Michael Metzger博士正在为西门子在慕尼黑开展的一个“智能电网”项目研究电网自动化。他和西门子中央研究院的其他一道开发出了一种学习算法，可以使用传感器测得的数据来计算电网的结构。“几十年以前埋下的供电电缆有多少，位置在哪里，现在一般基本找不到这种资料了，”他说。为了获得这种有关电网隐藏部分的基本信息，在电缆网络内安置了传感器。传感器可以提供某个位置的电流和电压数据。有了这种信息，就可能推断出电网结构。“电网运营商掌握这种信息后，就可以知道网络内有多少电力及其分布情况，” Metzger说到。西门子正在德国南部肯普滕市Allgäuer überlandwerke电力公司的部分电网中检验该估算方法。

查明故障信号。在服务行业，机器学习将会带来革命性的变化。西门子研究人员如今已不再满足于发现医疗诊断系统等昂贵设备出现故障后再去解决，而是要往前跨一大步。西门子美国研究院的Fabian Mörchen博士正在研发知识决策系统领域的学习系统，他说：“我们开发的程序可以有效预测核磁共振成像设备或核医学系统什么时候会发生故障。”这种方法的原理是，很多机器在发生故障前会发出预兆。Mörchen说：“关键是找到这种信号，并让它们可被察觉到。”这种信号包括电流、电压、噪声、震动、气压以及温度等的变化。

机器自带的传感器可以检测出自身的异常情况。在了解如何判断机器是否正常运转后，研究人员和其学习系统使用数据挖掘技术找出异常模式。一旦将一系列模式和某个故障联系起来，Mörchen团队就可以开发出相关算法，来训练计算机程序。这样，程序在处理之前没有见过的数据时也能够识别出这些模式。比如，MRI扫描器的低温氦泄露时，温度和压力只是发生了微乎其微的变化。得益于早期预警算法，西门子医疗的技术人员才盯住了这个问题，在机器出现故障前就修复了制冷系统。如今，在这种软件的帮助下，西门子服务团队不仅仅监视着3,500台MRI扫描仪，还可以进行预防性维护。这一战略使过去三年间的维修成本降低了580万美元。

西门子美国研究院的研究员Ciprian Raileanu领导开展的一个项目，是这类研究项目的先驱之一。开发的成果被用来监控桥梁。当时，美国交通部正想优化全国境内大约650,000座桥梁的维修工作。Raileanu团队和普林斯顿附近的罗格斯大学及其基础设施和交通研究中心联合开发了一种解决方案。

自主学习提高了风电场的发电量，相当于增加了一台风电机组。

Raileanu说：“根据桥梁传感器资料、检测、气象资料、桥梁基建图等历史数据和来自警方的事故记录、照片等，系统能够独立判断桥梁的状态。”他还补充道：“我们还从这些纷杂的数据中找到了模式。”在这些模式的基础上，相关算法可了解由于某些因素共同作用可能会导致怎样的后果。例如，如果某座桥梁于1976年建在强降雨地区，并使用了梁铁，那么，30年后桥墩很有可能就会出现裂缝。美国交通部自2008年以来就一直在使用这种桥梁监视程序。

英国和俄罗斯的铁路公司用于监视其列车车队的全新系统也以该程序为蓝本。这种学习软件使用的数据一部分来自火车各种子系统上的传感器，比如监视刹车和车门的传感器，另一部分则来自列车时刻表和故障。这种被称为列车远程服务桌面（RRSD）的系统综合所有数据，计算出某个时刻每辆列车的位置，判断是否需要对其进行维护等。目前，RRSD正在监视175辆列车——西门子不仅提供软件，还提供自动化部件。

使用神经网络，学习系统可以预测轮机的运行标准及其排放量（如需了解更多信息，请参阅第54页）。

驾驭复杂数据。学习软件的另一个主要应用领域是燃气轮机——在这方面，学习软件的基础主要是神经网络。这种系统能在数秒之间作出关于排放量和轮机运转情况的预测。轮机受无数因素之间复杂关系的影响，研究人员一般只能通过统计手段去评估，因为很多值都只能粗略地估算出来。传统的数学公式需要的数字，因此在这种研究中不是很实用。但想要使轮机达到长的使用寿命，实现的运转状态，同时将其排放量降到，就必须地估算并预测数千种设置的影响。

为此，位于慕尼黑的西门子智能系统与控制技术领域（GTF）部门的Volkmar Sterzing及其CT团队开发了一种可以实现以上功能的新方法。使用所谓的递归神经网络，研究人员可以描绘燃气轮机的整个运转过程，并准确预测其产出。Sterzing解释说：“过去，我们只能了解到这些过程在某一时刻的状态。而现在，使用这个新方法，我们可以掌握在这个特定时刻之前及之后的运行情况。”Sterzing表示，利用这种方法，研究人员不仅可以查明过去发生了什么，还可以预见未来会发生什么。这种动态的描绘可以确认其中的变化，充分利用有利的变化，同时弱化可能产生负面影响的变化，并相应地调整维保计划。

未来，个人能源代理将使用装有学习软件的电表箱（左图）来操作顾客和电力公司之间的电力交易。

CT研究人员已经将他们从燃气轮机中学到的知识应用在相关领域内，例如优化风电机组及整个风电场。作为热心航海比赛船员的一份子，Sterzing知道在比赛中每时每刻都需要关注波浪、风速和对手的船只，这样才能决定驾驭船只的方式。否则，如果无法预测未来的变化，就不能规划合适的路线。在这种办法的启发下，他为风电机组发明了一种软件系统，这种系统的基础是能够测量大约十种因素的传感器，包括风速、乱流度、温度和气压。算法将这些数据和风电场发电量联系起来，这样软件就能够从数以千计的关系中学习并学会如何在新情况下应用已有的知识。

西门子研究人员现在正在测试该系统。

随着对不同情况的学习，系统越来越擅长独立预测，知道哪种情况下，旋转叶片的入射角或发电机速度快慢的改变，使得风电机组能够从风中获得的产出。这种方法可以将风电机组的产出提高0.5个百分点。听起来似乎不多，但是对一个大型风电场而言就是很显著的效果。在过去的六个月里，瑞典Lillgrund风电场进行的实验已经表明，正是得益于从自己的行为中独立学习的能力，即所谓的自主学习，风电场提高了发电量，这相当于额外添加了一台风电机组所生产的电量。从声音中学习——高效节能

将电弧炉中的铁块熔炼成钢板会产生大量噪声。重量各异的铁块，有的甚至像汽车那么大，在三个强大的电弧下熔化时来回滑动。虽然电弧的温度高达一万摄氏度，有时也不能将熔化的铁块焊接起来，而将能量消耗到炉壁上。熔炉产生的噪声震耳欲聋。三相交流电电极的电弧产生大约120分贝的噪声，比喷气式飞机的噪声都大。Detlef Rieger是慕尼黑西门子中央研究院的非破坏性试验技术领域（GTF）部门的项目经理，Thomas Matschullat就职于爱尔兰根的冶金技术部门。正是这样巨大的噪声使两位科学家不得不认真思考这一问题。两人想知道该如何监视和控制熔炼过程，以减少能源的浪费。

他们在熔炉外壁挂上传感器，这样就可以测出熔炉内部产生的声波。除此之外，他们还持续不断地监视电极产生的电流。Rieger说：“把电极数据和声波测量结果结合起来。我们的算法可以计算出电弧和炉壁之间产生的是哪种声音振荡。通过这个信息，我们可以推断出熔炉内部每时每刻的情况。”在熔化的初阶段，系统已经掌握足够的信息可以确定熔炉内部各个铁块的位置，从而判断出单个电极的输出是增加还是减少。在熔炼的第二阶段，确保铁块中碎屑异物形成的矿渣尽可能均匀地分布在熔化的金属表层，这很关键。为此，将煤灰吹入熔炉中，在矿渣上形成一层一氧化碳泡沫。这一层泡沫保护了电弧和熔化的金属，避免炉壁的温度过高。这样就减少了能源消耗。软件不断地通过解读声波数据来测量含有泡沫的矿渣是否足够厚，分布是否均匀，因此该过程被命名为“IMELT Foaming Slag Manager（IMELT泡沫煤渣管理器）。”德国的两家炼钢厂和白俄罗斯的一家炼钢厂都在使用这个系统，并成功地将能耗降低了2.3%。Rieger说：“例如，按照100吨钢材的成本计算，差不多相当于每小时节省了920 度电。”而且，炼钢厂每年的煤炭消耗量降低了25%，二氧化碳排放量减少了12,000吨。