水利工程智慧之路的探讨——从通用IT到知识自动化再到数据智能

【摘要】水利工程作为典型的工程学科，理论和实践经验丰富。目前，由于我们对工程安全的认知等原因，基于数据的人工智能在水利工程上还没有实际应用点。水利行业通常采用知识自动化的方法来“获得”智慧，即通过对信息的数字化和碎片化，用数据可视化的方法来找到规律，提供决策。本文通过对通用IT技术、工程IT技术、传统工程信息化和数据智能工程的分析和对比，提出了从通用IT到知识自动化再到数据智能的水利工程智慧之路。

【关键词】水利工程 智慧 数据智能 知识自动化

1、概述

水利工程信息化和国家信息化战略一样，经历了“十一五”的“以信息化带动工业化”，“十二五”的“信息化与工业化深度融合”。面对今天的“没有信息化就没有现代化”，我们仍然需要思考最初的问题，水利工程智慧和现代化需要什么样的信息化。

十多年来，水利工程信息化以采集、传输和存储为信息化的核心，为我们打造了基于通用IT技术的水利工程信息化基础设施，同时也培养了用信息化解决问题的基本理念。今天的水利工程现代化需要智慧。那么，如何让水利工程具备智慧？需要我们认真思考。

目前，一个基本共识是，基于通用IT技术的水利工程信息化已经碰到天花板。今天，水利工程智能面临两条路可供选择，一是以“可在线复用的水利专业经验和知识管理”为手段，以工程全生命周期管控为核心的知识自动化之路。二是以“可分析和训练的水利大数据”为核心的数据智能之路。这两条智慧水利之路都值得去不断研究和探索。

2、以知识自动化和工程全生命周期管控为核心的水利工程信息化

（1）水利工程的知识特点

水利工程作为一种典型的工程学科，其特点是理论与实践相结合。某些工况十分复杂，涉及人员、机械、材料、方法和环境，以及岩土学、水力学、工程学、动力学等众多学科，多种因素关联偶合在一起，纯理论逻辑推导不能找出原因或得出结论，需要在实验室环境下将各种因素综合在一起，只研究主要因素对结果的影响。更多的时候需要在实践中不断积累和总结经验，得出结论。也就是说，水利工程的大部分理论知识来自于实践和实验的研究。

由于水利的复杂性，有些现象在实际上表现出与实验室模型不同的特性甚至在实验室中无法观察到，即所谓的“放大效应”，其本质还是对某些因素考察不清导致没有正确预测。此时，我们是从实际工程的反馈，来扩展水利工程的知识。另外，从水利工程运行中，还可以得到大量的操作、维护、安全方面的、超出实验室研究范围的经验性知识。

（2）知识自动化

将经验转化为数据，将数据转化为知识，将知识融入到自动化系统中，即知识自动化，是智慧水利工程的核心。

对于水利工程而言，知识基本已经融入到最初的设计中和运行的自动化控制中，已经有70%以上实现了知识的自动化；而流域联合调度、防汛抗旱、水资源调配等知识，主要涉及资源利用、灾害预警、人员管理的知识还是存在于各种应急预案中，和作为经验存在于人脑中，这方面离知识自动化还有一定的距离。

智能化的核心是 “数字化、可视化、模型化、自动化、集成化”，要让计算机来解决问题，将问题数字化并抽象为数学模型。

水利工程的信息可以分为经验型、问题型、建议型、反馈型、管理型、措施型、突发型、动态型、预测型、综合型等10类。这些信息、经验和知识可以通过信息技术来数字化和碎片化，通过数据可视化分析找到规律，然后将规律转化为数学模型，再通过计算机对数学模型自动求解、自动决策，将决策或结论自动传输给上一层或者下一层，从而达到集成化。这个完整的过程就是知识自动化，知识自动化将人从重复性工作中解脱出来，专注于创新和高附加值的活动，显然它对人才的要求变得更高。因此，知识自动化是今后水利工程信息化、智能化的重点方向之一。

（3）以工程全生命周期管控为核心的信息化

与传统基于通用IT技术的水利工程信息化不同，以知识自动化和工程全生命周期管控为核心的水利工程信息化，必须基于专业IT技术才能实现。从通用IT与工程IT对比的这张图可以看出，通用IT技术和工程IT在很多方面存在不同。

首先是主导人员不同，通用IT是以信息中心为主导，IT人员主导全过程；工程IT则是以工程技术人员+工程IT工程师主导。

第二，通用的信息采集以智能为核心，工程IT以工程为核心。

第三，通用IT注重流程控制，工程IT注重过程控制。

第四，通用IT强调的网络安全在边界防护和数据备份，工程IT的网络安全更注重运行安全、稳定和可靠。

从这个简单的对比，我们可以看出，建立工程IT的基础和必备条件是“信息记录”“工程管控”形成智能反馈闭环的物联网平台，建立以工程为核心的IT架构。

图2.1通用IT与工程IT对比图

3、水利工程数据智能有很长的路要走

（1）数据智能的本质是数据

1986年，杰弗里·辛顿（Geoffrey Hinton）与同事大卫·鲁姆哈特（David Rumelhart）和罗纳德·威廉姆斯（Ronald Williams），联合发表了一篇突破性的论文，详细介绍了一种叫作“反向传播”（backpropagation）的技术。普林斯顿计算心理学家乔恩·科恩（Jon Cohen）将反向传播定义为“所有深度学习技术的基础。”然而在近30年里，深度学习一直沉寂，直到神经网络在互联网时代找到了海量数据，激活了深度学习的强大生命力。

过去，训练一个神经网络的最大问题就是没有足够的数据量，几百个数据样本就算是大手笔，而今天凭借巨量的数据，人工智能的精准度大大提高。大数据让深度学习突破了其它方法的天花板，成了时代的宠儿。这种人工智能是否适合水利工程，或者说对水利工程的建设和管理能够产生多大的作用，水利工程能否借助这一波人工智能而获得智慧，成为“智慧水利工程”，是需要认真研究的问题。

（2）水利工程的数据智能目前仍有三方面问题：

第一，水利工程作为较严格的受控系统，数据虽多但是单调。由于工程运行过程被各种控制系统严格控制，运行平稳，所以产生的数据虽多但分布窄，无法采用人工智能从这种信息量少的大数据中提取出规律或知识。1千个、1万个相同数据所含的信息量和1个数据一样。较低的信息量以致无法挖掘知识。

第二，水利工程作为人工设计系统，设计之时设计者已经清楚工程的内在特性和机理，已经知道工程的数学模型。无需再使用人工智能去挖掘、发现知识。即使在机理不清或边界不定时，一些常规的、传统的数据分析方法已经足以应对工程中的问题。

第三，水利工程对系统的可靠性、安全性要求不接受人工智能系统产生的黑箱知识。水利工程对安全性和可靠性的要求极其严格，万一发生事故都是灾难性的，对环境和人员生命带来的损失是不可挽回的。人工智能完全依靠系统的输入输出数据产生一个黑箱模型。这种黑箱模型应用时，一是无法根据模型找到故障或者问题的原因，二是难以对模型的可靠性作评估。

（3）数据智能与传统信息化

数据人工智能比较适合系统极其复杂（以致难以研究机理）、对系统因果性和可靠性没有严格要求的人类智力活动，人工智能都正在金融、商业、医学三大领域产生革命性变革。

而工程技术领域由于本质上就是对因果性和可靠性的追求，科技工作者和工程师长期对数据的重视和应用，人工智能从知识发现和提取的角度还十分有限。

虽然基于数据的人工智能的概念现在非常热，讲了无数故事，吸引了无数投资，但是短期对水利工程的影响还十分有限。

今天，基于数据智能技术最大的成就是声音、图像的处理识别。因此，工程的监测、预警、预维护是大数据技术在水利工程领域少许的几个可行应用之一。这种应用一方面需要新型传感技术将位移、渗流、水质、水量、温度、振动、声音、图像、电流等信息融入监测模型中，一个关键特征信号可以代替几十个关联较弱的信息。另一方面需要相应的信息处理方法和算法，高级模式识别技术，将信息同问题和决策关联起来。

在这里我们将传统工程信息化与数据智能工程做一个模型对比如图3.1。

图3.1传统工程信息化与数据智能工程的数据模型的对比图

从传统信息化与数据智能工程对比的这张图可以看出，传统IT技术和数据智能工程在很多方面存在不同。

首先是主导人员不同，传统工程信息化是以信息中心为主导，IT人员主导全过程；数据智能工程则是以工程技术人员+数据分析工程师主导。

第二，传统IT采用的是信息采集技术，采集的是重要信息；数据智能工程将采集变为记录，记录了所有信息。

第三，传统IT采用统计分析的方法建立算法，以结构化数据为基础进行分析；数据智能工程采用的是大数据为基础，建立数据模型后进行机器学习。

第四，传统IT形成的产品是以表格方式，地图方式展示，服务对象是人，作为辅助决策来使用，具有一定的延时；数据智能工程形成的产品是数学模型，同时对人和机器形成适应各自的“可视化”，为机器直接决策服务，即时反馈结果。对机器的可视化，人是无法理解和看懂的。

从这个简单的对比，我们可以看出，建立数据智能（智慧）工程的基础和必备条件是“记录信息”“建立算法（模型）”形成智能反馈闭环的物联网平台。只有建立这三步基础工作，我们的工程才有智慧的可能。

以上模型只是针对水利工程的信息化和智能化进行了分析和对比。可以看出智能水利工程（基于大数据的机器学习方法的弱人工智能）是以大数据为基础，这个大数据在水利方面还要同时打通水文、水资源、水利工程三大水利数据，以及其他外部数据。在这个数据的基础上建立模型，最后形成智能反馈闭环的物联网平台。

4、结语

今天，基于大数据的人工智能还缺少在水利工程上的应用基础，但是依靠知识、经验的数字化、自动化已经相对成熟。水利工程需要围绕水文、水资源、水生态和水工程的知识自动化来实现“智能”。

工程调度是一个水利工程的核心，水利行业的调度运行基本已经实现无人值班，少人值守，但是中央控制室还是坐着人，通过电脑屏幕观察和监测着运行过程，随时准备人工远程干预甚至去现场干预。实际上，我们的运行并非一成不变非常稳定，生产效率也并非达到最佳。一个水利工程并非做到自动化、无人化就算实现了智能化的目标，新目标已经不是满足工程稳定在一个状态，而是让工程自动运行安全且效率最优的状态。工程更具备柔性以快速应对需求。

水利行业“智慧”的架构早已确定，即在基础设施、数据中心、应用决策这三个层次实现知识自动化和智能化。我们应该一方面脚踏实地，用知识自动化不断完善这个框架，另一方面积极在数据智能领域不断探索。

参考文献：

1.The Open Group 著张新国等译《TOGAF标准9.1版》机械工业出版社 2016.9

2.【美】佩德罗.多明戈斯著黄芳萍译《终极算法-机器学习和人工智能如何重塑世界》中信出版集团 2017.1

3.吴军著《智能时代-大数据与智能革命重新定义未来》中信出版集团 2016.8

4.徐子沛著《数据之巅-大数据革命，历史、现实与未来》中信出版集团2014.5

5.Nicolai M.Josuttis 著《SOA in Practice》 O‘REILLY’ Media INC 2008.3

6.爱德华.克劳利布鲁斯.卡梅隆丹尼尔.塞尔瓦著爱飞翔译《系统架构-复杂系统的产品设计与开发》机械工业出版社 2017.1

7.罗伯特.S.韦甘特著张其林吴杰译《BIM开发-标准、策略和最佳方法》中国建筑工业出版社 2016.7

本文转载自《水利规划与设计》2017年第12期