起重装备数字化关键技术综述*

刘武胜 段 勇 刘 浩

北京起重运输机械设计研究院有限公司 北京 100007

1 背景

在近期的一项研究中，87%的受访者认为他们的行业和业务将受到数字化的颠覆。调研结果表明：数字化领先的组织在营收增长和整体价值创造方面均优于同行；而《哈佛商业评论》研究结果显示，数字化领先与落后的2个组织之间的收入增长存在近20%的差异。由此可见，数字化技术能够帮助装备企业实现跨越式发展，实现业务从制造到制造+服务的转型，实现机械化换人、自动化减人、智能化无人。国资委则要求国有企业积极推进研发数字化、生产智能化、经营一体化、服务敏捷化、产业生态化等技术，促进传统业务全方位、全链条改造，集中优势力量攻关新技术、推出新产品、布局新基建、打造专精特新企业、培育新兴产业，助力实现高水平科技自立自强。

装备产业数字化一般包含管理数字化、装备数字化、服务数字化等。其中，装备数字化是数字技术与装备研制和服役过程深度融合，其关键点是业务驱动和技术驱动，实现装备智能升级和价值重塑的演进过程，是人、机、物三元融合万物智能互联时代的必然选择，是数字经济的物质基础。本文归纳了起重装备在向智能化、数据化、个性化、网络化、平台化、生态化的数字化发展过程中的各项数字化关键技术，以数据的采集、传输、存储、分析、优化、应用等装备全生命周期的数据为主线，把握数据核心要素，挖掘数据的价值，用数据驱动技术进步、业务发展及管理提升，实现起重装备向数图强、向智图强。

2 起重装备数字化的定义

起重装备数字化是基于网络信息技术，以数据为关键要素，实现物理设备、业务流程和业务组织的泛在连接，达到数据共享和和协同处理的新型工业模式，其关键在于打造全在线、全链接、全协同的数字化环境，通过数字化方式重塑企业的组织关系、管理结构和生产经营方式，重构客户服务渠道和相关创新能力。起重装备数字化的核心任务是建设数据采集渠道、搭建数据分析平台和数据应用平台，实施数字化设计、数字化交付、虚拟调试、数字孪生运维、可视化监控、智能管控云平台，直至数据挖掘与预测性维护、评估及寿命预测等全生命周期、全业务场景模式创新。建立立体监测、智能感知、精准识别、快速响应的装备交付与服务体系，促进特种设备的装备制造与检验检测业务互联互通，推动在线检测、风险预警、应急管理等技术应用，构建特种设备（起重机械）数智化监管系统。该系统是基于工业互联网的构架体系，可实现从数据感知到数据转换，再到信息提取和认知，最终实现智慧决策和资源的优化配置，进而解决多场景、多品类、多业务的起重装备及其各机构、各零部件的多端边接入、多源工业数据集成、数据管理与处理、数据建模分析、应用创新与集成、知识积累迭代实现等问题。基于三维数字信息模型技术，实现在役装备在线故障诊断和异常情况即时预警功能，实现工业技术、经验、知识模型化、标准化、软件化、复用化，全面提升起重装备快速感知能力、自主决策能力、实时监测能力、超前预警能力、应急处置能力、系统评估能力和特种设备监管能力，为起重装备制造企业形成研发、设计、验证的数字化平台，形成风险辨识、评估、预警、防范和管控的有效闭环管理。

3 起重装备数字化关键技术

起重装备的全生命周期数字化是新兴技术加持传统装备，融合信息化、自动化、智能化技术，逐步向高端发展、迭代升级的过程，涉及技术维度的采集、传输、计算、分析、应用等环节，包括数字身份、端边采集、边缘计算、高效传输、加密存储、大数据、人工智能等新兴技术，是一个庞大而复杂的系统工程，涉及诸多不同的技术和领域的整合及协同作用，能够帮助企业实现智能化升级和数字化转型，提高生产效率，优化资源配置，提高产品品质。

数字化技术由物理对象、模型、数据、服务、网络、算力、算法、安全等要素协同实现，涉及需求分析、环境感知、状态认知、结果预知、决策优化、智能运维、精准管控等能力，每种能力均需相应的理论方法、技术手段和软件工具支持，涉及产品的规划、研究、设计、验证、制造、试验、使用、维护、报废全生命周期各环节，涉及数字身份、感知、传输、存储、计算、控制、运维、评估、监管等环节，达到全面感知、可靠传输、智能处理、数字管控。

3.1 起重装备信息码ID技术

针对由数据孤岛导致的业务全周期应用难以贯通、由数据分层导致的数据之间难以关联的问题，信息码通过多元关联技术打通各数据分层，形成全时空要素、全时序跟踪、全业务关联的数字关系网络，并动态沉淀和融合要素的时空、行为、状态等信息，实现一码可知任意商品的前世今生，全面完整、动态现势地展示起重装备的数字化内涵。同时，以码为链可以进行全方位业务协同和全生命周期监管，助力形成特种设备数据开放融合的新生态，并协助部门之间、企业与公众之间的互联互通、信息集成共享，支撑特种设备治理场景建设。

每种起重机、每个机构、每个零部件均按一定的规则赋予身份编码，使之编码化、信息化、标准化，在数字系统里用于信息的归集、关联、共享，在设备现场用于扫码、在管理系统用于定位了解其具体信息（包括制造商、用户、检验信息以及整机类型、参数、检验情况、维修记录等）。编码在时间、空间上具有唯一性，可追溯到功能、逻辑位置、物理位置等信息，贯穿装备设计、制造、运维、监管直至报废全生命周期过程。每台起重装备及其零部件均具有唯一性基因，形成唯一和可识别的基因码。编码具有唯一性、可识性、共享性，实现一品一码，一码贯通，提高智能化运维和数字化管理水平。对于编码技术，根据国家商贸物流标准化试点示范要求，推荐采用GS1编码体系作为起重机智慧管理编码体系，实现起重机全球自动识别、状态感知、透明管理和追踪追溯。

3.2 多源异构的全景感知数据采集技术

智能感知采集技术最重要的是实现在强干扰、大范围的工业场景下人、机、物全要素的多维度自主感知与融合（即多场景智维物联采集技术），感知和收集现实世界的各种信息，将物理量转化为数字信号并通过物联网连接到其他设备或应用程序进行处理或分析，解决既能从工业现场采到多维度、多类型数据也能将数据回馈到现场的问题，实现全天候、全要素、全过程的全场景实时监测与感知，实现起重装备更高效、更安全、更环保、更节能、更优质的生产和服务。信息来源包括本质安全、先进传感、机器视觉等多个方面。

1）本质安全指通过设计等手段使起重装备本身具有安全性，即使在误操作或发生故障的情况下也不会造成事故的功能。具体包括失误—安全（误操作不会导致事故发生或自动阻止误操作）、故障—安全功能（设备、工艺发生故障时还能暂时正常工作或自动转变安全状态），主要包括传统起重机使用和基于特种设备安全监管固有的超载、超限等数据来源。

2）智能传感利用各种传感器获取信息，并将其转化为可读数据的技术，具有信息检测、信息处理、信息记忆、逻辑思维和判断功能等，充分利用集成技术和微处理器技术，集感知、信息处理、通信于一体，直接提供数字量信息的传感器感知技术，具有微型化、低功耗、多参量、网络化特点，实现自动数据采集、逻辑判断、数据处理。

3）视觉识别利用计算机视觉系统对图像进行处理和分析，实现自动识别、检测和测量的技术，可实现视觉定位、视觉识别、视觉测量、视觉检测等功能。

数据采集的颗粒度直接影响数据的完整性和实时性，合理的数据采集颗粒度可以确保数据的准确性和及时性，帮助企业作出快速反应和决策。在进行数据采集时，需要明确采集的内容、频率和方式，以及数据一致性，确保采集的数据与实际情况一致，并与其他数据源进行整合。

3.3 海量高频数据实时、安全的边缘处理技术

边缘处理使用边缘计算法、实时操作系统、高性能计算等技术，将数据处理和存储功能放在临近数据源头的设备位置，对装备数据全方位的采集，并对不同来源的数据进行协议解析和边缘处理。在设备产生数据的最近处进行数据处理，将数据从冗余发散清洗为简单高效，帮助实现由数据到知识的转化，有效提升数据的空间利用率，加快系统运行速度和数据传递效率，实现实时分析、本地存储、本地决策，并与云端服务器协同配合，提高数据处理效率、降低通信延迟和保护隐私安全。边缘计算是一种去中心化的计算模型，可使计算资源更接近数据源或端点，在本地设备或边缘服务器上处理数据，通常用于实时数据处理和需要低延迟的场合，避免将敏感数据传输到云端，可降低传输过程中数据泄露的风险，保护用户隐私和数据安全，进而减少网络流量和延迟并缩短响应时间，实现海量异构数据的高效处理，满足工业装备实时性的高要求，通过在源头计算数据保护了用户信息的安全和隐私。边缘计算相较于云计算更加高效和安全，满足爆发式的海量数据处理和快速响应诉求，具有数据集成强关联、数据处理高速度、业务分析强机理的特点，实现集中控制与分布式计算的统一，具有轻量级、嵌入式、软件定义、自主芯片替代技术、工控级操作系统开发、端边云协同的技术发展方向。

3.4 海量数据安全、可靠、低时延传输技术

作为特种设备的起重装备，安全运行及快速处置是重中之重，需要采用低时延、高安全、自适应、可监管的数据通信传输方案，支持在多类型终端大数据容量和复杂网络环境下数据的高效安全传输及区块链系统与其他系统之间的数据交换，达到数据的来源更丰富、连接更高效、分析更便捷，需具有更好的数据获取能力、数据传输能力和数据分析能力，实现海量信息的快速传输和数据的集成分析。

利用5G+工业互联网、F5G光网、视联网等技术提供更高速、更低时延、更广连接的网络支撑，支持大规模数据采集、传输与分析，可促进起重装备向协议统一化、5G大连接技术、空天地一体化、装备定制化发展，使起重装备具备网络化、在线化、泛在化特征，为装备自动化、智能化、数字化提供安全保障。

3.5 基于区块链安全、可信、分布式加密存储技术

数据挖掘和统计模型分析使用海量的大数据，大数据的关键挑战是安全和隐私问题、脏数据、数据源的可靠性、数据共享等。电子数据存在无形性、脆弱性、技术依赖性、易篡改性等特殊属性，存在固化难、保全难、审查难、跨部门协作互信难等问题，以及体量大、传播快、易灭失、难追溯等天然特性。

区块链以共同治理、防篡改、防灭失、可留痕等技术可信特性，能从源头固化电子数据，实现数据可信、去中心化存储、不变性、透明度和共识机制。区块链网络中数据的加密和分散存储使得任何未经授权无法进行数据访问，改善大数据安全和隐私。区块链的不变性确保了几乎不可能篡改存储在区块链网络中的数据，提高数据完整性。由于区块链存储了所有交易，故可实现大数据的实时分析。基于区块链分布式记账、去中心化、数据不可篡改、可追溯的特性，实现起重装备赋码建档。

区块链核心技术包括分布式账本、共识机制、密码算法、数据防篡改、智能合约等。基于区块链的特种设备监管系统架构和功能，实现对起重装备的持续有效追踪，保障起重装备生产、运输和交易过程中全量数据的不可篡改和隐私保护性，打通端到端的商品上行链路，致力于帮助企业实现商品从生产、流通、营销等整个过程的全链路数字化管理，为每一件商品定制专属身份证，使商品的全流程来源可追、去向可查，实现全程追溯和有效监管。同时，也实现数据管理和共享，提升合作效率和信任度，增强数据安全和隐私保护，推动商业模式的创新。

3.6 多源、多维、异构数据融合应用技术

来自不同数据源、格式和类型的数据在格式、结构、语义等方面存在较大差异（包括数据、信息、模型等多维度、多种类、强协同的数据应用管理），集成多源异构、海量存储、实施性高、高吞吐量、数据压缩、数据索引、查询优化、数据缓存、数据集成等技术，数据形式则表现出高通量、强耦合、多态时变、多元异构的特征。通过零部件、产品整机、系统、装备集群等大规模异质终端高效融合及自适应互联技术实现高效互联融合，实现特种设备工业场景大规模人、机、物、系统异质终端之间的泛在化互联互通，解决信息流与知识流之间的互动瓶颈，特别是解决来自本质安全、智能传感、视觉识别以及自动化、信息化系统的多源、异构、复杂数据的一致性问题，实现不同协议、不同系统、不同网络环境下设备数据的互联互通以及数据跨设备、跨系统、跨产业应用。

将不同来源的数据进行整合和清洗，确保数据的统一性和准确性，可将识别出的关键数据整合到一个统一的数据平台中，消除数据冗余和冲突。异构多模态数据的融合分析涉及从小规模单模态到大规模多模态的转变，在可解释性、稳定性、公平性、可回溯性等模型4性方面的更高需求都具有很大的技术挑战。

3.7 数字孪生动态模型仿真及装备机理挖掘与分析技术

数字孪生是综合运用感知、计算、建模等信息技术，通过软件定义对物理空间进行描述、诊断、预测、决策，进而实现物理空间与赛博空间的交互映射。其通过数字软件对某个物理进程进行模拟，将来自物理系统（或流程）的业务、前后关联部分和传感器数据整合到数字孪生的虚拟系统模型中，并对其进行观察和数据分析，以优化、改造，或发现并规避问题，进而模拟预测，以选择最佳方案。数字孪生技术面向的并非是静止对象和单向过程，而是动态的演进过程和具有周期性生命的事件，不仅追求数字重现，更重视仿真模拟背后的数据分析。通过集成虚拟和物理世界，数字孪生能实时监控系统和流程，并及时分析数据，以便在问题出现之前阻止问题，安排预防性维护以减少/防止停机时间，发现新的商机，并规划未来的升级和新发展。数字孪生产业链可分解为基础支撑、数据互动、模型构建、仿真分析、共性应用和行业应用等6个模块。数字孪生使用真实数据验证系统模型，在整合运营、维护和健康数据后，为用户提供决策支持和警报，实现预报、预警、预演以及预案。对来自物理孪生的运营、维护和运行状况数据进行基于仿真的分析，预测物理系统随时间的变化，预测物理孪生在现实世界中的预期性能。通过数字孪生可以评估不同版本的系统，减少验证和测试持续时间和成本，发现新的应用机会和收入来源。通过数字孪生的高精度克隆，将人更便捷地接入虚拟化信息网络空间，完全可以在虚拟工厂里模拟复杂的工作流程，轻松测试各种新方案的可行性，实现生产方式变革、创新模式跃迁和治理理念革新。

数字孪生是一种集成多物理、多尺度、多学科属性，具有实时同步、忠实映射、高保真度等特性，能够实现物理世界与信息世界交互与融合的技术手段，与传统仿真技术刚好相反，是实物向虚拟世界的映射。理论上，实现了数字孪生的实体装备，其在虚拟空间中映射的模型，其静态与动态特性，都应该与物理实体完全一致。数字孪生的重要特征之一是双向映射、动态交互、实时连接和迭代优化，装备研发是问题驱动的，而出现问题就是迭代创新的原动力。数字孪生体改变了产品研发与生产的过程和逻辑，产品研发不再从产品的物理实体开始做起，而从产品数字孪生体开始做起，在数字空间把产品数字孪生体研制并验证成功后，才在物理空间开始制造实体零件。

数字化模型包含技术原理、行业知识、标准法规、基础工艺、专家经验等要素，统一机械、电气、控制、软件等专业模型接口规范，确定主要设备、分系统模型接口形态，形成一套基于统一规范的可集成、可复用、可扩展、多层级、多场景的精细数理模型体系，实现智力资产的数字化积累与传承，是对不同行业、不同领域中不同的专业知识技能和技术产生的知识积累，是对技术专业学习产生的数字产品。

数字孪生具有空间构造、物联感知、时空计算、逼真渲染、仿真推演等能力，支持基于数据与模型融合的跨时空仿真推演，融合感知、计算、仿真推演和反馈触达等优势，并通过通信网络构建一个可计算的数字化空间，在这个可计算的空间中，可以对物理空间进行描述、诊断、预测、决策，实现虚实集成和闭环控制，具备全真映射、实时计算、数据驱动、泛在连接等特点，可解决全流程及决策可视、决策优化、跨时空在场协同以及泛在触达等问题，虚拟世界能够干预或控制物理世界，助力实现物理世界的数字化治理，为起重装备产业的数字化变革构建了支撑。

3.8 工业大数据高性能动态计算技术

高性能计算技术是利用云边协同进行信息处理，采用网络切片等技术，保证网络化工业大数据的高性能计算和可靠传输，实现柔性生产过程的动态重构。在装备运行过程中，通过传感器获取人员操作设备的工作状态、系统的运行状态等信息后，通过数据标识注册、安全解析、双向关联、对接同步、安全防护等措施，在高效的网络互联层进行安全认证，最后通过计算得出重构的整个装备、系统或集群信息的大数据，建立数据要素治理体系和服务体系，通过数据应用挖掘数据价值，形成数据资产、提供数据服务。常用有数据分析和挖掘：通过数据分析技术，挖掘出数据中的有价值信息（如趋势、模式和关联性等）。并行处理与分布式计算：通过并行处理和分布式计算技术，将任务拆分为多个子任务，并同时进行处理，有助于提高效率，尤其是在处理大规模数据集或复杂计算问题时。迭代优化是将任务划分为多个阶段或迭代，并在每个阶段中逐步提高精度，可在保持一定效率的同时，逐渐提高结果的准确性。

3.9 工业大数据驱动的反馈协同控制技术

协同控制是利用工业过程数据设计数据驱动方法，实现工业互联网场景下工业全过程协同反馈控制。跟踪多个同时作业的各式装备，将轻量化的计算放在端侧，在对其运行状态进行有效获取后上传到边缘端，通过边缘端进行分析、判断、决策、规划、处理，复杂的计算放在边侧或云上，最终形成云边端的工业互联网体系架构，实现多个设备协同、信息传算、一体化运行，完成真正的数字化控制。反馈控制得以高速发展，一是越来越多来自工业设备的工业数据，经过工业软件计算、赋能后，最终回馈到工业终端，驱动设备精准而智能地运转，这些数据具有被反复应用和形成业务洞察的能力。二是越来越多的产品或装备，不再仅由实体零件构成，而是增加了很多由软件构成的软零件（或软装备）。软零件给产品带来的改变为：增软件，增功能；减软件，减功能；改软件，改功能；优软件，优功能。同时，数据产品化将数据分析结果转化为具有操作性的决策建议或业务行动，形成数据产品或决策支持工具；持续监测和优化，对数据驱动的决策和行动进行监测和评估，根据反馈进行调整和优化。通过这一步骤，可以不断优化数据产品，提高决策的准确性和效率。

3.10 基于VR/AR/MR的沉浸式感知技术

虚拟现实（Virtual Reality，VR）、增强现实（Augmented Reality，AR）、混合现实（Mixed Reality，MR）这些沉浸式技术正在改变数字体验，让人们能够探索新领域、释放创造力并弥合想象与现实之间的差距。虚实融合的三维数据交互场景，直观、真实、精确地展示设备形状、设备分布、设备运行状况，实现设备在3D可视化场景中的快速定位与信息查询，更加符合工业、商业和消费端的需求逻辑，可使各类人员沉浸式参与产品验证、运行、运维等场景，体验数字样机或虚拟产品。

借助沉浸式技术与装备，实现专家无需到达现场，即可完成远程的监控诊断。通过MR混合现实技术，用眼镜扫描设备二维码，获取设备相关信息和位置信息，查询设备数据；由专家远程在线支持，现场画面支持多方实时共享；直接在生产现场对知识库查询和浏览，快速定位故障部位。AR增强现实技术，全息画面指导，操作标准化、维护高效率、培训简单化。

沉浸式混合现实和扩展现实技术由虚拟现实（VR）和增强现实（AR）组成，并长时间作为企业业务创新和商业版图扩张的关键驱动因素存在。通过改变公司运营模式、增加客户互动和实现长远目标的方式，VR与AR已在多个行业产生了重大影响。

3.11 基于大数据和人工智能的寿命评估与延寿技术

起重装备主要结构的设计寿命一般为30 a，许多设备已临近或超过设计寿命。依据使用、保养、环境等因素，如何界定装备可否续用或是否还能安全使用成为用户和特种设备检验机构的痛点。剩余寿命是指从装备被监测开始直到装备功能失效所需的全部时间，往往利用分析设备的退化轨迹和历史数据建立寿命评估预测模型，利用历史数据、现实环境以及未来趋势来预测装备未来的安全状况，为用户和检验机构提供指导意见。常用的剩余寿命预测的方法主要包括：基于失效机制的物理模型预测方法、基于专家知识和模糊理论的知识预测方法和基于历史数据和当前数据的数据模型预测方法。

延寿技术是指根据合理的失效准则，依据有关标准规定，针对装备长期使用发生的退化、劣化程度，对带有缺陷的装备进行符合使用条件的安全性评定，采用专门的技术措施以延长装备的使用寿命。例如对含有缺陷或损伤的装备进行合于使用评价，研究具体结构或构件中原有缺陷、使用中新产生的或扩展缺陷对可靠性的影响，以确定在预期的条件下是否可以继续安全运行，或根据缺陷、损伤判断安全性能劣化程度、劣化趋向，进行装备剩余强度评估，判断结构是否适合继续使用，或是按预测的剩余寿命监控使用，或是降级使用、返修或报废。合于使用评价所评定的缺陷都是不满足法规标准要求的所谓超标缺陷，安全评定的目的是科学分析带超标缺陷装备的安全性能。

3.12 多端融合协同控制技术

以数字孪生为基底，构建云边端一体化融合架构，移动端、桌面端、大屏端实时互动，实现业务系统一图统揽、分级管理、分布式实施的一体化数字系统。移动门户、PC门户、指挥调度中心门户、现场大屏门户构成智能运营系统。

工业PAD、手机等移动端的操作使用包括研发APP、生产APP、管理APP、服务APP等工业APP，可随时随地查询，简单便捷。在将工业知识和各工业要素数字化的基础上，可为产业链各环节提供服务，实现知识的复用、移动化协同和可视化洞察，促进行业数字化和智能化，实现装备智能调控和业务管理决策优化，极大提升信息化管理水平。

3.13 基于机器智能的科学决策技术

机器智能技术正从最初的视觉质检、智能客服、路线规划等相对外围的需求场景，向工艺参数优化、能耗效率提升、安全运行管理等核心业务领域突破。类似这种生产效率的提升，是无法通过传统的人工决策来实现的。面向智能装备多智能体智能决策的需求，构建有理解能力、归纳能力、推理能力和运用知识能力的科学决策体系，实现安全、稳定、可靠的一体化自主控制、规划、计划、优化、调度、预测、决策，提升工作效率、保证工作质量、提升稳定性和安全性，是未来装备数字化重要的发展方向之一。

科学决策包括优化、调度和控制等环节。而面向状态变化趋势决策的智能决策则以系列算法、模型、规则为核心构建智能专家系统，利用监测设备和运行状态的数据，借助智能优化算法，协同调度各生产工序和装备，控制相关的生产设备和工艺环节，实现全流程的综合指标控制，保证全流程的整体优化运行决策，实现基于设备状态变化趋势、人机结合的全流程的智能决策，包括统计与先验知识协同的多变量设备状态预警、机理与数据驱动相结合的设备故障诊断、多维度数据协同的设备综合决策等技术。另外，多任务自适应协同的群智决策通过智能装备自主分析当前的工况和任务要求，建立协同执行的多任务协同规划数学模型，基于最大益损比和任务均衡目标实现装备多任务协同下的群智规划，依据分配任务的要求和难度进行自主决策，自适应调整作业策略以完成复杂工况下的多样化任务。

3.14 基于知识库、专家经验的深度自学习技术

通过对智能装备作业过程中分布的多学科知识数据进行结构层次上的集成，消除数据的语法和语义的分歧，形成一致数据的知识表示，并对知识库中技术原理、行业知识、标准法规、基础工艺、专家经验等大量数据进行处理、关联、融合，得到产品设计、使用的知识图谱，进而利用可视图谱展示实体及关系，直观表达领域知识，生成智能装备的知识网络、知识图谱，构成集智应用的专家系统，其通过数据分析和知识挖掘，发现数据和知识中的潜在价值和业务机会，提升数据的商业价值。

自动化、智能化装备在运行过程中产生海量数据蕴含大量的故障特征信息，在收集装备运行特征数据的基础上，应用深度学习算法对大数据进行深度挖掘，获得与故障特征有关的诊断规则，实现对智能装备的故障预测与诊断，形成基于大数据驱动的故障诊断深度学习技术。

单机或多机集群环境下多模式融合学习，利用智能装备运行过程中产生的海量感知数据，可以为其提供图像、视频、语音、文本等多元数据处理能力，使智能装备充分理解环境和人的情感、言辞、表情等，支撑人机之间进行交互，形成大数据驱动的多模式融合学习技术。

在人机交互使用专家系统的过程中，不断发生知识的交叉与融合、解构与重构，既发生物理反应，也发生化学反应，在原有存量知识的基础上，生成增量知识，持续丰富、补充着知识库的知识体系。当用户进入专家系统使用界面时，用户始终不是独自一人在使用系统软件，而是如同有千千万万个数理化先贤、领域专家、行业翘楚和专业能人站在他的身后，在每一次点击菜单、每一次模型计算、每一次控制指令传输中，都在出手扶助、指点迷津、启智开慧。

4 应用前景

新型工业化既是企业数字化转型的发展目标，又是企业数字化转型的总体框架。随着新型工业化的发展，市场竞争和消费者需求将日新月异，企业必须根据新型工业化发展趋势，通过数字化转型打造自己的组织、管理与技术手段，以快速适应市场和消费者变化。由此可见，新型工业化也是企业数字化转型的约束条件和外在动力。此外，数字化转型既是企业发展的基本逻辑，也是推进新型工业化发展的必由之路。企业通过数字化技术实现降本提质增效、创新服务模式，实现数字化转型，进而推动产业升级、提升经济发展质量和经济效益，为新型工业化提供新的增长点和竞争优势，推动新型工业化的发展。

国务院国资委《关于加快推进国有企业数字化转型工作的通知》通知强调，数字化转型是顺应新一轮科技革命和产业变革趋势，不断深化应用云计算、大数据、物联网、人工智能、区块链等新一代信息技术，激发数据要素创新驱动潜能，打造提升信息时代生存和发展能力，加速业务优化升级和创新转型，改造提升传统动能，培育发展新动能，创造、传递并获取新价值，实现转型升级和创新发展的过程。国资委则要求国有企业积极推进研发数字化、生产智能化、经营一体化、服务敏捷化、产业生态化，促进传统业务全方位、全链条改造，集中优势力量攻关新技术、推出新产品、布局新基建、打造“专精特新”企业、培育新兴产业，助力实现高水平科技自立自强。由于实现上述目标过程的时间跨度大且各阶段所需功能不同，涉及要素种类多且协作关系和耦合关系复杂，需要基于模型、数据等构建数力，基于算力、算法、网络、存储等开发智力，充分利用数力和智力，实现并提升体系化解决问题和满足需求的数字化能力。

起重装备作为传统产业装备，要用创新研发跨界开辟新赛道，要用新技术加快传统装备升级，不断推进从0到1的突破和从1到N的迭代，才能不断提升创新力和核心竞争力。起重装备作为单件小批量工业装备和特种设备，其数字化发展趋势是智能化、数据化、个性化、网络化、平台化、生态化，目的是解决信息孤岛和业务断链问题，以减人、增安、提效为目标，提高生产效率、创新能力和市场竞争力，从而达到状态更佳、效率更高、成本更优的效果，构建物理装备+数字资产新价值体系，培育产业发展新模式新业态，促进起重装备产业数字化转型。

5 结语

装备数字化将数字技术加持、数据要素治理视为装备数字价值创造的重要方式，将产品数字化和过程数字化视为数字化工程生态的关键。因此，除本文所述数字化技术外，起重装备数字化还涉及许多相关的技术，如装备智能化所需的三维空间感知定位、多机协同集群化交互与控制、多约束下路径规划、状态监测和故障诊断、安全风险智能防控等技术，以及特种设备智能检测、智慧监管等技术。另外，起重装备数字化还需利用大数据、云计算、物联网、工业互联网、机器学习、人工智能、网络安全等多种新兴技术，实现用数据说话、用数据决策、用数据管理和用数据创新，促进企业实现业务数字化和数据价值化，助力企业经营数字化、管理精细化、决策定量化。