- 人工智能
- 工业大数据
工业领域中，设备预测性维护是一大场景。传统的基于传感器的预测性维护方案需要从不同设备采集数据，技术实现上存在诸多阻碍。2016年成立的硕橙科技，选择以机器噪声识别的非接触式解决方案，打造各行业通用的标准化产品。
机器发出的噪声蕴含丰富的状态信息，硕橙积累了覆盖大部分机械运动特性的特征集，可描述大多数常见机械故障。通过对噪声特征的提取，利用AI技术识别设备状态，实现故障预判等功能。
硕橙的产品形态分为三个部分，前端是硬件产品橙盒（SC Box），相当于传感器，采集机器设备噪声，盒子中包含芯片，有一定的计算能力，可将噪声转换为一组特征值；数据上传到云端，在云端利用算法对特征值进行识别，判断设备故障类型；系统展示界面对客户作设备状态展示，针对异常状态发出警报。
硕橙科技的创始团队主要成员均毕业于清华大学，原始技术来源于清华大学核聚变与等离子体物理实验室的球形托卡马克设备运维方案。
硕橙的核心竞争力和技术壁垒在于其算法端对于特征值的提取，换句话说，硕橙对声音有一套更优质的描述方法。硕橙把声音拆分成基础元素，再由这些基础元素通过组合得出特征值，这些特征值会对机械故障做一个映射，通过这些特征值达到智能运维和故障预判的效果。
由于硕橙的噪声识别产品通用性较高、产品相对标准化，在不同行业和场景间有较好的可复制性，目前主要有以下几大应用场景：
一、故障预判，如烟草行业应用于空压机、卷包机、运输机的状态监测预警；二、零部件生命周期管理，如应用于刀具行业，可给出刀具生命周期，延长刀具使用寿命；三、成品优良率统计判定，针对于有生产流水线的客户，通过噪声识别做产品合格率检测，提高检测效率和精确度。
硕橙积累的特征值和算法对于泵、空压机、轴承等不同设备是通用和自适应的。在具体项目中，前期数据采集需要7-10个工作日，包括与厂家关于设备故障类型和预警的细节沟通。由于硬件是非接触式的，布点很快，通常在半个工作日到一个工作日，整个项目周期通常在一个月以内。
产品收费方面，一个设备点的硬件盒子费用为一万元左右，后续每年还将收取30-40%的服务费。根据布点数量的不同，客单价在数十万到数百万不等。
关于噪声识别与基于传感器采集数据的设备预测性维护相比的优劣势，硕橙科技CEO庄焰认为，现在预测性维护在市面上还远没有到竞争阶段，市面上可用的手段还相当少，振动、涡流、红外等手段都有自己擅长的特定的领域，也都存在各种局限性。
噪声识别最大的优点是非接触式的，不需要将传感器与被测设备做刚性连接。硬件之间的互通互联是非常麻烦的，而硕橙只需要在软件端开一个接口，就可以直接连接到企业MES或ERP系统。噪声识别的劣势在于传感器收集的信号往往有多个来源，对噪声分析算法的要求很高。
硕橙擅长的是信号处理和数据分析，不单单是专门处理声音，将来也会考虑引进综合的考量手段。长远来看，硕橙定位为专注于传感器、立足于感知层的，做底层数据收集的大数据公司，将拓展电流传感器、红外测温等非接触数据采集手段，服务和数据将来是唯一的产品。
硕橙科技目前团队成员30多人，以研发、产品人员为主。客户以大型国企、外企居多，主要为设备使用方即工业客户，下一步将拓展设备制造商客户，由制造商在前装环节销售产品。目前客户数20多家，包括烟草企业、富士康、宝武集团、宝洁等标杆客户。