工业大数据创新竞赛组委会-2017工业大数据创新竞赛白皮书-2018.1-105页-7mb

工业大数据创新竞赛白皮书总结

核心内容概述

《工业大数据创新竞赛白皮书（风机结冰故障分析指南）》是2017年首次工业大数据竞赛的重要成果，旨在通过竞赛形式促进工业大数据的创新应用与技术发展。白皮书重点分析了风机叶片结冰故障预测问题，介绍了竞赛的背景、工业大数据分析方法论、优秀解法及总结。

主要观点与关键信息

1. 工业大数据竞赛背景与意义

• 竞赛背景：2017年工业大数据竞赛由工信部信息化和软件服务业司和工业互联网产业联盟指导，由工业大数据创新竞赛组委会组织，得到多个企业和高校的支持。
• 竞赛主题：聚焦于风电装备预测性维护，特别是风机叶片结冰和齿形带故障两个问题，旨在解决工业数据应用中“有数据没技术、有技术没场景”的难题。
• 参赛情况：竞赛吸引了超过1500名注册用户，830支队伍参与，其中60%以上为高校学生团队，涉及多个技术领域。
• 获奖队伍：12支队伍获奖，包括3支高校学生团队和9支企业团队，覆盖了多个行业。

2. 工业智能分析方法论

• 工业智能定义：工业智能是人工智能在工业场景中的应用，其核心在于数据驱动与领域知识的结合。
• 分析流程：
  • 业务场景分析：明确数据服务目标和系统功能。
  • 数据问题定义：数学化问题，明确数据建模策略。
  • 数据场景化：检测数据质量，提取与设备健康状态相关的特征。
  • 模型建立：强调模型的可靠性、泛化能力和可解释性。
  • 模型价值评估：关注模型是否能够支持用户决策，改善设备状态。
  • 模型部署与实施：模型需持续维护与迭代，以适应变化的工业场景。
• 预测性建模意义：通过数据建模，帮助用户识别和管理设备运行中的不确定性，实现提前干预和优化运维效率。

3. 风机结冰预测分析

• 结冰影响：叶片结冰会降低风机效率，影响电网安全，甚至导致叶片折断等严重问题。
• 分析流程：
  • 物理建模：基于Makkonen模型，分析结冰质量与环境因素（温度、湿度、风速）之间的关系。
  • 特征提取：从原始数据中提取出与结冰状态相关的特征，如风速平方、结冰严重程度等。
  • 演化规律分析：通过滑动窗口提取统计特征，如结冰严重程度最大值、标准差等，用于早期结冰检测。
  • 分类模型：采用KNN、SVM、ANN等算法进行分类，重点处理数据不平衡问题，采用马修斯相关系数（MCC）作为评估指标。
• 模型效果：在测试集中，KNN算法表现最优，其在多个数据集上的验证准确率较高，达到87.67%以上。

4. 首届竞赛解法集

白皮书收录了五种优秀解法，分别来自不同团队：

• 基于CNN-LSTM深度学习网络的风机叶片结冰预测：由万腾科技提出，采用深度学习方法，通过滑动窗口提取特征，优化模型结构，提高预测准确率。
• 基于物理原理+KNN分类的混合预测模型：由济中节能提出，结合物理模型与KNN算法，利用强规则过滤和数据分割策略，提升模型泛化能力。
• 基于领域知识特征构建和未来结冰概率估计的风机叶片结冰预测：由浙江运达风电股份有限公司提出，强调领域知识在特征提取和建模中的作用。
• 基于数据驱动和非均衡数据学习的故障预测研究：由北京邮电大学提出，重点处理数据不平衡问题，优化分类效果。
• 基于敏感特征的风机叶片结冰预测算法：由西安交通大学提出，通过提取敏感特征提升模型性能。

5. 方法论总结

• 数据驱动与物理模型结合：通过物理建模理解结冰过程，再结合数据驱动的建模方法，提高预测准确性。
• 特征工程的重要性：提取与结冰状态趋势相关的特征，是预测模型建立的关键。
• 数据不平衡处理：采用欠采样、过采样、惩罚项和模型集成等方法，缓解样本不均衡带来的影响。
• 模型泛化能力：模型需具备良好的泛化性能，适应不同风机的数据特征，提升应用的广泛性。
• 工业大数据生态：白皮书强调了建立开放、共享、协作的工业大数据生态的重要性，推动数据、场景、知识和能力的融合。

结论

本白皮书系统总结了工业大数据竞赛的组织与技术成果，特别是风机叶片结冰预测问题的解决方法。通过竞赛，工业大数据在推动制造业智能化、优化资源配置、提升设备健康状态预测方面展现出巨大潜力。竞赛不仅促进了数据与技术的融合，还为工业大数据分析提供了方法论支持，推动了工业智能的发展。未来，随着竞赛的持续举办，工业大数据生态将不断完善，助力中国工业实现从“大”到“强”的转型。