2018-2019工业大数据创新竞赛白皮书_154页_21mb

报告摘要

工业大数据创新竞赛白皮书（2018-2019）总结

核心内容

《工业大数据创新竞赛（2018-2019）白皮书》总结了第二届和第三届工业大数据创新竞赛的技术成果与实践经验，旨在为工业大数据领域的研究人员和从业者提供有价值的参考。该白皮书聚焦于两个核心赛题：钢卷仓储吞吐量趋势预测和机加工刀具剩余寿命预测，并收录了多组优秀解法，展现了工业大数据在实际工业场景中的应用潜力与技术深度。

主要观点

竞赛背景：工业互联网发展进入实践深耕阶段，大数据成为推动制造业智能化变革的重要动力。中国信息通信研究院在工业和信息化部指导下，自2017年起举办工业大数据创新竞赛，旨在促进数据要素价值的挖掘与转化。
竞赛意义：竞赛不仅为工业大数据领域搭建了产学研交流平台，还促进了优秀技术成果的推广与应用，逐步形成品牌影响力。
技术趋势：工业人工智能的“ABCDEF”六大要素（Analytics、Big Data、Cloud、Domain Knowledge、Evidence、Feedback）为工业大数据建模提供了系统性的指导。
竞赛成果：第二届竞赛设置两道赛题，分别涉及钢卷仓储吞吐量预测与刀具寿命预测；第三届竞赛则聚焦于转子部件脱落故障预测，与PHM亚太学术论坛合作，提升了竞赛的国际影响力。
参赛群体：参赛者主要为高校学生，占比超过80%，展现了青年人才在工业大数据领域的活跃参与。

关键信息

第二届竞赛赛题介绍

赛题一：钢卷仓储吞吐量趋势预测
- 背景：来自成都积微物联集团股份的达海产业园，需预测未来4周及7天的冷卷、热卷入库和出库量。
- 数据：提供仓储数据（库存、入库、出库）、基础数据（字段、储户费用），鼓励使用外部公开数据。
- 评分标准：采用SMAPE评分准则，最终得分由决赛阶段五次测试集的平均值决定。
赛题二：机加工刀具剩余寿命预测
- 背景：刀具寿命预测对提高加工质量、降低成本具有重要意义，刀具失效可能导致产品质量下降或设备损坏。
- 数据：提供PLC信号和传感器信号，共9组数据，分为4组训练数据和5组测试数据。
- 评分标准：采用基于误差评估的A值计算方式，最终得分由所有测试组的平均值决定。

第二届竞赛优秀解法

基于经验模态分解的非参数模式匹配刀具寿命预测方法
- 方法：利用EMD对信号进行分解，提取低频段特征，结合自定义相关函数进行模式匹配。
- 特点：非参数方法，无需大量训练数据，具有较强的可扩展性。
- 挑战：需解决信号噪声、特征提取与标签定义问题，对数据进行优化处理。
- 结果：在初赛中预测误差约4-10分钟，决赛中得分45.6203。
基于多传感器融合的刀具寿命预测方法
- 方法：融合传感器数据（X、Z方向振动）与控制器数据（时间、坐标、主轴负载），通过数据预处理、特征提取与DNN模型训练实现预测。
- 特点：引入数据增强与Bagging方法，提升模型预测精度。
- 挑战：处理含噪标签和数据对齐问题。
- 结果：通过“磨损比”预测实现寿命估计，效果优于单一模型。
基于前馈神经网络的刀具剩余寿命预测
- 方法：采用前馈神经网络模型进行寿命预测。
- 特点：简单有效，适用于初步建模。
- 挑战：需要大量训练数据和优化模型参数。
基于DTW退化特征和CNN+SVR网络的刀具剩余寿命预测
- 方法：结合DTW与CNN、SVR等模型，实现退化特征提取与寿命预测。
- 特点：融合深度学习与传统机器学习方法，提升预测效果。
- 挑战：模型复杂度较高，训练时间较长。
基于DWT-LSTM网络的刀具剩余使用寿命预测
- 方法：采用小波变换与LSTM网络进行时序分析和寿命预测。
- 特点：适用于非平稳信号，提升预测精度。
- 挑战：需处理小波分解后的特征选择问题。

第三届竞赛赛题介绍

赛题：转子部件脱落故障预测
- 背景：针对旋转机械中常见的转子部件脱落故障，进行智能识别与预测。
- 数据：提供振动信号、传感器数据等，支持多种算法应用。
- 合作：与PHM亚太学术论坛合作，提升竞赛的国际影响力。

第三届竞赛优秀解法

基于LightGBM分类算法的转子部件脱落故障识别
- 方法：使用LightGBM进行分类，适用于故障识别任务。
- 特点：速度快、精度高。
- 挑战：需优化特征选择与模型调参。
基于生成对抗网络的转子故障脱落研究
- 方法：利用GAN生成故障数据，提升模型泛化能力。
- 特点：适用于数据不足或不平衡场景。
- 挑战：训练过程复杂，需大量计算资源。
基于多模型投票与梯级分类算法的转子部件脱落故障预测
- 方法：融合多个模型的预测结果，提高预测稳定性。
- 特点：模型多样性提升预测可靠性。
- 挑战：模型集成与权重分配需优化。
基于全息故障特征提取的转子部件脱落智能识别
- 方法：提取全面的故障特征，用于智能识别。
- 特点：提高识别的全面性与准确性。
- 挑战：特征提取复杂，需深入理解系统机理。
基于多模型融合的转子部件脱落故障识别
- 方法：结合多种模型预测结果，实现多模型融合。
- 特点：提高模型鲁棒性。
- 挑战：模型融合策略需优化。
基于变分模态分解与时间-全谱分析的转子部件脱落故障预测
- 方法：利用VMD与时间-全谱分析，提升信号处理能力。
- 特点：适用于复杂信号处理。
- 挑战：算法复杂度高，需深入研究。
基于多传感器信号变化分析的转子系统异常检测
- 方法：分析多传感器信号变化，识别系统异常。
- 特点：结合多种传感器数据，提升检测精度。
- 挑战：信号对齐与特征提取需优化。