中国信通院_工业大数据创新竞赛白皮书_103页_5mb

工业大数据创新竞赛白皮书总结（风机结冰故障分析指南）

核心内容

《工业大数据创新竞赛白皮书（风机结冰故障分析指南）》是2017年工业大数据竞赛的成果总结，旨在通过竞赛经验与技术成果的固化推广，促进工业大数据的发展与应用。白皮书主要围绕“风机叶片结冰故障预测”这一实际工业问题，介绍分析方法、竞赛解法集及方法论总结。

---

主要观点

1. 工业大数据的背景与意义

   • 工业大数据是推动制造业智能化和转型升级的重要基础资源和创新引擎。
   • 数据经济的崛起使得工业大数据成为新的战略资源，其价值在于解决工业中的“不可见问题”和实现预测性维护。
   • 工业大数据分析方法论需要融合数据驱动、物理建模和领域知识，实现对设备状态的准确预测。

2. 工业智能的三大转型方向

   • 从基于经验的决策转变为基于实证的决策
   • 从解决可见问题转变为避免不可见问题
   • 从基于控制的自动化转变为基于机器学习的智能化

3. 风机结冰预测的重要性

   • 风机叶片结冰会显著影响风机效率与运行安全，提前预测有助于采取预防措施，避免非预期停机和事故风险。
   • 结冰预测需要结合物理模型和数据分析，提取关键特征以提高预测精度和及时性。

4. 数据不平衡问题的挑战

   • 风机结冰样本数量远少于非结冰样本，因此需要采取特定的数据处理方式，如欠采样、增加惩罚项等，以提高模型的泛化能力。

---

关键信息

一、工业大数据创新竞赛概况

• 竞赛背景：2017年是中国首次举办工业大数据竞赛，由工信部信息化和软件服务业司与工业互联网产业联盟指导，旨在推动工业大数据生态发展。
• 竞赛主题：围绕“赋能与赋智，构建工业大数据应用生态”。
• 参赛情况：共有超过1500名注册用户，830支队伍参与比赛，其中60%以上来自高校。
• 竞赛内容：设置了两个赛题，分别是“风机叶片结冰预测”和“风机齿形带故障分类”，由金风科技提供真实数据。

二、工业智能分析方法论

• 分析流程：包括业务场景分析、数据问题定义、数据场景化、模型建立、模型价值评估和部署实施。
• 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：关注模型是否能产生准确的可执行信息，支持用户决策，改善设备健康状态。
• 模型部署与实施：模型必须嵌入到软件系统中，持续优化以适应变化的工业场景。

三、首届工业大数据竞赛解法集

1. 基于CNN-LSTM深度学习网络的风机叶片结冰预测

   • 团队：万腾科技
   • 方法：通过卷积神经网络与长短期记忆网络构建二分类模型，采用Keras框架进行实现。
   • 特征提取：通过滑动窗口和特征组合提取出关键特征，如风速与功率、转速的比值等。
   • 模型优化：引入马修斯相关系数（MCC）作为评估指标，增加损失函数中的惩罚项，防止数据不平衡带来的影响。
   • 验证结果：在训练集与验证集上的MCC分别为0.84和0.68，测试集08的预测结果较为理想，而测试集10、14因数据缺失，预测效果有所下降。

2. 基于物理原理+KNN分类的混合预测模型

   • 团队：济中节能
   • 方法：结合物理模型与KNN分类算法，通过引入强规则过滤和数据分割，提高模型的泛化能力。
   • 特征提取：提取了包括温差、功率系数、推力系数等特征，用于模型训练。
   • 算法选择：KNN算法在训练与测试中表现最佳，具有简单、泛化能力强、训练时间短的优势。
   • 验证结果：交叉验证与验证集的AUC分别为0.969和0.972，预测准确率较高。

3. 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

   • 团队：浙江运达风电股份有限公司
   • 方法：利用领域知识构建特征，并通过数据分析估计未来结冰概率。
   • 特征提取：结合环境参数与风机参数，构建具有物理意义的特征，如结冰严重程度（Wβ）、风速（V∞）、风速平方（V∞²）等。

4. 基于数据驱动和非均衡数据学习的故障预测研究

   • 团队：北京邮电大学
   • 方法：针对数据不平衡问题，采用数据重采样和模型集成等策略，提高预测效果。
   • 特征提取：关注数据的统计特征与时序特征，如结冰严重程度变化趋势、风速与功率关系等。

5. 基于敏感特征的风机叶片结冰预测算法

   • 团队：西安交通大学
   • 方法：通过提取敏感特征，如风速与功率、转速之间的比值，构建预测模型。
   • 模型训练：采用滑动窗口提取数据，构建分类模型，并通过特征选择优化模型性能。

---

方法论总结

• 工业大数据分析方法论：工业大数据分析应以业务目标为驱动，融合算法科学、领域知识与软件工程。
• 数据处理：需注意数据的缺失、噪声、不平衡等问题，合理分割数据、选择特征、优化模型。
• 模型选择与优化：深度学习模型如CNN+LSTM适用于时间序列数据，具有自动特征提取能力，但需要处理数据不平衡问题；KNN等传统算法在某些场景下依然表现优异。
• 模型评估与部署：应采用如MCC、AUC等更贴合实际需求的评估指标，模型需持续维护与优化，以适应不断变化的工业场景。

---

总体影响与展望

• 竞赛意义：竞赛促进了工业大数据的落地应用，为工业智能化发展提供了丰富的案例与方法。
• 人才培养：竞赛成为产学结合、培养工业大数据人才的重要方式，推动了高校与企业之间的技术交流与合作。
• 未来方向：随着工业大数据竞赛的逐年举办，工业智能生态将不断完善，工业大数据的应用将更加广泛和深入。

---

参考文献（部分）

• Makkonen L. Models for the Growth of Rime, Glaze, Icicles and Wet Snow on Structures[J]. Philosophical Transactions Mathematical Physical & Engineering Sciences, 2000, 358(1776):2913-2939.
• Rahimi E, Rabiee A, Aghaei J, et al. On the management of wind power intermittency[J]. Renewable & Sustainable Energy Reviews, 2013, 28(28):643-653.
• Sainath T N, Vinyals O, Senior A, et al. Convolutional, long short-term memory, fully connected deep neural networks[C]//Acoustics, Speech and Signal Processing (ICASSP), 2015 IEEE International Conference on. IEEE, 2015: 4580-4584.