2017工业大数据创新竞赛白皮书_105页-7mb

工业大数据创新竞赛白皮书总结（2017） - 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）》由工业和信息化部信息化和软件服务业司和工业互联网产业联盟指导，工业大数据创新竞赛组委会编写，旨在总结2017年工业大数据竞赛的经验与成果，为工业大数据分析提供方法论和实践参考。白皮书围绕风机叶片结冰故障预测这一实际工业问题展开，提出了从物理建模、数据特征提取到建模分析的完整流程，并收录了多个优秀解法。

主要观点

1. 工业大数据是推动制造业智能化的重要手段
   工业大数据不仅是技术问题，更是一种理念，其核心在于通过数据驱动的方式，实现制造流程的优化、设备的预测性维护和效能动态优化。

2. 数据驱动与物理模型结合是关键
   在风机结冰预测中，结合物理模型与数据驱动方法，可以更好地理解结冰过程的机理，提高预测模型的准确性与可解释性。

3. 工业大数据分析方法论
   工业大数据分析流程包括六个主要步骤：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、模型部署与实施。

4. 结冰预测的核心在于特征提取
   提取与结冰状态和过程相关的特征是预测模型成功的关键，包括瞬态特征和统计特征。

5. 解决数据不平衡问题
   风机结冰数据存在严重的类别不平衡问题，需采用欠采样、过采样、模型集成或引入特定评价指标（如马修斯相关系数 MCC）进行优化。

6. 深度学习在工业数据分析中的应用
   CNN-LSTM 模型在处理时间序列数据时表现出色，尤其适用于结冰预测等复杂工业问题。

关键信息

竞赛背景

• 指导单位：工信部信息化和软件服务业司、工业互联网产业联盟
• 竞赛主题：赋能与赋智，构建工业大数据应用生态
• 竞赛目标：解决“有数据没技术、有技术没场景”的问题，推动工业大数据应用落地
• 竞赛内容：围绕风机叶片结冰预测和风机齿形带故障分类两个场景
• 参赛队伍：超过1000支队伍参与，包括企业与高校团队
• 获奖队伍：12支队伍获奖，其中3支为高校学生团队，9支为企业团队

数据特征

• 瞬态特征：包括结冰严重程度 $W_{\beta}$、风速 $V_{\infty}$、风速平方 $V_{\infty}^2$、风能综合利用率 $C_{total}$ 等
• 统计特征：包括 $W_{\beta} \text{max}$、$W_{\beta} \text{acc}$、$W_{\beta} \text{std}$、$W_{\beta} \text{slope}$ 等
• 关键变量：风速、环境温度、湿度、功率、发电机转速、叶片角度、变桨电机温度等

预测模型

• 物理模型：基于 Makkonen 覆冰模型，推导出结冰质量与风速的幂律关系 $dM/dt \propto V_{\infty}^2$
• 数据模型：通过数据驱动方法建立预测模型，使用支持向量机（SVM）、随机森林、Xgboost 等算法，以及 CNN+LSTM 等深度学习模型
• 分类模型：采用马修斯相关系数（MCC）作为主要评价指标，解决类别不平衡问题

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

   • 万腾科技团队提出
   • 通过滑动窗提取特征，结合 CNN 与 LSTM 模型进行预测
   • 引入 MCC 损失函数，优化模型在不平衡数据上的表现
   • 采用 Dropout 和正则化防止过拟合

2. 基于物理原理 + KNN 分类的混合预测模型

   • 济中节能团队提出
   • 提取了包括温差、功率系数、推力系数、叶片角均值和标准差等特征
   • 通过强规则过滤和数据分割，提高模型的泛化能力
   • KNN 算法表现最优，具有简单、高效、泛化能力强的特点

3. 基于领域知识特征构建和未来结冰概率估计

   • 浙江运达风电股份有限公司提出
   • 结合领域知识提取特征，提高模型对结冰过程的建模能力

4. 基于数据驱动和非均衡数据学习的故障预测研究

   • 北京邮电大学提出
   • 研究重点在于处理非均衡数据，优化模型在小样本情况下的表现

5. 基于敏感特征的风机叶片结冰预测算法

   • 西安交通大学提出
   • 识别对结冰预测敏感的特征，提高模型的预测准确性

方法论总结

• 数据获取与处理：需要关注数据的完整性、质量以及时间序列的连续性，对数据进行清洗、标准化、分割等预处理步骤
• 特征提取与选择：结合物理模型与数据特征，提取能够反映结冰状态的特征，如 $W_{\beta}$、$V_{\infty}^2$、$C_{total}$ 等
• 模型选择与训练：根据数据特点选择合适的模型，如 KNN、SVM、深度学习模型等，同时考虑模型的泛化能力与可解释性
• 模型评估与部署：使用 MCC、AUC 等指标进行模型评估，确保模型在实际工业场景中具有实用性
• 持续优化与迭代：模型需要在实际运行中不断维护和优化，以适应变化的工业环境

参考文献

• [1] Makkonen L. Models for the Growth of Rime, Glaze, Icicles and Wet Snow on Structures
• [2] Finstad K J, Lozowski E P, Gates E M. A Computational Investigation of Water Droplet Trajectories
• [3] Rahimi E, Rabiee A, Aghaei J, et al. On the management of wind power intermittency
• [4] Sainath T N, Vinyals O, Senior A, et al. Convolutional, long short-term memory, fully connected deep neural networks
• [5] Alexandridis A, Chondrodima E, Paivana G, et al. Music genre classification using radial basis function networks and particle swarm optimization

胜利与展望

• 竞赛成果：通过本次竞赛，展示了工业大数据在实际场景中的应用潜力，推动了工业智能的发展
• 未来方向：工业大数据竞赛将继续举办，推动行业生态建设，促进数据、知识和服务的协同发展
• 人才培养：竞赛为产学研结合提供了平台，有助于培养跨学科的工业大数据人才

附录：获奖队伍