2017工业大数据创新竞赛白皮书_103页_7mb

工业大数据创新竞赛白皮书总结（风机结冰故障分析）

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，工业大数据创新竞赛组委会编写，旨在总结2017年首届工业大数据竞赛的成果与经验。白皮书重点分析了风机叶片结冰故障的预测方法，并介绍了多个参赛队伍的优秀算法，为工业大数据分析方法论提供了系统性指导。

主要观点

• 工业大数据的崛起：随着数据经济的发展，工业大数据正在成为推动制造业智能化转型的重要工具，其价值不仅在于数据本身，更在于如何通过数据分析实现价值创造。
• 工业智能分析方法论：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、模型融合和业务导向的分析流程，包括业务场景分析、数据问题定义、数据场景化、模型建立、模型评估和部署实施等步骤。
• 风机结冰预测的重要性：叶片结冰会严重影响风机效率和运行安全，因此实现早期预测对于保障设备健康和提升运行效率具有重要意义。
• 数据不平衡问题：结冰数据在实际中较为稀少，因此在建模过程中需特别关注数据不平衡问题，并采取相应的处理策略。
• 多学科融合：工业智能需要融合物理建模、数据驱动、算法优化和领域知识，才能实现高效、准确的预测分析。
• 竞赛成果：竞赛吸引了超过1000支队伍参与，涵盖高校与企业，获奖团队提出了多种具有代表性的算法，为工业大数据发展提供了丰富的参考。

关键信息

一、工业大数据创新竞赛概况

• 背景：2017年工业大数据竞赛是中国首次，旨在推动工业大数据生态的发展，促进数据与技术的融合。
• 竞赛主题：以“赋能与赋智，构建工业大数据应用生态”为核心，围绕风电装备预测性维护进行数据建模分析。
• 竞赛内容：设置两个赛题，分别为风机叶片结冰预测与风机齿形带故障分类，数据由金风科技提供。
• 竞赛结果：12支队伍获奖，其中3支为高校学生团队，9支为企业团队，涵盖多个行业。

二、工业智能分析方法论

• 工业智能分析流程：

  1. 业务场景分析
  2. 数据问题定义
  3. 数据场景化
  4. 模型建立
  5. 模型价值评估
  6. 模型部署与实施

• 工业智能三方面转型：

  1. 从经验驱动转向实证驱动
  2. 从解决可见问题转向避免不可见问题
  3. 从控制自动化转向机器学习智能化

• 特征提取与建模：

  • 特征包括时域与频域信号、能量谱、环境与设备参数等。
  • 通过物理模型与数据建模的结合，提取关键特征，如结冰质量、风速、风能利用率等。
  • 利用滑动窗技术提取统计特征，如最大值、标准差、变化率等。

三、首届工业大数据创新竞赛解法集

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：利用CNN提取局部特征，LSTM处理时序信息，结合滑动窗提取特征。
   • 评价指标：采用马修斯相关系数（MCC）作为模型评价标准。
   • 模型结构：7层网络，包括2层卷积、2层LSTM、3层全连接。
   • 处理方法：数据预处理、特征工程、模型优化、引入Dropout和正则化以防止过拟合。

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：结合物理建模与KNN分类算法，提取温差、扭矩、功率系数等特征。
   • 算法选择：KNN算法在交叉验证和实际测试中表现最优。
   • 验证结果：在Test_08数据集上，KNN模型的预测得分达到87.67，交叉验证AUC为0.972。

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：基于领域知识提取特征，构建预测模型，并估计未来结冰概率。

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：采用数据驱动的方式，结合非均衡数据处理技术，提升模型预测效果。

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：关注敏感特征的提取与建模，提升模型对结冰状态的识别能力。

四、方法论总结

• 数据驱动与物理建模融合：在风机结冰预测中，结合物理原理与数据建模，能够更准确地识别结冰状态。
• 模型泛化与迁移学习：由于不同风机数据分布存在差异，模型需要具备良好的泛化能力，迁移学习是一个有效手段。
• 数据预处理的重要性：数据缺失、噪声、标签错误等都会影响模型预测性能，需进行合理的预处理。
• 模型评估需考虑业务价值：除了模型的准确性，还需要考虑模型对实际业务的支持能力，如决策支持、运维优化等。
• 竞赛对工业大数据发展的推动：竞赛为产、学界提供了交流平台，促进了工业大数据技术的创新与应用。

胜利队伍

参考文献

• [1] 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.
• [2] Finstad K J, Lozowski E P, Gates E M. A Computational Investigation of Water Droplet Trajectories[J]. Journal of Atmospheric & Oceanic Technology, 1958, 5(1):160-170.
• [3] 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.
• [4] 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.
• [5] http://keras-cn.readthedocs.io/en/latest/
• [6] Alexandridis A, Chondrodima E, Paivana G, et al. Music genre classification using radial basis function networks and particle swarm optimization[C]//Computer Science and Electronic Engineering Conference (CEEC), 2014 6th. IEEE, 2014: 35-40.