2018年-中国信通院_工业大数据创新竞赛白皮书2017_105页_7mb

报告摘要

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

《工业大数据创新竞赛白皮书（风机结冰故障分析指南）》是2017年中国首次工业大数据竞赛的重要成果之一，旨在通过总结竞赛经验与技术成果，推动工业大数据在风力发电机行业的应用和发展。该白皮书围绕“风机叶片结冰故障预测”这一工业大数据应用场景，系统介绍了工业智能分析方法论，并收录了五种优秀算法的解法集，为工业大数据分析提供了理论指导和实践参考。

主要观点

工业大数据的价值
- 工业大数据是推动制造业智能化的重要资源，是实现数据驱动决策的关键。
- 工业大数据分析需要结合业务目标、算法科学和领域知识，以实现价值最大化。
工业智能分析方法论
- 工业智能的实现需要融合计算机科学、人工智能与领域知识。
- 工业智能的三大转型方向包括：从经验决策转向实证决策；从解决可见问题转向避免不可见问题；从控制自动化转向机器学习驱动的智能化。
风机结冰预测的重要性
- 风机叶片结冰会严重影响风机效率与电网稳定性。
- 早期结冰预测是保障风机安全与高效运行的关键。
数据不平衡问题
- 在风机结冰预测中，结冰样本数量远少于非结冰样本，导致建模难度加大。
- 解决数据不平衡问题的方法包括欠采样、过采样和模型损失函数优化。
模型构建与验证
- 风机结冰预测模型需要提取与结冰状态相关的特征，包括瞬态特征和统计特征。
- 模型验证过程中，需考虑样本划分、数据预处理、特征选择与模型优化。

关键信息

一、工业大数据创新竞赛概况

竞赛背景：2017年工业大数据竞赛是首次由政府主管部门组织的全国性创新竞赛，旨在推动工业大数据生态发展。
竞赛主题：围绕风电装备预测性维护，设置“风机叶片结冰预测”与“风机齿形带故障分类”两个赛题。
参赛情况：共有超过1000支队伍参赛，其中60%以上为高校学生团队。
获奖情况：
- 比赛一（风机叶片结冰预测）一等奖：万腾科技
- 比赛二（风机齿形带故障分类）一等奖：中国石油中油瑞飞（AC_Drilling 团队）

二、工业智能分析方法论

方法流程：
1. 业务场景分析
2. 数据问题定义
3. 数据场景化处理
4. 模型建立
5. 模型价值评估
6. 模型部署与实施
预测性分析：
- 数据驱动方法、物理建模方法和混合模型方法并存。
- 特征提取是建模的关键，包括瞬态特征与统计特征。
- 模型需具备可靠性、泛化能力与可解释性。

三、首届工业大数据创新竞赛解法集

基于CNN-LSTM深度学习网络的风机叶片结冰预测
- 万腾科技团队采用CNN+LSTM二分类网络，结合滑动窗口与特征提取方法，以解决数据不平衡问题。
- 模型使用Keras框架，通过引入马修斯相关系数（MCC）与惩罚项优化模型性能。
基于物理原理+KNN分类的混合预测模型
- 济中节能团队结合物理建模与KNN分类，提出了一种融合方法。
- 通过强规则过滤、数据分割、新增变量等方法，提高了模型的准确率和泛化能力。
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
- 浙江运达风电股份有限公司团队通过领域知识提取特征，构建预测模型。
基于数据驱动和非均衡数据学习的故障预测研究
- 北京邮电大学团队基于数据驱动方法，处理非均衡数据问题。
基于敏感特征的风机叶片结冰预测算法
- 西安交通大学团队利用敏感特征构建预测模型，提高预测效果。

四、风机结冰预测案例分析

结冰过程分析：
- 风机叶片结冰是一个缓慢的能量累积过程，与环境温度、湿度、风速等因素密切相关。
- 结冰严重程度与风速的平方呈正相关，且受温度调制影响。
特征提取：
- 瞬态特征包括：结冰严重程度（Wβ）、风速平方（V∞²）、环境温度（T）等。
- 统计特征包括：结冰严重程度最大值（Wβmax）、结冰严重程度累积（Wβacc）等。
模型构建：
- 模型训练数据与测试数据存在显著的数据缺失问题，需进行数据分割和滑动窗口处理。
- 针对数据不平衡问题，采用马修斯相关系数（MCC）作为评价指标。

方法论总结

工业大数据分析是一个系统性工程，需要从数据采集、特征提取、模型建立到部署实施，各环节紧密配合。
风机结冰预测作为工业大数据分析的典型案例，展示了如何通过物理模型与数据驱动方法相结合，实现准确预测。
随着工业大数据竞赛的持续举办，工业大数据生态将逐步完善，促进工业智能化发展。

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.