I 工业大数据创新竞赛白皮书 （2017） 风机结冰故障分析指南 工业互联网产业联盟（AII） 2018年2月 声 明 本报告所载的材料和信息，包括但不限于文本、图片、数据、观点、建议，不构成法律建议，也不应替代律师意见。本报告所有材料或内容的知识产权归工业互联网产业联盟所有（注明是引自其他方的内容除外），并受法律保护。如需转载，需联系本联盟并获得授权许可。未经授权许可，任何人不得将报告的全部或部分内容以发布、转载、汇编、转让、出售等方式使用，不得将报告的全部或部分内容通过网络方式传播，不得在任何公开场合使用报告内相关描述及相关数据图表。违反上述声明者，本联盟将追究其相关法律责任。 工业互联网产业联盟 联系电话：010-62305887 邮箱：aii@caict.ac.cn — I — 编写说明 2017年的工业大数据竞赛作为我国首次工业大数据竞赛，在吸引人才关注、促进工业智能化、建立工业大数据生态等方面起到重要作用。习近平总书记在党的十九大报告中强调：“建设现代化经济体系，深化供给侧结构性改革，加快发展先进制造业，推动互联网、大数据、人工智能和实体经济深度融合。” 这些都为制造业转型升级指明了新方向，数据成为制造业与新一代信息技术融合的重要基础资源和创新引擎。在工信部信息化和软件服务业司、工业互联网产业联盟指导下，本次竞赛组委会在北京天泽智云科技有限公司的倾力支持下，组织参赛者编写了《工业大数据竞赛白皮书（风机结冰故障分析指南）》，希望将本次竞赛的经验与技术成果固化并加以推广，促进交流，与业界共同推动工业大数据发展。 白皮书收录了2017年工业大数据竞赛-风机叶片结冰故障预测的获奖算法，组成解法集，在工业大数据分析的方法论上具有重要的指导意义，在风力发电机行业尤其具有示范作用。白皮书主要分为四个部分，第一部分是工业大数据创新竞赛概况，主要介绍此次竞赛背景和开展情况。第二部分提出了工业大数据分析方法论，并以本次数据竞赛的题目作为案例，解释预测性建模的各个分析流程。第三部分主要收录竞赛优秀算法，包括文献调研、方法介绍、方法应用与验证、与结果讨论。第四部分进行方法论总结。 — II — 白皮书的编写过程中得到竞赛组委会和参赛选手的大力支持。相关参赛人员根据自己对竞赛题目的解法，给出了详细、清晰的方法流程与结果讨论，为白皮书的提供了丰富的素材与扎实的内容。同时，不同解法也为工业大数据分析从业人员打开思路、拓宽视野提供了极具价值的参考。 工业大数据的发展还在初级阶段，随着工业大数据竞赛日后的逐年举办与工业智能的逐步发展，我们将根据各界的反馈意见，在持续调研与总结的基础上，定期进行修订与新版发布。 — III — 指导单位：工业和信息化部信息化和软件服务业司 工业互联网产业联盟 编写单位：工业大数据创新竞赛组委会 指导专家： 孙家广 中国工程院院士 谢少锋 工业和信息化部信息化和软件服务业司司长 安筱鹏 工业和信息化部信息化和软件服务业司副司长 李 杰 美国辛辛那提大学智能维护系统（IMS）中心主任 王建民 清华大学软件学院院长 林诗万 IIC技术工作组与架构任务组联执主席 余晓晖 中国信息通信研究院总工 编写组成员（排名不分先后）： 工业和信息化部信息化和软件服务业司：王建伟、冯伟 中国信息通信研究院：冯旭、朱敏、刘默、李铮、宋辰超、李南、魏凯 北京天泽智云科技有限公司：金超、晋文静、刘宗长、李飞 北京工业大数据创新中心：王晨、田春华、崔鹏飞 金风科技：张光磊、周杰、李富荣 万腾科技：张嗣昌、侯振寰、侯宗波 济中节能：纪浩然、张薇、王成金 浙江运达风电股份有限公司：周书锋、朱博文、冯文婷 北京邮电大学：林文芳 西安交通大学：李宁波、闫涛、郭亮 — I — 序言 随着新工业革命时代的序幕徐徐拉开，物联网、工业互联网、智能ICT技术、人工智能等技术成为舞台上最受瞩目的新星。在这些新兴技术的推动下，工业领域中的大数据环境正在逐渐形成，数据从制造过程中的副产品转变成为备受企业关注的战略资源，成为工业企业传承制造知识和提供增值服务的依托。然而，工业大数据在其可获取性和可分析性方面仍然存在许多的挑战，一方面企业拥有大量数据但缺乏专业的数据分析人才，而另一方面拥有分析能力的人才缺少数据和应用场景。工业大数据由于其应用场景的专业性与多样性，使之兼具工业体系的系统性与互联网的开放性，也使企业很难独立建立完整的工业大数据应用能力。在这样的挑战下，需要建立一个开放的生态，将数据和场景的提供者、知识和能力的提供者、产业链相关上下游聚合在一起，让数据的生态、知识的生态和服务的生态得以相互促进。 建立可持续的大数据人才培养模式和人才培养体系是产、学界面临的共同挑战。可持续的人才培养模式不仅局限于大学中，还包括企业内的人才培养。大学的人才的培养需要鼓励创新性和独特性，而企业则应该注重员工专业技能和应用研发能力的培养。工业大数据竞赛是非常好的产、学界共同携手培养人才的方式。产业界贡献场景和数据，可以帮助学术界的研究更贴近真实需求。而学术界也为企业提供最新的理论和最前沿的技术成果，拓宽了企业解决问题的视野。美国在这方面的投入已经持续了多年，从2008年开始美国的PHM学会（PHM — II — Society）就开始举办工业数据分析竞赛。数据的贡献者主要来自于企业或产业研究机构，涉及的行业非常广泛，但都遵循着同一个原则，就是场景都来自于企业的真实问题，数据都来自于真实的工业现场。这个竞赛中所使用的数据可供全世界的研究者下载，比赛的胜出者也会受邀在其期刊中发表论文共享好的分析方法。IMS中心参加了从2008年至今的10次数据竞赛，获得了其中的5次冠军，所贡献的方法在工业界中得到广泛应用。 在本届工业大数据竞赛中，我们欣喜地看到参赛队伍包括了产业界和学术界，参赛的企业包括风电装备制造、风场运营商、服务提供商、以及其他工业领域的企业，总数超过了1000多只参赛队伍。本次数据竞赛在引领和催化工业大数据应用生态形成方面的作用是有目共睹的。 今年IMS中心有幸作为顾问单位参与中国第一届工业大数据竞赛的组织工作，竞赛获得的关注程度以及选手们在竞赛中的表现都令人感到惊喜。《工业大数据创新竞赛（2017）白皮书》作为本次竞赛的重要成果之一，对工业大数据分析方法论进行了系统性地介绍，并对竞赛优胜团队的解题方法进行了详细地整理和解读，相信能够为从事工业大数据应用研究的企业和学者们提供有价值的参考。衷心祝愿工业大数据创新竞赛越办越好，成为产学界共同推崇的传统和品牌，为中国工业大数据产业生态源源不断地输送优秀人才。 李杰，2018年1月 目 录 一、工业大数据创新竞赛概况 ........................................................ 1 （一）数据经济的崛起与工业的变革 ............................................ 1 （二）工业大数据驱动制造业转型升级 ........................................ 2 （三）工业大数据创新竞赛开展情况 ............................................ 4 二、工业智能分析方法论 ................................................................ 5 （一）工业智能分析方法流程 ........................................................ 5 （二）案例-风机结冰故障 ............................................................. 11 三、首届工业大数据创新竞赛解法集 .......................................... 25 （一）基于CNN -LSTM深度学习网络的风机叶片结冰预测 ... 25 （二）基于物理原理+KNN分类的混合预测模型 ...................... 38 （三）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 .......................................................................................... 45 （四）基于数据驱动和非均衡数据学习的故障预测研究 .......... 59 （五）基于敏感特征的风机叶片结冰预测算法 .......................... 72 四、方法论总结 .............................................................................. 89 — 1 — 一、工业大数据创新竞赛概况 （一）数据经济的崛起与工业的变革 当前，世界经济加速向以网络信息技术产业为重要内容的经济活动转变，数字经济正深刻地改变着人类的生产和生活方式，成为经济增长新动能。人类社会正在被网络化连接、数据化描绘、融合化发展，在这一进程中，数据成为重要的基础性战略资源。大数据的充分挖掘和利用，极大促进了全社会要素资源的网络化共享、集约化整合、协作化开发、高效化利用，对经济发展、社会生活和国家治理产生着越来越重要的作用，推动了诸多领域发生重大而深刻的变革，一个全新的大数据时代正在向我们大踏步地走来。 大数据是一种资源，一种技术，一种产业，更是一个时代，它通过构筑信息互通、资源共享、能力协同、开放合作的发展新体系，为提升政府治理能力、优化民生公共服务、促进经济转型和创新发展做出了积极贡献。尤其是随着近年来，互联网产业对数据价值挖掘的成功，使得传统行业开始思考如何推动价值转型，驱动工业变革，这是新的技术条件下制造业生产全流程、全产业链、产品全生命周期的数据可获取、可分析、可执行的必然结果，也是制造业隐性知识显性化不断取得突破的内在要求。 在数据经济浪潮的推动下，是否能对数据进行深度的价值挖掘，将是各个行业竞争的新重点。值得明确提出的是，数据本身并不能创造价值。如果只是对数据进行收集、存储、与管 — 2 — 理，是无法为工业飞跃式地创造价值的 。为了实现工业大数据驱动的价值转型，需要从工业中的问题出发，将业务问题转化为数据预测性建模问题，从而达到解决用户痛点、实现用户价值转型的目的。 （二）工业大数据驱动制造业转型升级 大数据作为一种新的资产、资源和生产要素，正驱动着制造业的智能化变革，可以从三方面来理解。首先，资源优化是目标，工业大数据的创新价值集中体现在制造资源配置效率的优化，以及制造业全要素生产率的提高。其次，信息流动是关键，工业大数据如何优化制造资源配置效率，关键是要把正确的信息在正确的时间传递给正确的人和机器，解决制造过程的复杂性和不确定性等问题。第三，大数据、人工智能、互联网等新一代信息技术是基础，为数据的全面感知、在线汇聚和智能分析构筑赋能工具和载体，这正是工业大数据的核心功能。 关于大数据的分析方法，人们首先想到的可能是Hadoop，Spark等IT技术。然而，对于工业中的大数据问题，其重要价值在于形成并不断优化认识和改造世界的方法论，除了分析平台与数据处理基础设施，用户应该更加关心大数据分析所能带来的价值，再选择与分析目标相适应的技术。 通过工业大数据创造价值，需要围绕业务目标，将基于机理模型的模拟择优法和数据模型驱动的大数据分析法进行融合。正如在首届（2017）工业大数据创新竞赛决赛答辩和颁奖仪式上，工业和信息化部信息化和软件服务业副司长安筱鹏所指出的：机理模型与数据模型的融合，能够突破隐性数据显性化和 — 3 — 隐性知识显性