我并不是“一個人在戰(zhàn)斗”：這是工業(yè)大數(shù)據(jù)開拓者們的故事

　　2019年7月22-23日，由工業(yè)和信息化部指導，中國信息通信研究院主辦的第三屆“中國工業(yè)大數(shù)據(jù)創(chuàng)新競賽”(以下簡稱為“競賽”)決賽現(xiàn)場答辯及頒獎儀式在北京遼寧大廈落下帷幕。作為首個由政府主管部門指導的工業(yè)大數(shù)據(jù)領域的權威性全國賽事，競賽已累計吸引產(chǎn)學研各界超過6000人參賽，開發(fā)出許多聚焦行業(yè)細分領域的算法模型，解決諸多傳統(tǒng)工業(yè)領域中的“老大難”問題。此次，InfoQ 專訪第三屆工業(yè)大數(shù)據(jù)競賽冠軍團隊胡翔，以及來自首爾大學的國際團隊 tea ，深入解讀在工業(yè)大數(shù)據(jù)與智能制造領域中這群開拓者的故事。

　　我并不是“一個人在戰(zhàn)斗”

　　作為決賽中唯一的個人參賽者，當提起“以一敵百”取得冠軍的榮耀時刻時，胡翔調(diào)侃道，“實際上我并不是‘一個人在戰(zhàn)斗’。”

　　面對著競賽數(shù)十只支多人隊伍同場競技，胡翔表示單人參賽既有優(yōu)勢又有劣勢。其中，優(yōu)勢在于個人對比賽工作的安排更加自由靈活，同時也會更加專注，對于每一個想法都能親自嘗試與驗證，這使得自己對問題的理解能更加的透徹、深入。

　　但是，“人多力量大”這句老話也確有道理，單人參賽相比于多人團隊，需要去做更多的分析工作，也更加有壓力。畢竟個人的理解能力比較單一，缺乏不同思路的碰撞，思路會更容易陷入壁壘。“但很幸運的是在因聯(lián)科技，我身邊的同事給了我很多幫助，他們對這個問題的理解和思路給了我很多啟發(fā)，實際上我并不是‘一個人在戰(zhàn)斗’，在這里向他們表示感謝。”

　　2018 年，胡翔碩士畢業(yè)于西安交通大學機械工程學院，入職于西安因聯(lián)信息科技，正式成為了一名工業(yè)算法工程師。持續(xù)關注工業(yè)大數(shù)據(jù)相關信息的他，在看到第三屆工業(yè)大數(shù)據(jù)競賽報名的信息后，毅然決定“單槍匹馬大練兵”。

　　對于“練兵”的含義，胡翔笑著說：“練兵有兩層含義，一是為了鍛煉自己解決工業(yè)預測性維護問題的能力。二是在工業(yè)預測性維護領域工作一年多后，以比賽這種形式去解決實際問題，對于自我業(yè)務能力的提升，是一個非常好的機會。畢竟比賽的水平是非常高的，還能認識非常多優(yōu)秀的同行。”

　　第三屆工業(yè)大數(shù)據(jù)創(chuàng)新競賽冠軍 胡 翔

　　合適的解題思路是解決問題的“靈魂”所在

　　工業(yè)大數(shù)據(jù)創(chuàng)新競賽自 2017 年首屆舉辦以來，每一屆競賽都為參賽者提供著基于真實工業(yè)場景的數(shù)據(jù)資源，并為工業(yè)大數(shù)據(jù)領域的相關研究人員和創(chuàng)業(yè)者們提供了成果轉移轉化的交流平臺。

　　“實際上本次競賽的數(shù)據(jù)，均來源于沈鼓大型高速旋轉機組實際運行中的真實數(shù)據(jù)，故障案例非常寶貴，”胡翔對記者說道。據(jù)了解，胡翔的工作主要集中在振動速度和加速度數(shù)據(jù)的分析上，之前從未獲取過這么大量的大機組振動位移數(shù)據(jù)進行分析，當記者詢問胡翔拿到賽題與數(shù)據(jù)后的第一反映，胡翔表示“十分驚喜”。

　　早在 2019 大數(shù)據(jù)產(chǎn)業(yè)峰會，中國通信研究院就發(fā)布了首道主賽區(qū)賽題——由沈陽鼓風機集團測控技術有限公司提供的《大型旋轉機組轉子部件脫落故障預測》。但看到賽題后的胡翔，并未著急著手“解題”，而是先確定了一個合適的解題思路后，再進行攻克。

　　“我個人認為解題思路實際是解決問題的“靈魂”所在。不論是在這次的比賽中還是日常工作中，所有問題的解決都是依賴于正確的解題思路。”胡翔總結道，只有在深入理解賽題目標和數(shù)據(jù)的基礎上，才能確定一個合適的解題思路，合適的解題思路會對數(shù)據(jù)分析和特征提取提供非常好的方向。

　　比如對于工業(yè)領域的數(shù)據(jù)挖掘比賽，很多選手一開始就確立的是純數(shù)據(jù)的分析和挖掘，很少結合機理分析，僅僅是提取了數(shù)據(jù)各個統(tǒng)計特征，并且使用了多個模型對結果進行融合。雖然這也許能得到非常好的結果，但這種模型并沒有“洞察力”，首先特征對于模型結果的解釋力并不強，其次這種模型很難與人建立信任，最終雖然訓練出一個準確率為 99% 的模型，但卻難以成功在工業(yè)實際場景中落地實踐。

　　打破專家定論——新方法解決老問題

　　本次競賽賽題《大型旋轉機組轉子部件脫落故障預測》屬于工業(yè)領域典型的異常檢測和故障診斷問題。旋轉類機械設備的故障診斷問題在實際的工業(yè)場景中非常常見，轉子部件脫落更是一個老問題。

　　據(jù)了解，比賽數(shù)據(jù)提供方沈鼓負責人曾在阿爾斯通的時候就遇到過這個問題，并就該問題與歐美專家進行討論，當時的結論是不可能通過傳感器的信號預測出故障。但讓人驚喜的是，在比賽中非常多優(yōu)秀的選手和解決方案，用不同的方法實現(xiàn)轉子部件脫落的故障預測，打破了當時專家的定論。其中最讓在場專家評審印象深刻的要屬冠軍團隊胡翔的解決方案。

　　要說胡翔的解決方案，重中之重就是在拿到賽題數(shù)據(jù)后，對原始工業(yè)數(shù)據(jù)進行了包括數(shù)據(jù)的整合和數(shù)據(jù)的可視化的預處理。由于工業(yè)數(shù)據(jù)的復雜性，數(shù)據(jù)集存在數(shù)據(jù)測點名稱與測點數(shù)據(jù)不一致的問題，所以第一步他先對數(shù)據(jù)進行了標準化整理，將測點名稱標準化;第二步是對振動位移數(shù)據(jù)進行可視化分析，考慮到大機組的振動采樣特性，以及典型的位移振動分析方法特點，通過總采樣點與轉子旋轉周數(shù)相除，得到了采樣頻率為每轉 32 點(等角度采樣)。

　　在獲取采樣頻率后，利用 FFT 變換獲取位移振動階次譜，并觀察故障樣本和正常樣本階次譜的區(qū)別差異，為特征提取提供方向。競賽中，胡翔在階次譜中提取了 1 倍轉頻，2 倍轉頻，3 倍轉頻等特征，并觀察這些特征在有故障機組和無故障機組中歷史趨勢，進而選擇有效特征。同時根據(jù)轉子 X 向和 Y 向位移，合成軸心軌跡，發(fā)現(xiàn)無故障機組的軸心軌跡在各個時段變幾乎沒有較大變化(如圖 1)，而轉子部件脫落故障的機組的軸心軌跡在各個時段經(jīng)歷較大變化(如圖 2)。

　　圖 1 無故障機組各時段典型軸心軌跡

　　圖 2 故障機組各時段典型軸心軌跡

　　此后，胡翔別出心裁地把賽題拆解為“轉子部件是否脫落”與“脫落故障征兆強度識別”兩個部分，并通過解決二分類問題與分類概率大小排序問題，分別解決賽題的兩大難點。

　　其中，解決二分類問題所面臨的挑戰(zhàn)在于數(shù)據(jù)集的劃分，如何選取訓練數(shù)據(jù)集，對結果的影響非常之大。由于理論上轉子部件脫落故障征兆在最接近故障發(fā)生時刻表現(xiàn)最強，最接近故障時間的數(shù)據(jù)與實際故障數(shù)據(jù)也是最相似的，所以胡翔在解題中選取了最接近故障時間的數(shù)據(jù)作為二分類的正例數(shù)據(jù)進行訓練。

　　在分類概率大小排序問題中，最大的挑戰(zhàn)莫過于如何篩選特征，因為特征選擇關系到模型的性能結果和泛化能力�？紤]到賽題目標是區(qū)分故障征兆強度，對于機械部件故障來說，越接近故障發(fā)生時刻，征兆的表現(xiàn)也就越強，因此特征若是與故障時間呈現(xiàn)較強的單調(diào)性，它能區(qū)分故障的能力也就越強，也越能區(qū)分故障處于哪個階段。綜合上述分析，選擇故障數(shù)據(jù)中單調(diào)性更強的特征進行建模和預測為最佳解決方案。最終都取得了比較好的結果，胡翔的這些思路和方案在答辯中也得到了多位評委的認可和贊許。

　　但胡翔也表示他的算法模型還有一些不足需要改進與完善，算法模型的精度上還需要提升，以滿足工業(yè)應用的更高要求。算法模型也需要考慮除“轉子部件脫落故障”之外的其余故障對算法模型的影響，只有解決了這個關鍵問題，算法模型才有可能在工業(yè)實際中得到應用。

　　全球參賽選手同臺競技，各領風騷

　　第三屆工業(yè)大數(shù)據(jù)創(chuàng)新競賽已順利落下帷幕。但值得注意的是，本屆競賽可謂是一場真正意義上的全球競技，中國信息通信研究院作為全球工業(yè)大數(shù)據(jù)領域頂尖活動—— PHM 亞太學術論壇(www.phmap.cn)主辦方之一，賽題也有全球參賽選手和國內(nèi)參賽者同臺 PK，而來自首爾大學的參賽團隊“ tea ”更是取得了第三名的好成績。

　　tea 小組是由來自首爾國立大學機械工程系的研究生 Yongjin Shin、Jongmin Park 與 Myungyon Kim 共同組成。在接受記者采訪時，tea 小組的成員們談起這段參賽經(jīng)歷時，感嘆道："Since we are students in the lab, we often use experimental data or refined data. However, it was a good experience to analyze and build the model by directly using the data measured in the industrial field without any filtering. (由于我們是實驗室的學生，使用到的通常為實驗數(shù)據(jù)或處理后的數(shù)據(jù)。直接使用工業(yè)領域中測量的未經(jīng)處理的數(shù)據(jù)來分析和建模是一段很好的經(jīng)歷。)"

　　第三屆工業(yè)大數(shù)據(jù)創(chuàng)新競賽韓國參賽團隊 tea 小組

　　據(jù)了解，這也是 tea 小組第一次來中國參加此類比賽。對于他們來說，本次競賽的最大挑戰(zhàn)在于，給定的數(shù)據(jù)集是在轉子部件脫落故障之前采集的。因此，在分析數(shù)據(jù)的過程中，很難檢測到故障發(fā)生的特征，并確定未故障到接近故障的順序。而為了更清晰的判斷，tea 小組在解題初期也想過使用機器學習或其他模型(實際上一些成員的主要研究方向是 PHM 領域的深度學習)，但由于標簽信息可能會由于上訴問題變得不清晰，tea 小組設定了自己的標準，以確定是否故障及故障的順序。

　　同樣，為了實現(xiàn)在實際工業(yè)場景中的應用，tea 小組表示，他們還需對給定目標系統(tǒng)(的特定故障)設置更合適的故障標準或閾值，算法模型也要從目標系統(tǒng)中同時獲取正常和故障的數(shù)據(jù)，并設置明確標準以區(qū)分是正常還是故障，實現(xiàn)模型的進一步優(yōu)化與改進。

　　近年來，在工業(yè) 4.0 的發(fā)展趨勢下，韓國和中國一樣，隨著高附加值技術重要性的增強，過程自動化以及相關的自動故障診斷和預測系統(tǒng)也將變得十分重要。

　　寫在最后

　　智能制造和工業(yè)互聯(lián)網(wǎng)是密不可分的關系。正如胡翔所說，預測性維護是工業(yè)互聯(lián)網(wǎng)應用的“皇冠上的明珠”。當然遠遠不止如此，大數(shù)據(jù)和智能制造給傳統(tǒng)工業(yè)帶來了巨大沖擊，強大的工業(yè)數(shù)據(jù)分析服務將成為制造企業(yè)數(shù)字化戰(zhàn)略的重要組成部分，工業(yè)互聯(lián)網(wǎng)將顯現(xiàn)出更大的戰(zhàn)略價值�？梢灶A見，工業(yè)大數(shù)據(jù)應用將帶來工業(yè)企業(yè)創(chuàng)新和變革的新時代。