摘要：從數(shù)學(xué)博士到阿里云工程師，夏分一直學(xué)以致用。入職后的第個(gè)月，夏分接手了第一個(gè)項(xiàng)目，用工業(yè)大腦幫一家風(fēng)電企業(yè)提前預(yù)測(cè)風(fēng)電機(jī)組故障。一個(gè)萬(wàn)千瓦的風(fēng)電場(chǎng)，平均每年維護(hù)費(fèi)用高達(dá)萬(wàn)元，還會(huì)以平均的速率逐年遞增。

從數(shù)學(xué)博士到阿里云工程師，夏分一直學(xué)以致用。加入阿里云接手的第一個(gè)ET工業(yè)大腦項(xiàng)目，因?yàn)閿?shù)據(jù)傳輸問(wèn)題丟失大量數(shù)據(jù)，導(dǎo)致機(jī)器誤判拉響警報(bào)，這讓他意識(shí)到自己不能只坐在電腦前做“碼農(nóng)”，也要下到車間做實(shí)地考察。

然而，之后夏分參與的項(xiàng)目是一家有32年歷史的毛紡企業(yè)，從訂單到配色、染毛、混毛，到紡線、織布和成衣，沒(méi)有一套完整的數(shù)據(jù)采集系統(tǒng)。車間主任“迷信”人工智能和機(jī)器算法，在沒(méi)有數(shù)據(jù)的情況下提出一系列“無(wú)解”要求，夏分利用數(shù)學(xué)思維將其一一解決。

虛驚一場(chǎng)的教訓(xùn)

從本科到博士，夏分在浙江大學(xué)研究了10年數(shù)學(xué)，畢業(yè)后一度從事人工智能輔助醫(yī)療方面的研究，卻因?yàn)槿狈Y(jié)構(gòu)化數(shù)據(jù)陷入瓶頸。剛好，有人推薦他去阿里云，抱著“醫(yī)療是民生，工業(yè)是戰(zhàn)略”的想法，夏分于2017年7月加入阿里云，成為一名算法工程師，也是第一代車間程序員。

入職后的第4個(gè)月，夏分接手了第一個(gè)項(xiàng)目，用ET工業(yè)大腦幫一家風(fēng)電企業(yè)提前預(yù)測(cè)風(fēng)電機(jī)組故障。

夏分

由于無(wú)法實(shí)時(shí)掌握工作狀態(tài)，傳統(tǒng)風(fēng)電機(jī)組維護(hù)，通常都是在故障發(fā)生后亡羊補(bǔ)牢，維修費(fèi)用高，維修周期長(zhǎng)，還會(huì)影響生產(chǎn)的連續(xù)性。

一個(gè)5萬(wàn)千瓦的風(fēng)電場(chǎng)，平均每年維護(hù)費(fèi)用高達(dá)300萬(wàn)元，還會(huì)以平均3%的速率逐年遞增。而這家風(fēng)電企業(yè)擁有10個(gè)風(fēng)電場(chǎng)、500多臺(tái)風(fēng)電機(jī)組，維護(hù)成本帶來(lái)的壓力可想而知。

就像一個(gè)人生病，病情發(fā)展有跡可循，如果能提早發(fā)現(xiàn)，提前干預(yù)，就能阻止病情惡化，節(jié)省醫(yī)療成本。而對(duì)風(fēng)電機(jī)組來(lái)說(shuō)，一個(gè)核心健康指標(biāo)是溫度，長(zhǎng)期高速運(yùn)轉(zhuǎn)下，部件老化導(dǎo)致摩擦碰撞，就會(huì)產(chǎn)生不必要的熱能，但有些時(shí)候，沒(méi)有機(jī)械故障也會(huì)引起部件發(fā)熱，怎么樣才能在不放過(guò)故障的同時(shí)，做到不誤報(bào)、減少風(fēng)電場(chǎng)工程師工作量？

工程師爬上幾十層樓高的風(fēng)電機(jī)，為兩臺(tái)驗(yàn)證機(jī)組裝上數(shù)十組溫度傳感器，在運(yùn)轉(zhuǎn)中源源不斷地采集溫度數(shù)據(jù)，夏分則在杭州的辦公室里，實(shí)時(shí)監(jiān)控并分析著數(shù)千里之外的數(shù)據(jù)。積累到上億條溫度數(shù)據(jù)后，夏分建立機(jī)器學(xué)習(xí)模型，希望能提前識(shí)別風(fēng)電機(jī)組運(yùn)行異常并預(yù)警。

一次，機(jī)器檢測(cè)出的溫度數(shù)值與模型預(yù)估的相差20多度，這讓夏分有點(diǎn)不知所措，“溫度過(guò)高將導(dǎo)致風(fēng)電機(jī)組無(wú)法正常運(yùn)作，這可不是個(gè)小問(wèn)題。”遠(yuǎn)在新疆吐魯番的工程師接到警報(bào)后，趕緊查看了“異常”風(fēng)電機(jī)組測(cè)點(diǎn)的溫度數(shù)據(jù)，卻發(fā)現(xiàn)完全正常。那么，是網(wǎng)絡(luò)傳輸不穩(wěn)定？還是傳感器故障或老化影響了數(shù)據(jù)的采集？夏分在腦海中推理著各種原因，不相信自己的算法會(huì)出錯(cuò)。

“怎么會(huì)只有1%的數(shù)據(jù)？”緊張排查幾個(gè)小時(shí)，原因找到了，風(fēng)電場(chǎng)出現(xiàn)嚴(yán)重的數(shù)據(jù)缺失，大量數(shù)據(jù)未同步上傳，導(dǎo)致機(jī)器學(xué)習(xí)的并不是完整數(shù)據(jù)。

最終，ET工業(yè)大腦做到能提前2周識(shí)別風(fēng)電機(jī)組潛在故障，大修變小修，單次重大事件維護(hù)成本降低20-40萬(wàn)元。夏分卻意識(shí)到，要將前沿科技真正帶入工廠，光靠在電腦前碼出一套算法還不夠，必須去實(shí)地考察真實(shí)情況。

毛紡企業(yè)的配色難

今年四月，夏分接到又一個(gè)項(xiàng)目需求——一家國(guó)內(nèi)毛紡行業(yè)的龍頭企業(yè)，希望借助ET工業(yè)大腦，來(lái)提高配色的效率。毛紡行業(yè)，染色質(zhì)量是衡量呢絨產(chǎn)品質(zhì)量的金標(biāo)準(zhǔn)，而染色的關(guān)鍵，在于染料配方的準(zhǔn)確程度。

夏分一頭扎進(jìn)毛紡企業(yè)的混合羊毛車間。車間里悶熱潮濕，羊毛和化學(xué)溶劑的味道混在一起，鉆進(jìn)鼻子令人犯嘔，轟隆作響的混毛機(jī)器旁，放著一個(gè)個(gè)一米多高的白色塑料桶，里面塞著不同顏色的羊毛。

紡織車間

這一次，客戶來(lái)樣是藍(lán)色。試驗(yàn)臺(tái)前坐著二三十名工藝員，他們從一缸染好顏色的羊毛中，撕取一小撮大概15厘米長(zhǎng)、5厘米直徑的羊毛小樣，人工梳毛后，拿著小樣去稱量，然后通過(guò)美國(guó)進(jìn)口的datacolor測(cè)色儀，檢測(cè)染色結(jié)果是否與客戶要求一致。

驗(yàn)色結(jié)果不盡人意，顏色嚴(yán)重偏紫，紅色太多。第二次配色，又偏綠了，黃色太多。工藝員把第一缸和第二缸的羊毛倒入混毛機(jī)，充分混勻后，再撕取一撮上機(jī)器測(cè)色，若不正確，就再重復(fù)一次。

成檢車間

“還是很原始的方式。”夏分從老師傅口中得知，從拿到訂單指令到完成配色，至少要一周時(shí)間，老師傅一般5次左右便可配色成功，而新人7次8次都未必能成功。染料配方頻繁調(diào)整，生產(chǎn)周期隨之拉長(zhǎng)，庫(kù)存積壓還是小事，倘若色光不符合客戶來(lái)樣，能不能順利交貨都是問(wèn)題。

夏分琢磨著，建立模型導(dǎo)入數(shù)據(jù)，讓機(jī)器學(xué)習(xí)染料配方，再將老師傅總結(jié)出的經(jīng)驗(yàn)，通過(guò)機(jī)器算法來(lái)學(xué)習(xí)，幾次推薦出符合來(lái)樣的染料配方易如反掌。夏分正想得出神，車間主任突然來(lái)了一句“我們沒(méi)有數(shù)據(jù)”……

想要數(shù)據(jù)得先洗腦

數(shù)據(jù)，其實(shí)是有一些的。比如每次配色成功，工藝員都會(huì)詳細(xì)記錄染料配方和混色數(shù)據(jù)，只是沒(méi)有數(shù)字量化最終配出的顏色，而是保存了實(shí)物樣本。每次拿到客戶來(lái)樣，工藝員就拿出以前做過(guò)的實(shí)物樣本對(duì)比，找出色光最接近的方案，不斷調(diào)整測(cè)試。

可是經(jīng)驗(yàn)豐富的工藝員都知道，哪怕配的是之前配過(guò)的同一種顏色，按照歷史記錄配出的顏色，也會(huì)因?yàn)檐囬g環(huán)境溫度濕度的變化而發(fā)生細(xì)微偏差，而染料員稍偷點(diǎn)懶，30分鐘的染色時(shí)間縮短到26分鐘，就會(huì)直接影響染料在羊毛上的附著力。而這些有可能導(dǎo)致配色失敗的因素，都沒(méi)有以數(shù)據(jù)的方式留存下來(lái)。

企業(yè)的IT員工，其實(shí)早就認(rèn)識(shí)到數(shù)據(jù)生成和數(shù)據(jù)采集的短板，一直在向車間主任推薦數(shù)據(jù)的功效，可是對(duì)方的回答永遠(yuǎn)是“大家都那么忙，哪有空做這個(gè)？”

對(duì)于ET工業(yè)大腦，車間主任倒是寄予厚望，見(jiàn)到夏分就說(shuō)，“人工智能嘛，你們阿里云就是很厲害，沒(méi)有數(shù)據(jù)你們也應(yīng)該能做出來(lái)。”

“沒(méi)有數(shù)據(jù)不行？那你們就估計(jì)一個(gè)數(shù)據(jù)出來(lái)。”車間主任甚至提出，希望通過(guò)算法，自動(dòng)填補(bǔ)缺失的空白數(shù)據(jù)。

“這根本就是悖論嘛。”夏分抿了抿嘴，車間主任“神化”了人工智能和機(jī)器算法，給他提出一個(gè)大難題。

兩次見(jiàn)面溝通，一次電話會(huì)議，夏分只要逮到機(jī)會(huì)，就給車間主任灌輸“要采集數(shù)據(jù)”的觀念。到了5月底，IT人員發(fā)來(lái)了專門采集的數(shù)據(jù)，夏分如釋重負(fù)。

目標(biāo)節(jié)省兩成人力

從車間回到辦公室，夏分坐在電腦前，在網(wǎng)上搜索起契合業(yè)務(wù)背景的論文。

《基于共軛梯度法的紗線染色配方預(yù)測(cè)優(yōu)化算法》，外行人讀個(gè)題目都費(fèi)勁的論文，夏分抱起來(lái)就啃。從中午吃完飯到零點(diǎn)睡覺(jué)前，從一開始的三四篇論文再到引申出的10余篇參考文獻(xiàn)，夏分一邊仔細(xì)研讀，一邊做筆記標(biāo)注，仿佛回到讀研讀博的時(shí)光。

既然目前車間工作流的操作無(wú)礙，就把不穩(wěn)定的因素暫放一旁，只要減少配色的嘗試次數(shù)，在一定程度上就是節(jié)省工作量，夏分理清了思路，“我們要做的就是找到一個(gè)平衡點(diǎn)，提高算法的準(zhǔn)確率，從而減少他們的工作流和人力。”

“收集歷史配方數(shù)據(jù)，列出用了哪個(gè)工廠的染料，哪幾種顏色，比例分別是多少，染色出來(lái)的顏色是什么……”夏分給車間主任開出了數(shù)據(jù)采集要求，在配色染色的每一個(gè)步驟都加上了使用數(shù)值化記錄的環(huán)節(jié)。

毛紡企業(yè)目前有幾十類配方，而機(jī)器學(xué)習(xí)一類配方大概需要上百條數(shù)據(jù)，只要擁有數(shù)據(jù)，夏分很快就能完成數(shù)據(jù)清洗，特征構(gòu)造，特征篩選，模型篩選，參數(shù)調(diào)優(yōu)等建模步驟。

結(jié)合前期試驗(yàn)和算法模型，夏分設(shè)想，首次推薦配方的成功率只有60%，二次推薦的成功率是84%，三次推薦的成功率則在90%以上，可以節(jié)省20%的人力，現(xiàn)在就只差實(shí)踐驗(yàn)證。

“分析、比較、判斷，其實(shí)都是數(shù)學(xué)中的邏輯思維。”夏分笑著說(shuō)，自己跟數(shù)學(xué)早已難舍難分。

本文作者：王安憶

閱讀原文

本文來(lái)自云棲社區(qū)合作伙伴“天下網(wǎng)商”，如需轉(zhuǎn)載請(qǐng)聯(lián)系原作者。