|
|
说一个好消息，公安部交管局 2018 年公布数据显示，截止 9 月，我国新能源汽车保有量达 221 万辆，" 蓝天白云，晴空万里 " 似乎离我们更近一步；
说一个坏消息，国家市场监督管理总局 2018 年透露，截止 10 月底，我国已发生新能源汽车起火事件 40 余起，交通事故中很可能要加上 " 新能源汽车自燃 " 这一项了。
毫无疑问，新能源汽车已经是大势所趋，而另一个大势所趋则是 AIoT（AI+IoT），因而也就有人想到：是否可以用 AIoT 相关技术解决新能源汽车着火事件。那么，通过现有的 AIoT 技术能够解决上述问题吗？也能，也不能。
至少现在已经可以对相关事件进行预测，为车主留出时间处理。上海觉云科技有限公司是一家聚焦新能源汽车智能算法模型 / 平台为主的企业，而新能源汽车起火这样的事件，恰好在其射程范围内。
上海觉云创世人兼首席执行官常伟告诉雷锋网，" 对于现在电动汽车热失控现象，我们的核心算法目标是能够提前 20 分钟进行预测，为车主留出逃生时间。"
从数据变化，查设备病变</b>
2014 年前后，兴起了第一波 IoT 浪潮，这波浪潮主要解决的是设备连接的问题，现在回过头来看，从数据的角度，主要解决了数据的连接和上传问题。例如在工业上，主要实现了包括温度、压力、电流、电压等数据监控，监控设备的安全运营条件。
上海觉云的核心团队在 2016 年完成组建，2017 年开始进入正轨。此时，第一波浪潮已经走远，甚至在 2014 年兴起的物联网公司也已经经过了一轮残酷的淘汰赛，活下来一批，死掉一批。与此同时，基本的连接问题已经解决，更为关键的问题已经由「连接」转到「数据应用」。这也是上海觉云看到的机会，以及其对公司的定位。
" 如何把数据用起来，这是个问题，" 常伟告诉雷锋网，" 我们经过这两年的数据收集及数据分析发现，从数据变化中其实是可以找到其规律性的，数据的变化可以反映出设备内部产生的变化或畸变。例如某部位的温度变化对应设备内部某一轴承的损坏，这也意味着需要提前对这一轴承进行更换。"
从卖设备到卖服务，行业热点改旗易帜，以数据运营为主的平台运营逐渐走向台前，并在诸如消费、工业、新能源汽车等各个领域中不断打磨，产生价值。
没有什么是一尘不变的，如果有的话，那就是公司对能够产生经济效益的社会刚需的追求，而现在，数据分析正被认为是社会刚需之一。
预测性维护：第一步，两百年
现在可预见的预测性维护可以分为三类，也是行业的三个发展阶段：以机械摩擦力为主的设备参数的预测性维护、以电化学反应为主的设备参数及预测性维护，根据设备参数进行精准故障诊断。
预测性维护并不是一个新话题，而是早已有之。以飞机为例，飞机在飞行到一定里程时，就必须要保养一次，其中保养的关键部件就是飞机引擎发动机。为什么要保养呢？这主要是由于设备供应商已经引擎发动机的运行周期进行了预测——引擎发动机在工作多少小时或行驶多少里程后会出现故障。
除此以外，其实车主日常对于传统汽车的保养，甚至日本的一些设备零部件有淘汰周期也是这样的道理。
" 预测性维护并不是一个全新的概念，在此之前，设备和机车的预测性维护已有两三百年的历史，" 常伟针对现在整个预测性维护发展介绍称，" 此前的预测性维护主要是针对机械摩擦力为主的设备参数，通过摩擦过程中的衰减机理拿到这类参数，并判断故障发生时间。"
在这个阶段，由于我国在工业化进程中起步较晚，技术水平相对于国际发达国家慢了半拍。不过，就整个预测性维护的观念和知识体系已经逐渐建立起来。
这是预测性维护的第一步，这一步，人类走了近两百年，也停留了近两百年。
第二步：保命的需求</b>
随着物联网、大数据的兴起，也使预测性维护得以拥有迈出第二步的可能。以电力运行、电化学反应为主的设备维护。
随着新能源汽车市场保有量的不断增加，以及相关事故的频发，鉴于 " 保命 " 需求，预测性维护的第二步也被提上的日程。
由于我国在新能源汽车销量和保有量上都有很大优势，转换为数据优势为我们可以采集到各种不同场景下的运行数据和静态数据。这一波预测性维护以数据分析、以大数据科学家为主导，这样的逻辑也就形成了这一阶段国内厂商在预测性维护上的优势所在。从另一层面来讲，国内的预测性维护在 " 保命技能 " 上更胜一筹。
据前瞻产业研究院统计数据显示，2017 至 2018 年 2 月，在全球新能源乘用车市场中，中国新能源乘用车累计销量达 61.90 万辆，排名第一，远超其他国家。
图片来源：前瞻产业研究院
与国外相比，我们在燃气发动机方面其实是落后很多的，因为我们积累沉淀也比较少。我们没有很多数据去学习。但是在新能源汽车或以电化学为主导的新设备领域，我们并不比国外差，甚至有些方面比国外更有优势。
以现在大家关注度很高的「电动汽车着火事件」为例。
电动汽车着火事件中，尤其是一些公共交通工具，例如电动大巴如果发生着火事件，会对人身安全带来了严重危害。现在业界一般认为，通过大数据分析，至少要能够提前 10-15 分钟做出预警。
常伟告诉雷锋网，" 对于现在电动汽车热失控现象，我们的核心算法已经可以提前 20 分钟进行预测和预警，为车主留出逃生时间。"
以电动汽车的电池寿命衰减和续航里程为例。
电动汽车电池运行在不同场景下都会有一定的寿命衰减，寿命衰减会直接导致续驶里程的衰减，现在大部分汽车里程表上显示的续驶里程是不准确的。要确定实际续驶里程，首先要判断电池剩余电量。基于这样的判断，车主、运营方，或派单方才能明确知道手上的单子应该由哪辆电动汽车或电动车去执行。
上海觉云通过此前收集的大量相关数据构建数据模型，用这样的数据与检测到的电池的实际运行中的电压、电流、温度等参数进行对比，预判出电池的剩余容量，从而更为精准地预测出续驶里程。
详解数据处理过程</b>
在预测性维护中，其实预测性监测是现在可以实现的，即针对设备参数异常，进行针对性故障预警。对于这样的预测或预警，常伟告诉雷锋网，主要分为三个步骤：
数据清洗。" 其实我们现在拿到的大量数据是质量很差的，会有误报、漏报、错报存在。 因而，我们要先把拿到的数据进行清洗，这块工作能占到我们整个项目工作的 50% 以上。"
数据训练。和消费、工业类数据模型相似的是，都是通过机器学习等算法进行模型训练，不同之处在于，应用场景不同，训练数据和训练环境也有所差异。
部署实施。" 我们做的都是数据模型，这样的模型你要给客户展示的话，其实也是个问题。在这之间就需要将数据转化为相关业务数据呈现在 UI 界面或控制界面上。"
" 在整个数据模型构建过程中，一般而言都是基于时序数据，因而也就有了构建预测类数据模型的可能。" 上海觉云通过类似通用模型的「母模型」来实现同类设备的归类，从而使得同类设备可以基于相同的「母模型」进行训练。
另外，常伟也告诉雷锋网，其实并没有所谓的通用模型，不同设备之间都是需要有各自的数据模型的，所不同的是，同类设备的数据模型可以基于相同的「母模型」。
上海觉云主要有新能源汽车（60%）、机电设备（20%）和轨道交通设备（20%）三类设备 / 业务。由于业务模式的不同，上海觉云现在主要负责新能源汽车相关业务，机电和轨道交通类业务已经转由芯数智能负责（常伟为实际控股人的另一家公司）。" 随着业务开展，我们在传统的变速机、发动机转速等模型，以及新能源汽车电池故障预测类模型上已经有较为成熟的数据模型。"
这三类业务其实采用的是同样的建模方法，也可以理解为同样的技术，三种不同的应用场景。
我们的建模原理是一样，我们的数据科学家拿设计的数据模型基本方法也是相同的，但是用到具体不同业务中的 Know how 完全不同，对数据的理解也有不同。
异构设备为难点，边缘布局为方向</b>
工业数据采集是难点吗？
常伟认为，在具体工业数据采集中，难点不在采集上，现在除了电化学反应在到离子阶段的数据我们拿不到（也很少会用到），其他基于牛顿力学的物理量，以及电压、电流、温度等物理量都相对容易获得。难点在于异构设备的不同传输协议，需要数据专家投入大量精力来解决这样的问题。
在工业领域中，其实有诸多不同设备品牌可能采用的是不同的协议，要实现智慧工厂，异构设备无疑是难点。常伟认为，这样的设备其实不在目前智慧工厂部署范围内，上海觉云正是在现阶段规避了这样的痛点，将更多精力放在已经在协议上做过相关处理，在相关数据分析和数据预测方面有需求的大厂商上。
近年来，数据分析和数据预测相关能力逐渐从云端走向边缘，新能源汽车领域也存在这样的需求，需要实时处理和分析数据，并提出故障预警。常伟告诉雷锋网，" 目前，上海觉云主要算法及相关部署还在云端，边缘侧的部署需求是我们现在面临的挑战，同时也为我们今后的发展指出了方向。"
数据故障诊断，尚难实现
前文有一个问题还没有解答：通过现有的 AIoT 技术能够解决新能源汽车着火问题吗？也能，也不能。
能，是因为现在已经有相关技术可以做出预警，为车主或乘客提供 " 逃生 " 时间；
不能，则是因为现在还无法通过数据分析出具体故障原因。
即，可以提出预警，留出处理时间，尚难精准判断故障原因，解决问题。
据雷锋网了解，在整个行业中，现有的数据模型和数据处理能力仍停留在第一步和第二步，即故障预测、故障预警阶段。要通过数据分析诊断出具体故障，现在仍难以实现。另外，对于实际应用而言，故障预警的需求也一直存在，因而也为这样的产业模式提供了落地条件和盈利空间。
上海觉云主要业务在新能源汽车领域，其主要客户包括北汽、广汽、宇通、滴滴、泰雷兹、上海电巴等，相关数据模型及数据平台已经部署在 5 万台设备中。预计在 2019 年将会推出一款全新的软硬件平台打包产品，这款产品将会以硬件形式呈现出来，通过这样的一款产品，可以让车主提前 20 分钟发现热失控故障。
新能源汽车如何搭上 AIoT 这辆快车？或许，预测性维护是一个值得思考的方向。
|
|
发表于 2019-1-18 08:03:23
