氢听剧场：张璞——燃料电池全生命周期大数据平台建设

总经理

GeneralManager

北京博瑞华通科技有限公司

Beijing Bori Co.,Ltd

张璞

Zhangpu

燃料电池全生命周期大数据平台建设

The big-data platform construction of the life-cycle data of fuel cell engine

主持人：下面有请北京博瑞华通科技有限公司总经理张璞，张璞西南交大计算机应用专业毕业，拥有13年大型互联网软件平台建设与管理经验，聚焦车辆数据采集与分析，主持开发清华大学新能源车辆智能运营监控平台“清华巴士”、新能源汽车共享出行平台“有车出行”、新能源汽车出行大数据分析平台“行知”等大型系统的设计与研发。2017年创立博瑞，一家具有互联网基因的创新技术应用公司，专注于燃料电池发动机大数据分析系统的研究与应用，系统融合物联网、大数据与机器学习技术，打造了集数据采集、会聚处理、挖掘分析、主动预测为一体的智能化燃料电池数据分析应用平台“氢见未来”，燃料发动机权声明周期数据管理平台“氢蓝数据”，为燃料电池发动机的数据化、智能化演进提供了有力的数据保障与支撑。张璞的演讲题目是《燃料电池发动机全生命周期大数据平台建设》。

    张璞：大家上午好，很高兴能跟大家一起交流，其实我们公司是一个做互联网大数据的公司，这个展会昨天也转了一转。刚刚施总介绍了我们是从2017年从互联网的行业转到了燃料电池行业，我们目前主要是跟亿华通合作，承建它的燃料电池发动机全生命周期大数据平台的建设。

    接下来我给大家分享一下我们这几年在这个方面做的工作，也欢迎大家一会有问题最后我们可以深入的交流一下。

    我们在做大数据平台的时候，我们秉持了一个理念，一个是在线化，在线化就是我们所有的发动机都是在线联网的，可读可控。第二个是数据化，发动机生产线开始，从测试、过检到装车、运行，如果出现故障，返修，所有的数据都拿回来了，有一个完整的数据链条，所有的数据是可视的，随时可以调取使用。

    第三个说智能化，这个是我们最终的目标，我们最终可以达到发动机基于我们之前采集的数据得出一些结论，能够在发动机在实际工作的时候根据实际运行的工况去采取它的工作策略，自主采取工作策略，这一步我们刚刚开始，现在我们刚刚把数据部分这工作做完，刚刚进展到做数据预测，后面我会有一些内容跟大家交流一下。

    我们这个平台最终给决策层，我们通过数据反馈回来的结果看产品和市场的定位，数据要支撑质量部门、研发部门、售后部门他们在工作中的使用。比如说质量部门，我们的数据链条已经很完整了，他可随时调取一个产品在它所有过程当中的数据做质量分析。研发部门用数据主要是来改进产品质量的提升，包括燃料电池发动机的控制策略。售后部门可以用这些数据来做问题定位与分析。

    我们系统建设的时候遵循了这样一个演进的路径，一个是基础平台的建设，第二个是我们单独数据模型的构建，在数据每一个阶段是在实验、检测的阶段，在装车运行的阶段，还是返修的阶段，每一个阶段有单独的模型，我们在数据拿回来之后对模型做初步的分析。我们在初步的数据有了，业务数据链条完整的时候我们做全维度的数据分析，这个时候在这个阶段我们就可以得出一些对比性的分析结论。最后我们正在做的一个工作，就是构建一个智能化的数据分析平台，最终通过数据来驱动产品质量提升和我们想在发动机通过数据决策工作策略的目的。

    给大家分享一下我们具体系统的建设。这个是我们的数据源，包括我们的研发试验数据、装车运行数据和质量检测数据，我们把所有的数据收集回来之后我们在数据仓库做数据分析，我们得出故障、性能、衰减的结论。

    这是我们一个系统的整体的业务架构，这里面有几个核心的服务内容，发动机的接入与数据采集服务，测试设备接入，还有我们大数据的存储分析，这些在整个系统里面是比较关键的几块。

    我们发动机接入其实我们主要是要解决三个问题，一个是信息安全，一个是性能保证，目前我们在配置在2万块钱的服务器上可以做到发动机4秒上报一个数据，我们可以并发接入1万台的车辆运行，我们整个架构采用分布式的架构做，如果有需要最终满足继续扩容的需求。

     测试设备的接入我们主要解决了三个问题：一个是兼容性的问题，测试设备协议比较多，有OPC、TCP等等，我们在协议层做了一些兼容。在网络安全方面一般是在内网运行，我们除了有加密的协议之外，我们通过AGNET的模式把内外网实现隔离。还有自动发现，这个是我们从电信领域引入进来的，为了减轻我们设备配置的工作量，设备采用了我们的协议接入我们网络里面，我们系统可以自动把这个设备识别出来。

     最后是我们大数据的存储与分析，这一块主要解决存储数据的多样性，另外是检索，数据多了存在数据库的检索容易一些，但对于文本的数据我们开发了支持文本数据的检索。最后是智能分析，我们现在用机器学习技术手段，我们构建了一个神经网络模型，通过我们采集到的数据训练这个模型，随着数据量的越来越大，我们模型和算法得出的结果会越来越精准。

    这是我们一个分布式的技术架构，这个是我们系统的拓扑图，左边是我们用户端，科技通过PC端或者移动端访问我们的系统，我们所有的服务都是部署在云端，我们接入的数据源通过网络接入到我们的系统里面。这是我们测试数据管理平台的实例，我们里面最终实现测试设备的远程控制和数据采集，这个是我们电堆工作温度进行分析得出的的一个图，我们可以直观看到，电堆工作的实际温度和目标温度的温差。这是对发动机工作在各个工况区间内做的运行统计，这个图我多说一下，这个是我们根据试管运行的一台车做了一个模型去分析出的车的发动机的衰减的趋势。这个三条折线对应的是我们发动机的单片电压，这个红线是我们通过算法算出发动机的衰减趋势，从这个结果看到结果非常稳定，性能比较好。

    最后这个图是根据我们采集到的数据采用神经网络模型得出的一个故障指标预测图，左边的图是我们预测的数值，当中的图是我们实际运行结果拿出结果的数值，最后这个是对比的数值，大家可能觉得曲线差异比较大，但实际对应这个指标单位的话，我们最大的误差在5%以内，现在我们对故障的预测，故障发生可能性的预测我们可以做到提前20分钟来知道发动机是不是要出现故障了，会出现什么样的故障，刚才我说了我们能不能把这个周期拉的再长一些，能不能做到一个小时？一天？还是两天？在预测发动机衰减和性能的时候我们可以做到很长的周期，但是故障这一块的预测我们是以5分钟为单位拉长的，有时候我们内部讨论的时候就会讨论跟我们的感冒有类似的情况，如果今天出现了头疼、嗓子痛的情况，我可以推测我明天要感冒了，但是我没有办法提前一个月知道我今天要感冒，我们在做这个的时候也在讨论是不是只有指标非常明显的时候，就是已经非常接近它故障爆发点的时候我们才可以得出要出现故障的结论，这个我们还在继续的研究，我们算法也已经经过了很多轮的调整。

    最近三年做这个系统有一些经验想分享一下，在传统企业里面，我个人的感受对数据要充分的重视，用好数据可能直接转化为财富。然后我们要勇于尝试新的技术，在合适的时间我们引入新的技术和工艺可以大幅提升我们的研发生产效率。然后是下游产业加数据智能，这个一定会产生新的产业，这个新的产业一定会很大程度上促进企业的发展。最后一个体会特别深，好系统一定是用出来的，数据智能也是慢慢长出来的，我们要坚定目标的同时，我们还要有足够的耐心做这个事情。

    最后简单介绍一下我们的团队，我们这个团队成立2017年，我们成立之后就一直做燃料电池这个方向，我们这个团队相对来说比较年轻，比较喜欢技术，这两年我们深耕燃料电池行业里面，希望深入行业与大家一起做这个事情，更希望大家给我们一些意见和建议。

    这是我们这几年我们这个公司主要服务的客户，新协力，有车出行、时代出行都是做共享出行的，我们为他们提供了共享出行平台服务，水木通达是一个做燃料电池客车和物流车运营的公司，我们为它做了一套适合燃料电池车辆的运营管理系统，亿华通是国内著名的燃料电池发动机制造企业，我们承建了亿华通的大数据平台。

    谢谢大家。