當紡織遇上阿裡雲，數學博士鑽進工廠中的房間要讓企業更高效

從數學博士到阿裡雲工程師，夏分一直學以緻用。加入阿裡雲接手的第一個ET工業大腦項目，因為資料傳輸問題丢失大量資料，導緻機器誤判拉響警報，這讓他意識到自己不能隻坐在電腦前做“碼農”，也要下到工廠中的房間做實地考察。

然而，之後夏分參與的項目是一家有32年曆史的毛紡企業，從訂單到配色、染毛、混毛，到紡線、織布和成衣，沒有一套完整的資料采集系統。工廠中的房間主任“迷信”人工智能和機器算法，在沒有資料的情況下提出一系列“無解”要求，夏分利用數學思維将其一一解決。

虛驚一場的教訓

從大學到博士，夏分在浙江大學研究了10年數學，畢業後一度從事人工智能輔助醫療方面的研究，卻因為缺乏結構化資料陷入瓶頸。剛好，有人推薦他去阿裡雲，抱着“醫療是民生，工業是戰略”的想法，夏分于2017年7月加入阿裡雲，成為一名算法工程師，也是第一代工廠中的房間程式員。

入職後的第4個月，夏分接手了第一個項目，用ET工業大腦幫一家風電企業提前預測風電機組故障。

夏分

由于無法實時掌握工作狀态，傳統風電機組維護，通常都是在故障發生後亡羊補牢，維修費用高，維修周期長，還會影響生産的連續性。

一個5萬千瓦的風電場，平均每年維護費用高達300萬元，還會以平均3%的速率逐年遞增。而這家風電企業擁有10個風電場、500多台風電機組，維護成本帶來的壓力可想而知。

就像一個人生病，病情發展有迹可循，如果能提早發現，提前幹預，就能阻止病情惡化，節省醫療成本。而對風電機組來說，一個核心健康名額是溫度，長期高速運轉下，部件老化導緻摩擦碰撞，就會産生不必要的熱能，但有些時候，沒有機械故障也會引起部件發熱，怎麼樣才能在不放過故障的同時，做到不誤報、減少風電場工程師工作量？

工程師爬上幾十層樓高的風電機，為兩台驗證機組裝上數十組溫度傳感器，在運轉中源源不斷地采集溫度資料，夏分則在杭州的辦公室裡，實時監控并分析着數千裡之外的資料。積累到上億條溫度資料後，夏分建立機器學習模型，希望能提前識别風電機組運作異常并預警。

一次，機器檢測出的溫度數值與模型預估的相差20多度，這讓夏分有點不知所措，“溫度過高将導緻風電機組無法正常運作，這可不是個小問題。”遠在新疆吐魯番的工程師接到警報後，趕緊檢視了“異常”風電機組測點的溫度資料，卻發現完全正常。那麼，是網絡傳輸不穩定？還是傳感器故障或老化影響了資料的采集？夏分在腦海中推理着各種原因，不相信自己的算法會出錯。

“怎麼會隻有1%的資料？”緊張排查幾個小時，原因找到了，風電場出現嚴重的資料缺失，大量資料未同步上傳，導緻機器學習的并不是完整資料。

最終，ET工業大腦做到能提前2周識别風電機組潛在故障，大修變小修，單次重大事件維護成本降低20-40萬元。夏分卻意識到，要将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，必須去實地考察真實情況。

毛紡企業的配色難

今年四月，夏分接到又一個項目需求——一家國内毛紡行業的龍頭企業，希望借助ET工業大腦，來提高配色的效率。毛紡行業，染色品質是衡量呢絨産品品質的金标準，而染色的關鍵，在于染料配方的準确程度。

夏分一頭紮進毛紡企業的混合羊毛工廠中的房間。工廠中的房間裡悶熱潮濕，羊毛和化學溶劑的味道混在一起，鑽進鼻子令人犯嘔，轟隆作響的混毛機器旁，放着一個個一米多高的白色塑膠桶，裡面塞着不同顔色的羊毛。

紡織工廠中的房間

這一次，客戶來樣是藍色。試驗台前坐着二三十名工藝員，他們從一缸染好顔色的羊毛中，撕取一小撮大概15厘米長、5厘米直徑的羊毛小樣，人工梳毛後，拿着小樣去稱量，然後通過美國進口的datacolor測色儀，檢測染色結果是否與客戶要求一緻。

驗色結果不盡人意，顔色嚴重偏紫，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，充分混勻後，再撕取一撮上機器測色，若不正确，就再重複一次。

成檢工廠中的房間

“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。染料配方頻繁調整，生産周期随之拉長，庫存積壓還是小事，倘若色光不符合客戶來樣，能不能順利交貨都是問題。

夏分琢磨着，建立模型導入資料，讓機器學習染料配方，再将老師傅總結出的經驗，通過機器算法來學習，幾次推薦出符合來樣的染料配方易如反掌。夏分正想得出神，工廠中的房間主任突然來了一句“我們沒有資料”……

想要資料得先洗腦

資料，其實是有一些的。比如每次配色成功，工藝員都會詳細記錄染料配方和混色資料，隻是沒有數字量化最終配出的顔色，而是儲存了實物樣本。每次拿到客戶來樣，工藝員就拿出以前做過的實物樣本對比，找出色光最接近的方案，不斷調整測試。

可是經驗豐富的工藝員都知道，哪怕配的是之前配過的同一種顔色，按照曆史記錄配出的顔色，也會因為工廠中的房間環境溫度濕度的變化而發生細微偏差，而染料員稍偷點懶，30分鐘的染色時間縮短到26分鐘，就會直接影響染料在羊毛上的附着力。而這些有可能導緻配色失敗的因素，都沒有以資料的方式留存下來。

企業的IT員工，其實早就認識到資料生成和資料采集的短闆，一直在向工廠中的房間主任推薦資料的功效，可是對方的回答永遠是“大家都那麼忙，哪有空做這個？”

對于ET工業大腦，工廠中的房間主任倒是寄予厚望，見到夏分就說，“人工智能嘛，你們阿裡雲就是很厲害，沒有資料你們也應該能做出來。”

“沒有資料不行？那你們就估計一個資料出來。”工廠中的房間主任甚至提出，希望通過算法，自動填補缺失的空白資料。

“這根本就是悖論嘛。”夏分抿了抿嘴，工廠中的房間主任“神化”了人工智能和機器算法，給他提出一個大難題。

兩次見面溝通，一次電話會議，夏分隻要逮到機會，就給工廠中的房間主任灌輸“要采集資料”的觀念。到了5月底，IT人員發來了專門采集的資料，夏分如釋重負。

目标節省兩成人力

從工廠中的房間回到辦公室，夏分坐在電腦前，在網上搜尋起契合業務背景的論文。

《基于共轭梯度法的紗線染色配方預測優化算法》，外行人讀個題目都費勁的論文，夏分抱起來就啃。從中午吃完飯到零點睡覺前，從一開始的三四篇論文再到引申出的10餘篇參考文獻，夏分一邊仔細研讀，一邊做筆記标注，仿佛回到讀研讀博的時光。

既然目前工廠中的房間工作流的操作無礙，就把不穩定的因素暫放一旁，隻要減少配色的嘗試次數，在一定程度上就是節省工作量，夏分理清了思路，“我們要做的就是找到一個平衡點，提高算法的準确率，進而減少他們的工作流和人力。”

“收集曆史配方資料，列出用了哪個工廠的染料，哪幾種顔色，比例分别是多少，染色出來的顔色是什麼……”夏分給工廠中的房間主任開出了資料采集要求，在配色染色的每一個步驟都加上了使用數值化記錄的環節。

毛紡企業目前有幾十類配方，而機器學習一類配方大概需要上百條資料，隻要擁有資料，夏分很快就能完成資料清洗，特征構造，特征篩選，模型篩選，參數調優等模組化步驟。

結合前期試驗和算法模型，夏分設想，首次推薦配方的成功率隻有60%，二次推薦的成功率是84%，三次推薦的成功率則在90%以上，可以節省20%的人力，現在就隻差實踐驗證。

“分析、比較、判斷，其實都是數學中的邏輯思維。”夏分笑着說，自己跟數學早已難舍難分。

原文釋出時間為：2018-08-30

本文作者：王安憶

本文來自雲栖社群合作夥伴“

天下網商

”，了解相關資訊可以關注“

”。