數學博士變身算法工程師，通過數學思維，要為一家缺乏數據積累的傳統毛紡企業裝上ET工業大腦。
文｜王安憶
從數學博士到阿里雲工程師，夏分一直學以致用。加入阿里雲接手的第一個ET工業大腦項目，因為數據傳輸問題丟失大量數據，導致機器誤判拉響警報，這讓他意識到自己不能只坐在電腦前做“碼農”，也要下到車間做實地考察。
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，沒有一套完整的數據採集系統。車間主任“迷信”人工智能和機器算法，在沒有數據的情況下提出一系列“無解”要求，夏分利用數學思維將其一一解決。
虛驚一場的教訓
從本科到博士，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，卻因為缺乏結構化數據陷入瓶頸。剛好，有人推薦他去阿里雲，抱著“醫療是民生，工業是戰略”的想法，夏分於2017年7月加入阿里雲，成為一名算法工程師，也是第一代車間程序員。
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
由於無法實時掌握工作狀態，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，維修週期長，還會影響生產的連續性。
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多臺風電機組，維護成本帶來的壓力可想而知。
就像一個人生病，病情發展有跡可循，如果能提早發現，提前干預，就能阻止病情惡化，節省醫療成本。而對風電機組來說，一個核心健康指標是溫度，長期高速運轉下，部件老化導致摩擦碰撞，就會產生不必要的熱能，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，為兩臺驗證機組裝上數十組溫度傳感器，在運轉中源源不斷地採集溫度數據，夏分則在杭州的辦公室裡，實時監控並分析著數千裡之外的數據。積累到上億條溫度數據後，夏分建立機器學習模型，希望能提前識別風電機組運行異常並預警。
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，“溫度過高將導致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，趕緊查看了“異常”風電機組測點的溫度數據，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數據的採集？夏分在腦海中推理著各種原因，不相信自己的算法會出錯。
“怎麼會只有1%的數據？”緊張排查幾個小時，原因找到了，風電場出現嚴重的數據缺失，大量數據未同步上傳，導致機器學習的並不是完整數據。
最終，ET工業大腦做到能提前2周識別風電機組潛在故障，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——一家國內毛紡行業的龍頭企業，希望藉助ET工業大腦，來提高配色的效率。毛紡行業，染色質量是衡量呢絨產品質量的金標準，而染色的關鍵，在於染料配方的準確程度。
夏分一頭扎進毛紡企業的混合羊毛車間。車間裡悶熱潮溼，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，放著一個個一米多高的白色塑料桶，裡面塞著不同顏色的羊毛。
紡織車間
這一次，客戶來樣是藍色。試驗檯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釐米長、5釐米直徑的羊毛小樣，人工梳毛後，拿著小樣去稱量，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致。
驗色結果不盡人意，顏色嚴重偏紫，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，若不正確，就再重複一次。
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，至少要一週時間，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，生產週期隨之拉長，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。
夏分琢磨著，建立模型導入數據，讓機器學習染料配方，再將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，車間主任突然來了一句“我們沒有數據”……
想要數據得先洗腦
數據，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數據，只是沒有數字量化最終配出的顏色，而是保存了實物樣本。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顏色，按照歷史記錄配出的顏色，也會因為車間環境溫度溼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著力。而這些有可能導致配色失敗的因素，都沒有以數據的方式留存下來。
企業的IT員工，其實早就認識到數據生成和數據採集的短板，一直在向車間主任推薦數據的功效，可是對方的回答永遠是“大家都那麼忙，哪有空做這個？”
對於ET工業大腦，車間主任倒是寄予厚望，見到夏分就說，“人工智能嘛，你們阿里雲就是很厲害，沒有數據你們也應該能做出來。”
“沒有數據不行？那你們就估計一個數據出來。”車間主任甚至提出，希望通過算法，自動填補缺失的空白數據。
“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，夏分只要逮到機會，就給車間主任灌輸“要採集數據”的觀念。到了5月底，IT人員發來了專門採集的數據，夏分如釋重負。
目標節省兩成人力
從車間回到辦公室，夏分坐在電腦前，在網上搜索起契合業務背景的論文。
《基於共軛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，一邊做筆記標註，彷彿回到讀研讀博的時光。
既然目前車間工作流的操作無礙，就把不穩定的因素暫放一旁，只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，提高算法的準確率，從而減少他們的工作流和人力。”
“收集歷史配方數據，列出用了哪個工廠的染料，哪幾種顏色，比例分別是多少，染色出來的顏色是什麼……”夏分給車間主任開出了數據採集要求，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數據，只要擁有數據，夏分很快就能完成數據清洗，特徵構造，特徵篩選，模型篩選，參數調優等建模步驟。
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，可以節省20%的人力，現在就只差實踐驗證。
“分析、比較、判斷，其實都是數學中的邏輯思維。”夏分笑著說，自己跟數學早已難捨難分。