新能源汽車屢著火，AIoT提供了保命招

說一個好消息，公安部交管局2018年公布數據顯示，截止9月，我國新能源汽車保有量達221萬輛，「藍天白雲，晴空萬里」似乎離我們更近一步；

說一個壞消息，國家市場監督管理總局2018年透露，截止10月底，我國已發生新能源汽車起火事件40餘起，交通事故中很可能要加上「新能源汽車自燃」這一項了。

毫無疑問，新能源汽車已經是大勢所趨，而另一個大勢所趨則是AIoT（AI IoT），因而也就有人想到：是否可以用AIoT相關技術解決新能源汽車著火事件。那麼，通過現有的AIoT技術能夠解決上述問題嗎？也能，也不能。

至少現在已經可以對相關事件進行預測，為車主留出時間處理。上海覺雲科技有限公司是一家聚焦新能源汽車智能演算法模型/平台為主的企業，而新能源汽車起火這樣的事件，恰好在其射程範圍內。

上海覺雲創世人兼首席執行官常偉告訴雷鋒網，「對於現在電動汽車熱失控現象，我們的核心演算法目標是能夠提前20分鐘進行預測，為車主留出逃生時間。」

從數據變化，查設備病變

2014年前後，興起了第一波IoT浪潮，這波浪潮主要解決的是設備連接的問題，現在回過頭來看，從數據的角度，主要解決了數據的連接和上傳問題。例如在工業上，主要實現了包括溫度、壓力、電流、電壓等數據監控，監控設備的安全運營條件。

上海覺雲的核心團隊在2016年完成組建，2017年開始進入正軌。此時，第一波浪潮已經走遠，甚至在2014年興起的物聯網公司也已經經過了一輪殘酷的淘汰賽，活下來一批，死掉一批。與此同時，基本的連接問題已經解決，更為關鍵的問題已經由「連接」轉到「數據應用」。這也是上海覺雲看到的機會，以及其對公司的定位。

「如何把數據用起來，這是個問題，」常偉告訴雷鋒網，「我們經過這兩年的數據收集及數據分析發現，從數據變化中其實是可以找到其規律性的，數據的變化可以反映出設備內部產生的變化或畸變。例如某部位的溫度變化對應設備內部某一軸承的損壞，這也意味著需要提前對這一軸承進行更換。」

從賣設備到賣服務，行業熱點改旗易幟，以數據運營為主的平台運營逐漸走向台前，並在諸如消費、工業、新能源汽車等各個領域中不斷打磨，產生價值。

沒有什麼是一塵不變的，如果有的話，那就是公司對能夠產生經濟效益的社會剛需的追求，而現在，數據分析正被認為是社會剛需之一。

預測性維護：第一步，兩百年

現在可預見的預測性維護可以分為三類，也是行業的三個發展階段：以機械摩擦力為主的設備參數的預測性維護、以電化學反應為主的設備參數及預測性維護，根據設備參數進行精準故障診斷。

預測性維護並不是一個新話題，而是早已有之。以飛機為例，飛機在飛行到一定里程時，就必須要保養一次，其中保養的關鍵部件就是飛機引擎發動機。為什麼要保養呢？這主要是由於設備供應商已經引擎發動機的運行周期進行了預測——引擎發動機在工作多少小時或行駛多少里程後會出現故障。

除此以外，其實車主日常對於傳統汽車的保養，甚至日本的一些設備零部件有淘汰周期也是這樣的道理。

「預測性維護並不是一個全新的概念，在此之前，設備和機車的預測性維護已有兩三百年的歷史，」常偉針對現在整個預測性維護髮展介紹稱，「此前的預測性維護主要是針對機械摩擦力為主的設備參數，通過摩擦過程中的衰減機理拿到這類參數，並判斷故障發生時間。」

在這個階段，由於我國在工業化進程中起步較晚，技術水平相對於國際發達國家慢了半拍。不過，就整個預測性維護的觀念和知識體系已經逐漸建立起來。

這是預測性維護的第一步，這一步，人類走了近兩百年，也停留了近兩百年。

第二步：保命的需求

隨著物聯網、大數據的興起，也使預測性維護得以擁有邁出第二步的可能。以電力運行、電化學反應為主的設備維護。

隨著新能源汽車市場保有量的不斷增加，以及相關事故的頻發，鑒於「保命」需求，預測性維護的第二步也被提上的日程。

由於我國在新能源汽車銷量和保有量上都有很大優勢，轉換為數據優勢為我們可以採集到各種不同場景下的運行數據和靜態數據。這一波預測性維護以數據分析、以大數據科學家為主導，這樣的邏輯也就形成了這一階段國內廠商在預測性維護上的優勢所在。從另一層面來講，國內的預測性維護在「保命技能」上更勝一籌。

據前瞻產業研究院統計數據顯示，2017至2018年2月，在全球新能源乘用車市場中，中國新能源乘用車累計銷量達61.90萬輛，排名第一，遠超其他國家。

圖片來源：前瞻產業研究院

與國外相比，我們在燃氣發動機方面其實是落後很多的，因為我們積累沉澱也比較少。我們沒有很多數據去學習。但是在新能源汽車或以電化學為主導的新設備領域，我們並不比國外差，甚至有些方面比國外更有優勢。

以現在大家關注度很高的「電動汽車著火事件」為例。

電動汽車著火事件中，尤其是一些公共交通工具，例如電動大巴如果發生著火事件，會對人身安全帶來了嚴重危害。現在業界一般認為，通過大數據分析，至少要能夠提前10-15分鐘做出預警。

常偉告訴雷鋒網，「對於現在電動汽車熱失控現象，我們的核心演算法已經可以提前20分鐘進行預測和預警，為車主留出逃生時間。」

以電動汽車的電池壽命衰減和續航里程為例。

電動汽車電池運行在不同場景下都會有一定的壽命衰減，壽命衰減會直接導致續駛里程的衰減，現在大部分汽車裡程表上顯示的續駛里程是不準確的。要確定實際續駛里程，首先要判斷電池剩餘電量。基於這樣的判斷，車主、運營方，或派單方才能明確知道手上的單子應該由哪輛電動汽車或電動車去執行。

上海覺雲通過此前收集的大量相關數據構建數據模型，用這樣的數據與檢測到的電池的實際運行中的電壓、電流、溫度等參數進行對比，預判出電池的剩餘容量，從而更為精準地預測出續駛里程。

詳解數據處理過程

在預測性維護中，其實預測性監測是現在可以實現的，即針對設備參數異常，進行針對性故障預警。對於這樣的預測或預警，常偉告訴雷鋒網，主要分為三個步驟：

數據清洗。「其實我們現在拿到的大量數據是質量很差的，會有誤報、漏報、錯報存在。 因而，我們要先把拿到的數據進行清洗，這塊工作能佔到我們整個項目工作的50%以上。」

數據訓練。和消費、工業類數據模型相似的是，都是通過機器學習等演算法進行模型訓練，不同之處在於，應用場景不同，訓練數據和訓練環境也有所差異。

部署實施。「我們做的都是數據模型，這樣的模型你要給客戶展示的話，其實也是個問題。在這之間就需要將數據轉化為相關業務數據呈現在UI界面或控制界面上。」

「在整個數據模型構建過程中，一般而言都是基於時序數據，因而也就有了構建預測類數據模型的可能。」上海覺雲通過類似通用模型的「母模型」來實現同類設備的歸類，從而使得同類設備可以基於相同的「母模型」進行訓練。

另外，常偉也告訴雷鋒網，其實並沒有所謂的通用模型，不同設備之間都是需要有各自的數據模型的，所不同的是，同類設備的數據模型可以基於相同的「母模型」。

上海覺雲主要有新能源汽車（60%）、機電設備（20%）和軌道交通設備（20%）三類設備/業務。由於業務模式的不同，上海覺雲現在主要負責新能源汽車相關業務，機電和軌道交通類業務已經轉由芯數智能負責（常偉為實際控股人的另一家公司）。「隨著業務開展，我們在傳統的變速機、發動機轉速等模型，以及新能源汽車電池故障預測類模型上已經有較為成熟的數據模型。」

這三類業務其實採用的是同樣的建模方法，也可以理解為同樣的技術，三種不同的應用場景。

我們的建模原理是一樣，我們的數據科學家拿設計的數據模型基本方法也是相同的，但是用到具體不同業務中的 Know how 完全不同，對數據的理解也有不同。

異構設備為難點，邊緣布局為方向

工業數據採集是難點嗎？

常偉認為，在具體工業數據採集中，難點不在採集上，現在除了電化學反應在到離子階段的數據我們拿不到（也很少會用到），其他基於牛頓力學的物理量，以及電壓、電流、溫度等物理量都相對容易獲得。難點在於異構設備的不同傳輸協議，需要數據專家投入大量精力來解決這樣的問題。

在工業領域中，其實有諸多不同設備品牌可能採用的是不同的協議，要實現智慧工廠，異構設備無疑是難點。常偉認為，這樣的設備其實不在目前智慧工厂部署範圍內，上海覺雲正是在現階段規避了這樣的痛點，將更多精力放在已經在協議上做過相關處理，在相關數據分析和數據預測方面有需求的大廠商上。

近年來，數據分析和數據預測相關能力逐漸從雲端走向邊緣，新能源汽車領域也存在這樣的需求，需要實時處理和分析數據，並提出故障預警。常偉告訴雷鋒網，「目前，上海覺雲主要演算法及相關部署還在雲端，邊緣側的部署需求是我們現在面臨的挑戰，同時也為我們今後的發展指出了方向。」

數據故障診斷，尚難實現

前文有一個問題還沒有解答：通過現有的AIoT技術能夠解決新能源汽車著火問題嗎？也能，也不能。

能，是因為現在已經有相關技術可以做出預警，為車主或乘客提供「逃生」時間；

不能，則是因為現在還無法通過數據分析出具體故障原因。

即，可以提出預警，留出處理時間，尚難精準判斷故障原因，解決問題。

據雷鋒網了解，在整個行業中，現有的數據模型和數據處理能力仍停留在第一步和第二步，即故障預測、故障預警階段。要通過數據分析診斷出具體故障，現在仍難以實現。另外，對於實際應用而言，故障預警的需求也一直存在，因而也為這樣的產業模式提供了落地條件和盈利空間。

上海覺雲主要業務在新能源汽車領域，其主要客戶包括北汽、廣汽、宇通、滴滴、泰雷茲、上海電巴等，相關數據模型及數據平台已經部署在5萬台設備中。預計在2019年將會推出一款全新的軟硬體平台打包產品，這款產品將會以硬體形式呈現出來，通過這樣的一款產品，可以讓車主提前20分鐘發現熱失控故障。

新能源汽車如何搭上AIoT這輛快車？或許，預測性維護是一個值得思考的方向。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！