从数学博士到阿里云工程师，夏分一直学以致用。加入阿里云接手的第一个ET工业大脑项目，因为数据传输问题丢失大量数据，导致机器误判拉响警报，这让他意识到自己不能只坐在电脑前做“码农”，也要下到车间做实地考察。
然而，之后夏分参与的项目是一家有32年历史的毛纺企业，从订单到配色、染毛、混毛，到纺线、织布和成衣，没有一套完整的数据采集系统。车间主任“迷信”人工智能和机器算法，在没有数据的情况下提出一系列“无解”要求，夏分利用数学思维将其一一解决。
虚惊一场的教训
从本科到博士，夏分在浙江大学研究了10年数学，毕业后一度从事人工智能辅助医疗方面的研究，却因为缺乏结构化数据陷入瓶颈。刚好，有人推荐他去阿里云，抱着“医疗是民生，工业是战略”的想法，夏分于2017年7月加入阿里云，成为一名算法工程师，也是第一代车间程序员。
入职后的第4个月，夏分接手了第一个项目，用ET工业大脑帮一家风电企业提前预测风电机组故障。
夏分
由于无法实时掌握工作状态，传统风电机组维护，通常都是在故障发生后亡羊补牢，维修费用高，维修周期长，还会影响生产的连续性。
一个5万千瓦的风电场，平均每年维护费用高达300万元，还会以平均3%的速率逐年递增。而这家风电企业拥有10个风电场、500多台风电机组，维护成本带来的压力可想而知。
就像一个人生病，病情发展有迹可循，如果能提早发现，提前干预，就能阻止病情恶化，节省医疗成本。而对风电机组来说，一个核心健康指标是温度，长期高速运转下，部件老化导致摩擦碰撞，就会产生不必要的热能，但有些时候，没有机械故障也会引起部件发热，怎么样才能在不放过故障的同时，做到不误报、减少风电场工程师工作量？
工程师爬上几十层楼高的风电机，为两台验证机组装上数十组温度传感器，在运转中源源不断地采集温度数据，夏分则在杭州的办公室里，实时监控并分析着数千里之外的数据。积累到上亿条温度数据后，夏分建立机器学习模型，希望能提前识别风电机组运行异常并预警。
一次，机器检测出的温度数值与模型预估的相差20多度，这让夏分有点不知所措，“温度过高将导致风电机组无法正常运作，这可不是个小问题。”远在新疆吐鲁番的工程师接到警报后，赶紧查看了“异常”风电机组测点的温度数据，却发现完全正常。那么，是网络传输不稳定？还是传感器故障或老化影响了数据的采集？夏分在脑海中推理着各种原因，不相信自己的算法会出错。
“怎么会只有1%的数据？”紧张排查几个小时，原因找到了，风电场出现严重的数据缺失，大量数据未同步上传，导致机器学习的并不是完整数据。
最终，ET工业大脑做到能提前2周识别风电机组潜在故障，大修变小修，单次重大事件维护成本降低20-40万元。夏分却意识到，要将前沿科技真正带入工厂，光靠在电脑前码出一套算法还不够，必须去实地考察真实情况。
毛纺企业的配色难
今年四月，夏分接到又一个项目需求——一家国内毛纺行业的龙头企业，希望借助ET工业大脑，来提高配色的效率。毛纺行业，染色质量是衡量呢绒产品质量的金标准，而染色的关键，在于染料配方的准确程度。
夏分一头扎进毛纺企业的混合羊毛车间。车间里闷热潮湿，羊毛和化学溶剂的味道混在一起，钻进鼻子令人犯呕，轰隆作响的混毛机器旁，放着一个个一米多高的白色塑料桶，里面塞着不同颜色的羊毛。
纺织车间
这一次，客户来样是蓝色。试验台前坐着二三十名工艺员，他们从一缸染好颜色的羊毛中，撕取一小撮大概15厘米长、5厘米直径的羊毛小样，人工梳毛后，拿着小样去称量，然后通过美国进口的datacolor测色仪，检测染色结果是否与客户要求一致。
验色结果不尽人意，颜色严重偏紫，红色太多。第二次配色，又偏绿了，黄色太多。工艺员把第一缸和第二缸的羊毛倒入混毛机，充分混匀后，再撕取一撮上机器测色，若不正确，就再重复一次。
成检车间
“还是很原始的方式。”夏分从老师傅口中得知，从拿到订单指令到完成配色，至少要一周时间，老师傅一般5次左右便可配色成功，而新人7次8次都未必能成功。染料配方频繁调整，生产周期随之拉长，库存积压还是小事，倘若色光不符合客户来样，能不能顺利交货都是问题。
夏分琢磨着，建立模型导入数据，让机器学习染料配方，再将老师傅总结出的经验，通过机器算法来学习，几次推荐出符合来样的染料配方易如反掌。夏分正想得出神，车间主任突然来了一句“我们没有数据”……
想要数据得先洗脑
数据，其实是有一些的。比如每次配色成功，工艺员都会详细记录染料配方和混色数据，只是没有数字量化最终配出的颜色，而是保存了实物样本。每次拿到客户来样，工艺员就拿出以前做过的实物样本对比，找出色光最接近的方案，不断调整测试。
可是经验丰富的工艺员都知道，哪怕配的是之前配过的同一种颜色，按照历史记录配出的颜色，也会因为车间环境温度湿度的变化而发生细微偏差，而染料员稍偷点懒，30分钟的染色时间缩短到26分钟，就会直接影响染料在羊毛上的附着力。而这些有可能导致配色失败的因素，都没有以数据的方式留存下来。
企业的IT员工，其实早就认识到数据生成和数据采集的短板，一直在向车间主任推荐数据的功效，可是对方的回答永远是“大家都那么忙，哪有空做这个？”
对于ET工业大脑，车间主任倒是寄予厚望，见到夏分就说，“人工智能嘛，你们阿里云就是很厉害，没有数据你们也应该能做出来。”
“没有数据不行？那你们就估计一个数据出来。”车间主任甚至提出，希望通过算法，自动填补缺失的空白数据。
“这根本就是悖论嘛。”夏分抿了抿嘴，车间主任“神化”了人工智能和机器算法，给他提出一个大难题。
两次见面沟通，一次电话会议，夏分只要逮到机会，就给车间主任灌输“要采集数据”的观念。到了5月底，IT人员发来了专门采集的数据，夏分如释重负。
目标节省两成人力
从车间回到办公室，夏分坐在电脑前，在网上搜索起契合业务背景的论文。
《基于共轭梯度法的纱线染色配方预测优化算法》，外行人读个题目都费劲的论文，夏分抱起来就啃。从中午吃完饭到零点睡觉前，从一开始的三四篇论文再到引申出的10余篇参考文献，夏分一边仔细研读，一边做笔记标注，仿佛回到读研读博的时光。
既然目前车间工作流的操作无碍，就把不稳定的因素暂放一旁，只要减少配色的尝试次数，在一定程度上就是节省工作量，夏分理清了思路，“我们要做的就是找到一个平衡点，提高算法的准确率，从而减少他们的工作流和人力。”
“收集历史配方数据，列出用了哪个工厂的染料，哪几种颜色，比例分别是多少，染色出来的颜色是什么……”夏分给车间主任开出了数据采集要求，在配色染色的每一个步骤都加上了使用数值化记录的环节。
毛纺企业目前有几十类配方，而机器学习一类配方大概需要上百条数据，只要拥有数据，夏分很快就能完成数据清洗，特征构造，特征筛选，模型筛选，参数调优等建模步骤。
结合前期试验和算法模型，夏分设想，首次推荐配方的成功率只有60%，二次推荐的成功率是84%，三次推荐的成功率则在90%以上，可以节省20%的人力，现在就只差实践验证。
“分析、比较、判断，其实都是数学中的逻辑思维。”夏分笑着说，自己跟数学早已难舍难分。
原文发布时间为：2018-08-30
本文作者：王安忆
