背景介绍
东风商用车2019年开始下线车辆标配车联网,实现了车辆数据采集和回传。其中对车辆故障数据的采集为车辆运行状态监控、故障主动服务实施、预见性维修模型数据建立提供了基础。
目前系统每日采集的的故障数据约百万条,大量的非严重故障、瞬发故障、关联故障信息给数据分析和主动服务带来障碍。需要从繁杂的故障数据中找到真正有用的数据,支持故障预测及提醒工作,从而更精准、更高效地为用户车辆运行提供保障。
竞赛协议
选手报名协议
报名与组队
大赛面向全社会开放,企业、高等院校、科研单位等均可组队报名参赛。
参赛者可3~5人组队参赛,且每位选手只能加入一支队伍。
参赛者需确保报名信息准确有效,大赛组委会有权取消不符合条件队伍的参赛资格及奖励。
比赛资源
本届大赛,华为网络人工智能引擎iMaster NAIE将为参赛选手提供免费的训练环境。
- 若选手采用华为NAIE提供算力服务,在未来杯“2021年东风公司大数据创意比赛”的赛道【结果提交】页面进行模型代码提交,NAIE平台提供免费的训练环境及GPU资源。
- 若使用了华为NAIE模型训练服务资源的获奖团队将配合NAIE将模型代码上架到NAIE平台AI资产库,供平台用户浏览学习。
- 选手也可选择其他GPU资源进行训练,不使用NAIE资源的选手,可自主选择是否在NAIE平台AI资产库上传本队伍的模型代码。
成果提交
- 提交方法:选择对应的赛道进入“结果提交”页面提交模型训练,每支团队有5次提交机会。组委会将以最后一份提交材料作为最终作品。
- 上传作品格式及大小:所有作品材料整体打包成zip格式,文件大小不超过500MB,压缩包命名规则:团队名+参赛作品名称+队长姓名+联系电话.zip。
- 本届大赛的技术合作伙伴——华为网络人工智能引擎iMaster NAIE将为参赛选手提供免费的训练环境。使用华为NAIE模型训练服务资源的获奖团队将配合NAIE将模型代码上架到NAIE平台AI资产库,供平台用户浏览学习。
奖项设置
- 现金或实物类奖励: 总奖金:180,000元
- 决赛冠军团队(1支):50,000元
- 决赛亚军团队(2支):30,000元/支
- 决赛季军团队(3支):20,000元/支
- 鼓励奖(若干):总奖值1万的现金或奖品,奖励给提交作品、未入围决赛的优秀参赛队伍
- 实践机会:
- 完成报名并组队的队员:可获得东风商用车面试机会
- 在规定时间内提交作品的队员:可获得东风商用车实习机会;
- 入围决赛的获奖队员:可获得东风商用车入职及协议工资机会。
- 获奖证书:
获得冠亚季军的团队,将获得由东风公司颁发的获奖证书。
赛事交流
添加大赛小助手(微信号:futurelab001),发送数字“3”加入【“东风网联杯”开发者创意大赛-故障预测赛道报名交流群】,群内可以进行参赛问题解答、组队邀约、选手交流等
最新大赛资讯,请关注官方公众号【AI学习社】

-
比赛采用远程访问方式
-
比赛采用初、决赛形式,具体安排如下:
报名:2021年7月1日-2021年9月29日18:00
数据集:预计7月7日提供下载链接
初赛:2021年7月1日-2021年9月29日18:00
- 比赛将开放平台访问环境及比赛数据,参赛队可开始比赛准备;
- 初赛截止后(9月29日18:00截止提交),参赛队需提交代码、模型、开发过程及解题思路介绍材料、仿真环境演示结果等进行审核;
- 组委会将在官网公布前6名参赛队名单,入围决赛。
决赛:2021年10月中旬(具体时间另行通知)
- 在决赛开始之前,参赛队伍可继续优化模型精度,同时基于模型开发应用或演示demo(不限于小程序、APP、H5等);
- 2021年10月中旬,入围决赛的队伍将开展决赛答辩,组委会将根据模型评测成绩、演示及答辩效果加权得出总分数,并依据决赛分数评选出大赛奖项。
注:入围决赛的队伍答辩前需要提供可复现答辩成果的代码、模型、数据以及必要的文档。
赛题题目:故障预测
赛题说明
车辆运行过程中某部件发生时故障时,车辆相关电控装置会通过传感器或控制器采集相应故障信号,将故障解析后将信息传送至T-box。T-box通过无线网络将故障报文传送至车辆网平台,解析后生成输出故障代码数据表,如表A所示。

图一 故障数据传输示意图
同时T-box也会采集车辆部件信息和行驶数据信息上传至车辆网平台,生成数据表如表B、表D所示。
车辆故障且可能影响行驶的情况下,驾驶员会申请道路救援或就近进站维修。服务站接车后会对车辆进行检查、维修,同时会将维修相关情况进行记录,并上传至平台。维修数据记录如表C所示。
数据概述
表A-车辆故障代码数据(连续数据)

表B-车辆的重要部件属性信息(发动机,变速箱等等)

表C-车辆的维保数据

此数据为车辆后期的保内维修数据,记录了每一台维保的车辆维修详情
表D-车辆的行驶信息(连续数据)

此数据来源于TBOX终端,每10秒左右发送一条信息,经过一定的规则解析后传回数据后台,记录车辆分时段的油耗里程定位等等信息!
处理过程
- 注意表A,表D为连续表,此类表格记录每辆车的故障代码与行驶数据,需要自行加工为模型所需的数据。
- 表B为静态数据,该表格记录了每辆车的 重要部件属性,自行按照需要匹配。
- 表C为静态数据,记录着维修或者更换零件的信息,需自行加工匹配形成标签数据。
- 故障演变图谱形成,请标注出概率或者条件概率。
- 数据标签与模型形成后 ,因为最终的结果需要聚焦到故障代码上,所以注意故障代码 (SPN,FMI) 的重要性需要突出, 或者使用其他字段来强化故障代码的重要性占比!
目标输出
锁定国六发动机后处理故障
目标1
指导性的分析结果概述
输出发动机后处理故障代码发生的相关性图谱
(即 故障代码的发生顺序,以及故障代码是单独出现还是组合出现 和后期的演变过程)
故障演变图谱简单示例

如上图:主要描述『最终××部位损坏』的中间过程,展示由初始的故障代码经过一段时间后是如何一步步的演变为××部件损坏!
注: 故障演变图谱形成,需标注出相应的概率或者条件概率,一个部件一个图谱!
目标2
输出那些 (SPN+FMI) 或者 (组合的SPN+FMi) 发生后 7天之内会进站维修
模型评测指标解释:
- TP(True Positive):真正例,预测为正例,且实际上也是正例。
- TN(True Negative):真负例,预测为负例而且实际上也是负例。
- FP(False Positive):假正例,测为正例然而实际上却是负例。
- FN(False Negative):假负例,预测为负例然而实际上却是正例。

Precision(指被分类器判定正例中的正样本的比重):
Recall(指的是被预测为正例的占总的正例的比重):
Accuracy分类器对整个样本判断正确的比重:
F1-score(加权平均数):
共计有3个分类,分别计算3个分类的F1-score值,取均值得到Macro-F1
注意步骤
- 预测车辆是否更换了某个部件,即多分类模型,使用Macro-F1作为标准,并且画出模型的ROC 曲线,达到一定的精度后再进行步骤2。
- 解释模型,也可以综合参考故障演变图谱(目标1的)的信息,最终得到哪些 (SPN+FMI) 或者 (组合的SPN+FMI)出现7天内,车辆的××部件损坏进而会进站维修!
例:
SPN,FMI:xxxx,xx 维修:A类部件
…… …… …… ……
SPN,FMI:yyyy,yy 维修:B类部件
…… …… …… ……
评测标准
- 指导性的分析结果用于日常运营中重点关注的故障代码,了解某故障代码频发会引起某些部位的维修对后期有指导性的意义,需在故障代码演变过程中加入相应的概率或者条件概率。
- 目标2的预测准确度以模型的Macro-F1作为依据,不低于75%,且画出模型相应的ROC曲线。
成果提交
- 提交方法:在“结果提交”页面提交模型训练,每支团队有5次提交机会。组委会将以最后一份提交材料作为最终作品。
- 上传作品格式及大小:所有作品材料整体打包成zip格式,文件大小不超过500MB,压缩包命名规则:团队名+参赛作品名称+队长姓名+联系电话.zip。
- 本届大赛的技术合作伙伴——华为网络人工智能引擎iMaster NAIE将为参赛选手提供免费的训练环境。使用华为NAIE模型训练服务资源的获奖团队将配合NAIE将模型代码上架到NAIE平台AI资产库,供平台用户浏览学习。
使用华为NAIE模型训练
https://www.hwtelcloud.com/competitions/fault-prediction
其他规则
参赛作品必须保证原创性,不违反任何中华人民共和国的有关法律,不侵犯任何第三方知识产权或者其他权利;一经发现或经权利人提出并查证,主办方将取消其比赛成绩并进行严肃处理。