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。
