工业大数据分析的误区与建议(下篇)
来源: | 作者:k君 | 发布时间: 2016-08-26 | 2443 次浏览 | 分享到:
前言n n上篇文章解读了工业大数据分析的特点,指出工业大数据分析应该注重与机理模型的融合,充分利用领域先验知识。那么,工业大数据分析是不是存在典型的模式,可促进不同领域分析模型的借鉴和复用?n n本篇将尝试从分析算法的应用侧重点、分析模型与机理模型融合方式、业务应用场景等三个维度归纳工业大数据分析的典型范式。n n下篇:工业大数据的分析范式n n6类算法应用范式n n数据分析本质上是一种统计手段,需要足够的样本才有可能发挥显著作用。另外,数据分析作为探索未知的一种技术手段,它的作用也与机理复杂度密切相关。这里从产品相似度、机理复杂度两个维度,将分析算法应用分为6类范式。n n1)从工业产品的相似度来看,可分为大量相似产品(如风力发电机)和少量定制化产品(如就地建设的化工反应塔)。相似产品在数据分析时可以充分利用产品间的交叉验证,而少量定制化产品应深度挖掘时间维度。n n2)从产品机理的复杂性来看,有无需机理模型的black-box产品(如电子消费品,通常不会深入元器件内部去分析)、简单明确机理产品(如风力发电机)、复杂机理产品(如鼓风机、化工厂)。复杂机理产品在工业大数据分析时,应更加重视机理模型和专家经验的融入。n nn

6类算法应用范式图解

n n4种融合范式n n分析模型与机理模型的融合可以分为4种范式:n n1)分析模型为机理模型做model calibration,提供参数的点估计或分布估计。例如Kalman滤波。n n2)分析模型为机理模型做post-processing。比如,利用统计方法对WRF等天气预报模型的结果做修正或多个机理模型综合,提高预测的稳定性。n n3)机理模型的部分结果作为分析模型的feature。例如,在风机结冰预测中,计算风机的理论功率、理论转速作为数据挖掘模型的重要特征。n n4)分析模型与机理模型做ensemble。比如,在空气质量预测中,WRF-CHEM/CMAQ等机理模型可及时捕获全局动态演化过程,而统计模型可对局部稳态周期模式有较高精度的刻画,model ensemble可有效融合两类模型的各自优势。n nn

4种融合范式图解

n n3类业务应用范式n n通过对复杂过程的演化过程和上下文的全面深入刻画,工业大数据对产品/设备可靠性、运作效率、产业互联网等3类业务应用场景都有很大促进作用。一些行业的典型工业大数据分析场景如下图所示。n nn

典型工业大数据分析场景图示

n n小结n n工业大数据分析能否真正落地,取决于能否创造经济价值。价值的持续创造,必须与生产/管理流程和上下文相结合,必须理解工业的特点、工业数据的特征和工业界的特殊要求。n n这些特殊性决定了工业大数据分析的思路和方法有别于商务大数据,更应以“小数据分析”的心态,融合机理模型和领域经验。在分析模式上,本文将工业大数据分析归纳为6类算法应用范式、4种融合范式和3类业务应用范式,以期促进不同行业分析模型的复用。n n作者介绍n田春华:昆仑智汇数据科技(北京)有限公司首席数据科学家。2004年1月清华大学自动化系博士毕业。2004年-2015年在IBM中国研究院,负责数据挖掘算法研究和产品工作,在高端装备制造、石油石化、新能源、航空与港口等行业,帮助中国、亚太、欧美领先企业,成功实施资产管理、运营优化、营销洞察等各类数据分析项目。发表学术论文(长文)82篇(第一作者42篇),拥有36项专利申请(10项已授权)。研究兴趣是数据挖掘算法与应用。"""