2023工业大数据分析指南.docx

工业大数据分析指南目录序言I1. 工业大数据分析概论11.1 工业大数据分析的概述11.1.1 工业大数据分析的概念11.1.2 工业大数据分析的相关技术21.1.3 工业大数据分析的基本过程21.1.4 工业大数据分析的类型41.1.5 工业大数据分析价值51.1.6 工业大数据分析支撑业务创新61.2 工业大数据分析的特殊性81.2.1 从工业数据分析到工业大数据分析81.2.2 工业大数据与商务大数据分析101.2.3 工业大数据建模的难点111.3 工业数据分析中的常见问题121.3.1 业务和数据理解不当导致的失误121.3.2 建模和验证过程的失误121.3.3 避免失误的方法132. 工业大数据分析框架142.1 CRISP-DM模型142.2 CRISP-DM模型的落地难点152.3 工业大数据分析的指导思想163.1 认识工业对象193.1.1 I:»193.1.2 工业系统的功能描述203.1.3 系统功能到技术原理的理解203.1.4 系统功能与业务场景的关联213.2 理解数据分析的需求213.2.1 工业过程中的数据分析需求213.2.2 数据分析的价值需求223.2.3 具体业务场景的数据分析需求233.2.4 数据分析需求的梳理方法233.3 工业数据分析目标的评估243.3.1 工业知识的理解243.3.2 工业知识的合用性243.3.3 专业领域知识的融合253.4 制造的全生命周期264.数据理解274.1 数据来源274.1.1 业务与数据的关系274.1.2 离散仃业的数据源284.1.3 流程行业的数据源284.2 数据的分类及相互关系304.2.1 工业数据的分类304.2.2 数据间的关联关系314.3 数据质量324.3.1 数据质量的定义32Il4.3.24.3.3数据质量的组成要素数据质量的影响因素33335355.1业务系统的数据准备355.2工业企业的数据准备365.3物联网的数据准备385.4建模分析的数据准备395.4.1数据预处理概述395.4.2数据异常处理405.4.3数据缺失处理415.4.4数据归约处理416.数据建模426.1模型的形式化描述436.1.1基本描述436.1.2模型的深入表述436.1.3对建模思想的影响456.2工业建模的基本过程466.2.1建模的基本思路466.2.2模型融合的方法466.2.3模型的优化过程476.3工业建模的特征工程486.3.1数据初步筛选486.3.2特征变换486.3.3特征组合496.3.4特征筛选50Ill*35*jdEI*«56.4工业数据分析的算法介绍516.4.1 传统的统计分析类算法516.4.2 通用的机器学习类算法526.4.3 针对旋转设备的振动分析类算法526.4.4 针对时序数据的时间序列类算法536.4.5 针对非结构化数据的文本挖掘类算法546.4.6 统计质量控制类算法546.4.7 排程优化类算法557. 模型的验证与评估557»1矢口口土557.1.1 知识的确定性与准确性557.1.2 知识的适用范围567.1.3 知识的质量与可靠性567.2 传统数据分析方法及其问题567.2.1 基于精度的验证方法567.2.2 精度验证方法的局限性577.2.3 解决验证问题的传统方法577.3 基于领域知识的模型验证与评估587.3.1 对适用范围的评估587.3.2 对精度的评估607.3.3 场景的综合评估617.3.4 模型的迭代评估618.模型的部署628.1模型部署前应考虑的问题8.1.1模型部署对工作方式的改变628.1.2模型部署的标准化与流程化38.1.3模型部署的自动化与智能化38.2实施和运行中的问题648.2.1数据质量问题648.2.2运行环境问题648.2.3精度劣化问题58.2.4范围变化问题658.3问题的解决方法658.3.1数据质量问题658.3.2运行环境问题668.3.3精度劣化问题668.3.4范围变化问题668.4部署后的持续优化679.展望未来671. 工业大数据分析概论1.1 工业大数据分析的概述1.1.1 工业大数据分析的概念工业大数据分析是利用统计学分析技术、机器学习技术、信号处理技术等技术手段，结合业务知识对工业过程中产生的数据进行处理、计算、分析并提取其中有价值的信息、规律的过程。大数据分析工作应本着需求牵引、技术驱动的原则开展。在实际操作过程中，要以明确用户需求为前提、以数据现状为基础、以业务价值为标尺、以分析技术为手段，针对特定的业务问题，制定个性化的数据分析解决方案。工业大数据分析的直接目的是获得业务活动所需各种的知识，贯通大数据技术与大数据应用之间的桥梁，支撑企业生产、经营、研发、服务等各项活动的精细化，促进企业转型升级。工业大数据的分析要求用数理逻辑去严格的定义业务问题。由于工业生产过程中本身受到各种机理约束条件的限制，利用历史过程数据定义问题边界往往达不到工业的生产要求，需要采用数据驱动+模型驱动的双轮驱动方式，实现数据和机理的深度融合，能较大程度去解决实际的工业问题。图1.1工业数据分析多领域交叉示意图1.1.2 工业大数据分析的相关技术近年来，大数据的兴起有两种起因：传统业务的发展遭遇数据存储量大、采集速度频率快、结构复杂等瓶颈问题，需要采用新的技术来解决，即“大数据平台技术”，如时序数据采集技术、海量数据存储技术等；另一种起因是随着数据存储量的增大和处理能力的增强，催生了新的应用和业务，即“大数据应用技术”，如智能制造、现代农业、智能交通等。下图是工业大数据系统参考框架，从底至上分别是由工业大数据平台技术到工业大数据的应用技术。图1.2工业大数据分析软件栈总体上看，“大数据平台技术”关注的主要偏重IT技术，而“大数据应用技术”关注的重点主要是业务和领域知识。而大数据分析技术则是深度融合这两类技术知识，并结合机器学习技术、产品分析技术等数据分析技术，去解决实际业务问题的技术统称。1.1.3 3工业大数据分析的基本过程工业数据分析的基本任务和直接目标是发现与完善知识，企业开展数据分析的根本目标却是为了创造价值。这两个不同层次的问题，需要一个转化过程进行关联。为了提高分析工作的效率，需事先制定工作计划，如下图所示。图1.3工业数据分析任务的工作方案与探索路径数据分析起源于用户的业务需求，相同的业务需求会有多个可行方案，每一个方案又有若干可能的实现途径。例如，面对减少产品缺陷的业务需求，可以分成设备故障诊断和工艺优化等方案。而设备诊断又可进一步根据设备和机理的不同，分成更明确的途径，如针对特定设备特定故障的诊断。遇到复杂问题，这些途径可能会被再次细分，直至明确为若干模型。首先了解到的输入输出关系，如特定参数与设备状态之间的关系，这些关联关系即为知识的雏形，然后需要寻找适当的算法，提取和固化这些知识。知识发现是个探索的过程，并不能保证每次探索都能成功，上述计划本质上是罗列了可能的方案。只要找到解决问题的办法，并非每一条方案或途径都需要进行探索。在不同的途径中，工作量和成功的概率、价值成本都是不一样的，一般尽量挑选成功概率大、工作量相对较小、价值大成本低的路径作为切入点，尽量减少探索成本。在项目推进或者探索的过程中，还会根据实际的进程，对预定的计划及顺序进行调整。计划制定和执行过程，本质上体现了领域知识和数据分析知识的融合。其中，方案和途径的选择，要兼顾业务需求和数据条件。这就是第三到第五章讨论的问题，而算法、模型、验证等相关问题，则放在第六章和第七章讨论。1.1.4工业大数据分析的类型根据业务目标的不同，数据分析可以分成四种类型：描述型分析：描述型分析用来回答“发生了什么”、体现的“是什么”知识。工业企业总的周报、月报、商务智能（BI）分析等，就是典型的描述型分析。描述型分析一般通过计算数据的各种统计特征，把各种数据以便于人们理解的可视化方式表达出来。诊断型分析：诊断型分析用来回答“为什么会发生这样的事情”o针对生产、销售、管理、设备运行等过程中出现的问题和异常，找出导致问题的原因所在，诊断分析的关键是剔除非本质的随机关联和各种假象。预测型分析：预测型分析用来回到“将要发生什么？”。针对生产、经营中的各种问题，根据现在可见的因素，预测未来可能发生的结果。处方型（指导型）分析：处方型（指导型）分析用来回答“怎么办”的问题。针对已经和将要发生的问题，找出适当的行动方案，有效解决存在的问题或把工作做得更好。业务目标不同，所需要的条件、对数据分析的要求和难度就不一样。大体上说，四种问题的难度是递增的：描述性分析的目标只是便于人们理解；诊断式分析有明确的目标和对错；预测式分析，不仅有明确的目标和对错，还要区分因果和相关；而处方式分析，则往往要进一步与实施手段和流程的创新相结合。同一个业务目标可以有不同的实现路径，还可以转化成不同的数学问题。比如，处方型分析可以用回归、聚类等多种办法来实现，每种方法所采用的变量也可以不同，故而得到的知识也不一样，这就要求要对实际的业务问题有着深刻的理解，并采用合适的数理逻辑关系去描述。1.1.5工业大数据分析价值工业大数据分析的根本目标是创造价值。工业对象的规模和尺度不同，价值点也有所不同，数据分析工作者往往要学会帮助用户寻找价值。价值寻找遵循这样一个原则：一个体系的价值，决定于包含这个体系的更大体系。所以，确定工作的价值时，应该从更大的尺度上看问题。对象不同，隐藏价值的地方往往也不尽相同。下面是常见的价值点。1）设备尺度的价值点船舶、飞机、汽车、风车、发动机、轧机等都是设备。设备投入使用之后，首先面对的就是如何使用，包括如何使用才能有更好的性能或更低的消耗、如何避免可能导致造成损失的使用；其次是如何保证正常使用，也就是如何更好更快更高效地解决设备维修、维护、故障预防等问题。除此之外，从设备类的生命周期看问题，分析下一代设备进行设计优化、更方便使用等问题。2）车间尺度的价值点按照精益生产的观点，车间里面常见的问题可以划分为七种浪费：等待的浪费、搬运的浪费、不良品的浪费、动作的浪费、加工的浪费、库存的浪费、制造过多（早）的浪费。数据分析的潜在价值，也可以归结到这七种浪费。一般来说，这七种浪费的可能性是人发现的，处理问题的思路是人类专家给出的。人们可以用数据来确定他们是否存在、浪费有多少，并进一步确定最有效的改进方法。3）企业尺度的价值点除了生产过程，工业企业的业务还包括研发设计（创新）、采购销售、生产组织、售后服务等多方面的工作。相关工作的价值，多与跨越时空的协同、共享、优化有关。比如，把设计、生产、服务的信息集成起来；加强上下级之间的协同、减少管理上的黑洞；把历史数据记录下来，对工业和产品设计进行优化；把企业、车间计划和设备控制、反馈结合起来等等。随着企业进入智能制造时代，这一方面的价值将会越来越多。然而，问题越是复杂，落实阶段的困难越大，应在价值大小和价值落地直接取得平衡。4）跨越企业的价值点跨越企业的价值点包括供应链、企业生态、区域经济、社会尺度的价值。这些价值往往涉及到企业之间的分工、协作、以及企业业务跨界重新定义等问题，是面向工业互联网的新增长点。1.1.6工业大数据分析支撑业务创新一般来说，工业大数据分析服务于现有业务，但越来越多的企业开始把这一工作作为业务创新、转型升级的手段。两类工作的性质不同,前者重点在如何进行数据分析，后者重点是如何应用数据分析。支撑企业的转型升级、业务创新是工业大数据最重要的用途之一，但是从转型升级的尺度看问题，工业大数据分析只是一种技术支撑手段，利用该技术手段之前，需要梳理清楚数据分析技术和目标之间的关系。首先耍关注的是业务需求什么，而不是能从数据中得到什么，反之，思维就会受到较大的局限，甚至南辕北辙。用大数据推动业务创新时，需要确认几个问题：想做什么（业务目标）、为什么这么做（价值存在性）、打算怎么做（技术线路、业务路径）、需要知道什么（信息和知识，数据分析的目标）、怎么才能知道（数据分析过程）。由此观之，推动企业的业务创新和优化（做什么、怎么做）是个大目标，而具体的数据分析则只是一个子目标（怎么才能知道）。两类目标之间的尺度是不一样的。对于具体的问题，数据分析不仅要关注如何得到小目标，还要结合业务需求，将大目标分解成子目标，也就是确定“需要知道什么"。从数据分析师的过程来说,子目标的实现是战术问题，子目标的设定则是战略问题。它们都是数据分析团队需要面对的难点所在。如前所述，数据分析是个探索的过程。而数据分析的子目标（想知道什么）能否实现取决于数据的条件，数据条件不满足时，有些子目标是无法满足的。而数据条件是否满足，往往需要在探索的过程中才能确定下来。同时，如果子目标无法实现，人们可能需要围绕业务需求，重新设置数据分析的子目标、甚至业务子目标，如此会降低数据分析的效率。总之，工业大数据分析，必须要从业务高度上看问题，才能找准工作定位。以上的想法，可以用下面的图来表示：图1.4工业大数据价值创造的基本过程1. 2工业大数据分析的特殊性进入大数据阶段，数据本身的变化是最基本的，在此基础上引发工作方法和价值体现的改变。对于数据的变化，非工业领域往往强调数量变化，但在工业领域，数据变化的重点更是数据完整性和质量的提升。随着数据完整性和质量的提高，人们能从不同的侧面观察对象和过程，从而得到更加可靠、更加精确、应用范围更大、涉及领域更多的分析结果，从而为工业大数据的应用奠定了基础。所以，工业大数据分析方法的重点，是如何利用数据条件的改善，得到质量高的分析结果。这使得工业大数据分析方法不同于传统的数据分析，也不同于商务大数据分析。此外，工业场景的边界都有专业领域的机理进行约束，所以工业大数据的分析注重数据模型和机理模型的融合，它的重要特征是数据与机理的深度融合。1.1.1 从工业数据分析到工业大数据分析工业数据的分析或知识挖掘是学术界和工业界研究了多年的问题,诸多算法的基本思路都类似。进入大数据时代以来，由于数据和处理量的暴增，人们不得不采取各种并行算法和分布式处理技术，以提高数据处理的效率。换句话说，工业数据分析是“本”，大数据分析技术是“术”。由于本白皮书重在“工业”特色，上述通用技术不是本文的重点。与此同时，数据量更大、来源更广泛、记录更完整、种类更多样，给数据分析工作带来了新的机遇。无论复杂的算法（如深度学习）还是简单的算法（如线性回归），都有可能带来过去无法企及的效果。人们甚至更乐于采用一些简单的算法。但在大数据的条件下，这些简单算法的有效性却大大提高了，能帮助人们得到可靠性更高、适用范围更大的模型。引发这些变化的原因包括：便于模仿（场景下的模仿）：大数据常常是全体样本，而不是抽样。在这个前提下，就可以根据历史上成功或者失败的案例，模仿成功的做法、避免失败的做法，而不必通过理解规律来指导行动。这使得近邻算法等简单算法可以起到很好的效果。便于检验：当已知样本不能涵盖各种复杂的情况和场景时，数据模型很难有较强的泛化性。在大数据的背景下，这种现象可能会有本质性的好转，从而得到泛化性高的模型。视角全面：数据来源广泛时，有条件从不同的角度观察对象、分析验证，也有更好的条件辨别和剔除虚假的现象。这些都有利于建立可靠性极高的模型、甚至可能挖掘出新的科学规律。如此，就将工业大数据分析的应用带入一个巨大的蓝海，人们有条件让数据分析工作更加规范，明显区别于传统的数据挖掘或知识发现。但是，相关的条件不是天然具备的，需要在数据的完整、规范、质量等方面做更多的基础性工作。我们在实践中认识到工业大数据分析的瓶颈难点，往往不是计算机存储和处理数据的能力，而是数据关联关系的复杂性。这种复杂性使得传统的数据分析方法难以奏效，无法高效提炼出质量更高、价值更大的知识。如果没有合适的方法，面对工业大数据价值的蓝海时，就会束手无策、坐等机会的流失。要解决这类问题，不能仅仅停留在算法层面，而是必须借鉴工程思想和方法，这是其挑战所在。1.1.2 工业大数据与商务大数据分析工业大数据分析工作的特点和理念，往往不同于商务大数据分析。其本质原因是工业过程对分析结果的精度、可靠度要求高，而工业对象和过程本身的复杂性也高。同时，工业界追求可靠性，对相关问题往往已经有了相对深入的研究。数据分析得到的知识，必须超越人们以往已有的知识，才能创造价值。这也提高了数据分析的价值创造门槛。换而言之，工业大数据的分析，往往要在更差的条件下得到更好的结果。工业大数据分析困难程度的增加，会引发分析方法的质变。对于复杂的工业过程数据分析，人们往往要强调因果性，而不能仅仅止步于相关关系；强调领域知识和数据分析过程的深度融合，而不是漠视已有的领域知识；强调复杂问题简单化，而不是追求算法的复杂和高深。这些思想变化的本质，都是问题复杂度的增加引发的。工业对象复杂度的增加，也会导致分析工作失败可能性的显著增力口。要提高数据分析的工作效率，关键之一就是设法降低分析过程失败的概率，所以数据分析的前期准备性工作和后期的评估和验证工作就显得特别重要。1.1.3 工业大数据建模的难点工业大数据建模的难点在于，虽然数据分析基础算法变化不大，但运用这些算法的过程却大大复杂了。这是因为工业大数据分析的过程,并非选择好一个算法就可以一蹴而就的，而往往是个持续改进、修正、完善的过程。理解工业大数据分析的特点，就是要理解这个持续进行的过程。与商务或互联网大数据分析相比，工业大数据分析的难点就在复杂性上，不能仅仅看作基础算法，导致这种差异性的原因主要有三点：首先,工业产品大多是在人类知识发现的基础上制造出来的，人们对工业过程的认识原本就相对深刻，分析过程不能止步于肤浅的认识、只有分析得到的知识具有更高精度和可靠性的时候才有实用价值；其次，人们对工业大数据分析结果的可靠性要求很高，不能满足于似是而非的结论；再次，工业过程数据的复杂性很高、数据质量也不理想，建模的困难度往往很大。所以，工业大数据分析面临的主要矛盾是：业务需求高、数据条件差。基于历史数据的大数据分析也有极大的局限性。导致局限性的原因有两个方面，首先是人类接触的大量信息和知识并未出现在数字空间;其次是在数据足够多、分布完整、质量良好的前提下可以建立理想的数据模型，但当模型涉及到的因素很多、形成真正的复杂多维度问题（如变量数目大于40）且机理不清晰时，就不能有足够的数据来建立和验证模型（因为数据需求量有可能是维度的指数函数）。克服局限性的主要手段就是充分利用专业领域知识，领域知识的本质作用可以看作“降维”，故而可以让有限的数据，分析到足够可靠的结果。1.3工业数据分析中的常见问题1.3.1 业务和数据理解不当导致的失误1）设定不具备价值的目标数据分析的目的是获得新知识或者对知识进行更加深刻、准确的认识，而不是去证明领域内常识的正确性或研究已有的知识。分析师缺乏领域常识时，就不容易分辨哪些知识才是值得研究的，进而耽误了大量时间。例如：有人要分析化学元素对材料性能的影响，终于发现某个元素对性能有显著影响，而该知识已是领域内的常识，造成了较高的探索成本。2）业务上难以实施的目标获得知识的目的是为了应用，预测和控制是典型的应用，但是并非所有的数据都能用来预测和控制。比如，用于预测的数据应该在事件发生之前产生；用于控制的变量要考虑经济可行性。3）分析难度过大的目标数据分析是为业务需求服务的，要注意避免研究投入高、产出低的问题。有些分析结果虽然很好，但是花费了大量的时间和精力，大大超出预期，从投入产出比上看，未必合适。与此同时，也有些分析结果非常好、非常有用，甚至出乎人们的预料，而花的时间也非常少。这些现象表明，我们对分析结果的投入产出比事先缺乏认识。1.3.2 建模和验证过程的失误1）不能及时终止子目标在很多情况下，数据条件往往不能支撑预期的目标，往往会导致分析项目高投入、低产出的问题。导致这种情况的原因，未必是数据分析算法的问题，而是数据本身的问题。数据质量很低时，难以得到高质量的分析结果。为避免这种情况，应事先对数据的质量和条件进行评估。2）目标衡量的失误数据分析师往往把“平均精度”作为衡量分析结果的唯一标准。对于可靠性要求很高的工业问题，此种做法有较大的漏洞和潜在风险。有些精度很高的模型，在实际中应用时，却发现根本无法达到预定的效果,甚至得到与期望完全相反的结果、给企业造成很大的损失。导致这种现象的典型原因，是没有区分相关性和因果性或者没有仔细研究这些分析结果适用的范围，比如独立同分布特性。由于工业数据反映的是“系统性”，这种问题的发生是常见的。工业界对结论的可靠性耍求很高，对分析结果的评估，是值得仔细研究的问题，而多数团队对这个问题的重要性认识不足。1.3.3 避免失误的方法欲避免数据分析工作的陷阱，就须事先了解可能遇到的问题和困难，以避免在工作过程中遇到不必要的麻烦，提高数据分析的价值创造能力。数据分析遇到的问题，往往来源于数据分析师对业务过程、目标等认识不清。这些问题的根源往往都是前期的准备工作做得不够、匆匆进入后面的工作所导致，即工业领域的数据分析不能仅仅把数据分析工作看成利用单纯的数据分析技巧的过程，而是数据分析和领域知识融合的过程。“胜兵先胜而后求战，败兵先战而后求胜”。在进行深入的数据分析之前，必须对业务需求、专业领域背景知识、数据的基本情况作尽可能深入的理解，明确问题的内涵，要避免在“最后一公里”上“上功亏一簧”。要正确评估问题的难度。尽量用少的时间代价换取高的成功率和更多的价值。同时，要学会选择合适的方法解决合适的问题，还要对分析结果的可靠度有科学的评估办法，避免技术在应用中出现负面作用。2. 工业大数据分析框架2.1 CRISP-DM模型CRISP-DM模型是欧盟起草的跨行业数据挖掘标准流程(CrossIndustryStandardProcessforDataMining)的简称。这个标准以数据为中心，将相关工作分成业务理解、数据理解、数据准备、建模、验证与评估、实施与运行等六个基本的步骤，如下图所示。在该模型中，相关步骤不是顺次完成，而是存在多处循环和反复。在业务理解和数据理解之间、数据准备和建模之间，都存在反复的过程。这意味着，这两对过程是在交替深入的过程中进行的，更大的一次反复出现在模型验证评估之后。图2.1CRISP-DM对多数数据分析工作来说，人们并不希望上述反复交替的过程，因为反复交替意味着工作的重复和低效。而这种现象出现在公认的标准中，是因为分析过程存在极大的不确定性，这样的反复往往是不可避免的。长期以来，很多人用CRISP-DM指导工业大数据分析的过程。在很多场景下，这个模型的原理是可行的、行之有效的，但是当我们把它用于工业过程数据分析时，却发现问题的复杂度会急剧上升，各个步骤中反复的次数大大增加，验证评估不合格导致从头再来的情况非常普遍。这些现象，导致工业大数据分析工作的效率显著下降。2. 2CRISP-DM模型的落地难点CRISP-DM模型在工业领域的应用遇到一些问题，造成了该模型落地困难，主要的难点表现在以下三个方面：1）工业数据关联关系复杂无论是生产产品的工厂还是作为工业产品的设备，本质上都是多个要素互相作用所组成的系统，而它们的运行环境，也可以看成更大的系统。所以，我们可以用系统的观点，统一地看待工业大数据所针对的工业对象。研究一个工业系统，要把注意力集中在多个要素互相影响、互相作用，否则只会得到片面甚至错误的结论。正如列宁所言：“如果不是从整体上、不是从联系中掌握事实；如果事实是零碎和随意挑出来的，那它们就只能是一种儿戏，或者连儿戏也不如。”2）工业数据质量差从某种意义上说，工业大数据是工业系统在数字空间的映像。要想通过数据认识工业对象或过程，数据本身应该体现对象的系统性。然而受到现实条件的约束，数据往往是工业对象不完整的体现。而且很多数据来源于某些特定的工作点上，参数波动中包含大量检测误差、数据的信噪比低。这就给数据分析过程带来了极大的不确定性、并容易对分析过程产生误导。3）工业场景的分析要求高工业界对不确定性的容忍度很低，这就要求数据分析结果尽可能地准确可靠。分析要求高而数据条件差、对象复杂性高是分析过程中必须面对的矛盾。在数据分析的过程中，这一矛盾表现为容易出现各种假象和干扰、分析结果总是难以满足用户的使用需求等。要解决这些矛盾，必须将工业过程的领域专业知识、业务机理与数据分析过程有机地融合起来，贯穿于数据分析的每一个阶段，这也使得工业大数据对业务理解的深度有较高的要求。2. 3工业大数据分析的指导思想CRISP-DM方法基本适合工业大数据分析，但必须补充进新的内涵才能让方法有效、让工业大数据分析成为有效的经济活动。如前所述，工业大数据分析过程的效率低下，很可能是大量无效的循环往复导致的。所以，工业大数据分析方法的关键，是如何减少不必要的反复、提高数据分析的效率。在工业大数据分析过程中用好CRISP-DM,关键是减少上下步骤之间的反复、避免单向箭头变成双向，还尤其是要尽量减少模型验证失败后重新进入业务理解这样大的反复。减少无效反复的重要办法是采用工程上常见的“以终为始”的思维方式。在进行深入研究之前，要进行一个相对全面的调研，从如何应用、如何部署开始，反推需要进行的研究。“反复”是探索过程的特点以及知识和信息不足导致的。数据分析是一个探索知识的过程，不可能彻底消除这种现象。所以，我们需要追求的，是减少不必要的探索。其中，“不必要的探索”一般是由于数据分析人员没有充分掌握已有的领域知识和相关信息导致的。所以，要减少不必要的探索，关键是数据分析知识和领域知识、相关信息的有机结合。实际分析工作中又不能假设或者要求数据分析人员事先对这些知识和信息有着充分的理解。所以，要解决这个问题，关键是设法让分析师在分析的过程中，更加主动、有针对性地补充相关知识，即所谓“人在环上”。最后，要努力提高数据分析的自动化程度，充分利用计算机的计算和存储能力、减少人为的介入。由于人的介入能够使得分析效率大大降低，减少人的介入，也就能大大提高工作的效率。CRISP-DM模型在工业大数据的中的应用推进，主要分以下几个阶段：1）业务理解阶段该阶段的目标是明确业务需求和数据分析的目标，将模糊的用户需求转化成明确的分析问题，必须清晰到计划采取什么手段、解决什么问题，要将每一个分析问题，细化成明确的数学问题，同时基于业务理解制定分析项目的评估方案。2）数据理解阶段该阶段是目标建立数据和业务的关联关系，从数据的角度去深度的解读业务。包括发现数据的内部属性，或是探测引起兴趣的子集去形成隐含信息的假设；识别数据的质量问题；对数据进行可视化探索等。3）数据准备阶段该阶段的目标是为数据的建模分析提供干净、有效的输入数据源。首先基于业务目标筛选有效数据，筛选的数据能够表征业务问题的关键影响因素；其次对数据的质量进行检查和处理，处理数据的缺失情况、异常情况等；最后对数据进行归约、集成变换等，输出建模可用的数据源。4）数据建模阶段该阶段是基于业务和数据的理解，选择合适的算法和建模工具，对数据中的规律进行固化、提取，最后输出数据分析模型。首先基于业务经验、数据建模经验、对业务问题进行逻辑化描述，探索解决问题的算法，反复迭代选择一个最优算法方案；其次基于输入数据来加工关键的因子的特征变量，作为建模输入变量，建立有效可靠的数据模型。5）模型的验证和评估阶段首先从业务的角度评估模型的精度问题，是否能够满足现有业务的要求；其次分析模型的中影响因子的完备性，为模型的下一步迭代指明优化路径；最后考察模型的假设条件，是否满足实际落地的条件，为模型的部署进行可行性验证。6）模型的部署阶段在该阶段中，首先要基于分析目标，制定模型的使用方案和部署方案，并提前为模型的部署做好环境的准备工作；其次为模型部署过程中出现的质量问题、运行问题、精度问题等，提前做好预备方案；最后基于模型试运行后的结果，制定模型的持续优化方案。3. 业务理解业务理解和数据理解的目的，是在工作的前期，认识业务相关对象以及目标要求、条件约束。在此基础上选择合适的数据分析问题，以避免工作过程中出现方向性错误，进而减少无效和低效的劳动。数据分析师理解业务时，困难之一是“度”的把握。一方面，只有深入理解业务，才能实现领域知识与数据分析的有机融合、从而得到高水平的分析结果；另一方面，真正成为一个领域专家需要多年的积累，完整地掌握业务知识是不现实的。所以，难免需要在后续的建模、评估、实施过程中，需要通过与专业人士的交流与合作，来补充必要的知识。3.1 认识工业对象数据分析需要一定的“背景知识”，也就是对业务相关对象的理解。业务理解中出现的问题或失误往往可以归结为“片面性”。为了防止片面性，就要用系统的观点认识工业对象。3.1.1 工业系统的抽象化特定的生产设备、生产环节可以看成小的工厂，而车间、工厂也可以看成大的设备它们都可以抽象成“系统”，差别只是系统的大小和复杂程度不同。其中，大系统往往可以分解成若干相互作用的子系统。与系统相关的要素常被抽象三类：外部向系统的输入、系统向外部的输出、系统内部状态。其中，系统的输入输出包括控制指令、物质和能量，即所谓控制流、物质流和能量流；内部状态包括工艺参数、设备状态、产品状态、工作模式等。控制问题的复杂性在于相关要素未必都是能够直接测量或者间接观测的、而且内部状态未必是受控的。系统相关要素之间存在复杂的关联。按照控制理论的观点，外部输入通过一定的途径影响（未必是决定）系统的内部状态；系统的内部状态互相关联、形成复杂的结构，并按一定的规律变化；系统的输出则决定于系统的内部状态。工业大数据分析所追求的“因果关系”，就要体现系统（子系统）的这种逻辑关联。数据分析的工作，往往就是确认系统的结构、内部状态及运行规律，以期望用调整输入的办法控制系统的内部状态和输出。3.1.2 工业系统的功能描述建立工业系统目的是让它具有特定功能、以满足人类的需要。理解系统的功能，是认识工业系统的切入点。系统功能可以用输入输出关系描述，所有的输出都可以看作一种“功能”。这里强调的是一个工业系统可以用多个功能。比如，高炉不仅生产铁水，还可以生产煤气、高炉渣，还可以用来消纳橡胶轮胎等城市垃圾。工业系统提供有用功能的同时，往往也会有些负面的作用。比如，汽车在提供交通功能的同时会产生污染、噪声、安全问题。于是，系统的某些功能就是抑制、弱化、预防这些负面作用的。在完整认识功能的基础上，特别需要注意的是这些功能之间往往是互相关联、相互影响的。理解工业对象时，需搞清楚各个功能之间的关系。当技术手段对其他功能产生负面影响时，就会影响技术的实用性。应用数据分析的结果时，要事先想到并避免这些问题。3.1.3 3系统功能到技术原理的理解对象理解中经常出现的问题，是对某些重要功能的忽视。功能被忽视的原因，是因为它们只在特殊情况下才会发挥作用。这些偶尔发挥作用的功能却可能非常重要，比如提高安全性的防范功能、提高稳定性的抗干扰功能等。系统设计出来的功能都是有用的、也就是会在某些场景下发挥作用。换句话说，功能是与场景相关的。如汽车上的空调与高温和低温的场景有关；刮雨器与下雨天的场景有关；远光灯与夜间开车的场景有关等。通过分析系统可能面对的场景，就可以发现一些可能被忽视的功能；通过完整地认识场景，就能够完整地认识功能。场景变化可以分成外部场景的变化和内部场景的变化。外部场景的变化指的是系统的环境和输入发生的变化，内部场景的变化包括设备磨损、性能劣化等连续变化，也包括操作异常和故障等突发的变化。3.1.4 系统功能与业务场景的关联通过“功能”这个切入点，可以进一步深入到功能实现的原理。对应工业系统的每个功能，都会对应一套实现逻辑或流程，这里称之为技术原理。要深入了解系统，可以通过流程来认识技术原理。需要特别注意的是场景的变化可能引发流程的变化。比如，在钢铁生产过程中，钢种、规格变了，工艺流程可能就会变。另外，对于系统内部连续或突发的变化，工业界往往有一套预防、检测、应对、弱化影响的机制；要深刻理解工业系统，必须重视相关的原理。3.2 理解数据分析的需求3.2.1工业过程中的数据分析需求数据分析是业务优化活动中的一环，数据分析的目标是业务目标所决定的。DMAIC模型是企业管理中常用的一套用于改进的操作方法，包括界定D(Define)、测量M(Measure)分析A(Analyze)、改进I(Improve)控制C(ContrOl)等五个步骤。我们这里借助DMAIC模型，理解数据分析的前序和后续工作，从而明确数据分析工作的前置条件和发挥作用的基础。1)界定：准确定位用户关心的、需要解决的业务问题。主要从业务方面了解客户、需求、存在的问题、解决问题的意义等。在这个过程中，最好能明确问题发生的场景、类型，希望分析得到的输入输出关系等。2)测量：这个阶段的工作，就是要把业务需求转化成数据问题。或者说，用数据来描述业务需求，对问题更加深刻的认识。3)分析：运用统计技术方法找出存在问题的原因。4)改进：在数据分析的基础上，找到解决问题的方法。改进可以看成一个优化数学问题、确定怎么做是最好的。5)控制：具体的实施和落实。具体的实施必须是在流程中完成的，会涉及到各种软硬件条件和管理制度。五个步骤中，前面两个步骤在进入数据分析之前完成，用于明确对数据分析的目标和要求；而后面两个步骤要在数据分析之后完成，以创造价值。为了避免无效的分析工作，应该在分析之前就确定改进和控制的路径是不是存在，这是提高数据分析工作