王晨

工業(yè)大數(shù)據(jù)的關鍵技術有哪些？把開源的相關技術拼湊一下就可以形成工業(yè)大數(shù)據(jù)平臺？將機器深度學習技術結合起來，就形成工業(yè)大數(shù)據(jù)分析？這樣的工業(yè)大數(shù)據(jù)和其他大數(shù)據(jù)沒有分別。

工業(yè)大數(shù)據(jù)的核心是什么？是基于企業(yè)、行業(yè)、客戶的總結。目前可以把中國工業(yè)大數(shù)據(jù)分成三項。

第一是與機器設備相關，設備的可靠性、健康程度和設備的操作等。

第二是和運行效率相關，包括生產環(huán)節(jié)、研發(fā)環(huán)節(jié)、供應鏈環(huán)節(jié)等。

第三是在使用這些應用環(huán)節(jié)時，企業(yè)解決問題的方法未必是用機器學習的方法進行分析，而是使用優(yōu)化的方式。

今天的產業(yè)互聯(lián)網(wǎng)中，企業(yè)嘗試使用別人的數(shù)據(jù)，比如產業(yè)鏈數(shù)據(jù)、跨界數(shù)據(jù)去解決更多問題。有些制造型業(yè)企業(yè)開始從事金融貸款業(yè)務，而這些都是通過企業(yè)拓展主體業(yè)務邊界的方式進行操作，在這種方式下就需要更多的數(shù)據(jù)來支撐，進行總體分布。

目前企業(yè)在從事其他行業(yè)時，行業(yè)應用場景非常分散，企業(yè)需要一套完整的方法論來解決所面臨的市場、技術、管理上的挑戰(zhàn)。發(fā)展工業(yè)大數(shù)據(jù)并不容易，在有物質支撐的基礎上，企業(yè)如何進行改變和創(chuàng)新，都是企業(yè)所遇到的問題。

在實施路徑上我們將工業(yè)數(shù)據(jù)分為三段論—數(shù)據(jù)+業(yè)務+技術，而最重要的工作其實是人，實施三段論分成三個步驟：第一，對業(yè)務問題的分析診斷能力，企業(yè)在經營過程中存在什么業(yè)務問題，這些業(yè)務問題有什么改善方法。第二，找到潛在問題點，當找到問題后使用數(shù)據(jù)技術嘗試進行改善，甄別這些問題是否可以解決，并嘗試把業(yè)務模型轉化成數(shù)據(jù)模型嘗試建模。第三，把解決的問題進行部署，來構成三段論。

實施三段論，昆侖數(shù)據(jù)使用工業(yè)大數(shù)據(jù)平臺，并總結出三個方向：第一，設備健康；第二，流程效率優(yōu)化；第三，產品質量。但通過一種工業(yè)數(shù)據(jù)來解決其他工業(yè)問題，并不可行。很多企業(yè)發(fā)現(xiàn)，一個設備數(shù)據(jù)解決不了其他設備的問題，工業(yè)大數(shù)據(jù)里面充斥著個性而不是共性，而解決此類問題的關鍵在于技術和數(shù)據(jù)，并不是一種應用數(shù)據(jù)可解決所有問題。

比如在工業(yè)中體量最大的傳感器生產所產生的工業(yè)物聯(lián)網(wǎng)數(shù)據(jù)的采集、存儲、分析、查詢等，是一個可變型系統(tǒng)，可以使用開源框架進行對接，而在平臺中怎樣進行操作，取決于關鍵技術。我們有一套數(shù)據(jù)存儲格式，可按毫秒的時段對數(shù)據(jù)進行查詢和采集，但是在查詢時可能需要按照秒、小時、天等方式發(fā)起，這時如何進行處理？通過數(shù)據(jù)裝載時進行預計算，從數(shù)據(jù)的某一級開始發(fā)起對它的查詢，而這一方式需要細致的監(jiān)管和維護。

在數(shù)據(jù)存儲管理方面，我們開發(fā)了一種名為邏輯空間系統(tǒng)，構建列表名方便企業(yè)進行查詢。比如某臺風機的某一個傳感器，在某個時間序列是否可以查看到物理存儲單元？當存儲這些信息時是企業(yè)的邏輯部分，可以按照不同的原數(shù)據(jù)、供應商、邏輯維度進行管理。

在分析的世界中怎樣將物理世界和數(shù)字世界相互連接？是否可以將領域中所獲得的數(shù)據(jù)，放進模型中分析？顯然不是，我們將這些問題叫有效樣本極度缺失，因為設備在絕大多數(shù)情況下是正常的，極少出現(xiàn)問題。如果進行某種特定故障預測和分析時會發(fā)現(xiàn)，設備在它的使用壽命中，可能發(fā)生故障有幾起或幾十起，和這臺設備正常樣本比起來，樣本的分布偏差過大，所以在當下的工業(yè)發(fā)展中必須運用機器學習技術和機器深度學習技術。運用深度學習技術的前提是什么？設備在運行的過程中會產生很多數(shù)據(jù)，能從數(shù)據(jù)中進行學習是一項技術突破，但是工業(yè)里這種方式并不成立，雖然設備產生了很多數(shù)據(jù)，但是真正有效的正樣本量卻非常少。

基于以上原因在工業(yè)數(shù)據(jù)中我們嘗試的技術是遷移學習。什么是遷移學習？是某種模型放到另外一個地方去用，對模型進行一些修改。比如現(xiàn)實模型與物理模型，當現(xiàn)實模型不等于物理模型時，經過修改怎樣將現(xiàn)實模型改變成物理模型？如果在現(xiàn)實世界中沒有數(shù)據(jù)產生，但是在物理世界中卻有數(shù)據(jù)存在，在仿真體系中以非常低的成本生產大量的數(shù)據(jù)，能否嘗試把數(shù)據(jù)遷移過來，放到現(xiàn)實中的故障檢測中去？這一方法是可行的。所謂深度學習的大量數(shù)據(jù)是從仿真過程演變而來，但是在數(shù)據(jù)遷移的過程中，是以數(shù)據(jù)生成的一種對抗方式進行操作，最終使現(xiàn)實模型和物理模型相等，順利將模型進行遷移。

現(xiàn)今仿真模型的機理所表示的是一個公式，在工程控制優(yōu)化時，會呈現(xiàn)出化學和生物過程，只能在較大的周期上進行測量和取樣，才能從這個過程中找到數(shù)據(jù)，但是在化學顯示過程中存在化學反應方程式，將化學和生物的顯示過程中的數(shù)據(jù)結合起來，就是數(shù)據(jù)的深度遷移學習，而工業(yè)大數(shù)據(jù)發(fā)展的未來是將遷移學習模型、深度學習模型、強化學習模型相互結合，來解決工業(yè)中所發(fā)生的問題。

（根據(jù)演講內容整理，未經本人審核）endprint