“

伴隨著工業(yè)企業(yè)對數(shù)字化應用需求的日益高漲，基于工業(yè)大數(shù)據(jù)建模，已成為行業(yè)內(nèi)的熱議話題。然而在這一過程中，人們常常過度強調(diào)數(shù)據(jù)算法，卻忽視業(yè)務相關的知識，這給工業(yè)模型的實用性和可靠性帶來了重重挑戰(zhàn)。

”

為什么工業(yè)大數(shù)據(jù)的數(shù)據(jù)建模如此重要？在建模過程中，企業(yè)首要考慮的因素有哪些？又該如何搭建一個符合自身實際需求的模型呢？

請看原寶鋼首席研究員、工業(yè)大數(shù)據(jù)資深專家郭朝輝博士，在2022（第十一屆）全球自動化和制造主題峰會上的演講。

郭朝暉演講內(nèi)容梗概

工業(yè)大數(shù)據(jù)建模：兩個靈魂拷問

Q1

為什么有了理論模型，還要數(shù)據(jù)建模？

任何一個理論模型都需要參數(shù)，牛頓定律也不例外，更何況對于復雜的工業(yè)系統(tǒng)，若干個子系統(tǒng)都需要各自的參數(shù)。但這些參數(shù)往往是吃不準，或者有很大誤差，或者沒法測量，在這個情況下，機理模型不是沒有，而是沒有用的條件。

工業(yè)中有大量知識，這些知識的特點是都可以用物理學原理推導出來。即使算不出來也沒關系，把它記錄下來下次就會有標準和依據(jù)。它也不是理論推導不出來，而是不方便推導，在應用過程中，直接用實際的結果來算就完事了。

Q2

很多工業(yè)關鍵知識都實現(xiàn)了標準化，

為什么還要建模？

標準往往都是固定的，所以應對不穩(wěn)定的生產(chǎn)過程，標準是需要修改的。靜態(tài)的標準往往不成，我們需要用動態(tài)標準來以變應變，這就需要用模型來幫助我們制定標準，所以模型其實也是有用的。

解決完這兩個問題，我們要知道標準從何而來。在工業(yè)大數(shù)據(jù)時代，有一種很好的辦法——歷史上這樣發(fā)生過，下次再出現(xiàn)問題，就讓計算機“跟著學”（NN、KNN、CBR）。我們不用把它想的太復雜，比如深度學習、神經(jīng)元等，在多數(shù)情況下都沒那么復雜。

然而，在數(shù)據(jù)不多的時候，能跟著誰去學呢？過去，對一臺設備的故障進行診斷，數(shù)據(jù)記住后，故障如果十年發(fā)生一次，再過10年設備就報廢了，有了數(shù)據(jù)也沒機會學。而工業(yè)互聯(lián)網(wǎng)，可以把成千上萬臺類似的設備放在一起，發(fā)生一次故障就可以作為一個知識記下來，這也是工業(yè)大數(shù)據(jù)真正的意義所在。

常見的模型：基準選擇+矯正

至于如何提高模型精度，由于生產(chǎn)過程參數(shù)在不斷變化，“一竿進洞”往往很難達到，這就需要我們分步走，即首先跟著成功案例，選擇一個基準來學習，再根據(jù)差別進行補缺和調(diào)整，以獲得更高的精度。當然，現(xiàn)實中調(diào)整是需要數(shù)據(jù)來提供支持的。

比如說X測不到，但你知道變量Z，就可以根據(jù)它的變動來做調(diào)整。在工業(yè)大數(shù)據(jù)的背景下，數(shù)據(jù)條件也會越來越好，跟X接近的變量會越來越多，模型也會越來越好。然而，這個過程中也會產(chǎn)生新的問題。過去是Y=f(X,C)，用了Z后真正的數(shù)據(jù)模型就是Y=H(Z,C)，選不同的Z，H就會不一樣。所以工業(yè)過程由于缺少數(shù)據(jù)，由于變量不同，數(shù)據(jù)模型的結果可能也完全不一樣。

現(xiàn)實數(shù)據(jù)模型和理論模型不一樣

那么，工業(yè)建模在數(shù)據(jù)不完整的情況下，如何選擇變量？我們需要明確一點，精度并不代表一切，應用價值好才是最終目的。這看似不能接受，但哪怕是微積分在內(nèi)也是這樣。數(shù)據(jù)建模和機理模型往往是不一樣的，但是在一定的范圍內(nèi)有用就行了。

正確認識現(xiàn)實的模型：對錯與實用是兩碼事

當然，在工業(yè)大數(shù)據(jù)的基礎上，我們有機會在保障精度的同時追求真實性，這就是所謂的“第四范式”。但這個事情非常難，可能需要一二十年的功夫，因此多數(shù)企業(yè)在做選擇時要慎重。精度、正確性和它的應用范圍，有可能是存在矛盾的，要根據(jù)實際的需求來決定。

理解實用的模型：精度與可靠性

實用模型的關鍵有三點：精度、應用范圍，以及二者是否是可知和穩(wěn)定。眾所周知，工業(yè)領域對于穩(wěn)定性的要求非常高，模型正確的時候能帶來好處，但錯誤的時候同樣會帶來壞處。人們常說的平均精度高，就是需要在過程穩(wěn)定的時候高，而穩(wěn)定可能占了99%的情況，但人們往往是在過程不穩(wěn)定的時候需要模型。

傳統(tǒng)模型往往只適合特殊情況，因此，如果精度不能持續(xù)，精度再高都沒用。工業(yè)大數(shù)據(jù)之所以能適合于各種各樣的場景，是因為它能拿到對象方方面面的屬性，且提供了更多角度來識別場景，以便在具體場景下，也能做識別和精度調(diào)整。

此外，很多人對機器學習也有理解偏差。首先，機器學習并不意味著要做多么復雜的模型；另外，智能化時代的模型往往針對大系統(tǒng)，而大系統(tǒng)的參數(shù)本身是不斷漂移的，如果沒有跟著漂移的機制，模型用幾天就慢慢不能用了，所以針對生產(chǎn)過程的模型，機器學習就是來應對模型參數(shù)漂移的。

此外，只要是基于數(shù)據(jù)的定量模型，幾乎都會有誤差，當然有的邏輯模型可能沒有誤差，或者有的能知道有多大誤差等。因此，我們就要考慮誤差和應用場景需求的匹配，這非常重要。

實用模型的背后：數(shù)據(jù)質(zhì)量是關鍵

模型使用的根本是高質(zhì)量的數(shù)據(jù)。當建立數(shù)學模型的時候，人們總希望它的穩(wěn)定度高，而現(xiàn)實中不穩(wěn)定是一種常態(tài)，對同一對象，這個月和下個月建出的模型，它的數(shù)據(jù)參數(shù)會相差很遠。

有一個重要的原因是，我們建?？倳谝粋€工作點，或者特定的場景附近，這樣做測量的時候，它的波動相當大的一部分，不是對象參數(shù)的波動，而是由于測量過程的干擾。測量精度決定了控制精度，測量誤差和實際波動，往往是處在一個數(shù)量級上的。

此外，在建模的時候，輸入誤差不可忽略，這就會導致“有偏估計”，即誤差最小的模型往往是錯的，因為輸入是錯的，誤差小是“錯錯得對”引發(fā)的。任何一種方程或是建模方法，只要你追求的是誤差最小，其實它都會偏離真實的問題。

因此，在模型精度不高時，首先應該關注的不是算法，而是數(shù)據(jù)質(zhì)量。寶鋼信息技術的奠基人何麟生先生曾提過“數(shù)據(jù)不落地”，即為了保證數(shù)據(jù)的真實性，數(shù)據(jù)的產(chǎn)生和存儲過程不經(jīng)過人。因為很多數(shù)據(jù)，不是為了建模而產(chǎn)生的，它的質(zhì)量往往不能達到要求。這涉及到了數(shù)據(jù)采集過程的標準化，只有解決數(shù)據(jù)的質(zhì)量問題，才能把數(shù)據(jù)建模做好。

工業(yè)大數(shù)據(jù)的意義在于促進智能化

除此之外，數(shù)據(jù)建模的基本條件，是要讓數(shù)據(jù)的因果關系能對應得上。這聽起來簡單，但做起來難。數(shù)據(jù)質(zhì)量不僅是數(shù)據(jù)精度的問題，更重要的是數(shù)據(jù)對應關系，這與采樣頻度等因素息息相關。我們要知道，工業(yè)大數(shù)據(jù)并不等同于互聯(lián)網(wǎng)大數(shù)據(jù)。工業(yè)大數(shù)據(jù)數(shù)據(jù)“大”，并不能保證做的好，但是數(shù)據(jù)“大”能為提高數(shù)據(jù)質(zhì)量創(chuàng)造條件，并為后期數(shù)據(jù)建模、根因分析鋪平道路。

軟件角度看模型：關鍵還是可靠

現(xiàn)代工業(yè)，尤其是自動化程度很高的行業(yè)，執(zhí)行工藝都會讓計算機執(zhí)行，所以現(xiàn)代化工業(yè)知識和訣竅，也都寫在計算機里面。因此如果不懂計算機軟件，是把握不住工藝的細節(jié)的，學習知識就會面對“天花板”。

從工業(yè)軟件的角度認識“模型”

早在20多年前，當時本人建議寶鋼公司重視數(shù)學模型，領導也給予了充分重視。通過知識和數(shù)學模型計算的融合，寶鋼經(jīng)過10多年的努力，全部掌握了引進技術，徹底解決了這類問題，中國鋼鐵行業(yè)再也不會被卡脖子了。

那么，工藝的數(shù)學模型是什么？舉個例子，工業(yè)生產(chǎn)的過程中，在各種事件和場景變化下，我們想要控制某個參數(shù)，比如一個鋼胚的表面溫度，這和傳統(tǒng)控制的固定工作點做自動控制是不一樣的，需要計算和數(shù)學模型兩者間進行融合。

有一種計算機概念叫“自動機”，而工業(yè)界所說的數(shù)學模型，其實就是一種工業(yè)APP。要在工業(yè)場景不斷變化的過程中執(zhí)行任務，完成控制靠自動化能力，而感知場景的不斷變化，則需要通過信息系統(tǒng)，因此，信息系統(tǒng)和控制系統(tǒng)的集成至關重要。

現(xiàn)如今，模型開發(fā)80%的時間都會花在保障可靠性上，這也是難點所在。比如要考慮模型運行是否會出現(xiàn)意外、歧義和異常，處理異常的方法是否完備等，為了穩(wěn)定可靠性，模型的編程方式也會不一樣。

軟件開發(fā)追求的重點不是效率、新穎，而是穩(wěn)定

結語

我個人認為，軟件編程開發(fā)適合“有罪推定”原則，即如果你不能證明你的代碼是正確的，你就要拿回去重寫。因為現(xiàn)場無小事，無論是軟件開發(fā)還是建模的過程，開發(fā)效率高、模型精度高都是次要的，安全穩(wěn)定性才是最重要的，只有這個問題解決了，模型的實用性才能得到保障。

審核編輯 ：李倩