侵权投诉

搜索
更多>> 热门搜索:
订阅
纠错
加入自媒体

【深度】工业大数据分析的误区与建议

2016-08-24 09:14
kumsing
关注

  4)对分析技术的要求不同:工业系统的实时性高,动态性强,对分析结果的精度要求高,很难接受概率性预测,而商业应用常遵循大数原则,概率性的分析就可以为运营提供很大的帮助。不同工业应用场景对技术指标的要求也不同,比如在风机领域,大部件的故障检测报警已经在PLC中实现,大数据分析只有提前若干小时的故障预警才有意义;油气管道泄漏检测中,泄漏发生后的及时报警也很有意义,但其要求零漏报、极低的误报(管道深埋地下,误报会给一线工作人员带来很大工作量);在抽油机监测分析中,可容忍分析算法对一些罕见或复杂故障类型的无法研判(类似漏报),但分析算法可以研判的出示功图异常的的准确率应该是100%(这样就可以降低70~80%的重复性工作)。

  工业数据分析的价值实现之道

  综上所述,工业大数据分析更应该抱着“小数据”的心态,敬畏机理模型和领域经验,把数据分析模型与机理模型充分融合。数据分析对工业领域知识的帮助主要体现在如下3个渠道:

  1)物理过程和业务过程的融合。能将物理量与经营过程量(如产品质量、生产效率、设备可靠性等)的关系定量化,突破现有生产技术人员的知识盲点,实现过程痕迹的可视化。

  2)对于物理过程环节,重视知识的“自动化”,而不仅仅是知识的“发现”。将领域知识进行系统化管理,通过大数据分析进行检索和更新优化;对于相对明确的专家知识,借助大数据建模工具提供的典型时空模式描述与识别技术,进行形式化建模,在海量历史数据上进行验证和优化,不断萃取专家知识,充分利用多维度融合带来的统计显著性(比如个别风场看似偶发的故障,在全体风场上可能有稳定的统计规律)

  3)“软”测量。在工业应用中,不同过程量监测的技术可行性、精度、频度、成本差别较大,通过大数据分析,建立指标间的关联关系模型,通过易测的过程量去推断难测的过程量,提升生产过程的整体可观可控。

  小结

  如前所述,工业大数据分析更应秉承“小数据”思维,尊重机理模型和领域知识,利用数据分析技术手段,披沙简金,释放工业大数据的价值。为更明确指导工业大数据分析软件架构,下篇将从分析算法侧重点、分析模型与机理模型融合方式、业务应用场景等3个方面分享工业大数据分析的典型范式,敬请期待。 

<上一页  1  2  3  4  
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号