北京大学日前举办大数据分析与应用技术国家工程实验室揭牌仪式暨大数据分析与应用技术创新论坛。北京大学副校长王杰表示，北京大学将以国家工程实验室的建成为契机，强化实验室的基础设施、人才团队、资金投入和机制创新，推动大数据产业的快速发展。

据悉，大数据分析与应用技术国家工程实验室由北京大学牵头，中国科学院数学与系统科学研究院、北京奇虎科技有限公司、北京嘀嘀无限科技发展有限公司、中山大学、中国信息安全研究院等单位共同参与，旨在建设大数据分析技术研发与应用试验平台，培养和汇聚大数据分析技术研发与应用高端人才，为推动我国大数据分析与应用的技术进步和产业发展提供技术支撑。

王杰表示：“大数据技术已经成为引导社会变革的新兴力量，北京大学一直注重大数据学科体系的建立，成功申报了全国首批数据科学与大数据技术专业，形成了数据科学本科、硕士和博士的完整培养链条。”

北京大学元培学院院长、北京大数据研究院院长鄂维南院士指出，尽管国际大数据分析技术已经发展出很多软件平台，但深度学习在实际应用领域中还不成熟，国内的大数据资源和分析技术还有待提高。

“因此，工程实验室应大力引进国内外高校、研究机构和业界的大数据高端人才，以大数据分析技术为核心，致力于在数据存储整理、数据预处理、可视分析、智能决策等环节实现技术突破，构建大数据分析产业共性技术创新网络，促进大数据与各行业应用的深度融合。”鄂维南说。

田春华博士

前言：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？

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。

6类算法应用范式

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。因此，这里从产品相识度、机理复杂度两个维度，将分析算法应用分为6类模式。

1）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；

2）从产品机理的复杂性来看，有简单的black-box产品（如电子消费品，通常不会深入元器件内部去分析）、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。

6类算法应用范式图解

4种融合范式

分析模型与机理模型的融合可以分为4种模式：

1）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。

2）分析模型为机理模型做post-processing。例如，利用统计方法对WRF等天气预报模型的结果做修正或多各机理模型综合，提高预测的稳定性。

3）机理模型的部分结果作为分析模型的feature，比如，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。

4）分析模型与机理模型做ensemble，比如，在空气质量预测中，可以WRF-CHEM/CMAQ等机理模型的结果，与统计预报模型的结果进行融合，发挥统计模型对局部。

4种融合范式图解

3类业务应用范式

通过对复杂过程的演化过程和上下文的全面深入刻画，工业大数据可以对产品/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。

小结

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。

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类算法应用模式、4种融合模式和3类业务应用模式，以期促进不同行业分析模型的复用。