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。
