工业大数据收集及预测建模方法（南京大学-宋哲博士分享）- 个人总结

获取工业大数据途径

• Retrospective Study(回溯性研究)：完全依赖于现有的历史数据，去数据挖掘、学习和建模；
• Observational Study(观察性研究)：在一段时间内观察要研究的工业过程，微调相关的控制参数，看系统反应，捜集相关数据；
• Designed Experiments(设计实验)：有目的，有计划的改变所要研究的工业过程或者系统的控制变量，捜集数据，推断各个因素之间的关系，以期全面掌握系统的特性；

预测建模的经典方法

交叉融合：机理及物理模型、结构因果关系、因果图模型、统计模型。

经典数据挖掘、预测建模流程

CRISP-DM(Cross-Industry Standard Process for Data Mining)是欧盟1999年起草的跨行业数据挖局额标准流程。22年工业界和学术界基本都采纳了CPISP-DM，对于数据挖掘流程的创新研究较少。

组织学习和知识创造流程

数据驱动的知识创造过程

提高泛化能力的生产工艺

• 简单原则（奥坎姆剃刀原则）
• 同时训练多个模型和组装模型
• 机理融入到数据建模
• 特征变换与选择
• 数据预处理
• 模型/数据切割

提高自适应能力的工艺流程

模型的维护保养

风机叶片结冰故障预测示例

以上数据通过以下方式剔除：

强规则过滤

天过热，风速过大时不结冰（所以可以剔除）

数据分割

算法选择