写这篇文章时，刚追完《繁花》的大结局，让我回味无穷...
在这充斥着内卷和焦虑的乙方服务领域，我平时总是快速地观看电视和听书，享受 1.5 倍速的快感。然而，《繁花》却成为了一部让我愿意以 1 倍速沉浸其中的作品，让我能够放慢心境，一帧一帧欣赏与品味其中的诗意与美学。
生活中，我热爱摄影，深知摄影是光与影的艺术。每一幅画面，无论是近景还是远景的交融，都让我感受到了时间和空间的交织。这种美学的体验，让我如何能不喜欢呢？
工作中，我对数据情有独钟，特别是工业数据。专业与数据的交织，让我看到了过去与未来的交融。这种跨时空的视角，让我如何能不喜欢呢？
模|型|知|多|少
2023 年，“模型” 一词在工业领域备受瞩目，大放异彩。“开年大戏” ChatGPT - 一个由 OpenAI 开发的大型语言模型，标志着新模型时代的开启，我们亟需更深入地理解 “模型”。
百度对模型一词的解读为：“人们依据研究的特定目的，在一定的假设条件下，再现原型（antetype）客体的结构、功能、属性、关系、过程等本质特征的物质形式或思维形式。”
简而言之，模型是指对于某个实际问题或客观事物、规律进行抽象后的一种形式化表达方式。那么，模型到底有多少种分类呢？
数据模型、物理模型、机理模型、仿真模型、逻辑模型、管理模型、思维模型、系统模型......模型这个词，还真是有一种包罗万象的感觉。
聚焦在工业大数据这个赛道上，我们就来浅谈下基于工业大数据应用的三种模型：
工|业|管|理|模|型
管理模型必须放在第一棒的位置来谈。“工欲善其事，必先利其器。器欲尽其能，必先得其法。”在当下这个 AI 时代，我们必须先厘清这些技术到底能够给制造业带来哪些价值。而数据驱动管理，正是我们一直以来探索工业大数据价值的原点。
管理模型可以是定性地指一套规范化的管理流程或管理模式。例如，ISO9000 标准模型是一个国际通用的质量管理体系标准，它强调以流程为导向，通过建立完善的质量管理体系来提高组织的运营效率和客户满意度。
再比如：DMAIC 模型是一种管理过程改进的方法论，广泛应用于六西格玛管理中。它包括定义（Define）、测量（Measure）、分析（Analyze）、改进（Improve）和控制（Control）五个阶段，旨在识别和解决关键问题，提高过程质量和可靠性。
管理模型化的成果可以表现为各种形式，如流程图、组织结构图、思维导图、数学模型等。这些模型可以帮助你清晰地描述管理过程，发现管理中的问题和瓶颈，制定针对性的管理策略和措施。
通过对管理实践的深入分析和研究，管理模型可以抽象出管理的共性和规律，帮助管理者抓住管理的本质和核心要素。
在当今快速变化的时代，掌握和管理模型对于管理者来说具有重要的意义和价值。
工|业|机|理|模|型
机理模型是根据对象、生产过程的内部机制或者物质流的传递机理建立起来的精确数学模型。简单来说就是工业机理、工艺流程、模型方法经验、知识积累和软件化。
所有的工业技术、知识、经验和方法也都以数字化机理模型的形式沉淀在工业互联网平台上，把海量数据加入到数字化模型中，进行反复迭代、学习、分析、计算，实现对工业实体的动态数字化描述、诊断、预测、决策和执行。
上图摘自
《工业互联网平台工业机理模型开发指南》
举例说明
在设备管理中，零部件的稳定性对于设备的稳定性起着重要作用。对于重要设备部件如马达等，我们可以借助工业机理模型来监控马达的稳定性。
这里的机理模型就是伺服马达震动故障预测模型：电机轴承故障诊断模型对电机轴承运行时的震动信号进行深度分析，通过已有数据准确分析判断轴承是否存在故障，并进一步提供故障类别的预测结果，为保障电机的稳定运行提供有力支持。
该模型采用了快速傅里叶变换，对采集的时域震动数据进行频域转换。通过算法模型，以频域震动信号作为特征，从而进行缺陷类别的判断。
通过工业机理模型的应用，可以更好地理解工业过程的内在规律，优化工业过程，提高生产效率，降低能耗和成本。
未来随着科技的不断发展，工业机理模型的应用前景将更加广阔。
工|业|数|据|模|型
数据模型有结构化数据的建模和非结构化数据的建模，这两者的数据形态、算法、和应用场景都不同。这里我们主要讲架构化数据建模以及结构化数据所使用的机器学习。
我们在艾聚文苑曾经分享过一篇详细介绍机器学习的文章《一文带你了解机器学习》（点击链接查看文章详情）。
在工业应用上，随着数据采集成本的降低和工业软件的普及使用，需要解决的工业问题也越来越复杂。在这种大背景下，AI_ML 机器学习的应用场景也越来越丰富。
从产、销、人、发、财，到人、机、料、法、环，结构化数据无处不在。因此，AI 机器学习的应用也应无处不在。
但是区别于类似于 ChartGPT 这种通用大语言模型，工业数据模型有其特殊性。例如：
模型稳定性不高
工业天生自带善变的特点，有新产品、新材料、新设备、新工艺等等，当新的元素叠加后，原本的模型就面临着迭代和升级
数据信息
不全
工业数据种类繁多，包括设备数据、工艺数据、传感器数据等，但并非所有所需数据都能获取到。这可能导致建模时缺乏关键信息，影响模型的准确性和可靠性
数据质量
不高
工业数据常常存在异常、缺失、错误等情况，会对建模的准确性和稳定性造成影响。同时，由于数据来源和采集方式的多样性，不同数据源之间的数据可能存在差异，这也增加了数据清洗和预处理的难度。如何提取有用的特征、去除冗余信息、降低噪声等也需要较高的技术能力
模型优化
困难
针对不同的工业场景和问题，需要选择合适的建模方法和算法。同时，由于工业数据的复杂性和不确定性，如何对模型进行优化和调整也是一大难点
因此，我们团队目前对于这一问题的讨论停留在 “未来是工业小模型和通用大模型的合作互补” 这一结论上（工业小模型是指针对特定工业场景或特定问题的小型化、专业化模型）。
一方面，工业小模型可以借助通用大模型提供的基础能力和通用性，快速构建出满足特定需求的模型，提高建模的效率和精度。
另一方面，通用大模型可以借助工业小模型的精细化和专业化能力，进一步提高其建模的精度和适应性，更好地满足不同工业场景的需求。
通过合作，工业小模型和通用大模型可以实现数据、技术、知识的共享和传递，促进技术交流和人才培养。同时，合作也可以降低成本和提高效率，推动工业领域的数字化转型和创新发展。
知|识|模|型|化
工业领域里，工业管理模型、机理模型和数据模型相互关联、相互补充。
机理模型可以作为工业管理模型的基础，为其提供物理和化学层面的解释和支持。
数据模型则可以为工业管理模型提供数据驱动的分析和预测能力，帮助决策者更好地理解工业过程并进行优化控制。同时，机理模型也可以从数据模型中获取实际生产数据，进行模型的验证和优化。
这三种模型最终形成了工业知识的模型化，通过知识模型化，可以更好地管理和利用知识资源，提高组织的竞争力和创新能力。
- THE END -
大咖作者
拾老师，艾聚达信息技术（苏州）有限公司 AI 研发总监、资深顾问。LSS 黑带、TPM 专家，工信部专家库大数据领域入库专家；国家注册数据分析师、卓越数据分析师、国际卓越运营协会专家组成员；工业 4.0 协会智能制造高级顾问。
关于艾聚达
艾聚达是一家提供 AI 赋能的 HaaS 平台解决方案公司，透过 AI 技术赋能边缘硬件产生数据价值，助力企业全面智慧化升级。艾聚达基于人工智能技术，提取数据价值并将算法模型赋予终端，让边缘硬件产生智慧决策能力。凭借在制造行业多年积累的丰富场景应用技术与算法模型，为各企业提供全面完整的工业自动化、边缘智能化、工业大脑、工业人工智能平台四大解决方案和服务。艾聚达深耕智能边缘硬件与人工智能技术，赋予边缘数字力量，致力于成为企业智能化升级过程中的技术服务最佳伙伴。
如需了解更多详情，
欢迎您随时与我们联系！
我们非常乐意为您服务！
电话：400-1093-688
Email：marketing@auodigitech.com
推荐阅读
