工业互联网产业联盟工业大数据分析案例剖析99页.pdfVIP

工业大数据分析案例剖析

工业互联网产业联盟（AII）

2021年12月

目录

一、案例1：挖掘机液压泵故障预测—天远科技1

（一）案例背景1

（二）解决方案3

1、业务理解3

2、数据理解5

3、数据准备8

4、数据建模9

5、模型验证12

（三）实施效果13

1、模型部署13

2、应用效果15

二、案例2：数控加工工艺参数优化—华中数控16

（一）案例背景16

（二）解决方案17

1、业务理解17

2、数据理解19

3、数据准备22

4、数据建模27

5、模型验证30

（三）实施效果35

1、基于指令域“心电图”的加工工艺参数优化35

2、基于加工过程主轴功率模型的加工工艺参数优化...42

3、总结44

三、案例3：热轧带钢性能预报—清华大学、上海优也45

（一）案例背景45

（二）解决方案48

1、业务理解48

2、数据理解51

3、数据准备52

4、数据建模53

5、模型验证63

（三）实施效果67

1、精准选样系统67

2、钢种优化67

3、集约化生产67

4、新钢种设计68

四、案例4：智能化橡胶浆液浓度控制—京博石化69

（一）案例背景69

（二）解决方案71

1、业务理解71

2、数据理解75

3、数据准备77

4、数据建模82

5、模型验证86

（三）实施效果87

五、结语与展望89

绪论

工业大数据分析作为工业智能化发展的核心之一，是实践性

非常强的工作，现实中的失败比例非常高。在《工业大数据分析

指南》中虽然已对通用的工业大数据分析方法和分析流程进行了

归纳和总结，但其更加关注于具有普遍指导意义的方法论，为能

更好的指导企业开展工业大数据分析实践，我们选取了四个不同

行业中已经落地应用的典型案例，并依照《工业大数据分析指南》

的方法体系进行了较为深度的剖析，形成了本案例集。

人们用工业大数据分析的办法来发现知识并指导行动。如果

错误的认识误导了行动，可能会给工业企业带来非常严重的后果。

所以，工业界在实际应用中，对数据分析结果的可靠性要求很高，

这对于工业大数据分析应用的落地带来了极大的挑战。

传统概率统计方法是从基本的理论假设开始展开研究，分析

结果的可靠性是由理论前提和假设保证的。科学家从事科研工作

时，可以根据分析工作的需求去采集和配置数据，从而得到可靠

的结果。工业大数据分析则是通过数据本身表现出来的特点来发

现规律。从事工业大数据分析时，人们往往只能根据工业现场已

有的数据进行分析，而这些数据往往不是为特定数据分析工作而

准备的。在某些场景下，数据可能从根本上就无法支撑分析的目

标。从这种意义上说，特别是数据量无法达到一定规模的情况下，

基于统计方法的数据分析建模不能够准确捕捉到工业现场问题

与征兆之间的因果性，因而单纯依靠数据分析模型做出决策存在

—1—

相当程度的不确定性。

在追求确定性的过程中，有两种常见的挑战：一种是模型混

淆了相关与因果，一种是把特殊条件下的因果关系扩大到一般情

况。要应对这两种挑战，人们都必须借助对工业机理的认识。实

践证明：如果仅仅以精度为标准衡量模型和结果的好坏，就很难

保证成果的可用性，必须善于利用工业机理来选择