大數(shù)據(jù)時(shí)代，數(shù)據(jù)已經(jīng)滲透到各個(gè)行業(yè)和業(yè)務(wù)職能領(lǐng)域，成為重要的生產(chǎn)因素。但對(duì)于企業(yè)而言，只有數(shù)據(jù)是遠(yuǎn)遠(yuǎn)不夠的，企業(yè)還需要學(xué)會(huì)從海量的數(shù)據(jù)（Data）中提取有用的信息（Information），隨后轉(zhuǎn)變?yōu)槟転榧河玫闹R(shí)（Knowledge），最終做出智慧（Wisdom）的決策。

　　數(shù)據(jù)分析的流程

　　面對(duì)旺盛且復(fù)雜的數(shù)據(jù)分析需求，企業(yè)可以借助 PPDAC 閉環(huán)體系對(duì)數(shù)據(jù)進(jìn)行高效的分析。

• 首先，PPDAC閉環(huán)尋找出企業(yè)生產(chǎn)中存在的痛點(diǎn)問(wèn)題（Problem）
• 隨后針對(duì)痛點(diǎn)問(wèn)題制定生產(chǎn)數(shù)據(jù)計(jì)劃（Plan）
• 緊接著采集、整理與痛點(diǎn)問(wèn)題相關(guān)的數(shù)據(jù)（Data）
• 之后對(duì)這些數(shù)據(jù)進(jìn)行相關(guān)層次的分析（Analysis）
• 最后根據(jù)分析結(jié)果得出結(jié)論（Conclusion）

　　這些結(jié)論能為企業(yè)提供有效解決痛點(diǎn)問(wèn)題的解決方案。

　　在數(shù)據(jù)分析過(guò)程中，根據(jù)程度的不同，可分為四個(gè)分析階段：描述性分析、診斷性分析、預(yù)測(cè)性分析和規(guī)范性分析。這四個(gè)階段的難度與分析所獲得的價(jià)值都是逐次遞增的，并且每個(gè)階段采用的技術(shù)手段也不盡相同。本文重點(diǎn)介紹描述性分析與預(yù)測(cè)性分析的過(guò)程。

　　獲取數(shù)據(jù)

　　首先，企業(yè)要明確生產(chǎn)過(guò)程中的痛點(diǎn)問(wèn)題，制定相應(yīng)的計(jì)劃，而后再進(jìn)行相關(guān)數(shù)據(jù)的采集工作。數(shù)據(jù)存在于工業(yè)企業(yè)的各個(gè)層級(jí)之中，擁有各種表現(xiàn)形式。例如，通過(guò) CIP、Profibus 等各種通訊協(xié)議在總線中流動(dòng)的實(shí)時(shí)數(shù)據(jù)；存儲(chǔ)在文件、數(shù)據(jù)庫(kù)、歷史數(shù)據(jù)庫(kù)等軟件中的歷史數(shù)據(jù)；通過(guò) MQTT， HTTP 等協(xié)議傳輸?shù)奈锫?lián)網(wǎng)信息；還有通過(guò) REST API 從云端傳來(lái)的信息等。

　　不同層級(jí)的信息特點(diǎn)各不相同：越往底層，通訊頻率越快，節(jié)點(diǎn)越多，對(duì)時(shí)效性的要求越高；越往高層，通訊信息量越大，對(duì)時(shí)效性要求則相對(duì)低一些。

　　為了從大范圍的場(chǎng)景獲取所有的數(shù)據(jù)，數(shù)據(jù)獲取軟件需要具備以下強(qiáng)大功能：

• 支持眾多協(xié)議，包括傳統(tǒng)的封閉工業(yè)協(xié)議到互聯(lián)網(wǎng)流行的 REST API 協(xié)議
• 高效率的通訊，能夠過(guò)濾采樣，減少重復(fù)信息
• 高性能的通訊，能夠支持眾多節(jié)點(diǎn)，以及較大的通訊量
• 高安全性的通訊，能夠支持權(quán)限、認(rèn)證管理、加密傳輸以應(yīng)對(duì)越發(fā)猖獗的網(wǎng)絡(luò)攻擊
• 高可靠性的通訊，能夠應(yīng)對(duì)各種網(wǎng)絡(luò)波動(dòng)及故障的考驗(yàn)
• 完成相關(guān)的數(shù)據(jù)采集后，需要對(duì)數(shù)據(jù)進(jìn)行整理、清洗、加工等，以備下一步分析

　　描述性分析

　　在獲取足夠的數(shù)據(jù)之后，企業(yè)就可進(jìn)入不同層級(jí)的數(shù)據(jù)分析階段，其中以描述性分析為基礎(chǔ)。描述性分析旨在了解數(shù)據(jù)“已經(jīng)發(fā)生了什么”，主要是通過(guò)計(jì)算數(shù)據(jù)的基本統(tǒng)計(jì)特征值，例如，最大值、最小值、方差、標(biāo)準(zhǔn)差、中位數(shù)、頻數(shù)等，來(lái)了解已有數(shù)據(jù)的集中趨勢(shì)、分布情況及離散程度等信息。

　　此外，描述性分析作為企業(yè)最常用的數(shù)據(jù)分析手段，能夠快速指出要查找的內(nèi)容，預(yù)先定義計(jì)算模式，而后通過(guò)現(xiàn)在或者歷史數(shù)據(jù)進(jìn)行計(jì)算，最后可用報(bào)表或儀表盤視圖將分析結(jié)果呈現(xiàn)出來(lái)，大大節(jié)省數(shù)據(jù)分析時(shí)間。下方展示的設(shè)備綜合效率（OEE）就是如此。

　　預(yù)測(cè)性分析

　　正如前文提到，描述性分析主要對(duì)數(shù)據(jù)的過(guò)去進(jìn)行總結(jié)，而預(yù)測(cè)性分析則需了解“將來(lái)會(huì)發(fā)生什么”。它將歷史數(shù)據(jù)與統(tǒng)計(jì)建模、數(shù)據(jù)挖掘技術(shù)和機(jī)器學(xué)習(xí)相結(jié)合，找出數(shù)據(jù)之間存在的關(guān)系，并基于數(shù)據(jù)對(duì)未來(lái)的設(shè)備情況通過(guò)建立模型進(jìn)行預(yù)測(cè)。這樣能夠幫助管理人員預(yù)測(cè)將來(lái)可能會(huì)發(fā)生的情況，進(jìn)而提前計(jì)劃及決策，而非被動(dòng)地只能針對(duì)已經(jīng)發(fā)生的事件作出回應(yīng)。

　　在預(yù)測(cè)性分析中，企業(yè)需要運(yùn)用機(jī)器學(xué)習(xí)算法進(jìn)行建模預(yù)測(cè)，其中算法的種類多樣，常用的基本算法包括決策樹、線性回歸、K 均值、樸素貝葉斯等，此外還有諸如神經(jīng)網(wǎng)絡(luò)之類的高級(jí)算法。想要徹底地理解這些算法并不容易，需要豐富的數(shù)學(xué)、概率論等交叉學(xué)科的知識(shí)。好在目前研究成熟，我們只需模塊化地使用即可。

　　以監(jiān)督學(xué)習(xí)為例，利用機(jī)器學(xué)習(xí)進(jìn)行預(yù)測(cè)性分析時(shí)，其使用流程與工業(yè)傳統(tǒng)的PID算法流程大致相同，具體步驟如下：

　　第一步，選擇數(shù)據(jù)

　　從歷史數(shù)據(jù)中找出相關(guān)數(shù)據(jù)，并且標(biāo)識(shí)出其中的特征值與輸出

　　第二步，選擇模型

　　依據(jù)待處理的問(wèn)題選擇合適的回歸或分類算法

　　第三步，調(diào)試優(yōu)化

　　使用80%的數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，隨后利用剩下20%的數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試，觀察預(yù)測(cè)的準(zhǔn)確率是否達(dá)到預(yù)期。如果準(zhǔn)確率不夠，則調(diào)整相關(guān)參數(shù)，再次進(jìn)行測(cè)試

　　第四步，部署

　　將考核通過(guò)的模型部署到系統(tǒng)中，接收新的數(shù)據(jù)，輸出預(yù)測(cè)結(jié)果

　　數(shù)據(jù)可視化

　　在數(shù)據(jù)分析后，數(shù)據(jù)可視化成為企業(yè)快速解決痛點(diǎn)問(wèn)題的關(guān)鍵所在。用于數(shù)據(jù)可視化的圖形多種多樣（如下圖所示），只要選擇合適的圖形來(lái)展示合適的數(shù)據(jù)就可以起到事半功倍的效果。例如：用餅狀圖展示不同數(shù)據(jù)的占比情況；用散點(diǎn)圖展示數(shù)據(jù)的分布情況及相關(guān)性（Correlation），再用曲線擬合，做一些簡(jiǎn)單的預(yù)測(cè)；用表格展示匯總信息；用氣泡圖展示三個(gè)變量之間的關(guān)系等，在工業(yè)行業(yè)中，由于諸多數(shù)據(jù)是時(shí)間序列數(shù)據(jù)（Time series data），因此選用折線圖（Line chart）進(jìn)行展示，便能夠高效地了解數(shù)據(jù)的趨勢(shì)（Trend）?？偠灾瑢?duì)于不同的數(shù)據(jù)，選擇最佳的展現(xiàn)方式能夠讓數(shù)據(jù)可視化發(fā)揮出最優(yōu)效果。

　　但是，僅僅從一個(gè)視角對(duì)數(shù)據(jù)進(jìn)行觀察是遠(yuǎn)遠(yuǎn)不夠的，為了能夠更加全面地了解數(shù)據(jù)情況，我們需要將多個(gè)視角產(chǎn)生的圖表整合在同一個(gè)數(shù)據(jù)展板上。同時(shí)，對(duì)數(shù)據(jù)進(jìn)行不同層次的展示也是必不可少的，數(shù)據(jù)鉆取就能很好地完成這項(xiàng)任務(wù)，它能夠針對(duì)不同層級(jí)、結(jié)構(gòu)或條件對(duì)數(shù)據(jù)進(jìn)行細(xì)分呈現(xiàn)，讓用戶得以縮小數(shù)據(jù)范圍，逐步下鉆并聚焦到小點(diǎn)上，為用戶節(jié)省更多時(shí)間與精力，同時(shí)優(yōu)化數(shù)據(jù)可視性的效果。

　　羅克韋爾自動(dòng)化 FactoryTalk® Analytics™

　　羅克韋爾自動(dòng)化 FactoryTalk® Analytics™  為工業(yè)制造從業(yè)人員提供了從描述性分析到規(guī)范性分析的完整解決方案，能夠改善整體設(shè)備效率 (OEE) 、減少停機(jī)時(shí)間，以及改善質(zhì)量或流程。

　　FactoryTalk® Analytics™ 具體功能如下：

　　可以使用 FactoryTalk® Edge Gateway 從工業(yè)企業(yè)的各個(gè)環(huán)節(jié)將數(shù)據(jù)引入

　　可以借助 FactoryTalk Analytics® DataView 和 FactoryTalk® Metrics  對(duì)數(shù)據(jù)進(jìn)行描述性分析、整體設(shè)備效率 (OEE) 及可視化展示

　　可以依靠 FactoryTalk® Analytics LogixAI、FactoryTalk® Analytics Edge ML 、Pavilion8® 在企業(yè)的不同層面對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)性分析

　　FactoryTalk® Analytics™ 現(xiàn)可為流程工程師、數(shù)據(jù)科學(xué)家等提供全面且簡(jiǎn)潔的數(shù)據(jù)分析技術(shù)，使數(shù)據(jù)分析準(zhǔn)備工作量減少70% 。FactoryTalk® Analytics™ 還可與 InnovationSuite 增強(qiáng)現(xiàn)實(shí)和制造執(zhí)行系統(tǒng) (MES) 解決方案無(wú)縫集成，將切實(shí)可行的見解帶至車間，優(yōu)化企業(yè)級(jí)供應(yīng)鏈運(yùn)作。

　　小羅有話說(shuō)

　　大數(shù)據(jù)之于企業(yè)而言，既是機(jī)遇，也是挑戰(zhàn)。羅克韋爾自動(dòng)化憑借先進(jìn)的自動(dòng)化、數(shù)字化和智能化技術(shù)，為客戶提供以數(shù)據(jù)分析為主線的全方位數(shù)字解決方案，幫助企業(yè)解決數(shù)據(jù)分析、可視化等難題，讓數(shù)據(jù)會(huì)“說(shuō)話”，進(jìn)一步為企業(yè)節(jié)省決策時(shí)間，贏得獨(dú)特競(jìng)爭(zhēng)優(yōu)勢(shì)，逐步實(shí)現(xiàn)從節(jié)流、開源到顛覆的價(jià)值突破。