对于同一个问题 ， 业务专家与数据专家从不同视角去审视 ， 在交互中可以相互补充彼此的不足 。 这也是工业大数据实践中常提的OT（Operational Technology）、DT(Data Technology)、IT（Information Technology）的3T融合 。 本文以一个实际的例子来展示OT与DT融合如何提升认知 。
讨论背景是电厂的运行参数动态预警 ， 研究中选取了某电厂的发电机冷却系统 ， 目标是估算冷却水出口温度（或则说出入口温差）的合理分布区间 。 数据是该电厂2017年全年的151个测点的秒级DCS数据（非等间隔 ， 逢变则存） ， 包括发电机有功功率、冷却水入口温度、冷却水出口温度、冷却水入口流量、三个方向的振动、下层线棒（48个测点）、上层线棒温度（48个测点）、发电机温度（48个测点）等 。
讨论来自于下图（过滤掉停机期间的记录） ， 横轴是发电机有功功率 ， 纵轴是冷却水入口流量 。

文章图片

作为数据探索的一部分 ， 数据分析师画了这张图 ， 只是直观感觉冷却水流量与有功功率接近线性关系 ， 其他的也没多想 。 而领域专家看了这张图就认为不对 ， 冷却水入口流量应该是稳定在某个值附近 ， 因为冷却泵是定速泵 。
有了这样的质疑后 ， 数据分析师马上意识到自己潜意识假定冷却泵是变速的 ， 但如果是定速泵 ， 分析师马上有个疑问 ， 冷却系统如何满足不同功率下的冷却？难道是设计时冷却系统按照最大负荷情形进行设计？领域专家肯定了这样的猜想（按最大负荷设计,所以流量不用调节） 。
但这张图是用原始数据绘制的 ， 不存在Bug的可能 ， 领域专家的解释和DCS数据明显是冲突的 。 恰好有本运行手册 ， 翻阅发现 ， 水压随着氢气压力发生变化 ， 而氢气压力随发电功率发生变化 ， 水压变化会引起冷却水流量的变化 。

文章图片

至此 ， 冲突可以完全解释了 ， 背后的运行机制如下图所示 。

文章图片

【工业数据分析案例｜发电机冷却系统异常】回顾数据分析师和领域专家做机理解读的整个过程 ， 大家都无意中忽略“冷却水压力变化”这个可能 ， 通过交互式讨论 ， 让这些隐性假设摆在明面上 。

文章图片

这也是OT与DT融合在解决工业分析问题时的好处 。 OT从机理角度 ， 可以给出很多先决性研判或猜想；DT从数据统计的角度 ， 可以给出数据上的现象表征 。 二者的不一致 ， 可以让很多隐含或忽略的假设明确化 。 通过OT与DT的对比 ， 可以不断提升认知 。
因此 ， 工业数据分析项目进行通常有三种模式：
1）有大量先验知识的课题 ， 首先明确OT的经验和假设 ， 通过数据检验 ， 形成有用的特征 ， 接着数据分析建模进一步定量化；
2）数据驱动的课题 ， 基于统计假设 ， 进行建模 ， 在分析结果或象限解读时 ， 融入OT专家的认知或经验（最好是冲突） ， 进一步提升模型结果；
3）数据驱动的课题 ， 但存在前人的模型 ， 这时候做的是尽快用前人模型在新数据上运行 ， 进行结果解读 ， 再改进模型 。

文章图片

最后需要说明一点 ， 在数据分析项目中 ， 我们欢迎“直觉” ， 更喜欢直觉背后的“研判依据” ， 尽管直觉或研判依据不一定完备或正确 ， 直觉触发了跨领域讨论的可能 ， “研判依据”给出了数据探索的思路 ， 经过数据的检验 ， 和跨领域的推理讨论 ， 不断追寻数据现象背后的要素和关系 ， 形成相对完备和自洽的动力学关系图 。 正如爱因斯坦所云“真正可贵的因素是直觉” 。