在生产过程中，为了更好地控制工艺过程和产品质量，往往需要利用生产数据，对设备、产品和工艺工程进行建模。当我阅读相关论文时，感觉多数作者对工业过程数据建模的理解不深。我这里谈四个基本的常识性问题。

1、为什么要为工业对象模型？

很多人知道，模型往往是用来计算系统输入的，是用来解决“怎么做”的问题。

现实中，没有模型的时候，人们也知道“怎么做”。在现代化企业中，会把“怎么做”固化成标准。这些标准包括了很多层级。在每个层级，都包含目标和做法。上一层的输入就是下一层的输出。既然如此，为什么还需要模型？

模型的用途有两个：一个是为了制定标准，一个是应对应对变化。

我们知道，生产系统的参数会不断变化，部分标准需要经常性地修订。另外，生产过程中会有各种干扰。干扰导致标准的输入无法达到标准的输出。这时候就需要模型动态计算输入，以便让输出符合要求。

2、有了科学知识，为什么还要建模？

很多人认为，建模的前提是没有模型，尤其是没有理论模型。其实，在冶金、化工、机械、航空等领域，都有着相当成熟的科学理论基础和数学模型。那么，为什么还要建模呢？

现实的问题是：理论模型需要很多参数和实时数据。现实中，实时数据和参数缺失、不准确；系统越是复杂，这类问题越是严重。理论模型虽然正确，如果没有这些参数，就无法满足工业企业的需要。这时候，需要用现实的数据建模，才能满足工业的需要。

从某种意义上说，工业数据建模得到的模型“并不正确”，但是有用。

3、工业企业，到底需要什么样的模型？

很多人认为，只要模型的精度高就可以了。但其实，这里存在一个误区：什么叫模型精度高？平均精度高吗？ 现实中，人们对模型的稳定性有很高的要求，往往是建模的难点。所谓稳定，就是要避免下面的情况：

今天模型精度高，明天模型精度低

正常工况精度高，异常工况精度低

有些场景精度高，有些场景精度低

4、工业对象的数据建模，难在什么地方？

多人认为难在算法上。

在笔者看来，本质问题是数据质量的问题。数据质量高，建模往往不难；数据质量低，神仙都没有办法。数据建模的重点工作，往往是设法提高数据质量。

数据量大不等于数据质量高。但数据量大有利于提高数据质量。工业大数据时代的意义，就在于此。

来源：微信号 蝈蝈创新随笔

作者：郭朝晖

该作品已获作者授权，未经许可，禁止任何个人及第三方转载。