大數據時代，數據已經滲透到各個行業(yè)和業(yè)務職能領域，成為重要的生產因素。但對于企業(yè)而言，只有數據是遠遠不夠的，企業(yè)還需要學會從海量的數據（Data）中提取有用的信息（Information），隨后轉變?yōu)槟転榧河玫闹R（Knowledge），最終做出智慧（Wisdom）的決策。

　　數據分析的流程

　　面對旺盛且復雜的數據分析需求，企業(yè)可以借助 PPDAC 閉環(huán)體系對數據進行高效的分析。

• 首先，PPDAC閉環(huán)尋找出企業(yè)生產中存在的痛點問題（Problem）
• 隨后針對痛點問題制定生產數據計劃（Plan）
• 緊接著采集、整理與痛點問題相關的數據（Data）
• 之后對這些數據進行相關層次的分析（Analysis）
• 最后根據分析結果得出結論（Conclusion）

　　這些結論能為企業(yè)提供有效解決痛點問題的解決方案。

　　在數據分析過程中，根據程度的不同，可分為四個分析階段：描述性分析、診斷性分析、預測性分析和規(guī)范性分析。這四個階段的難度與分析所獲得的價值都是逐次遞增的，并且每個階段采用的技術手段也不盡相同。本文重點介紹描述性分析與預測性分析的過程。

　　獲取數據

　　首先，企業(yè)要明確生產過程中的痛點問題，制定相應的計劃，而后再進行相關數據的采集工作。數據存在于工業(yè)企業(yè)的各個層級之中，擁有各種表現(xiàn)形式。例如，通過 CIP、Profibus 等各種通訊協(xié)議在總線中流動的實時數據；存儲在文件、數據庫、歷史數據庫等軟件中的歷史數據；通過 MQTT， HTTP 等協(xié)議傳輸的物聯(lián)網信息；還有通過 REST API 從云端傳來的信息等。

　　不同層級的信息特點各不相同：越往底層，通訊頻率越快，節(jié)點越多，對時效性的要求越高；越往高層，通訊信息量越大，對時效性要求則相對低一些。

　　為了從大范圍的場景獲取所有的數據，數據獲取軟件需要具備以下強大功能：

• 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)網流行的 REST API 協(xié)議
• 高效率的通訊，能夠過濾采樣，減少重復信息
• 高性能的通訊，能夠支持眾多節(jié)點，以及較大的通訊量
• 高安全性的通訊，能夠支持權限、認證管理、加密傳輸以應對越發(fā)猖獗的網絡攻擊
• 高可靠性的通訊，能夠應對各種網絡波動及故障的考驗
• 完成相關的數據采集后，需要對數據進行整理、清洗、加工等，以備下一步分析

　　描述性分析

　　在獲取足夠的數據之后，企業(yè)就可進入不同層級的數據分析階段，其中以描述性分析為基礎。描述性分析旨在了解數據“已經發(fā)生了什么”，主要是通過計算數據的基本統(tǒng)計特征值，例如，最大值、最小值、方差、標準差、中位數、頻數等，來了解已有數據的集中趨勢、分布情況及離散程度等信息。

　　此外，描述性分析作為企業(yè)最常用的數據分析手段，能夠快速指出要查找的內容，預先定義計算模式，而后通過現(xiàn)在或者歷史數據進行計算，最后可用報表或儀表盤視圖將分析結果呈現(xiàn)出來，大大節(jié)省數據分析時間。下方展示的設備綜合效率（OEE）就是如此。

　　預測性分析

　　正如前文提到，描述性分析主要對數據的過去進行總結，而預測性分析則需了解“將來會發(fā)生什么”。它將歷史數據與統(tǒng)計建模、數據挖掘技術和機器學習相結合，找出數據之間存在的關系，并基于數據對未來的設備情況通過建立模型進行預測。這樣能夠幫助管理人員預測將來可能會發(fā)生的情況，進而提前計劃及決策，而非被動地只能針對已經發(fā)生的事件作出回應。

　　在預測性分析中，企業(yè)需要運用機器學習算法進行建模預測，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，此外還有諸如神經網絡之類的高級算法。想要徹底地理解這些算法并不容易，需要豐富的數學、概率論等交叉學科的知識。好在目前研究成熟，我們只需模塊化地使用即可。

　　以監(jiān)督學習為例，利用機器學習進行預測性分析時，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，選擇數據

　　從歷史數據中找出相關數據，并且標識出其中的特征值與輸出

　　第二步，選擇模型

　　依據待處理的問題選擇合適的回歸或分類算法

　　第三步，調試優(yōu)化

　　使用80%的數據對模型進行訓練，隨后利用剩下20%的數據對模型進行測試，觀察預測的準確率是否達到預期。如果準確率不夠，則調整相關參數，再次進行測試

　　第四步，部署

　　將考核通過的模型部署到系統(tǒng)中，接收新的數據，輸出預測結果

　　數據可視化

　　在數據分析后，數據可視化成為企業(yè)快速解決痛點問題的關鍵所在。用于數據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展示合適的數據就可以起到事半功倍的效果。例如：用餅狀圖展示不同數據的占比情況；用散點圖展示數據的分布情況及相關性（Correlation），再用曲線擬合，做一些簡單的預測；用表格展示匯總信息；用氣泡圖展示三個變量之間的關系等，在工業(yè)行業(yè)中，由于諸多數據是時間序列數據（Time series data），因此選用折線圖（Line chart）進行展示，便能夠高效地了解數據的趨勢（Trend）。總而言之，對于不同的數據，選擇最佳的展現(xiàn)方式能夠讓數據可視化發(fā)揮出最優(yōu)效果。

　　但是，僅僅從一個視角對數據進行觀察是遠遠不夠的，為了能夠更加全面地了解數據情況，我們需要將多個視角產生的圖表整合在同一個數據展板上。同時，對數據進行不同層次的展示也是必不可少的，數據鉆取就能很好地完成這項任務，它能夠針對不同層級、結構或條件對數據進行細分呈現(xiàn)，讓用戶得以縮小數據范圍，逐步下鉆并聚焦到小點上，為用戶節(jié)省更多時間與精力，同時優(yōu)化數據可視性的效果。

　　羅克韋爾自動化 FactoryTalk® Analytics™

　　羅克韋爾自動化 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，能夠改善整體設備效率 (OEE) 、減少停機時間，以及改善質量或流程。

　　FactoryTalk® Analytics™ 具體功能如下：

　　可以使用 FactoryTalk® Edge Gateway 從工業(yè)企業(yè)的各個環(huán)節(jié)將數據引入

　　可以借助 FactoryTalk Analytics® DataView 和 FactoryTalk® Metrics  對數據進行描述性分析、整體設備效率 (OEE) 及可視化展示

　　可以依靠 FactoryTalk® Analytics LogixAI、FactoryTalk® Analytics Edge ML 、Pavilion8® 在企業(yè)的不同層面對數據進行預測性分析

　　FactoryTalk® Analytics™ 現(xiàn)可為流程工程師、數據科學家等提供全面且簡潔的數據分析技術，使數據分析準備工作量減少70% 。FactoryTalk® Analytics™ 還可與 InnovationSuite 增強現(xiàn)實和制造執(zhí)行系統(tǒng) (MES) 解決方案無縫集成，將切實可行的見解帶至車間，優(yōu)化企業(yè)級供應鏈運作。

　　小羅有話說

　　大數據之于企業(yè)而言，既是機遇，也是挑戰(zhàn)。羅克韋爾自動化憑借先進的自動化、數字化和智能化技術，為客戶提供以數據分析為主線的全方位數字解決方案，幫助企業(yè)解決數據分析、可視化等難題，讓數據會“說話”，進一步為企業(yè)節(jié)省決策時間，贏得獨特競爭優(yōu)勢，逐步實現(xiàn)從節(jié)流、開源到顛覆的價值突破。