十二年结出的果子：工业大数据分析案例（一）

    从2002年到2013年，我花了12年从事了一项数据分析工作。期间经历了外人难以体会的辛酸苦辣和困难。现在写出来供大家分享，希望能对我国的工业大数据分析工作者有所帮助。由于文章太长，我也只能用碎片化时间来写，只能分成多次连载。

1、读书时的前奏

从事工业过程数据分析的过程，要从1990年开始。那年我从浙大数学系毕业后，进入化工仿真教研室。从师胡上序先生，做了几件事与工业数据分析相关的工作。如研究化学物质的的组分和质量指标之间的定量关系、优化磺化过程的工艺参数等。

从学术意义上说，这些研究或许也可以算“成功”了：找到了正确评级或分类算法。但对算法是不是靠谱却吃不准：对已有样本分类准确，其他的样本也能正确吗？

当时，人工神经元算法非常流行，我自然也接触到了。但我内心对这种方法很抵触：S型函数的“逼近能力”是很多津津乐道的说法。但我知道：仅仅有逼近能力是不够的。数学家在数百年前就证明了多项式可以逼近任何连续函数。

但有逼近能力，并不等于能够通过数据方法找到啊——除非这些数据是非常密集的。

在我的硕士论文中，就体现了这种忧虑。我在论文中研究：需要多少数据，才能得到真实的结果。当时我还意识到：工业数据的噪声太大了。模型的误差几乎都来自于数据的噪声。于是，我想出了一种用平均值估算模型真实精度的方法。

这些研究的学术水平一般、不值一提。并且也难以实用：我的估计方法实在太保守，实际上很难满足。但当时的思维方式却伴随我来到宝钢：对模型可靠性的关注、对数据量和数据质量的关注、用平均值的办法估算模型实际精度、模型(分类）精度高不等于正确。

2、首战告负

1997年，我博士毕业后来到宝钢。那时，技术中心自动化所刚刚成立，我成了老领导任德祥先生之外技术自动化所的第一个员工。我来之前，任德祥先生一个人背着书包到处调研，提出了8个项目。

我初出茅庐、企业的自动化所又刚刚成立，我们真的不知道如何在企业搞自动化的科研。当时，技术中心主任张清朗先生亲自召开了几次启动会，会上有些不同的声音。时任宝钢常务副总的徐乐江先生指示：“要认真论证，但不可议而不决”。于是，我负责的“连铸过程优化控制”项目就启动了。

这个项目是在探索中不断调整目标的，也包括很多子目标。我当时最想做的一个子目标是：把生产数据收集起来，建立成分、工艺与连铸坯质量之间的函数，去指导生产。

但是，从应用的角度讲，这个子目标实际上是失败了。对于这个子项目的失败，我进行了一些反思：

A、业务目标问题。

我当时的想法是，通过分析建模，弄清楚工艺参数和质量之间的关系，从而优化工艺参数。逻辑上看似有道理，其实可能根本走不通。以拉速为例：拉速决定产量、保证物流顺畅、影响产品质量。对很多情况下，质量不是制约拉速的主要瓶颈。这时，即便得到拉速与某个质量指标的关系，也不会作为控制手段。用句简单的话就是：知道了，又能如何？

这件事的事启示是：做一件事之前，应该首先去研究如何应用研究成果。

这里可能要顺便说明一下：我们没有采用神经元、决策树、模式聚类等分析算法。一个重要的原因是：这些方法得到的结果，可能没办法用于指导生产。比如，如果分析出钢种是第一大影响要素，那又有什么用呢？还有些其他方面的原因，比如结果的可靠性难保证。这个道理，后面会统一去说。

B、高精度预报的可行性问题。

问题太复杂、数据质量差，导致很难预报精确。复杂性表现在系统性的干扰太多，需要分组研究。假如我们要研究拉速和某表面质量的关系，就要知道：钢种不同，冷却模式等控制机制就不一样，拉速和表面质量的函数关系就不一样。所以，尽量分钢种建模。但糟糕的是：类似钢种这样适合分组做研究的变量很多。如宽度、检测人员、精整方式等等。这样的变量一多，每个组内的样本数目就大大降低了，分析效果就不合适。数据质量差也表现在很多地方。比如某些人工检测的缺陷，不同班组的差别有好几倍。还有一种误差是数据对应导致的：某个质量缺陷和当时的生产参数对应不起来；或者某个工艺参数只有某段时间的平均值。

这件事的事启示是：如果数据质量不高，是无法得到好的分析结果的；当问题过于复杂时，数据量再多都不够用。

C、有益的尝试

当时也进行了一些有益的尝试，并取得了一定的分析效果。比如，我们发明了一种图像处理技术，可以把人工定级的内部质量的指标转化成客观的量化指标。在此基础上建模，精度显著提高。另外，我们也试图做过提高数据对应精度的工作，也看到了一些希望。但可惜的是项目完成时间到了以后，没有再进一步研究下去。

这件事的事启示是：要在提高数据质量上花功夫。

3、十二年长征的第一步

连铸项目的有些子项目虽然失败了，但也有几个取得了成功。总体上还是满意的。项目结束后，我就开始策划另外的。我原本的意思是把连铸继续做下去。这时，我在宝钢的一位师傅王洪水先生对我说：“从数据条件和价值上看，热轧的工作比连铸重要得多。”现在看来，王先生的观点是非常有道理：由于前辈们奠定了很好的基础，我建立模型用了数以百万计的数据。这种条件在世界范围内很少有几家会有。我们知道：国外50多年研究没有像样的进展。而这些竞争对手，几乎都不具备这样的条件。我们既然具备了前人和别人不具备的条件，为什么不去试一试呢？后来我总结创新的经验说：创新要成功，最好有天时、地利与人和的条件。其中，天时、地利，就是要具备前人和别人没有的条件；在这个基础上进行技术创新、发挥自己的专业特长和协同精神，才是人和之所在。

谈到热轧，必须讲一个“插曲”。 在我做连铸项目的同时，我的同事也在热轧工序做类似的事情。即数据挖掘在热轧产品质量管理中的应用。这个项目先后有过两位项目负责人，两位都是博士。一位是早期留洋博士，一位后来成为英国某大学的教授，学问和业务水平都是非常高的。他们辛辛苦苦做了3年，我也听他们吐了一些苦水。比如：模型精度达到60%很容易，但达到65%可能就非常难了，但外人很难体会。这个项目的结果，和我前面讲到的子项目有点类似。项目结束后，负责人就去了国外。老领导也觉得不应该让热轧的工作半途而废，也鼓励我接着做热轧。

我做这个项目时，把题目改成“热轧带钢力学性能预报模型”。也就是研究热轧带钢成分、工艺和力学性能之间的关系。这样，项目的研究内容就明确了很多。前面已经提到：即便得到了研究成果，也可能难以应用。

可能也会没有用处。所以，进入研究之前，必须想清楚模型做什么用？当时公司领导对这个项目感兴趣的原因是：想用模型预报结果代替实际的性能取样。每次取样的成本平均在100多元。钱不多，架不住数量大。仅仅在热轧环节，我就拿到了近百万条数据，价值就过亿了。忙的时候做不过来。另外，取样常常要等钢卷冷下来，会耽误1、2天的发货。

在我看来，最大的意义就是钢铁产品的计算机辅助设计。我们知道：机械产品有计算机辅助设计、化工产品也有计算机辅助设计。但在钢铁行业，计算机一般只用来进行一些中间过程（如相变温度）的计算，产品开发最终还得靠实验和试验。试验方法的最大问题可能是大生产试验的成本高：不仅影响正常生产，还可能造成大的浪费：一炉钢300吨，一旦失败的损失可能要上百万。由于这个原因，一旦试验成功，人们往往尽量少去改动。这样一来，试验出来的钢种并不优化，有些每吨钢的成本多出上千元。所以，如果能用数字仿真代替试验是再好不过的。

其实，如果有了好的模型，能做的事简直太多了。如成分和工艺的优化、性能的动态控制等等。这样一来，不仅次品率大大降低，还可以用来减少合金、库存、工业成本，加快交货期。总之，好处是太多了。

好的想法不会现在才想到。其实，早在上个世纪60年代，英国人就提出要做这件事。国内外许多知名学术团队都做过这件事，国外有几家著名跨国企业也在推销这类产品。国内的863、973、自然科学基金支持过多次，甚至还有专门针对这个研究的学术会议。其实，宝钢其他部门有人过去也曾研究过，只是项目中途终止了。

项目意义很大。但不幸的是：实际应用效果并不显著。由此可见，这个问题很难。这也是公司希望我们自己来研究的原因。

对研发人员来说，最困惑的是：你知道它难，却不知道它难在什么地方。

项目开题之前，有人建议我去拜访那位主动将项目终止的公司同事。这位同事是我浙大的学长，为人非常坦诚、非常实在。他给我的建议是：这是一个泥潭。最好放弃这个项目，不要去碰它。他说：能想的办法我都试过了，但精度就是提不上去。

前面已经提到，模型的极限精度本质是原始数据质量决定的。模型精度不高，可能是必须接受的现实。我们应该考虑的是：在模型精度不高的前提下，如何让模型发挥作用？

于是，我对这位学长说：我们不要被“用模型预报结果代替取样”的思维方式限制住。能否换一种思路：“用模型预报结果减少取样”。比如说：模型预报非常好的钢卷少取样，模型预报可能出问题的钢卷多取样。由于多数钢卷的性能是好的，总体上不就可以减少取样了吗？学长听到我的这个说法，当即一拍大腿：这个思路太好了！你去做吧！

由此可见：如何找到应用模型的方式，是一个需要仔细研究的问题。应用方式策划，就是设法发挥技术的长处，而避免技术的短处，让技术有更好的性价比。策划好的应用方式，好比商业模式的策划。对于创新的成败至关重要。

 我们知道，建模的人都关注模型的精度、把提高模型精度当成追求的目标。但是，很少有人去想：应该如何理解精度？后来我意识到：对精度的理解，是搞好模型的一把钥匙。

其实，“精度”的含义是非常丰富的：是用均方差衡量精度，还是用最大误差计算精度？事实上，均方差衡量精度往往是算法的要求：比如可以应用最小二乘法。但在实际应用过程中，人们关心的则是最大误差最小化：因为人们最终关心的是这个试样到底合格不合格。

然而，现实中“最大误差最小化”很难找到合适的建模算法。为什么呢？因为最大误差往往是数据或者过程异常导致的——更糟糕的是：数据和过程异常往往是不可见的——即便知道发生了异常，也不知道异常的程度如何。比如，我们曾经研究一个钢种，92%的大误差样本都是混钢水导致的：这时不能准确确定钢水的成分！所以，“最大误差最小化”其实是找不到合适的算法的。

后来我又进一步意识到：“误差”这个概念本身，非常值得研究。这个问题与模型的具体用途有关：

1、用模型预报结果代替取样时，关键是性能超标的特殊情况能够预报准。

2、用模型进行产品优化时，希望平均误差最小。

3、用模型进行性能动态控制时，只需要关注控制变量对性能的影响。

4、用钢种进行新产品设计时，我们更希望模型能在更大的范围内有效——至少超出建立模型所用样本覆盖的范围。

5、........

由此可见，误差不仅有“大小”的属性，还有“适用范围”的属性。除此之外，要投入到实际的应用时，还要考虑误差的“可靠性”：你要证明，为什么你说的误差是合理的？我们知道：如果模型不可靠，就可能用错误的模型预报结果指导生产，这就会导致很大的损失。

如何才能朝着这样的目标迈进呢？我们意识到一个问题：目标和功能不同，建模的方法就不同。这就好比，去不同的地方，要走不同的路。换句话说：我们或许找不到特别好的方法，同时满足这些 不同的目标需求。其中，性能预报模型的建模方法，主要两种类别：一类是利用数据进行统计建模，一类是根据冶金机理进行建模。比如，模型计算代替取样时，或许可以通过统计建模；但用模型进行新钢种设计时，简单的统计建模就走不通了：既然是新钢种，哪来的样本数据呢？

我们还意识到：模型的“可靠性”是个非常重要的概念。但是，我们应该如何理解“可靠性”呢？这个概念，不能停留在口语化的阶段，需要用更加科学的语言加以描述：否则怎么能转化成算法呢？

 要知后事如何，且听下回分解。