技術干貨丨Indass——無關設備機理的基礎數據分析服務
在我們的理解中，工業數據分析、工業智能勢必要與行業知識和設備運行機理結合才能最大程度上的利用設備數據的價值和發揮數學算法的力量。但在今天的文章中，我們從不同的方向出發，換一個角度，看無關設備機理的基礎分析服務如何成為工業智能和工業數據分析的“基石”。
Indass工業數據分析服務,是MixIOT體系提供的基礎數據分析服務組件，是所有與數據分析有關的服務組件/應用的基礎。也就是說，其他的數據分析服務組件，都可以直接引用Indass里面的分析計算結果。
所謂基礎數據分析，是指在不考慮物聯網對象機理的前提條件下，對物聯網對象客觀運行數據進行的六種類型的計算和分析，分別是運行映像、運行指數、運行穩定性、運行相關性、運行趨勢和運行風險。
一臺工業設備（物聯網對象）其實也是一樣的，動輒上百個FV變量（或者說是參數），這些FV的數據時時刻刻都在變化。這么多參數，我們應該看哪一個？又能看出來什么名堂？
答案是看不出什么。
因為工業設備的機理非常復雜，FV之間的相互關系也非常復雜，即便能看到每一個參數，也很難弄明白這個設備整體到底是什么個狀況。
圖-1上數據不多，只有10多個，而且還是這個裝置的主要參數，數據一秒鐘變一次。即便你時時刻刻盯著看，也很難看出個什么門道。
圖-1 某工業設備運行狀態實時監控圖
運行映像：
Indass的映像（也叫映像圖），就是一個把這些參數都綜合起來，變成一個直觀的畫面，讓這個畫面能呈現出“滿臉紅光”“氣色不錯”或者“臉色不好”的特征，讓我們一看就知道大概是怎么回事。除此以外，我們不僅要看到靜態的，還要看到這個畫面發生的變化。
我們先看圖-2的四張圖，假設現在并不知道這四張圖代表什么意思。如果我問你，那張圖最好看？讓你從好看到難看排個順序，我相信，我們的答案應該是一樣的：1—3—4—2。
圖-2 四張不同的雷達圖
所以，映像圖就是把對象運行的數據進行一個綜合的計算，并把這個計算結果形成若干個方向的指標，構成一個雷達圖（也叫蜘蛛圖），這個圖越趨于對稱，就表示這個狀態越好，反之就越不好。當然，這個“好”“不好”“不那么好”，都是一個相對而言的“印象”而已。
如果一個對象的狀態變化是下面這樣的，說明狀態在變壞，圖-3所示。
圖-3 運行映像
◆ 這就是運行映像圖。
指數水平、變化和變化速度：
運行映像圖是一個可視化的宏觀印象，是對對象的一種宏觀表述方法。但我們必須承認，這是一種粗線條的表述方法，因為好看不好看這個表述還是有點主觀。
對運行狀態的描述，還有一種更加精確的方法，就是“運行指數”，以及圍繞運行指數展開的一系列分析結果。
“指數”這個詞我們都不陌生，不管你炒不炒股，你都應該知道有上證指數、恒生指數、道瓊斯工業指數、納斯達克指數等。指數就是一個數，比如上證指數3348，就是根據權重股的股價、各版塊的成交量等因素算出來的一個數，是從股市開盤到收市期間不斷變化的一個數。
如果單把指數的數字拿出來，比如今天的上證指數是3456，你會有什么感覺呢？你能說股市是好呢，還是不好呢？你能說經濟是好呢還是壞呢？其實都不能，這只是算出來的一個數字而已，每個人的解讀可能都不一樣。
如果我告訴你說，今天的上證指數3456，是由2345漲上來的，你又會有什么感覺呢？你一定會覺得，股市應該變活躍了，股市在回暖。
如果我再告訴你，今天的上證指數3456，是由上禮拜的2345漲上來的，你現在又會有什么感覺呢？你一定覺得，股市在迅速回暖，是不是該買點兒了，或者趕緊把早前買的解套。
前面實際上解釋了，什么是指數水平，什么是指數水平的變化，什么是指數水平變化的速度。所以，只有我們完整準確地掌握了指數水平、變化和變化速度，才是一件有意義的事情。
Indass不僅提供了實時計算物聯網對象運行指數（水平）、指數變化、指數變化速度的計算，還提供了指數變化加速度的計算結果。這些計算結果，跟我們看到的股市指數一樣，能幫助我們了解物聯網對象（設備）當前是什么狀態。
圖-4是Indass中某設備的映像圖，是指數、指數水平變化速度和指數加速度的一個呈現。
指數水平變化的速度上面我們已經解釋過，我們通常把這個稱為“指數梯度”，它反應的是指數變化的快慢。那么，指數水平變化的加速度又是什么含義呢？
圖-4 某設備的映像圖
加速度在物理上的定義，就是變化速度的變化速度，是反映由于指數發生變化本身的快慢程度，而導致的在某些因素上可能產生的一個累積效應，又叫“增量因素”。在后面的文章中，我們還會介紹“增量”的估計計算，可供參考。
指數的變化速度（梯度）和加速度（累積效應）除了數值，也用雷達圖來呈現。梯度的雷達圖是為了看清楚，指數的變化主要是發生在哪一個因素上，是溫度還是壓力，是電流還是電壓。而累積效應的雷達圖則反映了這個變化可能導致的累積效應會在什么因素上。
運行穩定性和相關性：
我們先看Indass關于穩定性和相關性的呈現方式，如圖-5所示。
圖-5 Indass中穩定性與相關性的呈現方式
穩定性這個概念就不用多解釋了，穩定就是變化小。對工業設備來說，穩定是一件好事兒，不穩定總會帶來麻煩。
Indass計算一個對象的穩定性，算出來的是0～100的一個數字，這就像給穩定性打分一樣，最高分100分，穩定性很好；如果穩定性低于60分，就可以認為是晃晃悠悠，有可能隨時都會倒；如果低于40分，那基本上就是上下顛簸，離散架不遠了。
穩定性除了數值，同樣也是把它化解成不同的因素方向，這樣就很容易從圖-5上看出來，導致不穩定的主要因素到底是溫度還是壓力，到底是電壓還是電流。
右邊的那個彩色點點的圖，叫對象的“相關性圖譜”，相關性是反映對象狀態變化的時候，各因素之間的相互關聯關系。
相關性里有三個概念，分別是正相關性、負相關性和無關性。所謂正相關性，是指一個因素增加的時候，另一個因素一定也是增加。負相關性是指一個因素增加的時候，另一個因素一定是減少。而無關性是指，無論一個因素增加或者減少，對另一個因素都不構成影響。如果一個增加得多，另一個也增加的多或者減少得多，那我們就說這個相關性強；否則，相關性就沒那么強。
我們可以舉出平時日常生活中很多的例子，比如買房子價格越高的時候，房子的租金就越貴；豬肉漲價的時候，青菜價格也跟著漲，這就是正相關性；
產品生產的量越大，成本就越低，這就是負相關性；而隔壁家老王家兒子考試的分數高高低低，跟今天羊肉賣多少錢一斤沒啥關系，這就是無關性。
在Indass相關性圖譜中，縱橫是各種因素，而顏色就是相關性和相關程度。暖色代表正相關性，暖色顏色越深，相關性越強；冷色則代表負相關性，冷色顏色越深，負相關性就越強。
那么，我們研究相關性和相關性的強弱，在工業物聯網中有什么特別的意義呢？
有！不僅有，而且這個意義還非常重大！就說兩點。
首先，相關性并不是我們想象中的那么容易察覺或者被正確地認知。有些我們覺得相關的，其實未必相關；而有些我們并不認為有什么關聯的，可能相關程度卻很高。
對一個工業對象來說也是一樣，FV太多，它們之前是什么關聯關系，其實我們并不清楚，了解了相關性，才能明白為什么有時候會牽一發而動全身。
其次，相關性并不是一成不變的。相關性在某一個情況下是這樣，到了另一個情況下可能就變了，原來正相關的可能變成弱相關，甚至無關了；而有些原來無關的因素，又變得相關了。
這種情況在工業對象中是一個非常普遍的現象，隨著溫度、壓力的變化，到一定程度，很多FV之間的相關性關系都發生了改變，這種改變如果沒有強大的計算，是很難準確知道的。
運行趨勢：
運行趨勢大家都容易理解。MixIOT Indass可以對多個FV做單參數預測計算。計算的結果大概如圖-6所示。
圖-6 Indass單參數預測計算的結果
圖-7 天氣預報
圖-8 Indass顯示的壓力運行趨勢
運行風險：
運行風險也是一種趨勢預測，只不過是一種極端的趨勢預測。
我們前面說了，Indass是非機理數據分析，忽略了分析對象是鍋爐、發動機還是壓縮機，因此這里說的“風險”自然也不會是指什么爆炸、崩塌、斷裂之類的具體事情。
那么，Indass說的“風險”指的是什么呢？是指狀態的“突變”。所以Indass的風險分析，準確地說，應該是“非機理狀態突變趨勢預測”。什么是突變呢？突變是指對象的某些屬性在變化過程中，在某一個瞬間出現的非連續變化特征。
這個名詞聽上去很學術，我們換個方式來解釋。我們手里拿著一根竹子做的烤串兒竹簽，手握竹簽兩端，慢慢的把竹簽兩端接近，這個時候，我們看到竹簽慢慢發生彎曲。繼續接近，竹簽的彎曲程度會越來越大，但是當彎曲到某個程度的時候，咔嚓一聲，竹簽就被折斷了。這就是竹簽這個對象，從連續彎曲到折斷的突變。
再舉個例子，我們在海邊沙灘上，堆起一個沙堆，不斷往沙堆頂部加沙子，一開始，沙堆變大變高，但總有一個時刻，沙堆會突然坍塌，這也是突變。
突變現象是我們常見的，然而，對突變的研究又是非常復雜的。前面說的兩個例子，是兩個不同的突變模型：折疊模型和沙堆模型。當然還有很多其他模型。拿沙堆模型來說，據說每往沙堆上增加一粒沙子，整個沙堆里每一粒沙子的受力都會發生變化。
你可能在想，工業設備上的風險是很清楚的啊，比如鍋爐，說壓力不能超過多少，溫度不能超過多少，那我們不超過就應該沒風險啊。從風險分析的角度來看的話，這種說法是錯的。
我們舉個例子，比如你買了一個氣球，這個氣球說明書寫得明明白白，氣球能吹的最大直徑是30cm。請問，你吹到30cm，或者超過30cm，氣球一定會爆炸嗎？再請問，你吹到28cm，氣球就一定不會爆炸嗎？
答案都是“不一定”。同理，壓力容器上寫著最大壓力10kg/cm3，并不代表超過這個壓力就會爆炸，更不代表低于這個壓力就一定不爆炸，這里面相互影響的因素太多，各種因素變化積累下來的原因，都會導致各種意外風險的發生。
MixIOT中Indass風險分析是按另一種模型來計算的，叫風險針模型。這個模型最符合非機理突變分析的情況，所以，應該會有比較準確的風險預測結果。
下面簡單解釋一下，風險是怎么算出來的（見圖-9）。
圖-9風險針模型
我們假設，上下兩端的兩條紅線，是風險線，兩條線之間的距離是確定的。兩條風險線中間，有一根針在游走。這根針的長度L是會變的，這根針與風險線中線的距離C也會變，這根針與風險線之間的夾角α也會變。
這根游走的針的三個參數L、C和α，是根據設備的運行數據計算出來的，時刻在變化。這根針離兩端的風險線越遠，風險就越小；一旦這根針碰到了風險線，就出現風險，而且這根針超出風險線外面的部分越多，風險就越大。
具體參數L、C、α是怎么計算的，如果你有興趣了解，可以參考智物聯的相關技術資料，這里就不詳細說了。
工業物聯網不是一蹴而就的，面向復雜工業現場數據分析更是如此，智物聯Mixlinker在數據的分析和高級應用上方面進行了探索，形成了一批數據分析的服務組件、計算模型和方法工具，它們是MixIOT的重要組成部分，也是MixIOT向著“解決問題”這一方向邁出的堅實一步。
如有疑問或想了解更多，請咨詢：0755-23740592
