毋庸置疑，工业数据的重要性地得到了越来越广泛的客户共识，尤其是大数据的出现让之前很多难以实现的想法变得触手可及。当前，越来越多的工业设备具备了基本的联网功能，数据得以采集和传输。然而，哪些才是有价值的数据？数据与数据之间的关联模型是什么？如何通过对有机关联的数据进行分析从而做出智能的判断决策？尚是一个比较大的挑战。所幸的是，不论是技术、产品还是服务，魏德米勒的创新步伐从不间断，扎根中国市场25年来其创新技术一直走在行业前列。

从1948年第一个塑料绝缘端子开始，到直插式技术、鼠笼®联接技术及非接触式联接技术，再到如今的工业分析软件，魏德米勒始终坚持以本土客户为本，以创新超越自我。

魏德米勒产品里程碑

数据模型软件化 

对数据的分析需要具备相当专业的数据知识和工艺经验，尤其是中型公司通常还要依赖外部数据科学家的支持。这些专业知识的呈现结果一般构成了一个个数学模型，也构成了工业分析软件的核心。魏德米勒公司开发了一个突破性的工业分析解决方案，使中型公司不再需要数据科学家。在与最终用户密切合作的过程中，魏德米勒的数据专家将识别测量值中的相关性并训练初始模型。在初始模型应用成功后，反复向初始模型输入新数据，并在机器的整个生命周期中进一步开发模型，最终为客户提供一套可视化的软件服务。

软件化的优势在于，即使用户没有经过任何统计培训也能够理解并优化分析模型，主要是通过自动化机器学习软件能够开发并完善大部分的数据模型。当前类似的应用程序在金融、银行业和营销领域得到广泛使用，但用于机器和工厂的分析软件，需要基于特定的工业数据类型，需要一个机器学习的累积过程才能整合工业用户的工艺知识，“这一点对工业用户至关重要”，卓越认为。 

通过工业分析软件，魏德米勒公司的分析专家将领域专家的数据信息与算法相结合，自动生成合适的模型。具体以设备异常检测为例，其主要过程如下：选择原始训练数据、在原始数据基础上利用领域知识创建新特征、用标签标记数据中存在的正常行为区域或不希望发生的行为区域、标记过的数据集被转换成模型，并用各种机器学习方法进行训练产生一个替代模型列表。

预测性维护应用 

相对于应急式维护和定期响应式维护，预测性维护是一种更加智能的设备运维方式，可以减少或彻底消除设备非计划内的停机，提升产能和良率。预测性维护也恰恰是工业数据分析的主要应用之一。以风机维护为例，除了需要通过传感器采集振动频率数据，还需要知道风机的转速、风速、温度、环境温度、发电功率等等多维度的传感数据，通过建立这些相关数据之间的模型，和持续的机器学习过程，“我们就能够得到一个预测性维护模型，最终为客户交付一套工业分析软件，做到预测性报警和设备健康状态监测”，卓越说道。

工业数据分析其本质是面向工业客户的定制服务，最终以定制化软件形式体现。分析客户需求是工业数据分析的基础，无论是希望减少维护成本，希望可预测性维护，还是希望了解设备整体状况，“我们都需要做到有的放矢。”对客户而言，工业分析的前提在于有明确的数据分析结果诉求以及足够的历史数据。

工业分析模型

在上述前提下，魏德米勒可以帮助客户进行数据关联，得到一个多维关联的原始数学模型，并进一步通过在实际设备运行该模型对模型参数进行优化，最终的优化结果通过可视化的分析软件呈现给客户。

“这个实际的优化过程相当于模型的自学习过程”，卓越解释道，“当发现模型数据出现异常，我们需要人工进行干预，需要客户工程师去判断是否是真的异常还是因为模型还没有考虑到特殊的工况，通过工程师的示教操作，模型便能够进行一次自学习。如果是多台设备联网的情况下，只需要在一台设备上完成自学习，在云端便可将学习完成的模型全部自动下载到每一台设备上，进行版本升级。”

当最终完成这一定制化工业分析软件之后，客户不但能够做到可预测性维护，而且大大减少了维护服务团队，降低了对维护服务人员的专业要求，最终降低了运维成本。

通过工业分析服务，魏德米勒将大大加强高端解决方案的能力和提升客户影响力。在卓越看来，工业数据分析目前还处于概念阶段，真正的爆发成长或许就在未来的2-3年。魏德米勒在华25年来始终如一，为客户提供智能化解决方案，工业数据分析就是在这一领域的前瞻性布局，相信未来将帮助越来越多的工业客户完成从数据到智能的华丽“蜕变”。