4. 工业数智化是一项周期长、试错成本高、落地效率低的复杂工作
工业数智化的流程包括，从业务梳理到数据收集清洗，到特征的提取算法的研究，然后再去做大规模的验证，并行算法的改造，还有可视化，最后上线部署，是一个非常长的过程，基本都以年为单位。
--
04
在路上
1. 工业数智化中的共性设备及其数据模型
工业行业不一样，关注点不一样，分析课题不一样，生产的东西也不一样。但是在工业生产过程中，还是有很多共性的，比如很多基础工业单元是共同的，比如基础的泵、阀、电机，通过不同的组合，用来生产水泥、芯片、汽车等等，生产的内容不同，但是背后很多设备是有一些共性的。这些设备监测的内容也有很多共性，首先在数据类型上存在共性，如电流、电压、震动、图像等；另外，在分析的课题上也存在共性，如分析轴承开裂等问题；还有在数据模型上也存在共性。
2. 工业数智化中的共性分析方法论和算法基础
不同的设备有不同的分析的思路，但是如果将其结构化，从拿到原始的数据，从工况的识别到关键特征的提取，再到引入像一些比如深度学习，再到最后把结果与一些专家经验结合，最后变成上线的模型，这其中其实有很多相似的方法。做出的模型不同，但过程中存在着一些共性或相似性。
3. 工业数智化中的共性分析应用方式
工业领域中，建模要和很多工业现场的数据去结合，有些数据要回到中心端来，比如数据是隶属于不同的公司，不可能把所有的数据用来做分析，需要依托样本数据和知识经验，去构建一个模型，再把模型下发到现场去，这种云端结合的应用方式，在对数据安全性要求比较高的场景非常常见。
