高水平的技術(shù)往往有三個特點：原理簡單、技術(shù)復(fù)雜、創(chuàng)造價值困難。與之對應(yīng)的有三個認識上的誤區(qū)：技術(shù)原理神秘化、輕視技術(shù)復(fù)雜性、重技術(shù)輕需求。
理解現(xiàn)代工業(yè)就要理解復(fù)雜性，理解技術(shù)復(fù)雜性要從應(yīng)用場景入手：應(yīng)用場景帶來對技術(shù)的需求和價值，苛刻的需求也帶來了技術(shù)的復(fù)雜性。工業(yè)人解決問題的方法，一般是復(fù)雜問題簡單化；這種做法的目的，是避免方法本身帶來的復(fù)雜。我喜歡這個邏輯，因為它具有普適性。
這三點同樣適合工業(yè)APP開發(fā)、工業(yè)大數(shù)據(jù)建模等。相關(guān)的技術(shù)和算法原理往往并不困難、甚至也不新穎，常見的做法就是把專家知識數(shù)字化。過度強調(diào)算法，就會走歪了。但把技術(shù)做好卻很不容易。而技術(shù)困難和復(fù)雜的原因，往往在于應(yīng)用場景的多樣和多變。
人們常說，做這些工作要深入理解工業(yè)對象。那么，什么叫深入呢？深入，首先要理解工業(yè)對象的復(fù)雜和場景的多變。
理解工業(yè)對象(如設(shè)備)不是理解對象(在正常時候)的工作原理，而是理解工業(yè)對象在非常規(guī)、特殊景下的特點。比如，生產(chǎn)不同產(chǎn)品時是怎樣的、產(chǎn)品切換時是怎樣的、出現(xiàn)故障時是怎樣的、遭遇異常時是怎樣的、設(shè)備維護時是怎樣的；各種人為干擾等。對IT技術(shù)人員來說，最難的恰恰就是不知道會遇到哪些意外：知道自己知道什么，卻不知道自己不知道什么。
做上述工作，還需要深入理解數(shù)據(jù)。數(shù)據(jù)是對象的“映像”，計算機通過數(shù)據(jù)理解工業(yè)對象；但數(shù)據(jù)并不是工業(yè)對象本身，兩者可能會出現(xiàn)偏差。建模或APP開發(fā)，同樣要理解數(shù)據(jù)中的“意外”。
理解數(shù)據(jù)不是理解常規(guī)情況下數(shù)據(jù)的含義，而是要理解數(shù)據(jù)的“短板”：有哪些場景的變化，無法從數(shù)據(jù)中看到；數(shù)據(jù)的誤差特點；數(shù)據(jù)采集和傳遞可能會出現(xiàn)的問題；數(shù)據(jù)時空對應(yīng)中的問題等等。APP要處理這些問題，技術(shù)自然就變復(fù)雜了。把每個簡單場景的問題都處理好，技術(shù)就不簡單了。
很多同志認為：這些工作的難點在模型的精度，而提高模型精度需要算法，是函數(shù)擬合、逼近(學(xué)習(xí))的問題。但精度不高的實際原因，或者是數(shù)據(jù)本身的問題、或者在某些場景下不合適。這些問題考慮不清楚，即便是模型的精度高了也往往是過擬合。而且，如果不能解決這些問題，模型精度會不斷下降、無法長期使用。
讓技術(shù)創(chuàng)造價值，要理解需求。理解需求，困難的往往是理解異常或不理想的場景。
一般來說，如果生產(chǎn)一直處于理想狀態(tài)，往往也就不需要APP或模型了。許多APP的價值，在于減少不理想狀態(tài)下的損失。這些不理想的狀態(tài)，可能是人為操作不當引起的，也可能是工序之間的協(xié)同出現(xiàn)了問題。用APP解決了這些問題，才能看到價值。認識“不理想的場景”比認識“理想場景”復(fù)雜多了。
還是那句話：不理解復(fù)雜性，就不理解現(xiàn)代工業(yè)。
來源：儀表圈/作者：郭朝暉，工業(yè)自動化博士、教授級高工，專注于工業(yè)數(shù)字化轉(zhuǎn)型及技術(shù)創(chuàng)新研究領(lǐng)域
