导读
大家好，又到了联盟每周一次的“专家有话”分享环节了，本期小编给大家带来的这篇专家文章主题为知识型工业APP之路：挑战、方法与机遇，文章来自北京工业大数据创新中心/昆仑数据，首席数据科学家，田春华。
田春华，年-年在IBM中国研究院，负责数据挖掘算法研究和产品工作，年加入昆仑数据，负责工业大数据分析算法研究与行业应用，年率队获得国际PHM学会DataChallenge竞赛全球冠*（赛事成立10多年来第一个国内团队获得冠*）。在高端装备制造、石油石化、能源、钢铁、航空与港口等行业，帮助中国、亚太、欧美领先企业，成功实施资产管理、运营优化、营销洞察等各类数据分析项目。发表学术论文（长文）88篇（第一作者44篇），拥有77项专利申请（1项已授权），研究兴趣是数据挖掘算法与应用。
知识型工业APP之路：挑战、方法与机遇
田春华
北京工业大数据创新中心，首席数据科学家
摘要
工业是一个重机理、知识经验密集的领域，工业APP是工业知识的重要载体形式之一（小而美、轻流程、重知识），这样可以借助工业互联网模式和平台技术实现大规模复用。但不幸的是，工业APP依赖的核心知识的沉淀并不容易，很多知识经验不能明式表达，明式表达的逻辑也远非完备，完备的逻辑常常也不够精准，当前的精准知识若不演化，也不能保证后续的有效性。这样，工业知识沉淀速度/成本/质量就成了知识型工业APP发展的瓶颈,复用更是难上加难。大数据技术的发展为知识沉淀的加速提供了一种可能。但纯数据驱动的统计学习路线并不完美匹配如“变量间高耦合、数据测量/记录不完备、样本类别不均衡”等典型的工业数据特征。工业知识沉淀还应采用专家知识+数据技术融合的方式。针对这种融合方式，本文以设备运维域为例，阐述工业知识沉淀的挑战和解决方法，提出了经验知识沉淀的7步法（简称AI-FIT-PM），并进一步讨论了支持知识沉淀/复用的基础工业互联网平台架构。文末，结合实践经验，对知识型APP发展给出一些参考建议。
关键词
工业APP，知识型APP，知识沉淀，专家规则1.背景
工业APP有很多分类维度，王建民教授[1]从产品生命周期的角度论述了工业软件的需求和创新，包括了设计（CAX，PLM等）、制造（MES、ERP等）、使用维修（MRO等）、循环再利用等阶段，并据此工业互联网创新形态可分为设计工业互联网、生产工业互联网、使用工业互联网。基于类似的思路，赵敏[2]对工业软件从功能角度做了更加细致的分类。本文中讨论的知识型APP是相对于效率型APP而言的，效率型APP通过多维数据整合、信息及时推送，来提高业务流程效率、办公效率，而知识型APP侧重决策建议的提供，来提高业务决策效率（如设备异常检测、操作参数调整建议等）。效率型APP的开发侧重于软件功能云化、用户体验设计、采集与提升。而知识型APP的重点在于决策知识的融入和及时推送。
何为工业知识？对此，业内专家有了广泛而深刻的阐述。马国钧教授[4]在讨论数据、信息、知识、智能、智慧的关系时，有物化知识、显性知识、隐性知识、增量知识等提法。国际经合组织将知识分为Know-what、Know-why、Know-how、Know-who的四种类型。朱焕亮与徐保文[5]认为工业知识包括方法、过程和装置三个要素。不同要素的软件化产生不同类型的工业软件。方法层面的工业知识软件化后，产生了基于物理原理与专业学科发展的各类专业工具；过程层面的工业知识软件化后，产生了以流程管理为核心的各类业务系统；装置层面的工业知识软件化后，产生了各类嵌入式软件。杨春晖和谢克强[6]认为工业知识包括标准规范、行业流程、知识技能、管理思想等知识。本文的讨论侧重在制造和使用维修这2个产品生命周期（按照王建民教授[1]的提法），所以不妨狭义将知识的来源锁定在三类：领域专家、文档资料、数据（如DCS监控数据、MES操作数据等）。这种提法与技术领域的做法（专家系统、自然语言处理、机器学习等）也有一定的对应。
2.知识沉淀的技术方法与挑战技术方法
知识的自动化和发掘一直是人工智能、统计学习等学术领域
