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