工業大數據：探尋可視化之路

進入大數據時代，數據可視化日漸流行，究其原因，一是因為大數據的展示與之前的數據展示有所不同，最大的難點就是面對如此龐大的數據，如何較好地展示給用戶，成為前臺程序員面臨的難題；二是隨著近幾年技術的發展，可以通過更多的形式，例如三維模型、動畫、視頻、動態交互式頁面、手機APP等將數據以展示、推送、提醒、互動等模式提供給用戶，其復雜度上升了一個數量級，因此，數據可視化就成為一個專門的領域，成為了大數據時代的一個研究分支。

具體到工業大數據領域，其可視化又有自身的特點，呈現出與互聯網大數據可視化不同的難點和方向。

對于數據可視化，很多人會理解成頁面設計，認為沒有什么難度。如果在單純的技術層面解讀也許沒有問題，但更多的價值是數據維度的設計，這些并不是技術難度，而是業務難度。這其中核心的價值是數據分析的結果是否有用，圖表分析目的是讓更多的人看得懂，分析維度的準確更加重要。所以，單純的數據呈現已經不能滿足當前的需求，數據可視化，要從業務角度、技術角度、交互角度、美術設計角度、算法角度綜合考慮。

工業不只有“大”數據，還有“快”數據

快數據如何進行可視化

工業數據來自于業務系統和自動化數采。5G時代，我們具備了超低延時數據傳輸的能力，不管是物聯數據，還是自動化采集數據都可以忽略延時時間，同步到管理平臺進行分析和展示。在硬件數據更新頻率極高的場景下，監控者如何在平臺端對數據進行可視化就是第一個問題：當全部數據，如圖1所示，左邊全部展示時，監控者根本無法看清楚，也來不及思考，這種可視化就毫無意義。利用機器算法高效處理這些數據，同時滿足快數據分析，再結合對應的業務規則，將問題數據快速地提煉出來，再做可視化，如圖1右邊所示，監控者就不會遺漏關鍵數據。

圖1 數據快速分析

如果這些快數據需要逐一分析，我們會將數據持久化處理，并對區間段內的數據進行分析，提供變化趨勢。分析異常點所處的位置，并提供向下鉆取的能力。這樣在快數據存儲的后期，提供快速定位和查看方法。

更快的檢索和更精準的推薦

很多時候，工廠在生產過程中產生的關鍵指標數據龐大，一臺自動化設備可能就有幾十個甚至更多的關鍵指標，再加上工廠部署的大量物聯設備就會形成幾百、幾千個指標，如果我們平鋪這些指標，那么對于觀察者來說毫無意義。面對如此龐大的指標體系如何進行可視化，顯得尤為重要。

更快的查詢方法。首先，將海量的指標數據平鋪在一個頁面上，輪巡顯示，只能得到一種具有沖擊力的效果，實際價值無法顯現。

數據監控者需要在如此龐大的指標中發現問題，找到自己關心的內容，所以具備快速的信息精準定位能力是關鍵。在后臺建立ES索引，實現更快速信息查詢，需要在前臺可視化的設計中有意識地設計更便捷的數據查詢引導。

個性化的推薦方法，讓數據找人，如圖2所示（見下頁）。快速的索引仍然是由監控者主動尋找信息，利用算法構建不同角色的興趣模型，由機器將信息推薦給監控者，利用神經網絡等新的技術手段，讓機器不斷地學習每個角色的興趣習慣，實現更精準的推薦，這樣在可視化設計上就能優先展示這些信息，為監控者提供更個性的可視化服務。

圖2 數據可視化

宏觀和細節如何兼顧

基于“物”構建數據模型

工廠數據進行可視化設計的時候，在整體上感知運營情況，需要對細節數據進行抽象，進而構建基于“物”的數據模型可視化方案。將一個生產線想象成一個“物”，對它進行整體分析，并在各個細節上提供進一步的服務，逐層分解主體數據。讓觀察者在宏觀上有總體認知，又可以根據業務需求快速定位到細節數據。

可視化的不僅是數據，更是價值

“你今天7:35分起床，8:00出門，走了1公里路，換乘3趟地鐵。”這既是日常，也是數據。通過數據可以了解一個人的行為情況，洞悉這背后可能發生的事，“你今天可能會遲到”。這就是數據帶來的價值。

由此可見，通過數據可視化，單純展示數據并不能給監控者帶來實際的業務需求，只有在可視化的基礎上進一步分析、提煉，才能生發出數據的價值。需要特別指出的是，一些敏感數據（工藝配方、個人信息）的可視化可能會造成一定程度上的秘密泄露，這種數據可視化，不僅要符合客戶的真實需求，還要符合規定。

大數據可視化已經不單純是技術層面的問題，而是綜合性的，是我們對業務的深刻理解，是結合可視化技術、UI設計和算法能力進行的綜合設計。只有這樣，才能幫助客戶看懂數據，感知到數據帶來的價值。