在生产过程中，为了更好地控制工艺过程和产品质量，往往需要利用生产数据，对设备、产品和工艺工程进行建模。当我阅读相关论文时，感觉多数作者对工业过程数据建模的理解不深。我这里谈四个基本的常识性问题。
1、为什么要为工业对象模型？
很多人知道，模型往往是用来计算系统输入的，是用来解决“怎么做”的问题。
现实中，没有模型的时候，人们也知道“怎么做”。在现代化企业中，会把“怎么做”固化成标准。这些标准包括了很多层级。在每个层级，都包含目标和做法。上一层的输入就是下一层的输出。既然如此，为什么还需要模型？
模型的用途有两个：一个是为了制定标准，一个是应对应对变化。
我们知道，生产系统的参数会不断变化，部分标准需要经常性地修订。另外，生产过程中会有各种干扰。干扰导致标准的输入无法达到标准的输出。这时候就需要模型动态计算输入，以便让输出符合要求。
2、有了科学知识，为什么还要建模？
很多人认为，建模的前提是没有模型，尤其是没有理论模型。其实，在冶金、化工、机械、航空等领域，都有着相当成熟的科学理论基础和数学模型。那么，为什么还要建模呢？
现实的问题是：理论模型需要很多参数和实时数据。现实中，实时数据和参数缺失、不准确；系统越是复杂，这类问题越是严重。理论模型虽然正确，如果没有这些参数，就无法满足工业企业的需要。这时候，需要用现实的数据建模，才能满足工业的需要。
从某种意义上说，工业数据建模得到的模型“并不正确”，但是有用。
3、工业企业，到底需要什么样的模型？
很多人认为，只要模型的精度高就可以了。但其实，这里存在一个误区：什么叫模型精度高？平均精度高吗？现实中，人们对模型的稳定性有很高的要求，往往是建模的难点。所谓稳定，就是要避免下面的情况：
今天模型精度高，明天模型精度低
正常工况精度高，异常工况精度低
有些场景精度高，有些场景精度低
4、工业对象的数据建模，难在什么地方？
多人认为难在算法上。
在笔者看来，本质问题是数据质量的问题。数据质量高，建模往往不难；数据质量低，神仙都没有办法。数据建模的重点工作，往往是设法提高数据质量。
数据量大不等于数据质量高。但数据量大有利于提高数据质量。工业大数据时代的意义，就在于此。
中泰信合I工业视觉事业部介绍
中泰信合智慧工业主要是为行业用户提供柔性智能在线视觉检测设备，实现国外设备的进口替代。核心成员均为博士学历，行业技术专家，首席执行官是北大博士，国家“万人计划”长期从事科研工作，多次获得国家及省级科技进步奖项。
该业务核心技术为实时AI缺陷检测算法、动态光路设计、精密运动控制，基于核心技术，专注于AI赋能工业缺陷检测，尤其是玻璃类，瓶装液体类、轮胎类、高附加值农产品类等方向的行业应用。业务板块成立以来，先后再玻璃、医药、电池、轮胎等行业取得突破，先后为福耀玻璃，辰欣药业，新华医疗，海康，华为等公司提供了技术服务，取得多项突破成果