对于同一个问题，业务专家与数据专家从不同视角去审视，在交互中可以相互补充彼此的不足。这也是工业大数据实践中常提的OT（Operational Technology）、DT(Data Technology)、IT（Information Technology）的3T融合。本文以一个实际的例子来展示OT与DT融合如何提升认知。

讨论背景是电厂的运行参数动态预警，研究中选取了某电厂的发电机冷却系统，目标是估算冷却水出口温度（或则说出入口温差）的合理分布区间。数据是该电厂2017年全年的151个测点的秒级DCS数据（非等间隔，逢变则存），包括发电机有功功率、冷却水入口温度、冷却水出口温度、冷却水入口流量、三个方向的振动、下层线棒（48个测点）、上层线棒温度（48个测点）、发电机温度（48个测点）等。

讨论来自于下图（过滤掉停机期间的记录），横轴是发电机有功功率，纵轴是冷却水入口流量。

作为数据探索的一部分，数据分析师画了这张图，只是直观感觉冷却水流量与有功功率接近线性关系，其他的也没多想。而领域专家看了这张图就认为不对，冷却水入口流量应该是稳定在某个值附近，因为冷却泵是定速泵。

有了这样的质疑后，数据分析师马上意识到自己潜意识假定冷却泵是变速的，但如果是定速泵，分析师马上有个疑问，冷却系统如何满足不同功率下的冷却？难道是设计时冷却系统按照最大负荷情形进行设计？领域专家肯定了这样的猜想（按最大负荷设计,所以流量不用调节）。

但这张图是用原始数据绘制的，不存在Bug的可能，领域专家的解释和DCS数据明显是冲突的。恰好有本运行手册，翻阅发现，水压随着氢气压力发生变化，而氢气压力随发电功率发生变化，水压变化会引起冷却水流量的变化。

至此，冲突可以完全解释了，背后的运行机制如下图所示。

回顾数据分析师和领域专家做机理解读的整个过程，大家都无意中忽略“冷却水压力变化”这个可能，通过交互式讨论，让这些隐性假设摆在明面上。

这也是OT与DT融合在解决工业分析问题时的好处。OT从机理角度，可以给出很多先决性研判或猜想；DT从数据统计的角度，可以给出数据上的现象表征。二者的不一致，可以让很多隐含或忽略的假设明确化。通过OT与DT的对比，可以不断提升认知。

因此，工业数据分析项目进行通常有三种模式：

1）有大量先验知识的课题，首先明确OT的经验和假设，通过数据检验，形成有用的特征，接着数据分析建模进一步定量化；

2）数据驱动的课题，基于统计假设，进行建模，在分析结果或象限解读时，融入OT专家的认知或经验（最好是冲突），进一步提升模型结果；