别小看这一步，光是多泳道看数据，筛选数据，这些功能要想在几秒钟将秒级、分钟级、小时级、天、日、月、年等不同维度的数据进行聚合，在一般的产品中几乎是不可能的，更不要说进行快速的查找和筛选了。虽然是个基本的功能，但是特点就是快、方便，对于一些基础的分析，直接省掉了很多计算过程，可以节省大量的时间。领导交给我的分析报告，数据轻松出来了。
评分：普及程度:5星 神技能力:3.5星
02 图层神器
叠加和对比：这个功能真心是很好用，非常好用，而且可以用在很多地方，比如同设备上不同批次的比对、同批次不同设备上的比对、同批次内不同产品的比对、不同批次的同工序不对等等。要知道，比对可是数据分析的第一步，以往的这些比对非常麻烦，需要数据人员先加工数据，再用可视化定制开发才能实现的应用，现在直接可以通过筛选批次数据或者定义想比较的数据，再定义成多个图层后进行叠加，就可以看到多个图层的叠加效果。不同批次的一致性和偏离的批次，就可以非常直观的体现出来，还可以在统计数据中直接得到具体偏离值，结果还可以直接导出excel，放在报告中是不是很震撼？
评分：普及程度:4.5星 神技能力:4星
03 相似度搜索神器
个人最爱的功能！这个产品中最重要的亮点功能之一。利用框选一个图形来定义一个Pattern，这样的功能真是很“美图秀秀”啊，用来查找类似的故障事件真的太方便了，用过之后我直接都想给这个设计师跪了！其实它用途还很多，我听到过一个用法，除了搜索故障以外，还可以搜索正常的工况，然后再做反向筛选，就把正常工况都筛掉了，把异常的工况都留下了。真是天才啊，不过更多的用法，等待你去摸索！评分：普及程度:5星 神技能力:5星
04 关联分析神器
又是一AI神技。以往做相关性分析，都得要写程序实现，或者在MATLAB等工具中用很复杂的操作才能实现。现在这些就可以在TE中自动分析啦，自动把影响最大的因子按照概率进行排序，并且还可以加入时间延迟的因素（比如流程行业中，输入因子的一个异常，可能导致几个小时后的输出的异常）。我一个设备工程师，也能做机器学习了？哈哈！
评分：普及程度:4星 神技能力:4.5星
05 最佳批次分析神器
麻了麻了，这才是真正的降维打击！以往这个功能不得是个大几十万的课题或者项目才能做得吗？还得是一堆博士+数据分析师+我们厂里的工艺老法师组团才能实现的啊！将多个批次的数据进行图层的叠加后，就形成了一个包络，在这里将可以定义出一个自适应的最佳配方控制过程。把复杂的机器学习功能变得如此简单，真的很强大，很强大，强大，强！评分：普及程度:3.5星 神技能力:5星
还有很多功能，如监控报警，需要接实时数据，我已经消化不了了，等待你们去摸索吧。
谁最适合使用TE？
Trend Explorer为设备、工艺、质量工程师等非数据专业人员量身打造。操作人员可以很容易地对工艺数据进行趋势性的搜索，而无需数据分析人员的帮助。
■ 设备运维工程师：设备故障诊断和预测
■ 工艺工程师：工艺优选和偏离监测
■ 质量工程师：缺陷定位、根因分析和预测
■ 生产工程师：生产过程的波动性分析、批次对比
TE能用在哪些场景中？
试用爽了好几天，冷静下来，我抽空想了想到底可以用这些神技来干什么？
总结了一下：利用上面提到的这些模式识别、对话式查询等友好的交互方式，TE是可以帮助行业内的人员和开发者快速上手，用自己熟悉的逻辑来查询数据、定位问题、寻找根因、验证结果；至少在以下常见的工业场景中应该可以发挥作用：
1、快速评估生产过程的波动——我们的生产流程目前运行的如何？
通过查找和筛选批次生产数据，使用多图层叠加对比统计分析，自动计算如均值、方差、CP等指标的方式来用量化目前生产的波动情况，让用户对生产过程的稳定性一目了然。这是日常我们最需要及时、准确了解到的情况，用TE来实现，可以节省大量的数据统计过程；
2、故障的调查分析——最近这个问题究竟发生了多少次？趋势如何？
当发生问题时，使用精确的值搜索快速查找已经发生的类似问题，对于模糊的搜索，可以使用基于模式识别的相似度搜索，直接通过在图中框选的方式定义目标事件的pattern，在历史数据中搜索相近的pattern，从而快速、便捷的获得类似事件的快速检索、过滤，并通过多图层叠加分析，获得趋势性的变化特征。我敢预言，在这个功能的加持下，使用的工厂的故障分析能力会上一个台阶；
3、故障的诊断——问题影响的因子有哪些？关联度如何？
在上述定义的问题中，还可以利用关联性分析的功能，通过叠加相关输入因子，自动进行相关性计算，从而获得影响因子的相关性概率，快速定位问题发生的根本原因；这个功能是否好用，我还有点疑问，需要在实际问题中来检验。
4、最优批次的定义——自定义工况以及最佳工况的学习
通过对多批次数据的图层叠加进行学习，可以实现最佳批次GoldenBatch的分析，得到最佳配方的Pattern，并在系统重定义成服务，持续监控与最佳工况的偏差。如果这个能真的用起来，那么将是一个对工厂有着重要的能力提升的AI应用。还不敢夸它太多，只是期待着它有具体案例的爆出。
5、监控与预测——接下来可能发生什么？我们需要做什么？
理论上，通过持续监控与注册的Pattern的差异，如果发生较大的偏离，则可以在过程中就提示报警，并进行一定预测，提示趋势变化和相关影响的因子提示。 当然，这还需要与现有的系统做进一步的集成与对接。如果能实现到这里，那么一个闭环就完成了，真的是完美的设计！
当然，这些场景还需要再进一步在各个企业中得到验证，也欢迎大家一起来进行体验，共同探索TE为工业数据分析带来的价值。