以日本钢铁业为例[5]，日本的钢铁行业，机器人的主要应用，主要用于display（回放）机器人和操纵机器人，而真正能实现自我操作与控制的智能机器人其实还较少，很多功能性机器人还在研究开发中。较为有力的事例为白钢公司（或被称为新日铁或NSC）的连轧连铸智能机器人，其为拥有眼睛的多用途机器人（一对智能处理相机和GPU），头部（专家处理指挥系统）四肢（智能负荷传感器和CPU）。眼睛，主要缺点是模具粉，局部电流，炉渣形成和渣。手，主要运用于配电高压项目，粉末杂质的发现与去除等。该机器人的主要功能有：

（1）鉴定钢水位，将模具粉末分配到模具里

（2）识别和倒出所需的各种放渣均匀分布

（3）查找和清除炉渣，防止渣壳结渣和检测。此系统管理程序已在新日铁轧制板坯连铸机中成功使用，其轧制板材的铸造宽度上限可达1。35m，一日的工作时间比率较人工相比高上许多甚至大于75％，能够覆盖整个所需轧制宽度区间，能够从头到尾铸造的人民经营。

从20世纪的80年代中后期至今，由于要实现各种钢种的稳定轧制系统的确定，对电脑管理和控制的新要求以前以过程性程序研发的软件，一旦投入生产实际运用后，往往会出现的新新需求。而我们要对原软件进行修改、添加某些功能很困难，这会造成原本的系统构架不稳定并且无法升级。第二点，在众多大型繁杂的轧制控制和管理软件里，有很多半结构的或统一的问题需要解决，而其中机器学习技术与传统办法进行比较后，可以得出在一些繁杂大型的轧制控制和管理软件里，大数据分析技术以及机械学习的运用将会对上述软件缺陷的问题带来更有效的解决问题的方法。大数据在厚板轧制测试里，通过数据挖掘在本地数据库和云数据共享数据里，完成轧制数据的结果，过程数据和一些数据减少维数，获得一些略微准确数据，然后对数据进行数据筛选。使用计算机或云计算，制定最优解模型。

1。2大数据分析技术

1。2。1数据挖掘的概述

1、数据挖掘/分析：

在原始数据库中，对于我们所需的数据，进行定向提取，降维，筛选。得出一系列我们需要的对应数据组，从而方便相关数据的统计和概率分析计算，从而得出实验结果的一步过程

2、KDD

与数据挖掘的功能类似，但此称为知识发现，等同于数据的预处理，其意义在于分析实验目的，找出影响变量，再在数据库SQL中进行知识发现这一项。KDD的意义就是在数据挖掘的前一步，进行了数据源的数据管理提取分析。方便数据挖掘的进行

3、数据挖掘要解决什么问题

第一点为数据维度的问题，很多数据源提取之后是多维的，或者我们所要研究对象是需要进行计算降维处理的，为了保证数据挖掘和分析的正常流程进行。我们必须要对数据维度进行处理。第二点，为数据量的问题。在数据分析中，我们不可能对于大批量的数据直接进行分析。固需要对数据量按照对应的属性，压缩分层处理，对于数据的权值理性分析，选择最优质的分组和分层，从而使我们的流程能够更加简便与准确。

4、基础知识有什么

数据挖掘中的基础知识，主要表现在，对于数据提取初期的，基于所对应分析变量的学科理论基础，程序语言（R语言等），数理分析，概率学，统计学。以及分析结果后的数据可视化操作，要熟练掌握，数据分析软件。例如SPSS，SAS，Excel，以及做图软件PPT等软件。

1。2。2数据处理

数据处理就是对初选数据进行，筛选，降维，运算以及分析处理：