工况是设备和系统运行的基本面，不同工况下系统运行规律、变量分布差异很大，因此，工况划分是很多工业分析课题的前置条件。对于工业设备本体，工况类型通常有明确的机理与规则，例如发电机组的起停、升降负荷等，这时候可以根据设计机理与规则进行划分。但实际运行是动态变化的，对于一个具体课题来说不够详细，因为数据分析需要一段时间上的工况（而不是一个时间点上的工况）​。对这种没有明确机理或机理规则不够细的情形，可以采用数据驱动的方式去分割，通常有如下三类策略。

1) 一次性分割策略：例如在风电机组中，根据风速、有功功率、叶轮转速、桨距角等变量，采用Autoplait算法进行工况分割，结果示例如图1所示，顶部子图是多个原始的时序曲线，底部10个子框代表算法计算出的10类工况，横坐标表示该工况的起止时间。

2)分组分割的策略：首先根据业务语义，形成若干变量组（一个组里可以包含1个或少数几个指标，一个指标也可以出现在多个组）​。对于每个组，做时序分割，然后对这些分割段进行聚类，最后对多个组的类别进行组合。整体过程示意图如图2所示。在单变量时序分割中，可以采用PELT算法按照均值或方差变化分成若干段，也可以采用SAX、PAA、PLA等时序再表征算法。

3)聚类合并策略：对每个时刻点的向量X(t)进行聚类，标记t时刻对应的类别是c(t)，根据类别时序进行自然分割。

需要注意，数据挖掘结果和业务语义可能不一致，数据驱动的工况分割算法通常用来做探索性建模，在部署版本的模型中，工况划分最好采用规则模型。时序分割算法通常基于统计量（例如PELT算法根据均值、方差的变化进行切分）​、局部结构（例如PLA用分段线性模型去逼近原序列）或局部动力学模型（例如AR模型）的稳定性进行显性分割，或者建立全局的生成式概率模型（例如Autoplait用两层HMM模型）进行隐形分割（体现在隐含的状态类别变量上）​，这些假设与领域问题的契合度需要数据分析师的评估研判，因此，在数据分析项目中，常采用通用算法做探索性分割，对于分割结果做业务语义上的探讨，并进行一定的修正。部署版本的模型采用规则模型，要么采用规则算法实现完全分割，要么采用规则算法做后修正。