工業(yè)大數據分析實踐

目 錄
第1章 工業(yè)大數據概論 001
1．1 工業(yè)大數據產生的背景 001
1．1．1 工業(yè)的數字化轉型之路 001
1．1．2 支撐技術的演化 002
1．1．3 對工業(yè)大數據的期望 003
1．1．4 各國的戰(zhàn)略 003
1．2 工業(yè)大數據的典型應用場景 004
1．2．1 業(yè)務領域視角 004
1．2．2 應用系統(tǒng)視角 005
1．3 工業(yè)大數據的特點與關鍵技術 006
1．3．1 特點 006
1．3．2 關鍵技術 008
1．4 本章小結 012
參考文獻 014
第2章 工業(yè)大數據分析概論 016
2．1 工業(yè)大數據分析的特點與挑戰(zhàn) 016
2．1．1 數據視角 016
2．1．2 應用視角 017
2．2 工業(yè)大數據分析的范疇 018
2．2．1 典型分析主題 018
2．2．2 分析模型的形態(tài)與融合方式 021
2．2．3 分析模型的應用模式 023
2．3 工業(yè)大數據分析的關鍵技術 024
2．3．1 模型和算法 024
2．3．2 分析項目管理方法與工程化 025
2．3．3 數據分析軟件與平臺 025
2．4 本章小結 025
參考文獻 026
第3章 工業(yè)大數據分析的工程方法 027
3．1 CRISP-DM方法論 027
3．1．1 CRISP-DM方法論簡介 027
3．1．2 分析問題的實際執(zhí)行路徑 028
3．2 數據驅動的機器學習工程方法 030
3．2．1 分析問題識別與定義 031
3．2．2 業(yè)務理解 034
3．2．3 數據理解 041
3．2．4 數據準備 042
3．2．5 模型建立 042
3．2．6 模型評價 043
3．2．7 模型部署 044
3．3 專家規(guī)則開發(fā)的工程方法 044
3．3．1 業(yè)務規(guī)則的技術和方法 045
3．3．2 專家規(guī)則的特點 047
3．3．3 專家規(guī)則開發(fā)的AI-FIT-PM方法論 049
3．3．4 專家規(guī)則模型對軟件平臺的需求 054
3．4 本章小結 055
參考文獻 056
第4章 設備故障診斷與健康管理（PHM） 058
4．1 工業(yè)設備管理的現狀與需求 058
4．1．1 工業(yè)設備分類 059
4．1．2 運維管理 060
4．1．3 狀態(tài)監(jiān)測與故障診斷 062
4．1．4 相關標準 064
4．2 PHM的分析范疇與特點 066
4．2．1 術語約定與名詞辨析 066
4．2．2 PHM的內容 067
4．2．3 PHM的應用模式 069
4．3 PHM分析問題定義：CRAB四步法 070
4．3．1 業(yè)務上下文理解 070
4．3．2 資源能力分析 072
4．3．3 業(yè)務模式與技術方案分析 075
4．3．4 執(zhí)行路線 075
4．4 PHM分析主題 077
4．4．1 技術挑戰(zhàn) 077
4．4．2 技術路線 078
4．4．3 傳感器數據處理 080
4．4．4 狀態(tài)監(jiān)測 088
4．4．5 健康管理 091
4．4．6 故障診斷 091
4．4．7 故障預測 092
4．4．8 運維優(yōu)化 097
4．4．9 專家規(guī)則引擎 099
4．5 PHM的數據模型與應用架構 113
4．5．1 PHM的數據模型 113
4．5．2 PHM的應用架構 118
4．6 本章小結 124
參考文獻 124
第5章 生產質量分析（PQM） 126
5．1 PQM的分析范疇與特點 126
5．1．1 PQM的特點 126
5．1．2 PQM分析場景 128
5．1．3 PQM的5個層面 130
5．1．4 PQM的應用 131
5．2 PQM分析問題定義：CAPE方法 132
5．2．1 業(yè)務上下文理解 132
5．2．2 數據資產評估 136
5．2．3 設計與計劃 138
5．2．4 部署與評估 140
5．3 PQM分析主題 140
5．3．1 基礎分析 141
5．3．2 質量時空模式分析 145
5．3．3 質量異常預警 147
5．3．4 控制參數優(yōu)化 148
5．3．5 質量根因分析 151
5．4 PQM的數據模型與應用架構 152
5．4．1 PQM的數據模型 152
5．4．2 PQM的應用架構 156
5．5 本章小結 157
參考文獻 159
第6章 生產效率優(yōu)化（PEM） 160
6．1 PEM的分析范疇與特點 160
6．1．1 PEM的內容 160
6．1．2 PEM的常見誤區(qū) 161
6．2 PEM分析問題定義：SOFT方法 163
6．2．1 PEM的要素 163
6．2．2 PEM分析問題定義的SOFT方法 165
6．2．3 PEM分析問題探索 168
6．3 PEM分析主題 168
6．3．1 能力規(guī)劃 168
6．3．2 生產計劃與排程 169
6．3．3 動態(tài)調整 171
6．3．4 物耗能耗優(yōu)化 171
6．4 本章小結 173
參考文獻 173
第7章 其他分析主題 175
7．1 生產安全分析 175
7．1．1 微觀管理 175
7．1．2 宏觀管理 178
7．2 營銷優(yōu)化分析 179
7．3 研發(fā)數據分析 180
7．4 本章小結 184
參考文獻 185
第8章 工業(yè)大數據分析算法 186
8．1 統(tǒng)計分析算法 186
8．1．1 描述性統(tǒng)計 186
8．1．2 推斷統(tǒng)計 187
8．2 機器學習算法 192
8．2．1 回歸 192
8．2．2 分類 195
8．2．3 聚類 196
8．2．4 降維 197
8．2．5 關聯(lián)規(guī)則 198
8．2．6 近期發(fā)展 198
8．2．7 模型評價 203
8．2．8 不同算法的要求 207
8．3 時序數據挖掘算法 208
8．3．1 時序分割 209
8．3．2 時序分解 212
8．3．3 時序再表征 217
8．3．4 序列模式 219
8．3．5 異常檢測 223
8．3．6 時序聚類 223
8．3．7 時序分類 225
8．3．8 時序預測 226
8．3．9 可視化 227
8．3．10 工具與應用 228
8．4 工業(yè)知識圖譜 230
8．4．1 知識圖譜的構建過程與應用技術 231
8．4．2 知識圖譜實踐建議 232
8．5 其他算法 234
8．5．1 系統(tǒng)辨識算法 234
8．5．2 運籌優(yōu)化算法 235
8．5．3 規(guī)則推理算法 237
8．5．4 基于遺傳算法的特征提取算法 238
8．6 本章小結 240
參考文獻 240
第9章 工業(yè)大數據平臺技術 242
9．1 工業(yè)大數據對平臺的需求 242
9．1．1 數據負載特性 243
9．1．2 數據分析的特點 244
9．1．3 數據應用的需求 246
9．2 工業(yè)大數據平臺架構 247
9．2．1 功能架構 247
9．2．2 關鍵技術 248
9．3 數據接入 250
9．3．1 時序數據接入 250
9．3．2 非結構化數據接入 251
9．3．3 時序數據消息隊列 251
9．3．4 數據ETL服務 252
9．4 數據管理 252
9．4．1 數據治理管理 252
9．4．2 時序數據庫（TSDB） 253
9．4．3 時序數據倉庫（TSDW） 253
9．4．4 對象數據存儲服務（OBJ） 255
9．4．5 數據查詢服務 256
9．5 數據分析 256
9．5．1 應用方式 259
9．5．2 關鍵技術：分組識別和匹配技術 259
9．5．3 關鍵技術：非侵入式封裝技術 261
9．6 本章小結 262
參考文獻 265
第10章 工業(yè)大數據分析案例 266
10．1 風電大數據分析 266
10．1．1 概述 266
10．1．2 實例一：運行邊界探索用于設計優(yōu)化 270
10．1．3 實例二：機器學習用于運維優(yōu)化 272
10．1．4 實例三：風電機理與機器學習的深度融合 280
10．1．5 小結 283
10．2 透平設備智能運維 284
10．2．1 業(yè)務問題 284
10．2．2 故障預警知識庫 286
10．2．3 小結 288
10．3 氣化爐參數優(yōu)化 289
10．3．1 業(yè)務問題 289
10．3．2 氣化裝置建模面臨的技術挑戰(zhàn) 290
10．3．3 基于多模態(tài)學習的氣化爐操作參數優(yōu)化技術 292
10．3．4 小結 299
10．4 磨煤機堵磨預警 300
10．4．1 業(yè)務問題 301
10．4．2 磨煤機的動力學模型 302
10．4．3 小結 310
10．5 沖壓排產優(yōu)化 310
10．5．1 業(yè)務問題 310
10．5．2 沖壓排產計劃 311
10．5．3 小結 314
10．6 軌道車輛懸掛系統(tǒng)故障診斷 315
10．6．1 業(yè)務問題 315
10．6．2 問題描述 316
10．6．3 技術挑戰(zhàn) 317
10．6．4 算法實現 319
10．6．5 小結 322
10．7 本章小結 323
參考文獻 324