工业大数据分析实践电子书

前折页

内容简介

编委会

丛书推荐序一 数字经济的思维观与人才观

丛书推荐序二 产教融合打造创新人才培养的新模式

前言

第1章 工业大数据概论

1.1 工业大数据产生的背景

1.1.1 工业的数字化转型之路

1.1.2 支撑技术的演化

1.1.3 对工业大数据的期望

1.1.4 各国的战略

1.2 工业大数据的典型应用场景

1.2.1 业务领域视角

1.2.2 应用系统视角

1.3 工业大数据的特点与关键技术

1.3.1 特点

1.3.2 关键技术

1.4 本章小结

参考文献

第2章 工业大数据分析概论

2.1 工业大数据分析的特点与挑战

2.1.1 数据视角

2.1.2 应用视角

2.2 工业大数据分析的范畴

2.2.1 典型分析主题

2.2.2 分析模型的形态与融合方式

2.2.3 分析模型的应用模式

2.3 工业大数据分析的关键技术

2.3.1 模型和算法

2.3.2 分析项目管理方法与工程化

2.3.3 数据分析软件与平台

2.4 本章小结

参考文献

第3章 工业大数据分析的工程方法

3.1 CRISP-DM方法论

3.1.1 CRISP-DM方法论简介

3.1.2 分析问题的实际执行路径

3.2 数据驱动的机器学习工程方法

3.2.1 分析问题识别与定义

3.2.2 业务理解

3.2.3 数据理解

3.2.4 数据准备

3.2.5 模型建立

3.2.6 模型评价

3.2.7 模型部署

3.3 专家规则开发的工程方法

3.3.1 业务规则的技术和方法

3.3.2 工业专家规则的特点

3.3.3 专家规则开发的AI-FIT-PM方法论

3.3.4 专家规则模型对软件平台的需求

3.4 本章小结

参考文献

第4章 设备故障诊断与健康管理（PHM）

4.1 工业设备管理的现状与需求

4.1.1 工业设备分类

4.1.2 运维管理

4.1.3 状态监测与故障诊断

4.1.4 相关标准

4.2 PHM的分析范畴与特点

4.2.1 术语约定与名词辨析

4.2.2 PHM的内容

4.2.3 PHM的应用模式

4.3 PHM分析问题定义：CRAB四步法

4.3.1 业务上下文理解

4.3.2 资源能力分析

4.3.3 业务模式与技术方案分析

4.3.4 执行路线

4.4 PHM分析主题

4.4.1 技术挑战

4.4.2 技术路线

4.4.3 传感器数据处理

4.4.4 状态监测

4.4.5 健康管理

4.4.6 故障诊断

4.4.7 故障预测

4.4.8 运维优化

4.4.9 专家规则引擎

4.5 PHM的数据模型与应用架构

4.5.1 PHM的数据模型

4.5.2 PHM的应用架构

4.6 本章小结

参考文献

第5章 生产质量分析（PQM）

5.1 PQM的分析范畴与特点

5.1.1 PQM的特点

5.1.2 PQM分析场景

5.1.3 PQM的5个层面

5.1.4 PQM的应用

5.2 PQM分析问题定义：CAPE方法

5.2.1 业务上下文理解

5.2.2 数据资产评估

5.2.3 设计与计划

5.2.4 部署与评估

5.3 PQM分析主题

5.3.1 基础分析

5.3.2 质量时空模式分析

5.3.3 质量异常预警

5.3.4 控制参数优化

5.3.5 质量根因分析

5.4 PQM的数据模型与应用架构

5.4.1 PQM的数据模型

5.4.2 PQM的应用架构

5.5 本章小结

参考文献

第6章 生产效率优化（PEM）

6.1 PEM的分析范畴与特点

6.1.1 PEM的内容

6.1.2 PEM的常见误区

6.2 PEM分析问题定义：SOFT方法

6.2.1 PEM的要素

6.2.2 PEM分析问题定义的SOFT方法

6.2.3 PEM分析问题探索

6.3 PEM分析主题

6.3.1 能力规划

6.3.2 生产计划与排程

6.3.3 动态调整

6.3.4 物耗能耗优化

6.4 本章小结

参考文献

第7章 其他分析主题

7.1 生产安全分析

7.1.1 微观管理

7.1.2 宏观管理

7.2 营销优化分析

7.3 研发数据分析

7.4 本章小结

参考文献

第8章 工业大数据分析算法

8.1 统计分析算法

8.1.1 描述性统计

8.1.2 推断统计

8.2 机器学习算法

8.2.1 回归

8.2.2 分类

8.2.3 聚类

8.2.4 降维

8.2.5 关联规则

8.2.6 近期发展

8.2.7 模型评价

8.2.8 不同算法的要求

8.3 时序数据挖掘算法

8.3.1 时序分割

8.3.2 时序分解

8.3.3 时序再表征

8.3.4 序列模式

8.3.5 异常检测

8.3.6 时序聚类

8.3.7 时序分类

8.3.8 时序预测

8.3.9 可视化

8.3.10 工具与应用

8.4 工业知识图谱

8.4.1 知识图谱的构建过程与应用技术

8.4.2 知识图谱实践建议

8.5 其他算法

8.5.1 系统辨识算法

8.5.2 运筹优化算法

8.5.3 规则推理算法

8.5.4 基于遗传算法的特征提取算法

8.6 本章小结

参考文献

第9章 工业大数据平台技术

9.1 工业大数据对平台的需求

9.1.1 数据负载特性

9.1.2 数据分析的特点

9.1.3 数据应用的需求

9.2 工业大数据平台架构

9.2.1 功能架构

9.2.2 关键技术

9.3 数据接入

9.3.1 时序数据接入

9.3.2 非结构化数据接入

9.3.3 时序数据消息队列

9.3.4 数据ETL服务

9.4 数据管理

9.4.1 数据治理管理

9.4.2 时序数据库（TSDB）

9.4.3 时序数据仓库（TSDW）

9.4.4 对象数据存储服务（OBJ）

9.4.5 数据查询服务

9.5 数据分析

9.5.1 应用方式

9.5.2 关键技术：分组识别和匹配技术

9.5.3 关键技术：非侵入式封装技术

9.6 本章小结

参考文献

第10章 工业大数据分析案例

10.1 风电大数据分析

10.1.1 概述

10.1.2 实例一：运行边界探索用于设计优化

10.1.3 实例二：机器学习用于运维优化

10.1.4 实例三：风电机理与机器学习的深度融合

10.1.5 小结

10.2 透平设备智能运维

10.2.1 业务问题

10.2.2 故障预警知识库

10.2.3 小结

10.3 气化炉参数优化

10.3.1 业务问题

10.3.2 气化装置建模面临的技术挑战

10.3.3 基于多模态学习的气化炉操作参数优化技术

10.3.4 小结

10.4 磨煤机堵磨预警

10.4.1 业务问题

10.4.2 磨煤机的动力学模型

10.4.3 小结

10.5 冲压排产优化

10.5.1 业务问题

10.5.2 冲压排产计划

10.5.3 小结

10.6 轨道车辆悬挂系统故障诊断

10.6.1 业务问题

10.6.2 问题描述

10.6.3 技术挑战

10.6.4 算法实现

10.6.5 小结

10.7 本章小结

参考文献

后折页