工業大數據分析實踐

《工業大數據分析實踐》是2020年電子工業出版社出版的圖書，作者是田春華、李闖、劉家揚、崔鵬飛。

基本介紹

• 中文名：工業大數據分析實踐 
• 作者：田春華、李闖、劉家揚、崔鵬飛
• 出版社：電子工業出版社
• 出版時間：2020年
• 頁數：344 頁
• 定價：100 元
• 開本：16 開 
• ISBN：9787121403118

內容簡介

本書以工業大數據的特點和需求為牽引，闡述了工業大數據分析的工程方法論，針對設備故障診斷與健康管理（Prognostics ＆ Health Management，PHM）、生產質量分析（Product Quality Management，PQM）、生產效率最佳化（Production Efficiency Management，PEM）等提出了具體的分析課題定義方法，給出了典型分析場景和算法框架，並系統總結了工業大數據領域的常用分析算法（特別是時序挖掘算法），最後以6個實際案例從不同方面詮釋了工業大數據分析項目的複雜性和多樣性，包括純數據驅動、專家知識驅動、機器學習與機理模型結合等類型的分析課題，以期形成工業大數據分析的工程化方法體系。本書適合工業行業中從事數據分析、數位化轉型、數據平台規劃的專業人員閱讀，也可為其他從事行業數據分析的專業人員及高等院校數據挖掘的研究人員提供參考。

圖書目錄

第1章 工業大數據概論 001

1．1 工業大數據產生的背景 001

1．1．1 工業的數位化轉型之路 001

1．1．2 支撐技術的演化 002

1．1．3 對工業大數據的期望 003

1．1．4 各國的戰略 003

1．2 工業大數據的典型套用場景 004

1．2．1 業務領域視角 004

1．2．2 套用系統視角 005

1．3 工業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 工業大數據分析概論 016

2．1 工業大數據分析的特點與挑戰 016

2．1．1 數據視角 016

2．1．2 套用視角 017

2．2 工業大數據分析的範疇 018

2．2．1 典型分析主題 018

2．2．2 分析模型的形態與融合方式 021

2．2．3 分析模型的套用模式 023

2．3 工業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 數據分析軟體與平台 025

2．4 本章小結 025

參考文獻 026

第3章 工業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 專家規則開發的工程方法 044

3．3．1 業務規則的技術和方法 045

3．3．2 專家規則的特點 047

3．3．3 專家規則開發的AI-FIT-PM方法論 049

3．3．4 專家規則模型對軟體平台的需求 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 工業設備管理的現狀與需求 058

4．1．1 工業設備分類 059

4．1．2 運維管理 060

4．1．3 狀態監測與故障診斷 062

4．1．4 相關標準 064

4．2 PHM的分析範疇與特點 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的套用模式 069

4．3 PHM分析問題定義：CRAB四步法 070

4．3．1 業務上下文理解 070

4．3．2 資源能力分析 072

4．3．3 業務模式與技術方案分析 075

4．3．4 執行路線 075

4．4 PHM分析主題 077

4．4．1 技術挑戰 077

4．4．2 技術路線 078

4．4．3 感測器數據處理 080

4．4．4 狀態監測 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 運維最佳化 097

4．4．9 專家規則引擎 099

4．5 PHM的數據模型與套用架構 113

4．5．1 PHM的數據模型 113

4．5．2 PHM的套用架構 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的分析範疇與特點 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的套用 131

5．2 PQM分析問題定義：CAPE方法 132

5．2．1 業務上下文理解 132

5．2．2 數據資產評估 136

5．2．3 設計與計畫 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 控制參數最佳化 148

5．3．5 質量根因分析 151

5．4 PQM的數據模型與套用架構 152

5．4．1 PQM的數據模型 152

5．4．2 PQM的套用架構 156

5．5 本章小結 157

參考文獻 159

第6章 生產效率最佳化（PEM） 160

6．1 PEM的分析範疇與特點 160

6．1．1 PEM的內容 160

6．1．2 PEM的常見誤區 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 能力規劃 168

6．3．2 生產計畫與排程 169

6．3．3 動態調整 171

6．3．4 物耗能耗最佳化 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 巨觀管理 178

7．2 行銷最佳化分析 179

7．3 研發數據分析 180

7．4 本章小結 184

參考文獻 185

第8章 工業大數據分析算法 186

8．1 統計分析算法 186

8．1．1 描述性統計 186

8．1．2 推斷統計 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 關聯規則 198

8．2．6 近期發展 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 工具與套用 228

8．4 工業知識圖譜 230

8．4．1 知識圖譜的構建過程與套用技術 231

8．4．2 知識圖譜實踐建議 232

8．5 其他算法 234

8．5．1 系統辨識算法 234

8．5．2 運籌最佳化算法 235

8．5．3 規則推理算法 237

8．5．4 基於遺傳算法的特徵提取算法 238

8．6 本章小結 240

參考文獻 240

第9章 工業大數據平台技術 242

9．1 工業大數據對平台的需求 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 數據套用的需求 246

9．2 工業大數據平台架構 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 時序數據訊息佇列 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 時序資料庫（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 套用方式 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：運行邊界探索用於設計最佳化 270

10．1．3 實例二：機器學習用於運維最佳化 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 透平設備智慧型運維 284

10．2．1 業務問題 284

10．2．2 故障預警知識庫 286

10．2．3 小結 288

10．3 氣化爐參數最佳化 289

10．3．1 業務問題 289

10．3．2 氣化裝置建模面臨的技術挑戰 290

10．3．3 基於多模態學習的氣化爐操作參數最佳化技術 292

10．3．4 小結 299

10．4 磨煤機堵磨預警 300

10．4．1 業務問題 301

10．4．2 磨煤機的動力學模型 302

10．4．3 小結 310

10．5 衝壓排產最佳化 310

10．5．1 業務問題 310

10．5．2 衝壓排產計畫 311

10．5．3 小結 314

10．6 軌道車輛懸掛系統故障診斷 315

10．6．1 業務問題 315

10．6．2 問題描述 316

10．6．3 技術挑戰 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