工业大数据分析实践

目 录
第1章 工业大数据概论 001
1．1 工业大数据产生的背景 001
1．1．1 工业的数字化转型之路 001
1．1．2 支撑技术的演化 002
1．1．3 对工业大数据的期望 003
1．1．4 各国的战略 003
1．2 工业大数据的典型应用场景 004
1．2．1 业务领域视角 004
1．2．2 应用系统视角 005
1．3 工业大数据的特点与关键技术 006
1．3．1 特点 006
1．3．2 关键技术 008
1．4 本章小结 012
参考文献 014
第2章 工业大数据分析概论 016
2．1 工业大数据分析的特点与挑战 016
2．1．1 数据视角 016
2．1．2 应用视角 017
2．2 工业大数据分析的范畴 018
2．2．1 典型分析主题 018
2．2．2 分析模型的形态与融合方式 021
2．2．3 分析模型的应用模式 023
2．3 工业大数据分析的关键技术 024
2．3．1 模型和算法 024
2．3．2 分析项目管理方法与工程化 025
2．3．3 数据分析软件与平台 025
2．4 本章小结 025
参考文献 026
第3章 工业大数据分析的工程方法 027
3．1 CRISP-DM方法论 027
3．1．1 CRISP-DM方法论简介 027
3．1．2 分析问题的实际执行路径 028
3．2 数据驱动的机器学习工程方法 030
3．2．1 分析问题识别与定义 031
3．2．2 业务理解 034
3．2．3 数据理解 041
3．2．4 数据准备 042
3．2．5 模型建立 042
3．2．6 模型评价 043
3．2．7 模型部署 044
3．3 专家规则开发的工程方法 044
3．3．1 业务规则的技术和方法 045
3．3．2 专家规则的特点 047
3．3．3 专家规则开发的AI-FIT-PM方法论 049
3．3．4 专家规则模型对软件平台的需求 054
3．4 本章小结 055
参考文献 056
第4章 设备故障诊断与健康管理（PHM） 058
4．1 工业设备管理的现状与需求 058
4．1．1 工业设备分类 059
4．1．2 运维管理 060
4．1．3 状态监测与故障诊断 062
4．1．4 相关标准 064
4．2 PHM的分析范畴与特点 066
4．2．1 术语约定与名词辨析 066
4．2．2 PHM的内容 067
4．2．3 PHM的应用模式 069
4．3 PHM分析问题定义：CRAB四步法 070
4．3．1 业务上下文理解 070
4．3．2 资源能力分析 072
4．3．3 业务模式与技术方案分析 075
4．3．4 执行路线 075
4．4 PHM分析主题 077
4．4．1 技术挑战 077
4．4．2 技术路线 078
4．4．3 传感器数据处理 080
4．4．4 状态监测 088
4．4．5 健康管理 091
4．4．6 故障诊断 091
4．4．7 故障预测 092
4．4．8 运维优化 097
4．4．9 专家规则引擎 099
4．5 PHM的数据模型与应用架构 113
4．5．1 PHM的数据模型 113
4．5．2 PHM的应用架构 118
4．6 本章小结 124
参考文献 124
第5章 生产质量分析（PQM） 126
5．1 PQM的分析范畴与特点 126
5．1．1 PQM的特点 126
5．1．2 PQM分析场景 128
5．1．3 PQM的5个层面 130
5．1．4 PQM的应用 131
5．2 PQM分析问题定义：CAPE方法 132
5．2．1 业务上下文理解 132
5．2．2 数据资产评估 136
5．2．3 设计与计划 138
5．2．4 部署与评估 140
5．3 PQM分析主题 140
5．3．1 基础分析 141
5．3．2 质量时空模式分析 145
5．3．3 质量异常预警 147
5．3．4 控制参数优化 148
5．3．5 质量根因分析 151
5．4 PQM的数据模型与应用架构 152
5．4．1 PQM的数据模型 152
5．4．2 PQM的应用架构 156
5．5 本章小结 157
参考文献 159
第6章 生产效率优化（PEM） 160
6．1 PEM的分析范畴与特点 160
6．1．1 PEM的内容 160
6．1．2 PEM的常见误区 161
6．2 PEM分析问题定义：SOFT方法 163
6．2．1 PEM的要素 163
6．2．2 PEM分析问题定义的SOFT方法 165
6．2．3 PEM分析问题探索 168
6．3 PEM分析主题 168
6．3．1 能力规划 168
6．3．2 生产计划与排程 169
6．3．3 动态调整 171
6．3．4 物耗能耗优化 171
6．4 本章小结 173
参考文献 173
第7章 其他分析主题 175
7．1 生产安全分析 175
7．1．1 微观管理 175
7．1．2 宏观管理 178
7．2 营销优化分析 179
7．3 研发数据分析 180
7．4 本章小结 184
参考文献 185
第8章 工业大数据分析算法 186
8．1 统计分析算法 186
8．1．1 描述性统计 186
8．1．2 推断统计 187
8．2 机器学习算法 192
8．2．1 回归 192
8．2．2 分类 195
8．2．3 聚类 196
8．2．4 降维 197
8．2．5 关联规则 198
8．2．6 近期发展 198
8．2．7 模型评价 203
8．2．8 不同算法的要求 207
8．3 时序数据挖掘算法 208
8．3．1 时序分割 209
8．3．2 时序分解 212
8．3．3 时序再表征 217
8．3．4 序列模式 219
8．3．5 异常检测 223
8．3．6 时序聚类 223
8．3．7 时序分类 225
8．3．8 时序预测 226
8．3．9 可视化 227
8．3．10 工具与应用 228
8．4 工业知识图谱 230
8．4．1 知识图谱的构建过程与应用技术 231
8．4．2 知识图谱实践建议 232
8．5 其他算法 234
8．5．1 系统辨识算法 234
8．5．2 运筹优化算法 235
8．5．3 规则推理算法 237
8．5．4 基于遗传算法的特征提取算法 238
8．6 本章小结 240
参考文献 240
第9章 工业大数据平台技术 242
9．1 工业大数据对平台的需求 242
9．1．1 数据负载特性 243
9．1．2 数据分析的特点 244
9．1．3 数据应用的需求 246
9．2 工业大数据平台架构 247
9．2．1 功能架构 247
9．2．2 关键技术 248
9．3 数据接入 250
9．3．1 时序数据接入 250
9．3．2 非结构化数据接入 251
9．3．3 时序数据消息队列 251
9．3．4 数据ETL服务 252
9．4 数据管理 252
9．4．1 数据治理管理 252
9．4．2 时序数据库（TSDB） 253
9．4．3 时序数据仓库（TSDW） 253
9．4．4 对象数据存储服务（OBJ） 255
9．4．5 数据查询服务 256
9．5 数据分析 256
9．5．1 应用方式 259
9．5．2 关键技术：分组识别和匹配技术 259
9．5．3 关键技术：非侵入式封装技术 261
9．6 本章小结 262
参考文献 265
第10章 工业大数据分析案例 266
10．1 风电大数据分析 266
10．1．1 概述 266
10．1．2 实例一：运行边界探索用于设计优化 270
10．1．3 实例二：机器学习用于运维优化 272
10．1．4 实例三：风电机理与机器学习的深度融合 280
10．1．5 小结 283
10．2 透平设备智能运维 284
10．2．1 业务问题 284
10．2．2 故障预警知识库 286
10．2．3 小结 288
10．3 气化炉参数优化 289
10．3．1 业务问题 289
10．3．2 气化装置建模面临的技术挑战 290
10．3．3 基于多模态学习的气化炉操作参数优化技术 292
10．3．4 小结 299
10．4 磨煤机堵磨预警 300
10．4．1 业务问题 301
10．4．2 磨煤机的动力学模型 302
10．4．3 小结 310
10．5 冲压排产优化 310
10．5．1 业务问题 310
10．5．2 冲压排产计划 311
10．5．3 小结 314
10．6 轨道车辆悬挂系统故障诊断 315
10．6．1 业务问题 315
10．6．2 问题描述 316
10．6．3 技术挑战 317
10．6．4 算法实现 319
10．6．5 小结 322
10．7 本章小结 323
参考文献 324