工业大数据分析实践

作者: 田春华

出版社: 电子工业出版社

出版时间: 2020-01

版次: 1

ISBN: 9787121403118

装帧: 其他

开本: 其他

纸张: 胶版纸

页数: 344页

分类: 工程技术

39人买过

本书以工业大数据的特点和需求为牵引，阐述了工业大数据分析的工程方法论，针对设备故障诊断与健康管理（Prognostics ＆ Health Management，PHM）、生产质量分析（Product Quality Management，PQM）、生产效率优化（Production Efficiency Management，PEM）等提出了具体的分析课题定义方法，给出了典型分析场景和算法框架，并系统总结了工业大数据领域的常用分析算法（特别是时序挖掘算法），*后以6个实际案例从不同方面诠释了工业大数据分析项目的复杂性和多样性，包括纯数据驱动、专家知识驱动、机器学习与机理模型结合等类型的分析课题，以期形成工业大数据分析的工程化方法体系。本书适合工业行业中从事数据分析、数字化转型、数据平台规划的专业人员阅读，也可为其他从事行业数据分析的专业人员及高等院校数据挖掘的研究人员提供参考。田春华，博士，北京工业大数据创新中心首席数据科学家，曾在IBM中国研究院担任研究经理。专注数据挖掘算法、产品及行业应用开发工作，有丰富的行业实践经验，帮助装备制造、石油化工、电子制造、能源电力、航空与港口等领域的几十家国际和国内领先企业，成功实施资产管理、运营优化、营销洞察等数据分析项目。参与了多个工业大数据相关标准的制定工作、白皮书的编写工作、竞赛支持工作及多个国际学术会议的组织工作。发表学术论文近百篇，获得40余项国际和国内专利授权。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
内容简介:
本书以工业大数据的特点和需求为牵引，阐述了工业大数据分析的工程方法论，针对设备故障诊断与健康管理（Prognostics ＆ Health Management，PHM）、生产质量分析（Product Quality Management，PQM）、生产效率优化（Production Efficiency Management，PEM）等提出了具体的分析课题定义方法，给出了典型分析场景和算法框架，并系统总结了工业大数据领域的常用分析算法（特别是时序挖掘算法），*后以6个实际案例从不同方面诠释了工业大数据分析项目的复杂性和多样性，包括纯数据驱动、专家知识驱动、机器学习与机理模型结合等类型的分析课题，以期形成工业大数据分析的工程化方法体系。本书适合工业行业中从事数据分析、数字化转型、数据平台规划的专业人员阅读，也可为其他从事行业数据分析的专业人员及高等院校数据挖掘的研究人员提供参考。
作者简介:
田春华，博士，北京工业大数据创新中心首席数据科学家，曾在IBM中国研究院担任研究经理。专注数据挖掘算法、产品及行业应用开发工作，有丰富的行业实践经验，帮助装备制造、石油化工、电子制造、能源电力、航空与港口等领域的几十家国际和国内领先企业，成功实施资产管理、运营优化、营销洞察等数据分析项目。参与了多个工业大数据相关标准的制定工作、白皮书的编写工作、竞赛支持工作及多个国际学术会议的组织工作。发表学术论文近百篇，获得40余项国际和国内专利授权。
目录:
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

查看详情

工业大数据分析实践

内容简介:

作者简介:

目录: