工业大数据分析实践
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(te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、*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。
目 录 第壹章 工业大数据概论 0011.1 工业大数据产生的背景 0011.1.1 工业的数字化转型之路 0011.1.2 支撑技术的演化 0021.1.3 对工业大数据的期望 0031.1.4 各国的战略 0031.2 工业大数据的典型应用场景 0041.2.1 业务领域视角 0041.2.2 应用系统视角 0051.3 工业大数据的特点与关键技术 0061.3.1 特点 0061.3.2 关键技术 0081.4 本章小结 012参考文献 014第2章 工业大数据分析概论 0162.1 工业大数据分析的特点与挑战 0162.1.1 数据视角 0162.1.2 应用视角 0172.2 工业大数据分析的范畴 0182.2.1 典型分析主题 0182.2.2 分析模型的形态与融合方式 0212.2.3 分析模型的应用模式 0232.3 工业大数据分析的关键技术 0242.3.1 模型和算法 0242.3.2 分析项目管理方法与工程化 0252.3.3 数据分析软件与平台 0252.4 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 0273.1 CRISP-DM方法论 0273.1.1 CRISP-DM方法论简介 0273.1.2 分析问题的实际执行路径 0283.2 数据驱动的机器学习工程方法 0303.2.1 分析问题识别与定义 0313.2.2 业务理解 0343.2.3 数据理解 0413.2.4 数据准备 0423.2.5 模型建立 0423.2.6 模型评价 0433.2.7 模型部署 0443.3 *家规则开发的工程方法 0443.3.1 业务规则的技术和方法 0453.3.2 *家规则的特点 0473.3.3 *家规则开发的AI-FIT-PM方法论 0493.3.4 *家规则模型对软件平台的需求 0543.4 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) 0584.1 工业设备管理的现状与需求 0584.1.1 工业设备分类 0594.1.2 运维管理 0604.1.3 状态监测与故障诊断 0624.1.4 相关标准 0644.2 PHM的分析范畴与特点 0664.2.1 术语约定与名词辨析 0664.2.2 PHM的内容 0674.2.3 PHM的应用模式 0694.3 PHM分析问题定义:CRAB四步法 0704.3.1 业务上下文理解 0704.3.2 资源能力分析 0724.3.3 业务模式与技术方案分析 0754.3.4 执行路线 0754.4 PHM分析主题 0774.4.1 技术挑战 0774.4.2 技术路线 0784.4.3 传感器数据处理 0804.4.4 状态监测 0884.4.5 健康管理 0914.4.6 故障诊断 0914.4.7 故障预测 0924.4.8 运维优化 0974.4.9 *家规则引擎 0994.5 PHM的数据模型与应用架构 1134.5.1 PHM的数据模型 1134.5.2 PHM的应用架构 1184.6 本章小结 124参考文献 124第5章 生产质量分析(PQM) 1265.1 PQM的分析范畴与特点 1265.1.1 PQM的特点 1265.1.2 PQM分析场景 1285.1.3 PQM的5个层面 1305.1.4 PQM的应用 1315.2 PQM分析问题定义:CAPE方法 1325.2.1 业务上下文理解 1325.2.2 数据资产评估 1365.2.3 设计与计划 1385.2.4 部署与评估 1405.3 PQM分析主题 1405.3.1 基础分析 1415.3.2 质量时空模式分析 1455.3.3 质量异常预警 1475.3.4 控制参数优化 1485.3.5 质量根因分析 1515.4 PQM的数据模型与应用架构 1525.4.1 PQM的数据模型 1525.4.2 PQM的应用架构 1565.5 本章小结 157参考文献 159第6章 生产效率优化(PEM) 1606.1 PEM的分析范畴与特点 1606.1.1 PEM的内容 1606.1.2 PEM的常见误区 1616.2 PEM分析问题定义:SOFT方法 1636.2.1 PEM的要素 1636.2.2 PEM分析问题定义的SOFT方法 1656.2.3 PEM分析问题探索 1686.3 PEM分析主题 1686.3.1 能力规划 1686.3.2 生产计划与排程 1696.3.3 动态调整 1716.3.4 物耗能耗优化 1716.4 本章小结 173参考文献 173第7章 其他分析主题 1757.1 生产安全分析 1757.1.1 微观管理 1757.1.2 宏观管理 1787.2 营销优化分析 1797.3 研发数据分析 1807.4 本章小结 184参考文献 185第8章 工业大数据分析算法 1868.1 统计分析算法 1868.1.1 描述性统计 1868.1.2 推断统计 1878.2 机器学习算法 1928.2.1 回归 1928.2.2 分类 1958.2.3 聚类 1968.2.4 降维 1978.2.5 关联规则 1988.2.6 近期发展 1988.2.7 模型评价 2038.2.8 不同算法的要求 2078.3 时序数据挖掘算法 2088.3.1 时序分割 2098.3.2 时序分解 2128.3.3 时序再表征 2178.3.4 序列模式 2198.3.5 异常检测 2238.3.6 时序聚类 2238.3.7 时序分类 2258.3.8 时序预测 2268.3.9 可视化 2278.3.10 工具与应用 2288.4 工业知识图谱 2308.4.1 知识图谱的构建过程与应用技术 2318.4.2 知识图谱实践建议 2328.5 其他算法 2348.5.1 系统辨识算法 2348.5.2 运筹优化算法 2358.5.3 规则推理算法 2378.5.4 基于遗传算法的特征提取算法 2388.6 本章小结 240参考文献 240第9章 工业大数据平台技术 2429.1 工业大数据对平台的需求 2429.1.1 数据负载特性 2439.1.2 数据分析的特点 2449.1.3 数据应用的需求 2469.2 工业大数据平台架构 2479.2.1 功能架构 2479.2.2 关键技术 2489.3 数据接入 2509.3.1 时序数据接入 2509.3.2 非结构化数据接入 2519.3.3 时序数据消息队列 2519.3.4 数据ETL服务 2529.4 数据管理 2529.4.1 数据治理管理 2529.4.2 时序数据库(TSDB) 2539.4.3 时序数据仓库(TSDW) 2539.4.4 对象数据存储服务(OBJ) 2559.4.5 数据查询服务 2569.5 数据分析 2569.5.1 应用方式 2599.5.2 关键技术:分组识别和匹配技术 2599.5.3 关键技术:非侵入式封装技术 2619.6 本章小结 262参考文献 265第壹0章 工业大数据分析案例 26610.1 风电大数据分析 26610.1.1 概述 26610.1.2 实例一:运行边界探索用于设计优化 27010.1.3 实例二:机器学习用于运维优化 27210.1.4 实例三:风电机理与机器学习的深度融合 28010.1.5 小结 28310.2 透平设备智能运维 28410.2.1 业务问题 28410.2.2 故障预警知识库 28610.2.3 小结 28810.3 气化炉参数优化 28910.3.1 业务问题 28910.3.2 气化装置建模面临的技术挑战 29010.3.3 基于多模态学习的气化炉操作参数优化技术 29210.3.4 小结 29910.4 磨煤机堵磨预警 30010.4.1 业务问题 30110.4.2 磨煤机的动力学模型 30210.4.3 小结 31010.5 冲压排产优化 31010.5.1 业务问题 31010.5.2 冲压排产计划 31110.5.3 小结 31410.6 轨道车辆悬挂系统故障诊断 31510.6.1 业务问题 31510.6.2 问题描述 31610.6.3 技术挑战 31710.6.4 算法实现 31910.6.5 小结 32210.7 本章小结 323参考文献 324