工業大數據分析

第1章緒論 001
1.1 從開普勒三大定律的發現談起 001
1.2 工業大數據的內涵 002
1.2.1 工業大數據的背景 002
1.2.2 工業大數據的定義 003
1.2.3 工業大數據的特性 004
1.2.4 大數據驅動的智能製造科學範式 007
1.3 工業大數據分析的流程、平台及應用 009
1.3.1 工業大數據分析的基本流程 009
1.3.2 大數據平台 010
1.3.3 工業大數據分析的應用場景 017
1.4 工業大數據帶來的思維變革 019
1.4.1 從抽樣到全局數據分析 019
1.4.2 從因果建模到關聯分析 019
1.4.3 從精確求解到近似推演 020
1.4.4 從數據的量變到分析的質變 020
1.4.5 多來源數據協同處理 020
1.4.6 強實時數據分析 021
1.5 本書主要內容與章節安排 021
參考文獻 022

第2章工業大數據融合處理方法：從抽樣到全局 025
2.1 引言 025
2.2 從局部樣本到全體數據 025
2.3 工業大數據的類型 026
2.3.1 按照製造業務流程劃分 026
2.3.2 按照存儲結構劃分 028
2.4 工業大數據特徵的描述方法 030
2.4.1 數據集中趨勢度量 030
2.4.2 數據離散趨勢度量 032
2.4.3 數據的分佈形態：偏態與峰度 034
2.5 工業大數據融合處理的典型方法 035
2.5.1 基於過濾規則多級組合的多源數據導入與清洗方法 035
2.5.2 基於元對象框架的異構數據統一建模與數據抽取融合方法 037
2.5.3 基於字典學習的高維數據多尺度分類查詢方法 039
2.5.4 基於稀疏自動編碼器的數據降維方法 041
2.5.5 基於徑向基神經網絡的數據去冗餘方法 043
2.6 本章小結 044
參考文獻 044

第3章工業大數據關聯分析方法：從因果到關聯 047
3.1 引言 047
3.2 數據關聯分析方法 048
3.2.1 基於信息熵的關聯關係度量方法 048
3.2.2 基於頻繁項集的關聯關係度量方法 050
3.2.3 基於Granger因果分析的關聯關係度量方法 053
3.2.4 基於復雜網絡的關係解耦方法 054
3.3 工業大數據關聯分析案例 059
3.3.1 晶圓工期關鍵參數識別方法 059
3.3.2 柴油發動機功率一致性關鍵參數識別方法 071
3.4 本章小結 077
參考文獻 078

第4章工業大數據預測方法：從精確求解到近似推演 080
4.1 引言 080
4.2 大數據預測任務 080
4.1.1 時序預測任務 081
4.1.2 因果預測任務 082
4.2 工業大數據預測方法 082
4.2.1 淺層機器學習預測方法 083
4.2.2 深度學習預測方法 089
4.3 工業大數據預測案例 098
4.3.1 石油化工泵的故障預測 098
4.3.2 晶圓工期預測方法 106
4.4 本章小結 120
參考文獻 121

第5章不平衡工業大數據分析方法：從量變到質變 123
5.1 引言 123
5.2 大數據的不平衡性學習問題 124
5.2.1 大數據的不平衡性 124
5.2.2 不平衡學習問題分類 125
5.2.3 不平衡學習的效果評價準則 125
5.3 不平衡學習方法 127
5.3.1 基於採樣的不平衡學習方法 128
5.3.2 基於代價敏感的不平衡學習方法 134
5.3.4 基於主動學習的不平衡學習方法 139
5.4 不平衡學習方法在智能製造中的典型應用 143
5.4.1 不平衡數據下的晶圓圖缺陷模式識別 143
5.4.2 空氣舵三維點云非等效分割方法 155
5.5 本章小結 167
參考文獻 167

第6章多源工業大數據融合技術：從數據孤島到多源融合 170
6.1 引言 170
6.2 製造大數據來源分析 170
6.2.1 設計大數據 171
6.2.2 生產大數據 172
6.2.3 營銷大數據 174
6.2.4 運維大數據 175
6.3 多源工業大數據的融合問題 175
6.3.1 問題描述 176
6.3.2 難點分析 177
6.3.3 技術要求 178
6.4 多源工業大數據融合技術 180
6.4.1 基於任務流圖的多源工業大數據融合任務建模技術 180
6.4.2 基於霧計算的多源工業大數據融合技術 182
6.4.3 基於密碼學的多源工業大數據傳輸技術 187
6.4.4 基於區塊鏈的多源工業數據融合技術 188
6.5 智能製造應用案例 189
6.5.1 問題描述 190
6.5.2 多源數據驅動的飛機裝配位姿分析 190
6.6 本章小結 193
參考文獻 193

第7章“邊緣-雲”模式的工業大數據分析技術：從雲計算到邊雲融合 195
7.1 引言 195
7.2 製造過程中的工業大數據分析需求 196
7.3 “邊緣-雲”融合的工業大數據分析模型 197
7.3.1 “邊緣-雲”融合的大數據分析模型架構 197
7.3.2 雲計算技術 199
7.3.3 邊緣計算技術 201
7.3.4 流數據處理技術 203
7.3.5 內存計算技術 205
7.4 基於“邊緣-雲”模式的面料疵點檢測技術 206
7.4.1 面料疵點檢測需求分析 206
7.4.2 “邊緣-雲”協同的面料疵點檢測 208
參考文獻 217
後記——方興未艾的大數據科學 220