●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
3．1CRISP-DM方027
3．1．1CRISP-DM方简介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0
4．2PHM的分析范畴与特点066
4．2．1术语约定与名词辨析066
4．2．2PHM的内容067
4．2．3PHM的应用模式069
4．3PHM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
4．4PHM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
4．5PHM的数据模型与应用架构113
4．5．1PHM的数据模型113
4．5．2PHM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
5．1PQM的分析范畴与特点126
5．1．1PQM的特点126
5．1．2PQM分析场景128
5．1．3PQM的5个层面130
5．1．4PQM的应用131
5．2PQM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
5．3PQM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
5．4PQM的数据模型与应用架构152
5．4．1PQM的数据模型152
5．4．2PQM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
6．1PEM的分析范畴与特点160
6．1．1PEM的内容160
6．1．2PEM的常见误区161
6．2PEM分析问题定义：SOFT方法163
6．2．1PEM的要素163
6．2．2PEM分析问题定义的SOFT方法165
6．2．3PEM分析问题探索168
6．3PEM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
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
0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．算法实现319
10．6．5小结322
10．7本章小结323
参考文献324