●第1章工業大數據概論001
1．1工業大數據產生的背景001
1．1．1工業的數字化轉型之路001
1．1．2支撐技術的演化002
1．1．3對工業大數據的期望003
1．1．4各國的戰略003
1．2工業大數據的典型應用場景004
1．2．1業務領域視角004
1．2．2應用繫統視角005
1．3工業大數據的特點與關鍵技術006
1．3．1特點006
1．3．2關鍵技術008
1．4本章小結012
參考文獻014
第2章工業大數據分析概論016
2．1工業大數據分析的特點與挑戰016
2．1．1數據視角016
2．1．2應用視角017
2．2工業大數據分析的範疇018
2．2．1典型分析主題018
2．2．2分析模型的形態與融合方式021
2．2．3分析模型的應用模式023
2．3工業大數據分析的關鍵技術024
2．3．1模型和算法024
2．3．2分析項目管理方法與工程化025
2．3．3數據分析軟件與平臺025
2．4本章小結025
參考文獻026
第3章工業大數據分析的工程方法027
3．1CRISP-DM方法論027
3．1．1CRISP-DM方法論簡介027
3．1．2分析問題的實際執行路徑028
3．2數據驅動的機器學習工程方法030
3．2．1分析問題識別與定義031
3．2．2業務理解034
3．2．3數據理解041
3．2．4數據準備042
3．2．5模型建立042
3．2．6模型評價043
3．2．7模型部署044
3．3專家規則開發的工程方法044
3．3．1業務規則的技術和方法045
3．3．2專家規則的特點047
3．3．3專家規則開發的AI-FIT-PM方法論049
3．3．4專家規則模型對軟件平臺的需求054
3．4本章小結055
參考文獻056
第4章設備故障診斷與健康管理（PHM）058
4．1工業設備管理的現狀與需求058
4．1．1工業設備分類059
4．1．2運維管理060
4．1．3狀態監測與故障診斷062
4．1．4相關標準064
4．2PHM的分析範疇與特點066
4．2．1術語約定與名詞辨析066
4．2．2PHM的內容067
4．2．3PHM的應用模式069
4．3PHM分析問題定義：CRAB四步法070
4．3．1業務上下文理解070
4．3．2資源能力分析072
4．3．3業務模式與技術方案分析075
4．3．4執行路線075
4．4PHM分析主題077
4．4．1技術挑戰077
4．4．2技術路線078
4．4．3傳感器數據處理080
4．4．4狀態監測088
4．4．5健康管理091
4．4．6故障診斷091
4．4．7故障預測092
4．4．8運維優化097
4．4．9專家規則引擎099
4．5PHM的數據模型與應用架構113
4．5．1PHM的數據模型113
4．5．2PHM的應用架構118
4．6本章小結124
參考文獻124
第5章生產質量分析（PQM）126
5．1PQM的分析範疇與特點126
5．1．1PQM的特點126
5．1．2PQM分析場景128
5．1．3PQM的5個層面130
5．1．4PQM的應用131
5．2PQM分析問題定義：CAPE方法132
5．2．1業務上下文理解132
5．2．2數據資產評估136
5．2．3設計與計劃138
5．2．4部署與評估140
5．3PQM分析主題140
5．3．1基礎分析141
5．3．2質量時空模式分析145
5．3．3質量異常預警147
5．3．4控制參數優化148
5．3．5質量根因分析151
5．4PQM的數據模型與應用架構152
5．4．1PQM的數據模型152
5．4．2PQM的應用架構156
5．5本章小結157
參考文獻159
第6章生產效率優化（PEM）160
6．1PEM的分析範疇與特點160
6．1．1PEM的內容160
6．1．2PEM的常見誤區161
6．2PEM分析問題定義：SOFT方法163
6．2．1PEM的要素163
6．2．2PEM分析問題定義的SOFT方法165
6．2．3PEM分析問題探索168
6．3PEM分析主題168
6．3．1能力規劃168
6．3．2生產計劃與排程169
6．3．3動態調整171
6．3．4物耗能耗優化171
6．4本章小結173
參考文獻173
第7章其他分析主題175
7．1生產安全分析175
7．1．1微觀管理175
7．1．2宏觀管理178
7．2營銷優化分析179
7．3研發數據分析180
7．4本章小結184
參考文獻185
第8章工業大數據分析算法186
8．1統計分析算法186
8．1．1描述性統計186
8．1．2推斷統計187
8．2機器學習算法192
8．2．1回歸192
8．2．2分類195
8．2．3聚類196
8．2．4降維197
8．2．5關聯規則198
8．2．6近期發展198
8．2．7模型評價203
8．2．8不同算法的要求207
8．3時序數據挖掘算法208
8．3．1時序分割209
8．3．2時序分解212
8．3．3時序再表征217
8．3．4序列模式219
8．3．5異常檢測223
8．3．6時序聚類223
8．3．7時序分類225
8．3．8時序預測226
8．3．9可視化227
8．3．10工具與應用228
8．4工業知識圖譜230
8．4．1知識圖譜的構建過程與應用技術231
8．4．2知識圖譜實踐建議232
8．5其他算法234
8．5．1繫統辨識算法234
8．5．2運籌優化算法235
8．5．3規則推理算法237
8．5．4基於遺傳算法的特征提取算法238
8．6本章小結240
參考文獻240
第9章工業大數據平臺技術242
9．1工業大數據對平臺的需求242
9．1．1數據負載特性243
9．1．2數據分析的特點244
9．1．3數據應用的需求246
9．2工業大數據平臺架構247
9．2．1功能架構247
9．2．2關鍵技術248
9．3數據接入250
9．3．1時序數據接入250
9．3．2非結構化數據接入251
9．3．3時序數據消息隊列251
9．3．4數據ETL服務252
9．4數據管理252
9．4．1數據治理管理252
9．4．2時序數據庫（TSDB）253
9．4．3時序數據倉庫（TSDW）253
9．4．4對像數據存儲服務（OBJ）255
9．4．5數據查詢服務256
9．5數據分析256
9．5．1應用方式259
9．5．2關鍵技術：分組識別和匹配技術259
9．5．3關鍵技術：非侵入式封裝技術261
9．6本章小結262
參考文獻265
第10章工業大數據分析案例266
10．1風電大數據分析266
10．1．1概述266
10．1．2實例一：運行邊界探索用於設計優化270
10．1．3實例二：機器學習用於運維優化272
10．1．4實例三：風電機理與機器學習的深度融合280
10．1．5小結283
10．2透平設備智能運維284
10．2．1業務問題284
10．2．2故障預警知識庫286
10．2．3小結288
10．3氣化爐參數優化289
10．3．1業務問題289
10．3．2氣化裝置建模面臨的技術挑戰290
10．3．3基於多模態學習的氣化爐操作參數優化技術292
10．3．4小結299
10．4磨煤機堵磨預警300
10．4．1業務問題301
10．4．2磨煤機的動力學模型302
10．4．3小結310
10．5衝壓排產優化310
10．5．1業務問題310
10．5．2衝壓排產計劃311
10．5．3小結314
10．6軌道車輛懸掛繫統故障診斷315
10．6．1業務問題315
10．6．2問題描述316
10．6．3技術挑戰317
10．6．4算法實現319
10．6．5小結322
10．7本章小結323
參考文獻324
本書以工業大數據的特點和需求為牽引，闡述了工業大數據分析的工程方法論，針對設備故障診斷與健康管理（Prognostics ＆ Health Management，PHM）、生產質量分析（Product Quality Management，PQM）、生產效率優化（Production Efficiency Management，PEM）等提出了具體的分析課題定義方法，給出了典型分析場景和算法框架，並繫統總結了工業大數據領域的常用分析算法（特別是時序挖掘算法），最後以6個實際案例從不同方面詮釋了工業大數據分析項目的復雜性和多樣性，包括純數據驅動、專家知識驅動、機器學習與機理模型結合等類型的分析課題，以期形成工業大數據分析的工程化方法體繫。本書適合工業行業中從事數據分析、數字化轉型、數據平臺規劃的專業人員閱讀，也可為其他從事行業數據分析的專業人員及高等院校數據挖掘的研究人員提供參考。
