工业大数据分析实践/大数据及人工智能产教融合系列丛书

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）， 最后以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。

第1章 工业大数据概论 1.1 工业大数据产生的背景 1.1.1 工业的数字化转型之路 1.1.2 支撑技术的演化 1.1.3 对工业大数据的期望 1.1.4 各国的战略 1.2 工业大数据的典型应用场景 1.2.1 业务领域视角 1.2.2 应用系统视角 1.3 工业大数据的特点与关键技术 1.3.1 特点 1.3.2 关键技术 1.4 本章小结 参考文献 第2章 工业大数据分析概论 2.1 工业大数据分析的特点与挑战 2.1.1 数据视角 2.1.2 应用视角 2.2 工业大数据分析的范畴 2.2.1 典型分析主题 2.2.2 分析模型的形态与融合方式 2.2.3 分析模型的应用模式 2.3 工业大数据分析的关键技术 2.3.1 模型和算法 2.3.2 分析项目管理方法与工程化 2.3.3 数据分析软件与平台 2.4 本章小结 参考文献 第3章 工业大数据分析的工程方法 3.1 CRISP-DM方法论 3.1.1 CRISP-DM方法论简介 3.1.2 分析问题的实际执行路径 3.2 数据驱动的机器学习工程方法 3.2.1 分析问题识别与定义 3.2.2 业务理解 3.2.3 数据理解 3.2.4 数据准备 3.2.5 模型建立 3.2.6 模型评价 3.2.7 模型部署 3.3 专家规则开发的工程方法 3.3.1 业务规则的技术和方法 3.3.2 专家规则的特点 3.3.3 专家规则开发的AI-FIT-PM方法论 3.3.4 专家规则模型对软件平台的需求 3.4 本章小结 参考文献 第4章 设备故障诊断与健康管理（PHM） 4.1 工业设备管理的现状与需求 4.1.1 工业设备分类