面向流程制造行业的工业大数据分析

本书以大数据和人工智能技术为主线，重点探讨其在石油石化、化工、制药、电力、钢铁等流程工业中的创新应用。自2020年出版以来，人工智能技术迅猛发展，正在深刻改变传统流程工业的运作模式和竞争格局。AI技术的新特色在于其强大的跨领域能力，能够在学习、理解和创造任务中解决复杂问题。这种能力不仅提升了自动化和效率，还加速了产品和服务的创新，提高了生产效率和产品质量。更为重要的是，AI正在催生新的商业模式和行业标准。鉴于这些变革，作者对原书进行了改版，增加了人工智能在科研和工程中的应用实例，为流程工业界的研究人员、管理者和技术专家提供了宝贵的学习材料，助力其在数字化转型中抓住机遇。

第1章 流程工业智能制造与数字化转型 001
1.1 流程工业数字化转型战略 002
1.1.1 流程工业概述 003
1.1.2 流程工业数字化转型的需求 004
1.1.3 中国流程工业数字化规划 007
1.1.4 各国流程工业数字化的差异和启示 009
1.2 大数据分析和数字化转型的关系 010
1.2.1 大数据的内涵 010
1.2.2 大数据和人工智能的关系 011
1.2.3 工业大数据与流程工业智能化 012
1.3 人工智能在流程工业科研和工程中的战略意义 016
1.3.1 人工智能在科学研究中的重要作用 016
1.3.2 人工智能在工程建设中的重要作用 017
第2章 工业大数据分析基础 020
2.1 工业大数据治理 020
2.1.1 工业大数据应用面临的挑战 020
2.1.2 应对方法 022
2.2 流程工业大数据治理案例 023
2.2.1 跨国石油公司大数据治理 023
2.2.2 国内石油公司大数据治理 029
2.3 大数据采集技术 035
2.3.1 Apache Sqoop 035
2.3.2 Apache Flume 036
2.3.3 Gobblin 037
2.4 人工智能的概念 039
2.4.1 机器学习 040
2.4.2 神经网络 041
2.4.3 深度学习 042
2.4.4 自然语言处理 043
2.4.5 多模态技术 045
2.4.6 生成式人工智能和人工智能大模型 046
2.5 人工智能与大数据的关系 047
2.5.1 人工智能的数据基础 048
2.5.2 大数据的二次挖掘 049
第3章 天然气开发行业的大数据分析 051
3.1 天然气开发行业信息化现状 051
3.2 天然气开发行业的大数据分析需求 053
3.3 天然气开发行业的大数据来源与特点 055
3.4 天然气开发行业的大数据解决方案 055
3.4.1 大数据获取 055
3.4.2 大数据监控 056
3.4.3 大数据可视化 057
3.5 天然气开发行业的大数据分析方法 058
3.5.1 天然气开发风险预防性分析方法 058
3.5.2 设备性能退化分析方法 060
3.6 天然气开发行业的大数据分析案例 061
3.6.1 应用场景 061
3.6.2 天然气水合物大数据预测应用案例 065
3.6.3 压缩机故障大数据预防性监控应用案例 066
3.6.4 换热器早期泄漏大数据监控应用案例 068
3.7 总结 070
第4章 炼油化工行业的大数据分析 071
4.1 炼油化工行业信息化现状 071
4.2 炼油化工行业的大数据分析需求 073
4.2.1 油田勘探与生产制造环节 073
4.2.2 研发设计环节 075
4.2.3 市场营销与售后服务环节 076
4.2.4 HSE评价体系的需求 076
4.3 炼油化工行业的大数据来源与特点 078
4.3.1 炼油化工行业的大数据来源 078
4.3.2 炼油化工行业的大数据特点 078
4.4 炼油化工行业的大数据解决方案 080
4.4.1 炼油化工企业存在的问题 080
4.4.2 工业大数据平台架构方案 080
4.5 炼油化工行业的大数据分析方法 083
4.6 炼油化工行业的大数据分析案例 084
4.6.1 应用场景 084
4.6.2 应用案例 085
4.7 总结 086
第5章 化工行业的大数据分析 088
5.1 化工行业信息化现状 088
5.2 化工行业的大数据分析需求 089
5.3 化工行业的大数据来源与特点 090
5.4 化工行业的大数据解决方案 091
5.5 化工行业的大数据分析方法 092
5.6 化工行业的大数据分析案例 094
5.6.1 应用场景 094
5.6.2 应用案例 102
5.7 总结 115
第6章 钢铁行业的大数据分析 117
6.1 钢铁行业信息化现状 118
6.2 钢铁行业的大数据分析需求 118
6.2.1 经营管理与生产管理的需求 118
6.2.2 技术进步与发展的需求 119
6.3 钢铁行业的大数据来源与特点 120
6.4 钢铁行业的大数据解决方案 122
6.5 钢铁行业的大数据分析方法 124
6.6 钢铁行业的大数据分析案例 127
6.6.1 应用场景 127
6.6.2 应用案例 129
6.7 总结 139
第7章 电力输电线路运维的大数据分析 140
7.1 电力输电线路运维信息化现状 140
7.2 电力输电线路运维的大数据分析需求 141
7.3 电力输电线路运维的大数据来源与特点 142
7.3.1 电力输电线路运维的大数据来源 142
7.3.2 电力输电线路运维的大数据特点 142
7.4 电力输电线路运维的大数据解决方案 143
7.5 电力输电线路运维的大数据分析方法 144
7.5.1 面向设备状态大数据的分布式存储和处理技术 144
7.5.2 电力运维行业的数据ETL技术 145
7.5.3 电力输电线路的数据挖掘分析技术 145
7.6 电力输电线路运维的大数据分析案例 147
7.6.1 输电线路智能化反外损监控系统 147
7.6.2 基于位置信息大数据驱动的输电线路智能巡检系统 152
7.6.3 特高压输电通道无人机巡检系统 156
7.6.4 空、塔、地协同的输电线路智能巡检系统 159
7.7 电力输电线路运维大数据技术展望 163
7.7.1 基于区块链技术的输电线路反外损运维系统 163
7.7.2 基于社交网络用户激励的系统运营模式 164
7.7.3 电力物联网价值挖掘 166
7.8 总结 168
第8章 人工智能在流程工业科研和工程中的创新应用与展望 169
8.1 流程工业创新的重要意义 169
8.2 传统流程工业存在的问题 171
8.3 流程工业创新方向 173
8.3.1 干实验室计算化学与材料学 173
8.3.2 湿实验室自动化微反应器 174
8.3.3 干湿实验室的结合 175
8.3.4 人工智能与人在回路、人机融合的结合 177
8.3.5 综合决策支持系统 178
8.4 应用案例 179
8.5 总结与展望 181
参考文献 183
索引 191
本书编委 195
致谢 196