设备大数据

第1章绪论/1

1.1设备大数据概述/1

1.2设备健康的“体魄”离不开大数据支持/3

1.3从波音事件看设备数据分析的重要性/4

1.4没有大数据就无从谈智能制造/6

1.5本书概况/8

本章参考文献/10

第2章设备数据采集方法/12

2.1设备数据采集/12

2.1.1简介/12

2.1.2数据采集方式/12

2.1.3数据采集常用模式/13

2.1.4设备数据采集系统/14

2.2设备数据采集的感觉器官——传感器/15

2.2.1简介/15

2.2.2传感器的组成/16

2.2.3传感器的分类/16

2.2.4传感器的原理及特性/17

2.2.5常见传感器简介/17

2.3设备数据采集的神经元——PLC/18

2.3.1简介/18

2.3.2硬件基本结构/19

2.3.3软件结构设计/20

2.3.4PLC的特点/21

2.3.5PLC的应用领域/22

2.3.6常用的PLC/23

2.4工业网关/24

2.4.1工业网关的功能与特点/24

2.4.2工业网关的基本构成/26

2.4.3工业网关的关键技术/31

2.5工业控制网络/36

2.5.1集散控制系统/37

2.5.2现场总线控制系统/47

2.5.3监控和数据采集系统/62

2.6工业控制系统的实际案例/70

2.6.1概述/70

2.6.2需求分析/71

2.6.3解决方案/72

2.7本章小结/78

本章参考文献/78

设备大数据目录第3章设备数据存储方法/79

3.1设备大数据存储简介/79

3.2关系型数据库/83

3.2.1Oracle数据库/85

3.2.2MySQL数据库/87

3.2.3Microsoft SQL Server数据库/88

3.2.4PostgreSQL数据库/90

3.2.5总结/91

3.3非关系型数据库/93

3.3.1KeyValue数据库/95

3.3.2文档存储数据库/99

3.3.3列式存储数据库/101

3.3.4时序存储数据库/105

3.4本章小结/108

本章参考文献/109

第4章深度学习方法/111

4.1卷积神经网络/112

4.1.1卷积神经网络的历史与发展/112

4.1.2卷积神经网络的原理与常见应用/113

4.1.3卷积神经网络常用模型/115

4.1.4卷积神经网络在设备大数据中的应用/117

4.2循环神经网络/118

4.2.1神经机器翻译/119

4.2.2情感分析/121

4.2.3摘要生成/121

4.2.4循环神经网络在工业领域中的应用/122

4.3自编码器及其变种/125

4.3.1自编码器介绍/125

4.3.2自编码器与其他方法的比较/129

4.3.3自编码器的应用/131

4.4本章小结/136

本章参考文献/136

第5章数据降维方法/146

5.1主成分分析法/146

5.1.1基本思想/146

5.1.2主要计算步骤/147

5.1.3主成分分析法的优缺点/148

5.2tSNE算法/149

5.2.1算法思想/150

5.2.2算法举例/152

5.2.3算法的优缺点/155

5.2.4算法的应用/155

5.2.5算法的改进/156

5.3主成分追踪/156

5.4鲁棒主元分析/161

5.5低秩矩阵表示/163

5.6本章小结/164

本章参考文献/164

第6章数据分类与聚类方法/168

6.1分类算法的背景及现状/168

6.1.1背景/168

6.1.2国内外研究现状/168

6.2基本概念/169

6.3常用的算法详述/170

6.3.1即时学习分类算法/170

6.3.2基于统计学的分类算法/171

6.3.3决策树分类算法/177

6.4组合分类器/180

6.5聚类/183

6.5.1基本概念/184

6.5.2聚类算法的分类/186

6.6基于划分的聚类算法/187

6.6.1Kmeans算法/187

6.6.2Kmodes算法/188

6.6.3PAM算法/189

6.6.4CLARA算法/189

6.6.5MMACA算法/190

6.7基于层次的聚类算法/191

6.7.1传统的凝聚层次聚类算法/191

6.7.2改进的凝聚层次聚类算法/192

6.7.3分裂层次聚类算法/193

6.8基于密度的聚类算法/193

6.8.1DBSCAN聚类算法/193

6.8.2OPTICS聚类算法/195

6.8.3DENCLUE聚类算法/196

6.8.4CLIQUE聚类算法/197

6.8.5DPC算法/198

6.9其他聚类算法/199

6.9.1模糊聚类算法/199

6.9.2基于图论的聚类算法/201

6.9.3基于模型的聚类算法/201

6.9.4基于神经网络的聚类算法/202

6.10本章小结/204

本章参考文献/204

第7章案例分析/213

7.1工业过程故障检测与识别/213

7.1.1故障检测和识别方法的分类/214

7.1.2基于模型的故障检测和识别方法/215

7.1.3基于信号的故障检测和识别方法/216

7.1.4基于人工智能的故障检测和识别方法/217

7.1.5多层和网络化工业过程中的故障检测和识别/219

7.1.6仿真案例/220

7.1.7总结/225

7.2工业设备寿命预测/226

7.2.1引言/226

7.2.2时序卷积长短期记忆网络/228

7.2.3数据规约方法/232

7.2.4实验数据/234

7.2.5实验及分析/238

7.2.6讨论及建议/249

7.3数据驱动技术在载人深潜器设备管理中的应用/249

7.3.1案例背景/249

7.3.2技术框架/252

7.3.3应用结果/259

7.3.4小结讨论/283

7.4主成分追踪在高炉炼铁故障检测中的应用/284

7.4.1案例背景/284

7.4.2技术框架/287

7.4.3应用结果/294

7.4.4小结讨论/299

7.5本章小结/299

本章参考文献/300