第1章智能制造與智能車間/1
1.1智能制造的定義/1
1.2智能制造的發展/2
1.2.1目標：智能制造/3
1.2.2基礎：工業互聯網/4
1.2.3核心技術：大數據技術/5
1.2.4應用領域/6
1.3智能車間的構成/8
1.3.1智能設備/10
1.3.2智能控制/11
1.3.3智能執行/12
1.4智能化運行分析與決策/13
1.4.1優化對像：車間性能/14
1.4.2目標：提質增效降本/14
1.5本書的主要內容和體繫結構/14
第2章車間制造大數據/18
2.1大數據概述/18
2.1.1大數據的提出/18
2.1.2大數據的特征/19
2.2車間制造大數據的來源/19
2.2.1產品數據資源/20
2.2.2設備數據資源/24
2.2.3生產數據資源/26
2.2.4物流數據資源/27
2.3車間制造大數據的特征/28
2.3.1規模性/28
2.3.2多樣性/29
2.3.3高速性/29
2.3.4高噪聲/29
2.3.5多來源/30
2.3.6多尺度/30
2.4車間制造大數據的典型應用場景/30
2.4.1工序智能調度/31
2.4.2資源自動分配和狀態實時管理/31
2.4.3性能預測分析/32
2.4.4智能維護管理/33
2.4.5過程實時管理/34
2.4.6質量智能管理/36
2.5車間制造大數據生命周期/36
2.5.1制造大數據生命周期的不同階段/36
2.5.2制造大數據生命周期模型/38
2.6本章小結/39
第3章大數據驅動的車間運行分析與決策模式/41
3.1車間運行性能指標體繫/41
3.1.1質量指標/42
3.1.2效率指標/43
3.1.3成本指標/44
3.1.4其他性能指標/44
3.2車間運行分析的常用方法/44
3.2.1數學規劃模型分析法/45
3.2.2排隊論模型分析法/45
3.2.3網絡流模型分析法/46
3.2.4馬爾可夫模型分析法/47
3.2.5其他建模分析法/47
3.3車間運行決策的常用方法/49
3.3.1基於運籌學的決策方法/49
3.3.2基於啟發式規則的決策方法/50
3.3.3基於智能優化算法的決策方法/51
3.4大數據驅動的“關聯 預測 調控”的新模式/51
3.4.1第四範式：數據科學/53
3.4.2車間制造數據的耦合機理：關聯/54
3.4.3車間性能的演化規律：預測/55
3.4.4車間運行的管控機制：調控/55
3.5新模式下的車間運行分析與決策關鍵方法/56
3.5.1海量高維多源異構制造數據預處理技術/56
3.5.2動態制造數據多尺度時序分析技術/57
3.5.3制造大數據的關繫網絡建模與關聯分析技術/58
3.5.4車間運行狀態演化規律挖掘與預測技術/58
3.5.5基於定量調控機制的車間運行決策方法/59
3.6本章小結/60
第4章車間制造大數據融合方法/63
4.1車間制造大數據融合的必要性/63
4.2通用數據融合方法/64
4.3智能車間制造大數據融合過程/69
4.4車間制造大數據清洗方法/71
4.4.1數據清洗常用方法/71
4.4.2多規則多層級組合的車間制造數據清洗/74
4.5車間制造大數據抽取方法/75
4.5.1數據抽取常用方法/75
4.5.2對像框架下的車間制造數據抽取/77
4.6車間制造大數據分類方法/79
4.6.1常用數據分類方法/79
4.6.2基於聚類層次樹的車間制造數據分類/80
4.7車間制造大數據融合處理平臺/82
4.7.1平臺配置/82
4.7.2數據獲取與導入/83
4.7.3平臺測試/85
4.8本章小結/86
第5章車間時序制造數據特征提取方法/89
5.1車間時序制造數據的來源/89
5.2車間時序制造數據的特點/92
5.3時序數據特征提取方法分類/94
5.3.1時域相似性特征提取方法/95
5.3.2模型相似性特征提取方法/96
5.3.3形狀相似性特征提取方法/98
5.4面向時序制造數據流的特征關繫分析/99
5.4.1時序制造數據符號化/100
5.4.2時序制造數據相關性類別字典構建/102
5.4.3時序制造數據類別字典自適應擴充/103
5.4.4實驗驗證/104
5.5分層的時序制造數據在線快速分類方法/108
5.5.1時序制造數據層次樹結構存儲模型/108
5.5.2時序制造數據特征快速匹配算法/111
5.5.3實驗驗證/111
5.6本章小結/112
第6章車間制造大數據關聯關繫分析方法/115
6.1車間制造大數據關聯關繫分析的難點/115
6.1.1車間制造數據的多樣相關特性/116
6.1.2車間制造數據的復雜耦合特性/117
6.2常用的數據關聯關繫分析方法/120
6.3車間制造數據關聯關繫的信息熵度量方法/122
6.3.1信息熵的定義/122
6.3.2車間制造數據的互信息描述模型/123
6.3.3參數相關性度量方法/123
6.3.4參數冗餘性度量方法/125
6.3.5參數互補性度量方法/125
6.4基於網絡去卷積的車間制造關鍵參數識別方法/126
6.4.1制造過程參數關聯關繫網絡建模/127
6.4.2車間制造數據的網絡去卷積解耦算法/128
6.4.3基於NMIND的關鍵影響因素識別/131
6.5案例驗證/131
6.5.1標準測試集實驗/131
6.5.2實例驗證/133
6.6本章小結/142
第7章大數據驅動的車間性能預測方法/144
7.1車間運行性能預測對像概述/144
7.2改進型循環神經網絡的產品工期預測方法/145
7.2.1多工序時間傳遞效應分析/146
7.2.2面向產品工期預測的改進型循環神經網絡模型/148
7.2.3實驗驗證/155
7.3基於支持向量機的產品質量預測方法/160
7.3.1制造過程參數影響分析及優化策略/161
7.3.2柴油發動機裝配質量預測/165
7.3.3實驗驗證/170
7.4自適應遷移的設備故障預測方法/173
7.4.1設備多工況服役特性/173
7.4.2基於深度遷移學習的設備故障預測方法/174
7.4.3實驗驗證/176
7.5本章小結/176
第8章大數據驅動的車間運行調控方法/179
8.1車間運行調控概述/179
8.2大數據驅動的生產動態調度方法/180
8.2.1大數據驅動的飛機平尾裝配生產逆調度模型/180
8.2.2基於自適應容忍度驅動機制的逆調度策略/182
8.2.3基於混合遺傳算法的逆調度求解方法/184
8.2.4實驗結果與分析/187
8.3大數據驅動的產品工期調控方法/196
8.3.1大數據驅動的晶圓工期調控模型/196
8.3.2基於ActorCritic的工期調控方法/198
8.3.3晶圓制造車間工期調控案例/203
8.4大數據驅動的設備故障診斷方法/205
8.4.1大數據驅動的故障診斷方法框架/206
8.4.2基於卷積神經網絡的智能(數據驅動)故障診斷方法/208
8.4.3實驗驗證/210
8.5本章小結/214
第9章基於大數據平臺的智能車間管控繫統及其應用/217
9.1基於大數據平臺的智能車間管控繫統總體架構/217
9.2車間制造大數據平臺架構/219
9.2.1繫統總體架構/219
9.2.2大數據平臺功能結構及核心技術/221
9.2.3大數據平臺性能指標/226
9.3智能車間管控繫統功能模塊設計與實現/228
9.3.1基礎功能模塊/228
9.3.2數據抽取與預處理模塊/229
9.3.3數據關聯關繫分析模塊/230
9.3.4車間運行性能預測模塊/230
9.3.5車間運行過程調控模塊/230
9.3.6智能車間可視化模塊/231
9.4晶圓制造車間應用案例/232
9.4.1晶圓制造車間對大數據應用的需求/232
9.4.2晶圓制造車間大數據的來源與特點/235
9.4.3晶圓制造車間大數據處理與分析/237
9.4.4大數據驅動的晶圓加工車間智能管控繫統/239
9.5本章小結/248

隨著數控機床、傳感器和智能感知設備的廣泛應用，車間制造數據呈現出典型的大數據特性。本書作者在國家自然科學基金重點項目“大數據驅動的智能車間的運行分析與決策方法的研究”(No.51435009)的資助下，突破傳統的“因果分析 模型 算法”模式的瓶頸，圍繞大數據驅動的智能車間運行分析與決策方法展開了廣泛深入的研究，通過“關聯分析 預測 調控”實現復雜制造環境下車間性能的優化。本書對制造大數據的基本概念進行了梳理，對車間制造大數據的感知、通信、處理和平臺技術，以及建模、分析方法和決策服務開展了探索，介紹了海量、高維、多源、異構制造數據清洗去噪等預處理方法，統一建模與融合方法，動態制造數據多尺度時序分析方法，制造數據的關繫網絡模型，車間性能預測方法與運行調控機制，並對大數據在典型制造行業的應用做了初步嘗試，旨在為車間生產從自動化、數字化邁向智能化奠定堅實的理論和技術基礎。本書主要面向機械工程和工業工程領域的研究者和生產管理人員，特別是尋求如何利用大數據提升制造業智能化水平的讀者，同時也可作為自動化、計算機工程、管理工程等相關專業的研究生和高年級本科生的教材和參考書。本書的研究工作得到了國家自然科學基金重點項目“大數據驅動的智能車間的運行分析與決策方法的研究”(No.51435009)、“面向智慧工廠的防空導彈結構件混線生產實時優化協同管理”(No.U1637211)，以及面上項目“基於復雜網絡理論的晶圓制造自動化物料運輸繫統動態調度方法”(No.51775348)的資助，在此表示感謝。本書由東華大學張潔、上海交通大學秦威、華中科技大學高亮撰寫。在本書編寫過程中，東華大學呂佑龍、張朋、汪俊亮，華中科技大學李新宇，以及博士和碩士研究生鄭鵬、許宏偉、查棟燁、莊子龍、陸知遙等參加了部分編寫工作，付出了大量心血，在此對他們表示感謝。在書稿編寫過程中參考了大量的文獻，在書中盡可能地標注了作者，表示由衷的感謝；若有因疏忽未標注的，敬請有關作者諒解。華中科技大學出版社的編輯們為本書的出版付出了大量的心血，在此表示由衷感謝。大數據的相關理論和方法還處在迅速發展的階段，在制造業中的應用已經引起越來越多的科研和工程人員的關注。由於作者的水平和能力有限，書中的缺點和疏漏在所難免，在此歡迎廣大讀者批評指正。張潔等2019年8月於上海