第1章緒論/1

1.1設備大數據概述/1

1.2設備健康的“體魄”離不開大數據支持/3

1.3從波音事件看設備數據分析的重要性/4

1.4沒有大數據就無從談智能制造/6

1.5本書概況/8

本章參考文獻/10

第2章設備數據采集方法/12

2.1設備數據采集/12

2.1.1簡介/12

2.1.2數據采集方式/12

2.1.3數據采集常用模式/13

2.1.4設備數據采集繫統/14

2.2設備數據采集的感覺器官——傳感器/15

2.2.1簡介/15

2.2.2傳感器的組成/16

2.2.3傳感器的分類/16

2.2.4傳感器的原理及特性/17

2.2.5常見傳感器簡介/17

2.3設備數據采集——PLC/18

2.3.1簡介/18

2.3.2硬件基本結構/19

2.3.3軟件結構設計/20

2.3.4PLC的特點/21

2.3.5PLC的應用領域/22

2.3.6常用的PLC/23

2.4工業網關/24

2.4.1工業網關的功能與特點/24

2.4.2工業網關的基本構成/26

2.4.3工業網關的關鍵技術/31

2.5工業控制網絡/36

2.5.1集散控制繫統/37

2.5.2現場總線控制繫統/47

2.5.3監控和數據采集繫統/62

2.6工業控制繫統的實際案例/70

2.6.1概述/70

2.6.2需求分析/71

2.6.3解決方案/72

2.7本章小結/78

本章參考文獻/78

設備大數據目錄第3章設備數據存儲方法/79

3.1設備大數據存儲簡介/79

3.2關繫型數據庫/83

3.2.1Oracle數據庫/85

3.2.2MySQL數據庫/87

3.2.3Microsoft SQL Server數據庫/88

3.2.4PostgreSQL數據庫/90

3.2.5總結/91

3.3非關繫型數據庫/93

3.3.1KeyValue數據庫/95

3.3.2文檔存儲數據庫/99

3.3.3列式存儲數據庫/101

3.3.4時序存儲數據庫/105

3.4本章小結/108

本章參考文獻/109

第4章深度學習方法/111

4.1卷積神經網絡/112

4.1.1卷積神經網絡的歷史與發展/112

4.1.2卷積神經網絡的原理與常見應用/113

4.1.3卷積神經網絡常用模型/115

4.1.4卷積神經網絡在設備大數據中的應用/117

4.2循環神經網絡/118

4.2.1神經機器翻譯/119

4.2.2情感分析/121

4.2.3摘要生成/121

4.2.4循環神經網絡在工業領域中的應用/122

4.3自編碼器及其變種/125

4.3.1自編碼器介紹/125

4.3.2自編碼器與其他方法的比較/129

4.3.3自編碼器的應用/131

4.4本章小結/136

本章參考文獻/136

第5章數據降維方法/146

5.1主成分分析法/146

5.1.1基本思想/146

5.1.2主要計算步驟/147

5.1.3主成分分析法的優缺點/148

5.2tSNE算法/149

5.2.1算法思想/150

5.2.2算法舉例/152

5.2.3算法的優缺點/155

5.2.4算法的應用/155

5.2.5算法的改進/156

5.3主成分追蹤/156

5.4分析/161

5.5低秩矩陣表示/163

5.6本章小結/164

本章參考文獻/164

第6章數據分類與聚類方法/168

6.1分類算法的背景及現狀/168

6.1.1背景/168

6.1.2國內外研究現狀/168

6.2基本概念/169

6.3常用的算法詳述/170

6.3.1即時學習分類算法/170

6.3.2基於統計學的分類算法/171

6.3.3決策樹分類算法/177

6.4組合分類器/180

6.5聚類/183

6.5.1基本概念/184

6.5.2聚類算法的分類/186

6.6基於劃分的聚類算法/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基於層次的聚類算法/191

6.7.1傳統的凝聚層次聚類算法/191

6.7.2改進的凝聚層次聚類算法/192

6.7.3分裂層次聚類算法/193

6.8基於密度的聚類算法/193

6.8.1DBSCAN聚類算法/193

6.8.2OPTICS聚類算法/195

6.8.3DENCLUE聚類算法/196

6.8.4CLIQUE聚類算法/197

6.8.5DPC算法/198

6.9其他聚類算法/199

6.9.1模糊聚類算法/199

6.9.2基於圖論的聚類算法/201

6.9.3基於模型的聚類算法/201

6.9.4基於神經網絡的聚類算法/202

6.10本章小結/204

本章參考文獻/204

第7章案例分析/213

7.1工業過程故障檢測與識別/213

7.1.1故障檢測和識別方法的分類/214

7.1.2基於模型的故障檢測和識別方法/215

7.1.3基於信號的故障檢測和識別方法/216

7.1.4基於人工智能的故障檢測和識別方法/217

7.1.5多層和網絡化工業過程中的故障檢測和識別/219

7.1.6仿真案例/220

7.1.7總結/225

7.2工業設備壽命預測/226

7.2.1引言/226

7.2.2時序卷積長短期記憶網絡/228

7.2.3數據規約方法/232

7.2.4實驗數據/234

7.2.5實驗及分析/238

7.2.6討論及建議/249

7.3數據驅動技術在載人深潛器設備管理中的應用/249

7.3.1案例背景/249

7.3.2技術框架/252

7.3.3應用結果/259

7.3.4小結討論/283

7.4主成分追蹤在高爐煉鐵故障檢測中的應用/284

7.4.1案例背景/284

7.4.2技術框架/287

7.4.3應用結果/294

7.4.4小結討論/299

7.5本章小結/299

本章參考文獻/300 

隨著物聯網相關技術的不斷進步和5G通信技術的普及，越來越多的設備可以方便地接入互聯網。互聯網開始從人與人的鏈接工具逐步進化到人與物、物與物的鏈接工具。與傳統互聯網相比，在物聯網的場景下，以設備為來源的數據量更加龐大，場景也更加復雜多變，因此針對設備大數據的分析和研究就顯得尤為重要。 和通常意義上互聯網來源的大數據不一樣，設備來源的大數據本身大多數都不是為了傳達信息，通常真正有價值的信息隻有在對大數據進行解讀和分析以後纔能獲得。當前，專門針對設備來源大數據的分析技術與研究尚處於起步階段，擁有數據分析能力同時也對設備的情況比較了解的人員少之又少。與此同時，隨著智能制造的推廣普及，設備大數據產生速度在快速增長，因此我們亟待研究設備大數據的分析方法，為科研人員提供通用的面向設備大數據的分析方法與解決思路。本書凝聚了作者團隊近十年來在設備大數據的分析處理過程中積累的方法與經驗，希望能夠為廣大讀者起到拋磚引玉的作用，激發讀者對設備大數據的科研熱情。同時，如果能夠幫助讀者解決一些實際問題，作者會尤為高興。本書分為四個部分，共計7章。我們希望通過這四個部分的內容幫助讀者進一步了解設備大數據的概念與應用範疇。第一部分為第1章緒論，繫統性地介紹了設備大數據的概念、設備大數據的必要性與重要性等。第二部分為設備大數據分析基礎，包括第2、3章，詳細介紹了設備大數據的采集與存儲方法。本書選取數據采集中的傳感器、PLC、工業網關、工業控制網絡分別進行介紹，以便讀者可以了解數據采集的多種技術及運用方法。關於設備大數據存儲，主要針對工業制造業生產及管理過程中涉及的多種類型數據(海量的時序數據、文檔數據、信息化數據、接口數據、視頻數據、圖像數據、音頻數據等)進行了數據存儲方法及技術的介紹。第三部分為針對設備大數據分析的核心內容，包括第4～6章，詳細介紹了幾種數據分析方法：卷積神經網絡、循環神經網絡以及自編碼器等深度學習方法；主成分分析、t分布式隨機鄰域嵌入算法、主成分追蹤及低秩矩陣表示等數據降維方法。此外，還介紹了一些設備大數據的分類與聚類方法，包括即時學習、決策樹、Kmeans、模糊聚類等。第四部分為第7章案例分析，用四個案例介紹了設備大數據的應用領域，包括工業過程故障檢測與識別、工業設備壽命預測、載人深潛器設備管理、大型高爐繫統故障檢測。通過案例分析，進一步說明了大數據對設備運行管理的重要性。設備大數據分析是一個新興的領域，也是一個非常有前景的研究方向，希望讀者閱讀本書時抱著探求和存疑的心態，在獲得知識的同時也可以有所疑問，對工作有所幫助，同時也希望更多的讀者通過本書對設備大數據分析產生興趣。本書既可以作為大學理工科學生的專業入門書籍，幫助學生對設備大數據有一個基本的了解；同時本書也適合對數據分析有一定基礎的專業科研人員，可以幫助研究人員在設備大數據領域獲得有針對性的提高。 感謝中國科學院瀋陽自動化研究所為本書提供的資源以及平臺，感謝為本書提供參考的國內外學術專著的作者，感謝華中科技大學出版社對於本書出版給予的幫助，感謝家人朋友一如既往的支持和鼓勵。由於作者水平所限，書中難免會有疏漏之處，還望讀者不吝指正。2023年1月