工业大数据融合体系结构与关键技术

前言

第1章　绪论  1

1.1　工业4.0  1

1.1.1　发展历程  1

1.1.2　设计原则  2

1.1.3　成熟度模型  4

1.2　信息物理系统  5

1.2.1　发展阶段  5

1.2.2　体系结构  5

1.2.3　关键技术  8

1.3　大数据  13

1.3.1　大数据的定义  13

1.3.2　大数据带来的挑战  16

1.3.3　大数据技术  21

1.3.4　大数据管理  44

第2章　工业无线传感器网络数据融合  53

2.1　引言  53

2.1.1　工业4.0与智能工厂  53

2.1.2　传感器云  57

2.1.3　工业无线传感器网络与传感器云  59

2.2　数据融合体系结构  65

2.2.1　多源异构数据的统一描述与管理机制  65

2.2.2　基于传感器技术的工业无线传感器网络  70

2.3　基于分布式云的数据感知与管理软件  92

2.3.1　功能描述  92

2.3.2　设计与实现  93

2.3.3　典型应用场景  102

2.3.4　运行环境及安装流程  102

2.3.5　使用说明  106

第3章　面向工业4.0的数据采集机制  110

3.1　引言  110

3.2　设施位置问题  113

3.2.1　设施位置问题概述  113

3.2.2　k中点问题  114

3.3　低开销的虚拟传感器管理机制  115

3.3.1　k资源调度器  116

3.3.2　渐进交换算法  125

3.3.3　贪心算法  127

3.3.4　RK算法  129

3.4　实验与分析  131

3.4.1　参数设置  131

3.4.2　结果与分析  132

第4章　工业过程数据的故障预测与质量预测  140

4.1　引言  140

4.2　相关工作与背景知识  141

4.3　基于高斯过程回归的预测模型  144

4.3.1　单步预测模型  144

4.3.2　基于时间序列的多步预测  147

4.3.3　基于高斯过程回归的基本模型和反馈模型  148

4.4　实验与分析  148

4.4.1　TE模拟平台  148

4.4.2　对比实验  149

4.4.3　评价指标  151

4.4.4　实验核函数构建  151

4.4.5　结果与分析  152

第5章　时间序列数据的模式异常检测  163

5.1　引言  163

5.2　相关工作  166

5.3　定义  170

5.4　骨架模式表示异常检测方法  171

5.4.1　基于可感知重要点的骨架表示  171

5.4.2　模式表示  174

5.4.3　基于骨架模式表示的异常检测  175

5.5　实验与分析  177

5.5.1　性能指标  177

5.5.2　针对合成数据集的实验  178

5.5.3　针对真实数据集的实验  185

第6章　时间序列数据的异常值检测  190

6.1　引言  190

6.2　异常值检测技术综述  193

6.2.1　常见的异常值检测技术  193

6.2.2　隔离森林  196

6.2.3　本地异常值因子  198

6.3　基于最近邻居集合的隔离方案  200

6.3.1　问题陈述  200

6.3.2　基于最近邻居集合的隔离  202

6.3.3　面向无线传感器网络的分布式检测模型  205

6.4　实验与分析  210

6.4.1　数据集  211

6.4.2　性能指标  213

6.4.3　结果与分析  214

第7章　总结与展望  225

参考文献  231

主要缩略语对照表  263