化学工业智能制造：互联化工

第1章　智能制造概述　 / 1
1.1　智能制造发展背景　 / 2
1.2　智能制造定义　 / 3
1.3　智能制造架构　 / 6
1.4　智能制造的特征　 / 8
1.5　各国推动智能制造发展的产业计划　 / 9
1.5.1　美国先进制造业国家战略计划　 / 9
1.5.2　德国工业4.0　 / 11
1.5.3　新工业法国　 / 11
1.5.4　英国工业2050战略　 / 11
1.5.5　日本工业价值链产业联盟　 / 12
1.5.6　中国制造强国战略　 / 12
1.5.7　各国智能制造策略比较　 / 13

第2章　智能制造之经典生产制造体系基础　 / 15
2.1　准时制生产　 / 16
2.2　精益生产　 / 18
2.3　柔性制造　 / 20
2.4　敏捷制造　 / 20
2.5　全面的质量管理和六西格玛质量管理　 / 21
2.5.1　全面质量管理　 / 22
2.5.2　六西格玛质量管理　 / 23
2.5.3　质量管理中的数据分析工具　 / 25
2.6　企业资源计划　 / 26
2.6.1　企业资源计划的概念　 / 26
2.6.2　企业资源计划的管理思想　 / 27
2.6.3　ERP的计划制定及计划层次　 / 28
2.6.4　与ERP系统集成的相关系统及工具　 / 31
2.7　知识管理与知识自动化　 / 32
2.7.1　知识管理的概念　 / 32
2.7.2　知识重组与知识推理　 / 34
2.7.3　知识自动化与智能制造　 / 35
2.8　计算机集成控制技术　 / 36
2.8.1　过程控制技术发展阶段　 / 36
2.8.2　计算机集成过程系统　 / 37

第3章　智能制造之现代信息技术基础　 / 39
3.1　物联网与工业互联网　 / 40
3.1.1　物联网概念　 / 40
3.1.2　物联网设备　 / 40
3.1.3　基于物联网技术的工业互联网　 / 44
3.2　面向智能制造的工业通信技术　 / 46
3.2.1　面向智能制造的工业通信架构　 / 46
3.2.2　工业现场总线通信技术　 / 47
3.2.3　工业以太网通信技术　 / 48
3.2.4　工业无线通信技术　 / 49
3.2.5　5G通信技术　 / 50
3.2.6　网络通信的安全　 / 53
3.3　大数据　 / 54
3.3.1　数据信息知识智慧模型　 / 54
3.3.2　大数据概念　 / 56
3.3.3　大数据的资源化意义　 / 58
3.3.4　大数据分析方法与传统方法的区别　 / 59
3.3.5　数据的结构类别　 / 61
3.3.6　大数据技术　 / 62
3.4　云计算与边缘计算　 / 63
3.4.1　云计算的概念与特点　 / 63
3.4.2　基于云计算的大数据架构　 / 65
3.4.3　工业云　 / 66
3.4.4　边缘计算　 / 67
3.5　工业大数据　 / 69
3.5.1　工业大数据概念　 / 69
3.5.2　工业大数据的来源　 / 70
3.5.3　工业大数据的价值　 / 71
3.5.4　工业大数据的应用策略和方法　 / 73
3.5.5　工业大数据的关键技术　 / 75
3.5.6　工业大数据管理架构　 / 76
3.5.7　工业大数据的质量评价　 / 77
3.6　信息物理系统　 / 78
3.6.1　信息物理系统概念　 / 78
3.6.2　信息物理系统与智能制造　 / 81
3.6.3　信息物理系统技术架构　 / 82
3.7　人工智能　 / 84
3.7.1　人工智能的概念　 / 84
3.7.2　人工智能的发展历程　 / 85
3.7.3　人工智能的研究范围　 / 87
3.7.4　大数据、人工智能与智能制造　 / 88

第4章　互联化工　 / 93
4.1　化学工业发展中的挑战与问题提出　 / 94
4.2　化学工业对智能化技术的应用需求　 / 96
4.3　互联化工　 / 97
4.3.1　互联化工的概念　 / 97
4.3.2　互联化工架构模型　 / 101
4.4　互联化工的典型业务场景与模式　 / 105
4.4.1　绿色化的产品工程、工业工程与制造模式　 / 106
4.4.2　商务智能化与优化控制一体化　 / 107
4.4.3　面向供应链协同的柔性生产系统　 / 110
4.4.4　基于可靠性管理和知识集成的质量管理体系　 / 113
4.4.5　智能化设备与设备全生命周期管理　 / 115
4.4.6　制造执行系统　 / 117
4.4.7　能质网络集成管理平台与优化运行　 / 119
4.4.8　健康、安全、环境管理　 / 121
4.4.9　知识体系与知识自动化　 / 126

第5章　互联化工的关键信息技术　 / 134
5.1　互联化工的数字化技术　 / 135
5.1.1　互联化工的数据架构　 / 135
5.1.2　数据驱动的数字化技术　 / 136
5.1.3　基于过程机理的流程模拟技术　 / 137
5.1.4　互联化工的数据安全技术　 / 139
5.2　面向互联化工的工业互联网架构　 / 140
5.3　面向互联化工的信息物理系统　 / 142
5.3.1　互联化工信息物理系统层级划分　 / 142
5.3.2　互联化工信息物理系统的技术特征　 / 143
5.4　智慧化单元操作与单元过程　 / 144
5.4.1　基于信息物理系统的智慧化单元架构　 / 144
5.4.2　智慧化单元的控制过程　 / 145
5.4.3　智慧化单元的性能特点　 / 145
5.5　智能控制技术　 / 146
5.5.1　互联化工的智能控制要求　 / 146
5.5.2　智能控制技术　 / 147
5.5.3　智能控制技术的模式　 / 148
5.5.4　智能控制技术应用　 / 149

第6章　云制造——互联化工的跨尺度模式　 / 152
6.1　云制造概述　 / 153
6.1.1　云制造的概念　 / 153
6.1.2　云制造的服务对象　 / 154
6.1.3　云制造能力服务　 / 154
6.1.4　制造资源服务　 / 155
6.2　云制造架构　 / 156
6.3　云制造的支撑技术　 / 158
6.4　云制造的数字化模型　 / 160
6.4.1　云制造的数字化核心技术　 / 161
6.4.2　制造资源与能力的数字化描述　 / 162
6.4.3　能力评价模型　 / 163
6.4.4　服务组合优选算法模型　 / 164
6.5　云制造安全技术　 / 166
6.6　云制造的业务模式　 / 168
6.6.1　云制造平台的运营管理　 / 168
6.6.2　云制造平台的几种商业运营模式　 / 168

第7章　数据挖掘　 / 171
7.1　数据的相关概念　 / 172
7.1.1　数据特征属性　 / 172
7.1.2　数据管理的几个常用概念　 / 174
7.1.3　数据的尺度属性　 / 174
7.1.4　数据质量评估　 / 175
7.2　数据的存储方式　 / 177
7.2.1　结构化数据的存储　 / 177
7.2.2　非结构化数据的存储　 / 177
7.2.3　面向主题的数据存储—数据仓库　 / 179
7.3　数据挖掘概述　 / 179
7.3.1　数据挖掘的概念　 / 179
7.3.2　数据挖掘技术的特点　 / 180
7.3.3　数据挖掘模型　 / 181
7.4　数据挖掘项目的实施步骤　 / 183
7.4.1　问题定义　 / 184
7.4.2　数据预处理　 / 185
7.4.3　数据探索　 / 186
7.4.4　建立数据挖掘模型　 / 187
7.4.5　结果解释与评估　 / 188
7.5　数据挖掘项目的关键角色　 / 188
7.6　常用的数据挖掘软件工具　 / 189

第8章　数据预处理　 / 192
8.1　数据整合　 / 193
8.2　数据清洗　 / 197
8.3　数据转换　 / 199
8.4　数据归约　 / 201
8.5　特征属性的筛选（降维）方法　 / 202
8.5.1　基于线性相关性指标的筛选　 / 202
8.5.2　基于灰色关联法的筛选　 / 203
8.5.3　主成分分析法　 / 204
8.6　共线性问题　 / 204
8.6.1　共线性问题的识别　 / 204
8.6.2　消除共线性问题　 / 205
8.7　数据仓库　 / 205
8.7.1　数据仓库概要　 / 205
8.7.2　构建数据仓库的步骤　 / 207

第9章　数据挖掘算法　 / 210
9.1　聚类算法　 / 211
9.1.1　聚类算法概要　 / 211
9.1.2　常用的聚类算法　 / 211
9.1.3　聚类分析相似度的衡量　 / 212
9.1.4　聚类分析步骤　 / 212
9.1.5　聚类算法及结果的评价标准　 / 213
9.1.6　K-means聚类算法　 / 213
9.2　分类算法　 / 216
9.2.1　分类算法概要　 / 216
9.2.2　分类结果的评判　 / 216
9.2.3　k-近邻分类算法　 / 217
9.2.4　人工神经网络　 / 219
9.3　关联规则　 / 223
9.3.1　关联规则的基本概念　 / 223
9.3.2　关联规则的类型　 / 224
9.3.3　Apriori算法　 / 224
9.4　回归分析　 / 227
9.4.1　回归分析方法　 / 227
9.4.2　回归分析的步骤与逐步回归　 / 228
9.5　预测算法　 / 230
9.5.1　预测的基本概念　 / 230
9.5.2　常用的预测方法　 / 231
9.5.3　时间序列分析概要　 / 233
9.5.4　时间序列分析的算法策略　 / 235
9.5.5　时间序列分析的步骤　 / 237
9.6　优化问题　 / 239
9.6.1　遗传算法的概述　 / 239
9.6.2　蚁群算法的基本原理　 / 240
9.6.3　模拟退火算法的概述　 / 241
9.7　诊断概要　 / 244
9.7.1　离群点　 / 244
9.7.2　离群点判据模型的建立原则　 / 245
9.7.3　离群点的常用检测方法　 / 245
9.7.4　异常（故障）模式诊断　 / 247

第10章　数据挖掘应用案例　 / 251
10.1　材料基因组计划　 / 252
10.1.1　材料基因组计划概要　 / 252
10.1.2　神经网络模型预测晶体材料的形成能　 / 255
10.1.3　基于关联规则模型的材料性能分析　 / 255
10.2　化工系统的可靠性评价　 / 257
10.2.1　化工系统可靠性评价指标　 / 257
10.2.2　分析模型的建立　 / 258
10.2.3　灰色关联分析　 / 259
10.2.4　马尔可夫修正　 / 260
10.3　煤化工产业链的协同机制与模型　 / 261
10.3.1　基于社会网络分析法的供应链模型　 / 262
10.3.2　基于工业代谢平衡的协同度评价　 / 265
10.4　设备异常识别与预防性维修　 / 267
10.4.1　模型的建立　 / 267
10.4.2　设备异常识别案例　 / 269
10.5　基于智能算法的软测量技术　 / 272
10.5.1　软测量技术概述　 / 272
10.5.2　软测量模型及基于软测量的异常诊断　 / 273
10.5.3　粉料储罐料位的软测量模型　 / 274

第11章　大数据可视化技术　 / 276
11.1　数据可视化技术概述　 / 277
11.1.1　数据可视化概念　 / 277
11.1.2　数据可视化的基本要素和分类　 / 277
11.1.3　可视化数据分类　 / 279
11.1.4　数据可视化的层次　 / 279
11.2　常用的数据可视化图形　 / 280
11.2.1　常用三大图：柱（条）、线、饼（环）　 / 280
11.2.2　面积图、雷达图、散点图、气泡图　 / 283
11.2.3　地理图　 / 284
11.2.4　矩形树图、日历图、桑基图、漏斗图、箱线图　 / 285
11.2.5　词云、鱼骨图　 / 287
11.2.6　数据可视化多图集合模式　 / 287
11.3　常用的数据可视化工具　 / 288

英文缩略词对照表　 / 290

参考文献　 / 294