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