设备大数据

　　针对我国设备大数据相关研究刚刚起步的现状，本书以设备健康管理为落脚点，从方法创新和探索应用两个方面对数据采集、存储以及处理分析进行了系统性介绍和阐释。本书介绍了传感器、PLC、工业网关等数据采集中比较重要的几个部分，以及多种不同类型设备大数据的存储方式。本书从模式识别、降维处理及分类与聚类三个方面介绍了设备大数据的分析方法，并利用实际工业过程中的四个案例讲解了大数据为设备状态分析带来的新方法，力图给设备健康领域的技术工程师、科研人员，以及对设备数据处理分析感兴趣的人员，提供系统全面的设备大数据理论知识与应用介绍。

　　郑泽宇，男，汉族，日本文科省统计数理研究所博士，中国科学院沈阳自动化研究所研究员，博士研究生导师。中科院百人计划A类，人工智能，大数据专家，国家重大专项课题负责人。先后在理化学研究所，新加坡国立大学等机构工作，主要从事人工智能，大数据科研，发表论文近百篇，擅长工业领域大数据研究工作。

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