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。
本书借用客观数据会 说话的方式给读者呈现一本设备数据分析领域的学术科普读物。
随着物联网相关技术的不断进步和5G通信技术的普及，越来越多的设备可以方便地接入互联网。互联网开始从人与人的链接工具逐步进化到人与物、物与物的链接工具。与传统互联网相比，在物联网的场景下，以设备为来源的数据量更加庞大，场景也更加复杂多变，因此针对设备大数据的分析和研究就显得尤为重要。 和通常意义上互联网来源的大数据不一样，设备来源的大数据本身大多数都不是为了传达信息，通常真正有价值的信息只有在对大数据进行解读和分析以后才能获得。当前，专门针对设备来源大数据的分析技术与研究尚处于起步阶段，拥有数据分析能力同时也对设备的情况比较了解的人员少之又少。与此同时，随着智能制造的推广普及，设备大数据产生速度在快速增长，因此我们亟待研究设备大数据的分析方法，为科研人员提供通用的面向设备大数据的分析方法与解决思路。本书凝聚了作者团队近十年来在设备大数据的分析处理过程中积累的方法与经验，希望能够为广大读者起到抛砖引玉的作用，激发读者对设备大数据的科研热情。同时，如果能够帮助读者解决一些实际问题，作者会尤为高兴。本书分为四个部分，共计7章。我们希望通过这四个部分的内容帮助读者进一步了解设备大数据的概念与应用范畴。第一部分为第1章绪论，系统性地介绍了设备大数据的概念、设备大数据的必要性与重要性等。第二部分为设备大数据分析基础，包括第2、3章，详细介绍了设备大数据的采集与存储方法。本书选取数据采集中的传感器、PLC、工业网关、工业控制网络分别进行介绍，以便读者可以了解数据采集的多种技术及运用方法。关于设备大数据存储，主要针对工业制造业生产及管理过程中涉及的多种类型数据(海量的时序数据、文档数据、信息化数据、接口数据、视频数据、图像数据、音频数据等)进行了数据存储方法及技术的介绍。第三部分为针对设备大数据分析的核心内容，包括第4～6章，详细介绍了几种数据分析方法：卷积神经网络、循环神经网络以及自编码器等深度学习方法；主成分分析、t分布式随机邻域嵌入算法、主成分追踪及低秩矩阵表示等数据降维方法。此外，还介绍了一些设备大数据的分类与聚类方法，包括即时学习、决策树、Kmeans、模糊聚类等。第四部分为第7章案例分析，用四个案例介绍了设备大数据的应用领域，包括工业过程故障检测与识别、工业设备寿命预测、载人深潜器设备管理、大型高炉系统故障检测。通过案例分析，进一步说明了大数据对设备运行管理的重要性。设备大数据分析是一个新兴的领域，也是一个非常有前景的研究方向，希望读者阅读本书时抱着探求和存疑的心态，在获得知识的同时也可以有所疑问，对工作有所帮助，同时也希望更多的读者通过本书对设备大数据分析产生兴趣。本书既可以作为大学理工科学生的专业入门书籍，帮助学生对设备大数据有一个基本的了解；同时本书也适合对数据分析有一定基础的专业科研人员，可以帮助研究人员在设备大数据领域获得有针对性的提高。 感谢中国科学院沈阳自动化研究所为本书提供的资源以及平台，感谢为本书提供参考的国内外学术专著的作者，感谢华中科技大学出版社对于本书出版给予的帮助，感谢家人朋友一如既往的支持和鼓励。由于作者水平所限，书中难免会有疏漏之处，还望读者不吝指正。2023年1月
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
3.3.1KeyValue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
5.2tSNE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
6.6.1Kmeans算法/187
6.6.2Kmodes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
新书资讯
