工业大数据分析指南

工业大数据分析指南

目录

序言..................................................................................................I 1.工业大数据分析概论 (1)

1.1 工业大数据分析的概述 (1)

1.1.1 工业大数据分析的概念 (1)

1.1.2 工业大数据分析的相关技术 (2)

1.1.3 工业大数据分析的基本过程 (2)

1.1.4 工业大数据分析的类型 (4)

1.1.5 工业大数据分析价值 (5)

1.1.6 工业大数据分析支撑业务创新 (6)

1.2 工业大数据分析的特殊性 (8)

1.2.1 从工业数据分析到工业大数据分析 (8)

1.2.2 工业大数据与商务大数据分析 (10)

1.2.3 工业大数据建模的难点 (11)

1.3 工业数据分析中的常见问题 (12)

1.3.1 业务和数据理解不当导致的失误 (12)

1.3.2 建模和验证过程的失误 (12)

1.3.3 避免失误的方法 (13)

2.工业大数据分析框架 (14)

2.1 CRISP-DM 模型 (14)

2.2 CRISP-DM模型的落地难点 (15)

2.3 工业大数据分析的指导思想 (16)

3.业务理解 (19)

3.1 认识工业对象 (19)

I

3.1.1 工业系统的抽象化 (19)

3.1.2 工业系统的功能描述 (20)

3.1.3 系统功能到技术原理的理解 (20)

3.1.4 系统功能与业务场景的关联 (21)

3.2 理解数据分析的需求 (21)

3.2.1 工业过程中的数据分析需求 (21)

3.2.2 数据分析的价值需求 (22)

3.2.3 具体业务场景的数据分析需求 (23)

3.2.4 数据分析需求的梳理方法 (23)

3.3 工业数据分析目标的评估 (24)

3.3.1 工业知识的理解 (24)

3.3.2 工业知识的合用性 (24)

3.3.3 专业领域知识的融合 (25)

3.4 制造的全生命周期 (26)

4.数据理解 (27)

4.1 数据来源 (27)

4.1.1 业务与数据的关系 (27)

4.1.2 离散行业的数据源 (28)

4.1.3 流程行业的数据源 (28)

4.2 数据的分类及相互关系 (30)

4.2.1 工业数据的分类 (30)

4.2.2 数据间的关联关系 (31)

4.3 数据质量 (32)

4.3.1 数据质量的定义 (32)

4.3.2 数据质量的组成要素 (33)

II

4.3.3 数据质量的影响因素 (33)

5.数据准备 (35)

5.1 业务系统的数据准备 (35)

5.2 工业企业的数据准备 (36)

5.3 物联网的数据准备 (38)

5.4 建模分析的数据准备 (39)

5.4.1 数据预处理概述 (39)

5.4.2 数据异常处理 (40)

5.4.3 数据缺失处理 (41)

5.4.4 数据归约处理 (41)

6.数据建模 (42)

6.1 模型的形式化描述 (43)

6.1.1 基本描述 (43)

6.1.2 模型的深入表述 (43)

6.1.3 对建模思想的影响 (45)

6.2 工业建模的基本过程 (46)

6.2.1 建模的基本思路 (46)

6.2.2 模型融合的方法 (46)

6.2.3 模型的优化过程 (47)

6.3 工业建模的特征工程 (48)

6.3.1 数据初步筛选 (48)

6.3.2 特征变换 (48)

6.3.3 特征组合 (49)

6.3.4 特征筛选 (50)

6.3.5 特征的迭代 (50)

III

6.4 工业数据分析的算法介绍 (51)

6.4.1 传统的统计分析类算法 (51)

6.4.2 通用的机器学习类算法 (52)

6.4.3 针对旋转设备的振动分析类算法 (52)

6.4.4 针对时序数据的时间序列类算法 (53)

6.4.5 针对非结构化数据的文本挖掘类算法 (54)

6.4.6 统计质量控制类算法 (54)

6.4.7 排程优化类算法 (55)

7.模型的验证与评估 (55)

7.1 知识的质量 (55)

7.1.1 知识的确定性与准确性 (55)

7.1.2 知识的适用范围 (56)

7.1.3 知识的质量与可靠性 (56)

7.2 传统数据分析方法及其问题 (56)

7.2.1 基于精度的验证方法 (56)

7.2.2 精度验证方法的局限性 (57)

7.2.3 解决验证问题的传统方法 (57)

7.3 基于领域知识的模型验证与评估 (58)

7.3.1 对适用范围的评估 (58)

7.3.2 对精度的评估 (60)

7.3.3 场景的综合评估 (61)

7.3.4 模型的迭代评估 (61)

7.4 总结与展望 (61)

8.模型的部署 (62)

8.1 模型部署前应考虑的问题 (62)

IV