設備大數(shù)據(jù)

第1章緒論/1
1.1設備大數(shù)據(jù)概述/1
1.2設備健康的“體魄”離不開大數(shù)據(jù)支持/3
1.3從波音事件看設備數(shù)據(jù)分析的重要性/4
1.4沒有大數(shù)據(jù)就無從談智能制造/6
1.5本書概況/8
本章參考文獻/10
第2章設備數(shù)據(jù)采集方法/12
2.1設備數(shù)據(jù)采集/12
2.1.1簡介/12
2.1.2數(shù)據(jù)采集方式/12
2.1.3數(shù)據(jù)采集常用模式/13
2.1.4設備數(shù)據(jù)采集系統(tǒng)/14
2.2設備數(shù)據(jù)采集的感覺器官——傳感器/15
2.2.1簡介/15
2.2.2傳感器的組成/16
2.2.3傳感器的分類/16
2.2.4傳感器的原理及特性/17
2.2.5常見傳感器簡介/17
2.3設備數(shù)據(jù)采集的神經(jīng)元——PLC/18
2.3.1簡介/18
2.3.2硬件基本結構/19
2.3.3軟件結構設計/20
2.3.4PLC的特點/21
2.3.5PLC的應用領域/22
2.3.6常用的PLC/23
2.4工業(yè)網(wǎng)關/24
2.4.1工業(yè)網(wǎng)關的功能與特點/24
2.4.2工業(yè)網(wǎng)關的基本構成/26
2.4.3工業(yè)網(wǎng)關的關鍵技術/31
2.5工業(yè)控制網(wǎng)絡/36
2.5.1集散控制系統(tǒng)/37
2.5.2現(xiàn)場總線控制系統(tǒng)/47
2.5.3監(jiān)控和數(shù)據(jù)采集系統(tǒng)/62
2.6工業(yè)控制系統(tǒng)的實際案例/70
2.6.1概述/70
2.6.2需求分析/71
2.6.3解決方案/72
2.7本章小結/78
本章參考文獻/78
設備大數(shù)據(jù)目錄第3章設備數(shù)據(jù)存儲方法/79
3.1設備大數(shù)據(jù)存儲簡介/79
3.2關系型數(shù)據(jù)庫/83
3.2.1Oracle數(shù)據(jù)庫/85
3.2.2MySQL數(shù)據(jù)庫/87
3.2.3Microsoft SQL Server數(shù)據(jù)庫/88
3.2.4PostgreSQL數(shù)據(jù)庫/90
3.2.5總結/91
3.3非關系型數(shù)據(jù)庫/93
3.3.1KeyValue數(shù)據(jù)庫/95
3.3.2文檔存儲數(shù)據(jù)庫/99
3.3.3列式存儲數(shù)據(jù)庫/101
3.3.4時序存儲數(shù)據(jù)庫/105
3.4本章小結/108
本章參考文獻/109
第4章深度學習方法/111
4.1卷積神經(jīng)網(wǎng)絡/112
4.1.1卷積神經(jīng)網(wǎng)絡的歷史與發(fā)展/112
4.1.2卷積神經(jīng)網(wǎng)絡的原理與常見應用/113
4.1.3卷積神經(jīng)網(wǎng)絡常用模型/115
4.1.4卷積神經(jīng)網(wǎng)絡在設備大數(shù)據(jù)中的應用/117
4.2循環(huán)神經(jīng)網(wǎng)絡/118
4.2.1神經(jīng)機器翻譯/119
4.2.2情感分析/121
4.2.3摘要生成/121
4.2.4循環(huán)神經(jīng)網(wǎng)絡在工業(yè)領域中的應用/122
4.3自編碼器及其變種/125
4.3.1自編碼器介紹/125
4.3.2自編碼器與其他方法的比較/129
4.3.3自編碼器的應用/131
4.4本章小結/136
本章參考文獻/136
第5章數(shù)據(jù)降維方法/146
5.1主成分分析法/146
5.1.1基本思想/146
5.1.2主要計算步驟/147
5.1.3主成分分析法的優(yōu)缺點/148
5.2tSNE算法/149
5.2.1算法思想/150
5.2.2算法舉例/152
5.2.3算法的優(yōu)缺點/155
5.2.4算法的應用/155
5.2.5算法的改進/156
5.3主成分追蹤/156
5.4魯棒主元分析/161
5.5低秩矩陣表示/163
5.6本章小結/164
本章參考文獻/164
第6章數(shù)據(jù)分類與聚類方法/168
6.1分類算法的背景及現(xiàn)狀/168
6.1.1背景/168
6.1.2國內(nèi)外研究現(xiàn)狀/168
6.2基本概念/169
6.3常用的算法詳述/170
6.3.1即時學習分類算法/170
6.3.2基于統(tǒng)計學的分類算法/171
6.3.3決策樹分類算法/177
6.4組合分類器/180
6.5聚類/183
6.5.1基本概念/184
6.5.2聚類算法的分類/186
6.6基于劃分的聚類算法/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基于層次的聚類算法/191
6.7.1傳統(tǒng)的凝聚層次聚類算法/191
6.7.2改進的凝聚層次聚類算法/192
6.7.3分裂層次聚類算法/193
6.8基于密度的聚類算法/193
6.8.1DBSCAN聚類算法/193
6.8.2OPTICS聚類算法/195
6.8.3DENCLUE聚類算法/196
6.8.4CLIQUE聚類算法/197
6.8.5DPC算法/198
6.9其他聚類算法/199
6.9.1模糊聚類算法/199
6.9.2基于圖論的聚類算法/201
6.9.3基于模型的聚類算法/201
6.9.4基于神經(jīng)網(wǎng)絡的聚類算法/202
6.10本章小結/204
本章參考文獻/204
第7章案例分析/213
7.1工業(yè)過程故障檢測與識別/213
7.1.1故障檢測和識別方法的分類/214
7.1.2基于模型的故障檢測和識別方法/215
7.1.3基于信號的故障檢測和識別方法/216
7.1.4基于人工智能的故障檢測和識別方法/217
7.1.5多層和網(wǎng)絡化工業(yè)過程中的故障檢測和識別/219
7.1.6仿真案例/220
7.1.7總結/225
7.2工業(yè)設備壽命預測/226
7.2.1引言/226
7.2.2時序卷積長短期記憶網(wǎng)絡/228
7.2.3數(shù)據(jù)規(guī)約方法/232
7.2.4實驗數(shù)據(jù)/234
7.2.5實驗及分析/238
7.2.6討論及建議/249
7.3數(shù)據(jù)驅(qū)動技術在載人深潛器設備管理中的應用/249
7.3.1案例背景/249
7.3.2技術框架/252
7.3.3應用結果/259
7.3.4小結討論/283
7.4主成分追蹤在高爐煉鐵故障檢測中的應用/284
7.4.1案例背景/284
7.4.2技術框架/287
7.4.3應用結果/294
7.4.4小結討論/299
7.5本章小結/299
本章參考文獻/300