本書根據作者的大量企業實踐出發，內容覆蓋基本概念、理論方法、實踐應用，全面介紹工業大數據分析方法。數據基本概念篇（第1章），從工業大數據定義、特性分析、分析流程，闡述工業大數據基本概念。理論方法篇（第2~6章），以數據預處理、關聯分析、分類分析、聚類分析、預測性分析為主體內容，介紹主流數據分析方法。應用篇（第7~9章），選取三個應用場景，介紹如何通過數據分析，實現工業場景的優化，以業務場景為導向展示數據分析過程和技巧。
汪俊亮：講師 東華大學機械工程學院工業大數據中心負責人。2013年于武漢理工大學獲得學士學位，2018年于上海交通大學獲得博士學位。作為項目核心骨干參與國家自然科學基金重點項目、重點研發計劃、工信部智能制造專項等課題，開發了中國商飛C919部裝線首套數據采集系統。在IEEE Trans、Engineering、International Journal of Production Research、Enterprise Information Systems等期刊發表SCI/EI論文十余篇，合作出版著作2部，獲得軟件著作權2項。曾參與《制造業大數據》、《制造業大數據資源》等著作的編寫工作。主要研究方向為：工業大數據分析、晶圓工期預測與調控、晶圓缺陷模式識別、機器視覺與疵點檢測等。張潔 東華大學教授，博士生導師，機械工程學院院長。1997年畢業于南京航空航天大學機械制造專業，獲博士學位。以博士后或訪問學者身份，先后在華中科技大學、香港大學、法國里昂二大、美國加州大學伯克利分校從事研究工作。全國高校制造自動化研究會常務理事及華東區秘書長、中國機械工程學會生產工程分會生產系統專業委員會常務理事、中國人工智能學會智能制造專業委員會常務理事、國家自然科學基金項目工程與材料&自動化學部通訊評審、教育部獎項評審入庫專家、科技部項目評審入庫專家、中國機械工程技術路線圖編委、上海市經信委項目評審入庫專家、上海市科委項目評審入庫專家、國際期刊《International Journal of Network and Mobile Technologies》編委、多個國內外期刊論文評審人。主持國家自然科學基金重點項目1項、面上項目5項；主持國家重點研發計劃1項；支持工信部智能制造專項4項；主持國家863計劃4項；主持國家科技支撐計劃項目1項；主持上海市科委重點科研計劃項目2項；主持國防科技預研基金項目1項。發表學術論文100余篇，其中SCI收錄30余篇，EI收錄40余篇。獲國家發明專利授權7項，軟件著作權20項。出版專著《晶圓制造自動化物料運輸系統調度》、《基于Agent的制造系統調度與控制》、《可重入制造系統的控制》、《企業信息化工程——建模、診斷、評估與實踐》、《多Agent技術在先進制造中的應用》、《敏捷智能化制造系統的重構與控制》。
第1章 緒論 001
1.1 從開普勒三大定律的發現談起 001
1.2 工業大數據的內涵 002
1.2.1 工業大數據的背景 002
1.2.2 工業大數據的定義 003
1.2.3 工業大數據的特性 004
1.2.4 大數據驅動的智能制造科學范式 007
1.3 工業大數據分析的流程、平臺及應用 009
1.3.1 工業大數據分析的基本流程 009
1.3.2 大數據平臺 010
1.3.3 工業大數據分析的應用場景 017
1.4 工業大數據帶來的思維變革 019
1.4.1 從抽樣到全局數據分析 019
1.4.2 從因果建模到關聯分析 019
1.4.3 從精確求解到近似推演 020
1.4.4 從數據的量變到分析的質變 020
1.4.5 多來源數據協同處理 020
1.4.6 強實時數據分析 021
1.5 本書主要內容與章節安排 021
參考文獻 022
第2章 工業大數據融合處理方法：從抽樣到全局 025
2.1 引言 025
2.2 從局部樣本到全體數據 025
2.3 工業大數據的類型 026
2.3.1 按照制造業務流程劃分 026
2.3.2 按照存儲結構劃分 028
2.4 工業大數據特征的描述方法 030
2.4.1 數據集中趨勢度量 030
2.4.2 數據離散趨勢度量 032
2.4.3 數據的分布形態：偏態與峰度 034
2.5 工業大數據融合處理的典型方法 035
2.5.1 基于過濾規則多級組合的多源數據導入與清洗方法 035
2.5.2 基于元對象框架的異構數據統一建模與數據抽取融合方法 037
2.5.3 基于字典學習的高維數據多尺度分類查詢方法 039
2.5.4 基于稀疏自動編碼器的數據降維方法 041
2.5.5 基于徑向基神經網絡的數據去冗余方法 043
2.6 本章小結 044
參考文獻 044
第3章 工業大數據關聯分析方法：從因果到關聯 047
3.1 引言 047
3.2 數據關聯分析方法 048
3.2.1 基于信息熵的關聯關系度量方法 048
3.2.2 基于頻繁項集的關聯關系度量方法 050
3.2.3 基于Granger因果分析的關聯關系度量方法 053
3.2.4 基于復雜網絡的關系解耦方法 054
3.3 工業大數據關聯分析案例 059
3.3.1 晶圓工期關鍵參數識別方法 059
3.3.2 柴油發動機功率一致性關鍵參數識別方法 071
3.4 本章小結 077
參考文獻 078
第4章 工業大數據預測方法：從精確求解到近似推演 080
4.1 引言 080
4.2 大數據預測任務 080
4.1.1 時序預測任務 081
4.1.2 因果預測任務 082
4.2 工業大數據預測方法 082
4.2.1 淺層機器學習預測方法 083
4.2.2 深度學習預測方法 089
4.3 工業大數據預測案例 098
4.3.1 石油化工泵的故障預測 098
4.3.2 晶圓工期預測方法 106
4.4 本章小結 120
參考文獻 121
第5章 不平衡工業大數據分析方法：從量變到質變 123
5.1 引言 123
5.2 大數據的不平衡性學習問題 124
5.2.1 大數據的不平衡性 124
5.2.2 不平衡學習問題分類 125
5.2.3 不平衡學習的效果評價準則 125
5.3 不平衡學習方法 127
5.3.1 基于采樣的不平衡學習方法 128
5.3.2 基于代價敏感的不平衡學習方法 134
5.3.4 基于主動學習的不平衡學習方法 139
5.4 不平衡學習方法在智能制造中的典型應用 143
5.4.1 不平衡數據下的晶圓圖缺陷模式識別 143
5.4.2 空氣舵三維點云非等效分割方法 155
5.5 本章小結 167
參考文獻 167
第6章 多源工業大數據融合技術：從數據孤島到多源融合 170
6.1 引言 170
6.2 制造大數據來源分析 170
6.2.1 設計大數據 171
6.2.2 生產大數據 172
6.2.3 營銷大數據 174
6.2.4 運維大數據 175
6.3 多源工業大數據的融合問題 175
6.3.1 問題描述 176
6.3.2 難點分析 177
6.3.3 技術要求 178
6.4 多源工業大數據融合技術 180
6.4.1 基于任務流圖的多源工業大數據融合任務建模技術 180
6.4.2 基于霧計算的多源工業大數據融合技術 182
6.4.3 基于密碼學的多源工業大數據傳輸技術 187
6.4.4 基于區塊鏈的多源工業數據融合技術 188
6.5 智能制造應用案例 189
6.5.1 問題描述 190
6.5.2 多源數據驅動的飛機裝配位姿分析 190
6.6 本章小結 193
參考文獻 193
第7章 “邊緣-云”模式的工業大數據分析技術：從云計算到邊云融合 195
7.1 引言 195
7.2 制造過程中的工業大數據分析需求 196
7.3 “邊緣-云”融合的工業大數據分析模型 197
7.3.1 “邊緣-云”融合的大數據分析模型架構 197
7.3.2 云計算技術 199
7.3.3 邊緣計算技術 201
7.3.4 流數據處理技術 203
7.3.5 內存計算技術 205
7.4 基于“邊緣-云”模式的面料疵點檢測技術 206
7.4.1 面料疵點檢測需求分析 206
7.4.2 “邊緣-云”協同的面料疵點檢測 208
參考文獻 217
后記——方興未艾的大數據科學 220
新書資訊