日韩综合国产在线,麻花豆传媒mv在线观看网站,精品久久久久无码人妻中出

針對我國設備大數(shù)據(jù)相關研究剛剛起步的現(xiàn)狀，本書以設備健康管理為落腳點，從方法創(chuàng)新和探索應用兩個方面對數(shù)據(jù)采集、存儲以及處理分析進行了系統(tǒng)性介紹和闡釋。本書介紹了傳感器、PLC、工業(yè)網(wǎng)關等數(shù)據(jù)采集中比較重要的幾個部分，以及多種不同類型設備大數(shù)據(jù)的存儲方式。本書從模式識別、降維處理及分類與聚類三個方面介紹了設備大數(shù)據(jù)的分析方法，并利用實際工業(yè)過程中的四個案例講解了大數(shù)據(jù)為設備狀態(tài)分析帶來的新方法，力圖給設備健康領域的技術工程師、科研人員，以及對設備數(shù)據(jù)處理分析感興趣的人員，提供系統(tǒng)全面的設備大數(shù)據(jù)理論知識與應用介紹。

隨著物聯(lián)網(wǎng)相關技術的不斷進步和5G通信技術的普及，越來越多的設備可以方便地接入互聯(lián)網(wǎng)�；ヂ�(lián)網(wǎng)開始從人與人的鏈接工具逐步進化到人與物、物與物的鏈接工具。與傳統(tǒng)互聯(lián)網(wǎng)相比，在物聯(lián)網(wǎng)的場景下，以設備為來源的數(shù)據(jù)量更加龐大，場景也更加復雜多變，因此針對設備大數(shù)據(jù)的分析和研究就顯得尤為重要。和通常意義上互聯(lián)網(wǎng)來源的大數(shù)據(jù)不一樣，設備來源的大數(shù)據(jù)本身大多數(shù)都不是為了傳達信息，通常真正有價值的信息只有在對大數(shù)據(jù)進行解讀和分析以后才能獲得。當前，專門針對設備來源大數(shù)據(jù)的分析技術與研究尚處于起步階段，擁有數(shù)據(jù)分析能力同時也對設備的情況比較了解的人員少之又少。與此同時，隨著智能制造的推廣普及，設備大數(shù)據(jù)產(chǎn)生速度在快速增長，因此我們亟待研究設備大數(shù)據(jù)的分析方法，為科研人員提供通用的面向設備大數(shù)據(jù)的分析方法與解決思路。本書凝聚了作者團隊近十年來在設備大數(shù)據(jù)的分析處理過程中積累的方法與經(jīng)驗，希望能夠為廣大讀者起到拋磚引玉的作用，激發(fā)讀者對設備大數(shù)據(jù)的科研熱情。同時，如果能夠幫助讀者解決一些實際問題，作者會尤為高興。本書分為四個部分，共計7章。我們希望通過這四個部分的內(nèi)容幫助讀者進一步了解設備大數(shù)據(jù)的概念與應用范疇。第一部分為第1章緒論，系統(tǒng)性地介紹了設備大數(shù)據(jù)的概念、設備大數(shù)據(jù)的必要性與重要性等。第二部分為設備大數(shù)據(jù)分析基礎，包括第2、3章，詳細介紹了設備大數(shù)據(jù)的采集與存儲方法。本書選取數(shù)據(jù)采集中的傳感器、PLC、工業(yè)網(wǎng)關、工業(yè)控制網(wǎng)絡分別進行介紹，以便讀者可以了解數(shù)據(jù)采集的多種技術及運用方法。關于設備大數(shù)據(jù)存儲，主要針對工業(yè)制造業(yè)生產(chǎn)及管理過程中涉及的多種類型數(shù)據(jù)(海量的時序數(shù)據(jù)、文檔數(shù)據(jù)、信息化數(shù)據(jù)、接口數(shù)據(jù)、視頻數(shù)據(jù)、圖像數(shù)據(jù)、音頻數(shù)據(jù)等)進行了數(shù)據(jù)存儲方法及技術的介紹。第三部分為針對設備大數(shù)據(jù)分析的核心內(nèi)容，包括第4～6章，詳細介紹了幾種數(shù)據(jù)分析方法：卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡以及自編碼器等深度學習方法；主成分分析、t分布式隨機鄰域嵌入算法、主成分追蹤及低秩矩陣表示等數(shù)據(jù)降維方法。此外，還介紹了一些設備大數(shù)據(jù)的分類與聚類方法，包括即時學習、決策樹、Kmeans、模糊聚類等。第四部分為第7章案例分析，用四個案例介紹了設備大數(shù)據(jù)的應用領域，包括工業(yè)過程故障檢測與識別、工業(yè)設備壽命預測、載人深潛器設備管理、大型高爐系統(tǒng)故障檢測。通過案例分析，進一步說明了大數(shù)據(jù)對設備運行管理的重要性。設備大數(shù)據(jù)分析是一個新興的領域，也是一個非常有前景的研究方向，希望讀者閱讀本書時抱著探求和存疑的心態(tài)，在獲得知識的同時也可以有所疑問，對工作有所幫助，同時也希望更多的讀者通過本書對設備大數(shù)據(jù)分析產(chǎn)生興趣。本書既可以作為大學理工科學生的專業(yè)入門書籍，幫助學生對設備大數(shù)據(jù)有一個基本的了解；同時本書也適合對數(shù)據(jù)分析有一定基礎的專業(yè)科研人員，可以幫助研究人員在設備大數(shù)據(jù)領域獲得有針對性的提高。感謝中國科學院沈陽自動化研究所為本書提供的資源以及平臺，感謝為本書提供參考的國內(nèi)外學術專著的作者，感謝華中科技大學出版社對于本書出版給予的幫助，感謝家人朋友一如既往的支持和鼓勵。由于作者水平所限，書中難免會有疏漏之處，還望讀者不吝指正。2023年1月

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

你還可能感興趣

我要評論