本书根据作者的大量企业实践出发，内容覆盖基本概念、理论方法、实践应用，全面介绍工业大数据分析方法。数据基本概念篇（第1章），从工业大数据定义、特性分析、分析流程，阐述工业大数据基本概念。理论方法篇（第2~6章），以数据预处理、关联分析、分类分析、聚类分析、预测性分析为主体内容，介绍主流数据分析方法。应用篇（第7~9章），选取三个应用场景，介绍如何通过数据分析，实现工业场景的优化，以业务场景为导向展示数据分析过程和技巧。
汪俊亮：讲师 东华大学机械工程学院工业大数据中心负责人。2013年于武汉理工大学获得学士学位，2018年于上海交通大学获得博士学位。作为项目核心骨干参与国家自然科学基金重点项目、重点研发计划、工信部智能制造专项等课题，开发了中国商飞C919部装线首套数据采集系统。在IEEE Trans、Engineering、International Journal of Production Research、Enterprise Information Systems等期刊发表SCI/EI论文十余篇，合作出版著作2部，获得软件著作权2项。曾参与《制造业大数据》、《制造业大数据资源》等著作的编写工作。主要研究方向为：工业大数据分析、晶圆工期预测与调控、晶圆缺陷模式识别、机器视觉与疵点检测等。张洁 东华大学教授，博士生导师，机械工程学院院长。1997年毕业于南京航空航天大学机械制造专业，获博士学位。以博士后或访问学者身份，先后在华中科技大学、香港大学、法国里昂二大、美国加州大学伯克利分校从事研究工作。全国高校制造自动化研究会常务理事及华东区秘书长、中国机械工程学会生产工程分会生产系统专业委员会常务理事、中国人工智能学会智能制造专业委员会常务理事、国家自然科学基金项目工程与材料&自动化学部通讯评审、教育部奖项评审入库专家、科技部项目评审入库专家、中国机械工程技术路线图编委、上海市经信委项目评审入库专家、上海市科委项目评审入库专家、国际期刊《International Journal of Network and Mobile Technologies》编委、多个国内外期刊论文评审人。主持国家自然科学基金重点项目1项、面上项目5项；主持国家重点研发计划1项；支持工信部智能制造专项4项；主持国家863计划4项；主持国家科技支撑计划项目1项；主持上海市科委重点科研计划项目2项；主持国防科技预研基金项目1项。发表学术论文100余篇，其中SCI收录30余篇，EI收录40余篇。获国家发明专利授权7项，软件著作权20项。出版专著《晶圆制造自动化物料运输系统调度》、《基于Agent的制造系统调度与控制》、《可重入制造系统的控制》、《企业信息化工程——建模、诊断、评估与实践》、《多Agent技术在先进制造中的应用》、《敏捷智能化制造系统的重构与控制》。
第1章 绪论 001
1.1 从开普勒三大定律的发现谈起 001
1.2 工业大数据的内涵 002
1.2.1 工业大数据的背景 002
1.2.2 工业大数据的定义 003
1.2.3 工业大数据的特性 004
1.2.4 大数据驱动的智能制造科学范式 007
1.3 工业大数据分析的流程、平台及应用 009
1.3.1 工业大数据分析的基本流程 009
1.3.2 大数据平台 010
1.3.3 工业大数据分析的应用场景 017
1.4 工业大数据带来的思维变革 019
1.4.1 从抽样到全局数据分析 019
1.4.2 从因果建模到关联分析 019
1.4.3 从精确求解到近似推演 020
1.4.4 从数据的量变到分析的质变 020
1.4.5 多来源数据协同处理 020
1.4.6 强实时数据分析 021
1.5 本书主要内容与章节安排 021
参考文献 022
第2章 工业大数据融合处理方法：从抽样到全局 025
2.1 引言 025
2.2 从局部样本到全体数据 025
2.3 工业大数据的类型 026
2.3.1 按照制造业务流程划分 026
2.3.2 按照存储结构划分 028
2.4 工业大数据特征的描述方法 030
2.4.1 数据集中趋势度量 030
2.4.2 数据离散趋势度量 032
2.4.3 数据的分布形态：偏态与峰度 034
2.5 工业大数据融合处理的典型方法 035
2.5.1 基于过滤规则多级组合的多源数据导入与清洗方法 035
2.5.2 基于元对象框架的异构数据统一建模与数据抽取融合方法 037
2.5.3 基于字典学习的高维数据多尺度分类查询方法 039
2.5.4 基于稀疏自动编码器的数据降维方法 041
2.5.5 基于径向基神经网络的数据去冗余方法 043
2.6 本章小结 044
参考文献 044
第3章 工业大数据关联分析方法：从因果到关联 047
3.1 引言 047
3.2 数据关联分析方法 048
3.2.1 基于信息熵的关联关系度量方法 048
3.2.2 基于频繁项集的关联关系度量方法 050
3.2.3 基于Granger因果分析的关联关系度量方法 053
3.2.4 基于复杂网络的关系解耦方法 054
3.3 工业大数据关联分析案例 059
3.3.1 晶圆工期关键参数识别方法 059
3.3.2 柴油发动机功率一致性关键参数识别方法 071
3.4 本章小结 077
参考文献 078
第4章 工业大数据预测方法：从精确求解到近似推演 080
4.1 引言 080
4.2 大数据预测任务 080
4.1.1 时序预测任务 081
4.1.2 因果预测任务 082
4.2 工业大数据预测方法 082
4.2.1 浅层机器学习预测方法 083
4.2.2 深度学习预测方法 089
4.3 工业大数据预测案例 098
4.3.1 石油化工泵的故障预测 098
4.3.2 晶圆工期预测方法 106
4.4 本章小结 120
参考文献 121
第5章 不平衡工业大数据分析方法：从量变到质变 123
5.1 引言 123
5.2 大数据的不平衡性学习问题 124
5.2.1 大数据的不平衡性 124
5.2.2 不平衡学习问题分类 125
5.2.3 不平衡学习的效果评价准则 125
5.3 不平衡学习方法 127
5.3.1 基于采样的不平衡学习方法 128
5.3.2 基于代价敏感的不平衡学习方法 134
5.3.4 基于主动学习的不平衡学习方法 139
5.4 不平衡学习方法在智能制造中的典型应用 143
5.4.1 不平衡数据下的晶圆图缺陷模式识别 143
5.4.2 空气舵三维点云非等效分割方法 155
5.5 本章小结 167
参考文献 167
第6章 多源工业大数据融合技术：从数据孤岛到多源融合 170
6.1 引言 170
6.2 制造大数据来源分析 170
6.2.1 设计大数据 171
6.2.2 生产大数据 172
6.2.3 营销大数据 174
6.2.4 运维大数据 175
6.3 多源工业大数据的融合问题 175
6.3.1 问题描述 176
6.3.2 难点分析 177
6.3.3 技术要求 178
6.4 多源工业大数据融合技术 180
6.4.1 基于任务流图的多源工业大数据融合任务建模技术 180
6.4.2 基于雾计算的多源工业大数据融合技术 182
6.4.3 基于密码学的多源工业大数据传输技术 187
6.4.4 基于区块链的多源工业数据融合技术 188
6.5 智能制造应用案例 189
6.5.1 问题描述 190
6.5.2 多源数据驱动的飞机装配位姿分析 190
6.6 本章小结 193
参考文献 193
第7章 “边缘-云”模式的工业大数据分析技术：从云计算到边云融合 195
7.1 引言 195
7.2 制造过程中的工业大数据分析需求 196
7.3 “边缘-云”融合的工业大数据分析模型 197
7.3.1 “边缘-云”融合的大数据分析模型架构 197
7.3.2 云计算技术 199
7.3.3 边缘计算技术 201
7.3.4 流数据处理技术 203
7.3.5 内存计算技术 205
7.4 基于“边缘-云”模式的面料疵点检测技术 206
7.4.1 面料疵点检测需求分析 206
7.4.2 “边缘-云”协同的面料疵点检测 208
参考文献 217
后记——方兴未艾的大数据科学 220
书单推荐
