第1章緒論/1

1.1設(shè)備大數(shù)據(jù)概述/1

1.2設(shè)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(shè)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(shè)備數(shù)據(jù)采集方法/12

2.1設(shè)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(shè)備數(shù)據(jù)采集系統(tǒng)/14

2.2設(shè)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(shè)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(jié)構(gòu)/19

2.3.3軟件結(jié)構(gòu)設(shè)計/20

2.3.4PLC的特點/21

2.3.5PLC的應(yīng)用領(lǐng)域/22

2.3.6常用的PLC/23

2.4工業(yè)網(wǎng)關(guān)/24

2.4.1工業(yè)網(wǎng)關(guān)的功能與特點/24

2.4.2工業(yè)網(wǎng)關(guān)的基本構(gòu)成/26

2.4.3工業(yè)網(wǎng)關(guān)的關(guān)鍵技術(shù)/31

2.5工業(yè)控制網(wǎng)絡(luò)/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(jié)/78

本章參考文獻/78

設(shè)備大數(shù)據(jù)目錄第3章設(shè)備數(shù)據(jù)存儲方法/79

3.1設(shè)備大數(shù)據(jù)存儲簡介/79

3.2關(guān)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(jié)/91

3.3非關(guān)系型數(shù)據(jù)庫/93

3.3.1Key�睼alue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(jié)/108

本章參考文獻/109

第4章深度學(xué)習(xí)方法/111

4.1卷積神經(jīng)網(wǎng)絡(luò)/112

4.1.1卷積神經(jīng)網(wǎng)絡(luò)的歷史與發(fā)展/112

4.1.2卷積神經(jīng)網(wǎng)絡(luò)的原理與常見應(yīng)用/113

4.1.3卷積神經(jīng)網(wǎng)絡(luò)常用模型/115

4.1.4卷積神經(jīng)網(wǎng)絡(luò)在設(shè)備大數(shù)據(jù)中的應(yīng)用/117

4.2循環(huán)神經(jīng)網(wǎng)絡(luò)/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(luò)在工業(yè)領(lǐng)域中的應(yīng)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(yīng)用/131

4.4本章小結(jié)/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�睸NE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(yīng)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(jié)/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(xué)習(xí)分類算法/170

6.3.2基于統(tǒng)計學(xué)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�瞞eans算法/187

6.6.2K�瞞odes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(luò)的聚類算法/202

6.10本章小結(jié)/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(luò)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(jié)/225

7.2工業(yè)設(shè)備壽命預(yù)測/226

7.2.1引言/226

7.2.2時序卷積�查L短期記憶網(wǎng)絡(luò)/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(shù)在載人深潛器設(shè)備管理中的應(yīng)用/249

7.3.1案例背景/249

7.3.2技術(shù)框架/252

7.3.3應(yīng)用結(jié)果/259

7.3.4小結(jié)討論/283

7.4主成分追蹤在高爐煉鐵故障檢測中的應(yīng)用/284

7.4.1案例背景/284

7.4.2技術(shù)框架/287

7.4.3應(yīng)用結(jié)果/294

7.4.4小結(jié)討論/299

7.5本章小結(jié)/299

本章參考文獻/300