工业大数据工程：系统、方法与实践

10.4　应用效果及总结

10.3.4　压力分布应用

10.3.3　数据资源化

10.3.2　业务理解

10.3.1　整体规划

10.3　综采数字化创新应用

10.2.3　煤矿综采数据平台

10.2.2　煤矿综采系统架构

10.2.1　整体规划

10.2　煤矿综采数据平台

10.1　业务背景

第10章　煤矿综采大数据

9.4　本章小结

9.3.5　水电机组启动稳定性分析

9.3.4　水电机组多指标预警应用

9.3.3　水电机组运行工况分析

9.3.2　水电机组摆度分析

9.3.1　水电数据应用整体规划

9.3　分析模型与创新应用

9.2.3　水电大数据平台数据架构

9.2.2　水电大数据功能架构

9.2.1　水电大数据业务架构

9.2　水电大数据平台整体设计

9.1.4　水电数字化建设目标

9.1.3　水电大数据业务需求

9.1.2　水电行业业务痛点

9.1.1　水电数字化转型趋势

9.1　业务背景

第9章　水电大数据

8.4　本章小结

8.3.6　计划停机时段辅助分析

8.3.5　塔筒振动异常监测

8.3.4　电量生产精益分析

8.3.3　齿轮箱润滑异常诊断

8.3.2　偏航对风静态偏差优化

8.3.1　整体规划

8.3　风电数字化应用创新

8.2.8　应用部署

8.2.7　模型运行

8.2.6　应用开发

8.2.5　数据存储

8.2.4　数据治理

8.2.3　数据接入

8.2.2　总体架构

8.2.1　整体规划

8.2　中车风电大数据平台设计

8.1　业务背景

第8章　风电大数据

7.5.2　模型规划

7.5.1　数据规划

7.5　数据应用实施规划

7.4.7　系统监控

7.4.6　系统接口

7.4.5　作业管理

7.4.4　分析模型部署

7.4.3　数据映射

7.4.2　数据预处理

7.4.1　数据存储

7.4　数据应用的运行环境

7.3　支持敏捷开发的低代码工具

7.2.3　运维过程

7.2.2　实施过程

7.2.1　准备过程

7.2　数据应用的敏捷开发

7.1.3　软件结构的特点

7.1.2　开发阶段的特点

7.1.1　数据应用的特性

7.1　数据应用的特点

第7章　数据应用的敏捷开发方法

6.5.5　基于自主学习的专家规则参数精化

6.5.4　少样本学习模式

6.5.3　工业应用的典型统计学习模式

6.5.2　非侵入式分析服务引擎

6.5.1　系统动力学图的形式化分析

6.5　共性技术

6.4.4　算子开发示例：毛刺检测

6.4.3　帮助文档规范

6.4.2　算子配置文件

6.4.1　算子编码规范

6.4　算子开发

6.3.4　常用的时序分析算法包

6.3.3　分析算子库

6.3.2　分析模板库

6.3.1　分析案例库

6.3　分析模型资产库

6.2　工业数据分析建模环境

6.1　工业数据分析建模的特点

第6章　工业数据分析建模环境与技术

5.11.3　团队协同敏捷性的技术需求

5.11.2　个体敏捷性的技术需求

5.11.1　敏捷的概念辨析

5.11　敏捷工业数据分析方法的技术需求

5.10.4　运行监控

5.10.3　模型部署

5.10.2　物理信息对象建模

5.10.1　数据工程

5.10　持续运行运维

5.9.2　模型运维机制设计（Step 6.2）

5.9.1　模型打包与分发（Step 6.1）

5.9　模型发布

5.8.2　业务评估（Step 5.2）

5.8.1　技术评估（Step 5.1）

5.8　模型评估

5.7.5　业务场景校验（Step 4.5）

5.7.4　模型检验（Step 4.4）

5.7.3　算法建模（Step 4.3）

5.7.2　数据集划分（Step 4.2）

5.7.1　业务指标与技术要点梳理（Step 4.1）

5.7　模型建立

5.6.4　特征工程（Step 3.4）

5.6.3　数据清洗（Step 3.3）

5.6.2　数据导入（Step 3.2）

5.6.1　数据建模（Step 3.1）

5.6　数据准备

5.5.6　数据处理措施确定（Step 2.6）

5.5.5　数据质量的业务审查（Step 2.5）

5.5.4　数据质量的统计审查（Step 2.4）

5.5.3　数据探索（Step 2.3）

5.5.2　数据源理解（Step 2.2）

5.5.1　数据结构理解（Step 2.1）

5.5　数据理解

5.4.5　数据需求梳理（Step 1.5）

5.4.4　分析问题类型规约（Step 1.4）

5.4.3　业务可行性确认（Step 1.3）

5.4.2　当前处理逻辑理解（Step 1.2）

5.4.1　系统运行机制理解（Step 1.1）

5.4　业务理解

5.3.3　课题优先级排序

5.3.2　要素归纳与完备度评估

5.3.1　业务目标分解与价值评估

5.3　课题定义

5.2.3　工业数据分析的过程模型

5.2.2　MLOps最佳实践

5.2.1　CRISP-DM过程方法

5.2　敏捷工业大数据分析方法概述

5.1.4　运筹优化模型

5.1.3　机器学习模型

5.1.2　专家规则模型

5.1.1　数据整合处理

5.1　数据分析类型

第5章　敏捷工业数据分析方法

4.6　本章小结

4.5.5　批处理

4.5.4　图查询计划生成和优化

4.5.3　ER模型转换为图状数据模型

4.5.2　图状数据模型和查询语义

4.5.1　统一数据访问框架

4.5　统一数据访问

4.4.3　ER模型转换为文件对象模型

4.4.2　ER模型转换为时序模型

4.4.1　ER模型转换为关系模型

4.4　数据模型转换

4.3.4　工业数据模型复用

4.3.3　守恒流参考模型

4.3.2　产线参考模型

4.3.1　设备参考模型

4.3　工业数据参考模型

4.2.2　数据建模技术

4.2.1　数据模型的层次

4.2　工业数据建模方法

4.1.3　典型工业数据集成模式

4.1.2　工业数据集成挑战

4.1.1　工业数据集成的概念

4.1　工业数据集成概述

第4章　工业大数据建模与数据集成技术

3.3.4　处理与计算的选型考虑与思路

3.3.3　典型的数据处理模式与技术

3.3.2　处理与计算的挑战和问题

3.3.1　处理与计算的需求特点及关键要素

3.3　数据处理与计算

3.2.4　存储的选型考虑与思路

3.2.3　典型的数据存储技术

3.2.2　存储的挑战和问题

3.2.1　存储的需求特点与关键要素

3.2　数据存储

3.1.4　接入与传输技术路线

3.1.3　典型的接入与传输技术

3.1.2　接入与传输技术要素

3.1.1　典型工业数据来源及其特点

3.1　数据接入与传输

第3章　工业大数据汇聚与处理技术

2.5.2　性能调优实践

2.5.1　数据工厂监控实践

2.5　运维监控与性能调优

2.4.3　基于SPC的数据质量监控

2.4.2　全面数据质量管理

2.4.1　数据质量的定义

2.4　数据质量管控方法

2.3.3　价值线与创新线的规划侧重

2.3.2　集群配置与规模规划

2.3.1　业务需求与技术指标

2.3　数据工厂容量规划方法

2.2.6　管控与运维

2.2.5　系统实施

2.2.4　建设方案设计

2.2.3　可行性评估

2.2.2　业务主题选定

2.2.1　企业数据战略理解

2.2　数据工厂的规划建设方法

2.1.4　数据智能创新线的关键要素

2.1.3　数据加工价值线的关键要素

2.1.2　数据工厂的特征

2.1.1　数据工厂概述

2.1　数据工厂的概念与范畴

第2章　工业大数据工程的建设与运维方法

1.4.3　面向领域的工业大数据系统技术

1.4.2　敏捷工业大数据工程方法

1.4.1　工业大数据建设面临的挑战

1.4　工业大数据工程的内容

1.3.6　OT、DT、IT的融合与分工

1.3.5　数字化与信息化的差别

1.3.4　数据技术视角

1.3.3　思维模式视角

1.3.2　数据资产视角

1.3.1　经济与制度视角

1.3　工业大数据的认知辨析

1.2.5　与其他技术方向的关系

1.2.4　模型形式与应用范式

1.2.3　在企业信息架构中的位置

1.2.2　应用领域与场景

1.2.1　工业大数据的概念

1.2　工业大数据的内涵与范畴

1.1　工业大数据提出的背景

第1章　工业大数据概论

前言

编委会

内容简介

版权信息

封面

封面

版权信息

内容简介

编委会

前言

第1章　工业大数据概论

1.1　工业大数据提出的背景

1.2　工业大数据的内涵与范畴

1.2.1　工业大数据的概念

1.2.2　应用领域与场景

1.2.3　在企业信息架构中的位置

1.2.4　模型形式与应用范式

1.2.5　与其他技术方向的关系

1.3　工业大数据的认知辨析

1.3.1　经济与制度视角

1.3.2　数据资产视角

1.3.3　思维模式视角

1.3.4　数据技术视角

1.3.5　数字化与信息化的差别

1.3.6　OT、DT、IT的融合与分工

1.4　工业大数据工程的内容

1.4.1　工业大数据建设面临的挑战

1.4.2　敏捷工业大数据工程方法

1.4.3　面向领域的工业大数据系统技术

第2章　工业大数据工程的建设与运维方法

2.1　数据工厂的概念与范畴

2.1.1　数据工厂概述

2.1.2　数据工厂的特征

2.1.3　数据加工价值线的关键要素

2.1.4　数据智能创新线的关键要素

2.2　数据工厂的规划建设方法

2.2.1　企业数据战略理解

2.2.2　业务主题选定

2.2.3　可行性评估

2.2.4　建设方案设计

2.2.5　系统实施

2.2.6　管控与运维

2.3　数据工厂容量规划方法

2.3.1　业务需求与技术指标

2.3.2　集群配置与规模规划

2.3.3　价值线与创新线的规划侧重

2.4　数据质量管控方法

2.4.1　数据质量的定义

2.4.2　全面数据质量管理

2.4.3　基于SPC的数据质量监控

2.5　运维监控与性能调优

2.5.1　数据工厂监控实践

2.5.2　性能调优实践

第3章　工业大数据汇聚与处理技术

3.1　数据接入与传输

3.1.1　典型工业数据来源及其特点

3.1.2　接入与传输技术要素

3.1.3　典型的接入与传输技术

3.1.4　接入与传输技术路线

3.2　数据存储

3.2.1　存储的需求特点与关键要素

3.2.2　存储的挑战和问题

3.2.3　典型的数据存储技术

3.2.4　存储的选型考虑与思路

3.3　数据处理与计算

3.3.1　处理与计算的需求特点及关键要素

3.3.2　处理与计算的挑战和问题

3.3.3　典型的数据处理模式与技术

3.3.4　处理与计算的选型考虑与思路

第4章　工业大数据建模与数据集成技术

4.1　工业数据集成概述

4.1.1　工业数据集成的概念

4.1.2　工业数据集成挑战

4.1.3　典型工业数据集成模式

4.2　工业数据建模方法

4.2.1　数据模型的层次

4.2.2　数据建模技术

4.3　工业数据参考模型

4.3.1　设备参考模型

4.3.2　产线参考模型

4.3.3　守恒流参考模型

4.3.4　工业数据模型复用

4.4　数据模型转换

4.4.1　ER模型转换为关系模型

4.4.2　ER模型转换为时序模型

4.4.3　ER模型转换为文件对象模型

4.5　统一数据访问

4.5.1　统一数据访问框架

4.5.2　图状数据模型和查询语义

4.5.3　ER模型转换为图状数据模型

4.5.4　图查询计划生成和优化

4.5.5　批处理

4.6　本章小结

第5章　敏捷工业数据分析方法

5.1　数据分析类型

5.1.1　数据整合处理

5.1.2　专家规则模型

5.1.3　机器学习模型

5.1.4　运筹优化模型

5.2　敏捷工业大数据分析方法概述

5.2.1　CRISP-DM过程方法

5.2.2　MLOps最佳实践

5.2.3　工业数据分析的过程模型

5.3　课题定义

5.3.1　业务目标分解与价值评估

5.3.2　要素归纳与完备度评估

5.3.3　课题优先级排序

5.4　业务理解

5.4.1　系统运行机制理解（Step 1.1）

5.4.2　当前处理逻辑理解（Step 1.2）

5.4.3　业务可行性确认（Step 1.3）

5.4.4　分析问题类型规约（Step 1.4）

5.4.5　数据需求梳理（Step 1.5）

5.5　数据理解

5.5.1　数据结构理解（Step 2.1）

5.5.2　数据源理解（Step 2.2）

5.5.3　数据探索（Step 2.3）

5.5.4　数据质量的统计审查（Step 2.4）

5.5.5　数据质量的业务审查（Step 2.5）

5.5.6　数据处理措施确定（Step 2.6）

5.6　数据准备

5.6.1　数据建模（Step 3.1）

5.6.2　数据导入（Step 3.2）

5.6.3　数据清洗（Step 3.3）

5.6.4　特征工程（Step 3.4）

5.7　模型建立

5.7.1　业务指标与技术要点梳理（Step 4.1）

5.7.2　数据集划分（Step 4.2）

5.7.3　算法建模（Step 4.3）

5.7.4　模型检验（Step 4.4）

5.7.5　业务场景校验（Step 4.5）

5.8　模型评估

5.8.1　技术评估（Step 5.1）

5.8.2　业务评估（Step 5.2）

5.9　模型发布

5.9.1　模型打包与分发（Step 6.1）

5.9.2　模型运维机制设计（Step 6.2）

5.10　持续运行运维

5.10.1　数据工程

5.10.2　物理信息对象建模

5.10.3　模型部署

5.10.4　运行监控

5.11　敏捷工业数据分析方法的技术需求

5.11.1　敏捷的概念辨析

5.11.2　个体敏捷性的技术需求

5.11.3　团队协同敏捷性的技术需求

第6章　工业数据分析建模环境与技术

6.1　工业数据分析建模的特点

6.2　工业数据分析建模环境

6.3　分析模型资产库

6.3.1　分析案例库

6.3.2　分析模板库

6.3.3　分析算子库

6.3.4　常用的时序分析算法包

6.4　算子开发

6.4.1　算子编码规范

6.4.2　算子配置文件

6.4.3　帮助文档规范

6.4.4　算子开发示例：毛刺检测

6.5　共性技术

6.5.1　系统动力学图的形式化分析

6.5.2　非侵入式分析服务引擎

6.5.3　工业应用的典型统计学习模式

6.5.4　少样本学习模式

6.5.5　基于自主学习的专家规则参数精化

第7章　数据应用的敏捷开发方法

7.1　数据应用的特点

7.1.1　数据应用的特性

7.1.2　开发阶段的特点

7.1.3　软件结构的特点

7.2　数据应用的敏捷开发

7.2.1　准备过程

7.2.2　实施过程

7.2.3　运维过程

7.3　支持敏捷开发的低代码工具

7.4　数据应用的运行环境

7.4.1　数据存储

7.4.2　数据预处理

7.4.3　数据映射

7.4.4　分析模型部署

7.4.5　作业管理

7.4.6　系统接口

7.4.7　系统监控

7.5　数据应用实施规划

7.5.1　数据规划

7.5.2　模型规划

第8章　风电大数据

8.1　业务背景

8.2　中车风电大数据平台设计

8.2.1　整体规划

8.2.2　总体架构

8.2.3　数据接入

8.2.4　数据治理

8.2.5　数据存储

8.2.6　应用开发

8.2.7　模型运行

8.2.8　应用部署

8.3　风电数字化应用创新

8.3.1　整体规划

8.3.2　偏航对风静态偏差优化

8.3.3　齿轮箱润滑异常诊断

8.3.4　电量生产精益分析

8.3.5　塔筒振动异常监测

8.3.6　计划停机时段辅助分析

8.4　本章小结

第9章　水电大数据

9.1　业务背景

9.1.1　水电数字化转型趋势

9.1.2　水电行业业务痛点

9.1.3　水电大数据业务需求

9.1.4　水电数字化建设目标

9.2　水电大数据平台整体设计

9.2.1　水电大数据业务架构

9.2.2　水电大数据功能架构

9.2.3　水电大数据平台数据架构

9.3　分析模型与创新应用

9.3.1　水电数据应用整体规划

9.3.2　水电机组摆度分析

9.3.3　水电机组运行工况分析

9.3.4　水电机组多指标预警应用

9.3.5　水电机组启动稳定性分析

9.4　本章小结

第10章　煤矿综采大数据

10.1　业务背景

10.2　煤矿综采数据平台

10.2.1　整体规划

10.2.2　煤矿综采系统架构

10.2.3　煤矿综采数据平台

10.3　综采数字化创新应用

10.3.1　整体规划

10.3.2　业务理解

10.3.3　数据资源化

10.3.4　压力分布应用

10.4　应用效果及总结