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。

第1章介绍了工业大数据的内涵（背景、定义、特性）与大数据驱动的智能制造科学范式；工业大数据分析的流程与平台，以及工业大数据带来的思维变革。 第2章介绍了工业大数据的类型、工业大数据特征的描述方法和工业大数据融合处理的典型方法。 第3章简析工业生产系统中参数关联分析的概念和工业大数据关联分析方法，以及通过大数据方法分析与刻画海量数据的关联规律；通过晶圆工期关键参数识别和柴油发动机功率一致性关键参数识别这两个实际案例介绍了大数据关联分析方法在工业领域的应用。 第4章围绕工业大数据预测方法，简要分析了工业生产中的预测概念和工业大数据预测方法的发展历程，叙述了主流工业大数据预测方法，通过石油化工泵的故障预测和晶圆工期预测两个实际案例描述大数据预测方法在工业领域的应用。 第5章论述了工业大数据的不平衡性。围绕不平衡性的定义，从采样、代价敏感与主动学习三个方面介绍了不平衡学习方法，通过圆缺陷识别与空气舵三维点云分割两个实际工程的典型应用，对不平衡工业大数据分析方法进行了论述。 第6章论述了工业大数据来源分析、融合问题及融合技术，分析了大体量数据传输流量负载、数据流通合规性、工业数据的私密性与安全性等难点，讨论了工业大数据融合在数据传输效率、企业数据私密性保护、数据安全保障、追溯审计等技术实现方面的需求。 第7章论述了“边缘-云”模式的工业大数据分析技术，分析了智能制造对实时数据分析的需求。运用大数据分析技术，通过面料疵点检测中的数据分析任务、多源工业大数据融合技术的实际案例进行验证。 作 者 2022年7月

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