工业大数据融合体系结构与关键技术

作品简介

本书针对工业大数据的体系结构与关键技术进行了研究，在对工业4.0、物联网和云计算进行分析的基础上，从定义、技术以及管理三个方面对大数据进行了阐述，给出了工业大数据研究与应用的体系结构。针对工业制造领域的特定应用场景，充分研究了数据的感知、采集和异常检测技术，阐述了现有方法的利弊，分析了存在的问题，并提出了一系列创新的解决方案。

高聪，王忠民，陈彦萍著。

作品目录

• 前言
• 第1章　绪论
• 1.1　工业4.0
• 1.1.1　发展历程
• 1.1.2　设计原则
• 1.1.3　成熟度模型
• 1.2　信息物理系统
• 1.2.1　发展阶段
• 1.2.2　体系结构
• 1.2.3　关键技术
• 1.3　大数据
• 1.3.1　大数据的定义
• 1.3.2　大数据带来的挑战
• 1.3.3　大数据技术
• 1.3.4　大数据管理
• 第2章　工业无线传感器网络数据融合
• 2.1　引言
• 2.1.1　工业4.0与智能工厂
• 2.1.2　传感器云
• 2.1.3　工业无线传感器网络与传感器云
• 2.2　数据融合体系结构
• 2.2.1　多源异构数据的统一描述与管理机制
• 2.2.2　基于传感器技术的工业无线传感器网络
• 2.3　基于分布式云的数据感知与管理软件
• 2.3.1　功能描述
• 2.3.2　设计与实现
• 2.3.3　典型应用场景
• 2.3.4　运行环境及安装流程
• 2.3.5　使用说明
• 第3章　面向工业4.0的数据采集机制
• 3.1　引言
• 3.2　设施位置问题
• 3.2.1　设施位置问题概述
• 3.2.2　k中点问题
• 3.3　低开销的虚拟传感器管理机制
• 3.3.1　k资源调度器
• 3.3.2　渐进交换算法
• 3.3.3　贪心算法
• 3.3.4　RK算法
• 3.4　实验与分析
• 3.4.1　参数设置
• 3.4.2　结果与分析
• 第4章　工业过程数据的故障预测与质量预测
• 4.1　引言
• 4.2　相关工作与背景知识
• 4.3　基于高斯过程回归的预测模型
• 4.3.1　单步预测模型
• 4.3.2　基于时间序列的多步预测
• 4.3.3　基于高斯过程回归的基本模型和反馈模型
• 4.4　实验与分析
• 4.4.1　TE模拟平台
• 4.4.2　对比实验
• 4.4.3　评价指标
• 4.4.4　实验核函数构建
• 4.4.5　结果与分析
• 第5章　时间序列数据的模式异常检测
• 5.1　引言
• 5.2　相关工作
• 5.3　定义
• 5.4　骨架模式表示异常检测方法
• 5.4.1　基于可感知重要点的骨架表示
• 5.4.2　模式表示
• 5.4.3　基于骨架模式表示的异常检测
• 5.5　实验与分析
• 5.5.1　性能指标
• 5.5.2　针对合成数据集的实验
• 5.5.3　针对真实数据集的实验
• 第6章　时间序列数据的异常值检测
• 6.1　引言
• 6.2　异常值检测技术综述
• 6.2.1　常见的异常值检测技术
• 6.2.2　隔离森林
• 6.2.3　本地异常值因子
• 6.3　基于最近邻居集合的隔离方案
• 6.3.1　问题陈述
• 6.3.2　基于最近邻居集合的隔离
• 6.3.3　面向无线传感器网络的分布式检测模型
• 6.4　实验与分析
• 6.4.1　数据集
• 6.4.2　性能指标
• 6.4.3　结果与分析
• 第7章　总结与展望
• 主要缩略语对照表