第1章　緒論 001
1.1 從開普勒三大定律的發(fā)現(xiàn)談起 001
1.2 工業(yè)大數(shù)據(jù)的內涵 002
1.2.1 工業(yè)大數(shù)據(jù)的背景 002
1.2.2 工業(yè)大數(shù)據(jù)的定義 003
1.2.3 工業(yè)大數(shù)據(jù)的特性 004
1.2.4 大數(shù)據(jù)驅動的智能制造科學范式 007
1.3 工業(yè)大數(shù)據(jù)分析的流程、平臺及應用 009
1.3.1 工業(yè)大數(shù)據(jù)分析的基本流程 009
1.3.2 大數(shù)據(jù)平臺 010
1.3.3　工業(yè)大數(shù)據(jù)分析的應用場景 017
1.4 工業(yè)大數(shù)據(jù)帶來的思維變革 019
1.4.1 從抽樣到全局數(shù)據(jù)分析 019
1.4.2 從因果建模到關聯(lián)分析 019
1.4.3 從精確求解到近似推演 020
1.4.4 從數(shù)據(jù)的量變到分析的質變 020
1.4.5 多來源數(shù)據(jù)協(xié)同處理 020
1.4.6 強實時數(shù)據(jù)分析 021
1.5 本書主要內容與章節(jié)安排 021
參考文獻 022
第2章　工業(yè)大數(shù)據(jù)融合處理方法：從抽樣到全局 025
2.1 引言 025
2.2 從局部樣本到全體數(shù)據(jù) 025
2.3 工業(yè)大數(shù)據(jù)的類型 026
2.3.1 按照制造業(yè)務流程劃分 026
2.3.2 按照存儲結構劃分 028
2.4 工業(yè)大數(shù)據(jù)特征的描述方法 030
2.4.1 數(shù)據(jù)集中趨勢度量 030
2.4.2 數(shù)據(jù)離散趨勢度量 032
2.4.3 數(shù)據(jù)的分布形態(tài)：偏態(tài)與峰度 034
2.5 工業(yè)大數(shù)據(jù)融合處理的典型方法 035
2.5.1 基于過濾規(guī)則多級組合的多源數(shù)據(jù)導入與清洗方法 035
2.5.2 基于元對象框架的異構數(shù)據(jù)統(tǒng)一建模與數(shù)據(jù)抽取融合方法 037
2.5.3 基于字典學習的高維數(shù)據(jù)多尺度分類查詢方法 039
2.5.4 基于稀疏自動編碼器的數(shù)據(jù)降維方法 041
2.5.5 基于徑向基神經(jīng)網(wǎng)絡的數(shù)據(jù)去冗余方法 043
2.6 本章小結 044
參考文獻 044
第3章　工業(yè)大數(shù)據(jù)關聯(lián)分析方法：從因果到關聯(lián) 047
3.1 引言 047
3.2 數(shù)據(jù)關聯(lián)分析方法 048
3.2.1 基于信息熵的關聯(lián)關系度量方法 048
3.2.2 基于頻繁項集的關聯(lián)關系度量方法 050
3.2.3 基于Granger因果分析的關聯(lián)關系度量方法 053
3.2.4 基于復雜網(wǎng)絡的關系解耦方法 054
3.3 工業(yè)大數(shù)據(jù)關聯(lián)分析案例 059
3.3.1 晶圓工期關鍵參數(shù)識別方法 059
3.3.2 柴油發(fā)動機功率一致性關鍵參數(shù)識別方法 071
3.4 本章小結 077
參考文獻 078
第4章　工業(yè)大數(shù)據(jù)預測方法：從精確求解到近似推演 080
4.1 引言 080
4.2 大數(shù)據(jù)預測任務 080
4.1.1 時序預測任務 081
4.1.2 因果預測任務 082
4.2 工業(yè)大數(shù)據(jù)預測方法 082
4.2.1 淺層機器學習預測方法 083
4.2.2 深度學習預測方法 089
4.3 工業(yè)大數(shù)據(jù)預測案例 098
4.3.1 石油化工泵的故障預測 098
4.3.2 晶圓工期預測方法 106
4.4 本章小結 120
參考文獻 121
第5章　不平衡工業(yè)大數(shù)據(jù)分析方法：從量變到質變 123
5.1 引言 123
5.2 大數(shù)據(jù)的不平衡性學習問題 124
5.2.1 大數(shù)據(jù)的不平衡性 124
5.2.2 不平衡學習問題分類 125
5.2.3 不平衡學習的效果評價準則 125
5.3 不平衡學習方法 127
5.3.1 基于采樣的不平衡學習方法 128
5.3.2 基于代價敏感的不平衡學習方法 134
5.3.4 基于主動學習的不平衡學習方法 139
5.4 不平衡學習方法在智能制造中的典型應用 143
5.4.1 不平衡數(shù)據(jù)下的晶圓圖缺陷模式識別 143
5.4.2 空氣舵三維點云非等效分割方法 155
5.5 本章小結 167
參考文獻 167
第6章　多源工業(yè)大數(shù)據(jù)融合技術：從數(shù)據(jù)孤島到多源融合 170
6.1 引言 170
6.2 制造大數(shù)據(jù)來源分析 170
6.2.1 設計大數(shù)據(jù) 171
6.2.2 生產(chǎn)大數(shù)據(jù) 172
6.2.3 營銷大數(shù)據(jù) 174
6.2.4 運維大數(shù)據(jù) 175
6.3 多源工業(yè)大數(shù)據(jù)的融合問題 175
6.3.1 問題描述 176
6.3.2 難點分析 177
6.3.3 技術要求 178
6.4 多源工業(yè)大數(shù)據(jù)融合技術 180
6.4.1 基于任務流圖的多源工業(yè)大數(shù)據(jù)融合任務建模技術 180
6.4.2 基于霧計算的多源工業(yè)大數(shù)據(jù)融合技術 182
6.4.3 基于密碼學的多源工業(yè)大數(shù)據(jù)傳輸技術 187
6.4.4 基于區(qū)塊鏈的多源工業(yè)數(shù)據(jù)融合技術 188
6.5 智能制造應用案例 189
6.5.1 問題描述 190
6.5.2 多源數(shù)據(jù)驅動的飛機裝配位姿分析 190
6.6 本章小結 193
參考文獻 193
第7章　“邊緣-云”模式的工業(yè)大數(shù)據(jù)分析技術：從云計算到邊云融合 195
7.1 引言 195
7.2 制造過程中的工業(yè)大數(shù)據(jù)分析需求 196
7.3 “邊緣-云”融合的工業(yè)大數(shù)據(jù)分析模型 197
7.3.1 “邊緣-云”融合的大數(shù)據(jù)分析模型架構 197
7.3.2 云計算技術 199
7.3.3 邊緣計算技術 201
7.3.4 流數(shù)據(jù)處理技術 203
7.3.5 內存計算技術 205
7.4 基于“邊緣-云”模式的面料疵點檢測技術 206
7.4.1 面料疵點檢測需求分析 206
7.4.2 “邊緣-云”協(xié)同的面料疵點檢測 208
參考文獻 217
后記——方興未艾的大數(shù)據(jù)科學 220