制造大數(shù)據體系結構與模型研究

目錄
前言
第1章 緒論 1
1.1 制造大數(shù)據的基本概念 1
1.1.1 制造大數(shù)據的定義與分類 1
1.1.2 制造大數(shù)據的空間分布 2
1.1.3 制造大數(shù)據的采集與傳輸 2
1.1.4 制造大數(shù)據的發(fā)展趨勢 2
1.2 制造大數(shù)據的特點 3
1.3 制造大數(shù)據建模方法研究現(xiàn)狀 4
1.4 本書主要內容 7
第2章 面向制造企業(yè)數(shù)據空間的制造大數(shù)據體系結構 10
2.1 制造企業(yè)數(shù)據空間的建立 10
2.1.1 制造企業(yè)數(shù)據空間多維體系架構 10
2.1.2 數(shù)據空間業(yè)務域體系架構 10
2.1.3 數(shù)據空間處理域體系架構 13
2.1.4 數(shù)據空間模態(tài)域體系架構 14
2.2 制造企業(yè)數(shù)據空間集成模型 15
2.2.1 研發(fā)設計業(yè)務域數(shù)據空間跨域集成模型 15
2.2.2 生產制造業(yè)務域數(shù)據空間跨域集成模型 16
2.2.3 經營管理業(yè)務域數(shù)據空間跨域集成模型 17
2.2.4 運維服務業(yè)務域數(shù)據空間跨域集成模型 19
2.3 面向制造企業(yè)數(shù)據空間的制造大數(shù)據體系結構構建方法 20
2.3.1 多維數(shù)據空間模型的實現(xiàn)方法 20
2.3.2 業(yè)務域維度數(shù)據架構的實現(xiàn)方法 25
2.3.3 模態(tài)域維度數(shù)據架構的實現(xiàn)方法 29
2.3.4 處理域維度數(shù)據架構的實現(xiàn)方法 30
2.4 面向制造企業(yè)數(shù)據空間的時空數(shù)據異常檢測方法 31
2.4.1 時空數(shù)據獲取 31
2.4.2 時空數(shù)據清洗 33
2.4.3 時空數(shù)據預處理 33
2.4.4 GCN-LSTM無監(jiān)督預測模型 34
2.4.5 COPOD異常檢測 36
第3章 面向全系統(tǒng)優(yōu)化設計的設計資源大數(shù)據模型 39
3.1 面向全系統(tǒng)優(yōu)化設計的設計資源大數(shù)據建模方法 39
3.1.1 設計資源大數(shù)據建模方法 39
3.1.2 設計資源大數(shù)據采集 40
3.1.3 設計資源大數(shù)據清洗 40
3.1.4 設計資源大數(shù)據特征處理 41
3.1.5 設計資源大數(shù)據模型構建 43
3.2 基于潛變量的制造大數(shù)據回歸建模方法 46
3.2.1 大數(shù)據回歸建模問題描述 46
3.2.2 制造大數(shù)據預處理 47
3.2.3 制造大數(shù)據潛變量轉化 49
3.3 基于KNN-LR算法的制造大數(shù)據建模及其在產品設計領域的應用 51
3.3.1 產品設計大數(shù)據建模問題描述 51
3.3.2 KNN-LR組合模型 53
3.3.3 產品設計領域模型驗證 54
3.4 工業(yè)大數(shù)據在車間調度方案設計中的應用 57
3.4.1 多目標靈活作業(yè)車間調度問題模型 57
3.4.2 Ⅱ型非支配排序遺傳算法 59
3.4.3 實驗結果與分析 64
第4章 面向全流程制造管控的制造過程大數(shù)據模型 69
4.1 面向全流程制造管控的制造過程大數(shù)據建模方法 69
4.1.1 業(yè)務相關性與數(shù)據割裂問題的描述與處理 69
4.1.2 業(yè)務數(shù)據采集 70
4.1.3 數(shù)據預處理 70
4.1.4 建立業(yè)務聯(lián)系 72
4.1.5 制造過程大數(shù)據模型構建 73
4.2 基于遺傳規(guī)劃的兩階段混合模型及其在制造質量預測中的應用 75
4.2.1 制造過程質量預測的描述與處理 75
4.2.2 兩階段混合質量預測模型 76
4.2.3 實驗驗證 79
4.2.4 結果分析 81
4.3 基于軟投票的SVM-KNN算法及其在大數(shù)據建模中的應用 82
4.3.1 問題描述 82
4.3.2 SVM算法 83
4.3.3 投票集成 84
4.3.4 實驗驗證 85
4.4 基于Stacking的LCRF算法及其在大數(shù)據建模中的應用 88
4.4.1 問題描述 88
4.4.2 Stacking集成算法 89
4.4.3 基學習器算法介紹 91
4.4.4 實驗驗證 94
第5章 面向全貫通管理決策的管理流程大數(shù)據模型 97
5.1 基于模糊二型C-means聚類的關聯(lián)規(guī)則挖掘方法 97
5.1.1 研究背景 97
5.1.2 模糊C-means聚類算法 98
5.1.3 二型模糊集 99
5.1.4 模糊二型C-means聚類算法 101
5.1.5 基于二型模糊集的C-means聚類的關聯(lián)規(guī)則挖掘方法 105
5.1.6 模糊規(guī)則的正確性檢驗方法 108
5.1.7 實驗驗證 109
5.2 基于鄰居信息修正的模糊關聯(lián)規(guī)則挖掘方法 111
5.2.1 研究背景 111
5.2.2 基于鄰居信息修正的模糊C-means聚類算法 112
5.2.3 隸屬度函數(shù)的修正 115
5.2.4 實驗驗證 119
5.3 基于分布式并行計算的模糊關聯(lián)規(guī)則挖掘方法 122
5.3.1 研究背景 122
5.3.2 模糊關聯(lián)規(guī)則挖掘并行架構的設計 124
5.3.3 模糊關聯(lián)規(guī)則挖掘并行計算的實現(xiàn) 125
5.3.4 實驗環(huán)境介紹 129
5.4 智能制造管理決策應用案例 134
5.4.1 智能制造動態(tài)調度場景及策略 134
5.4.2 智能制造動態(tài)調度實驗分析 134
5.4.3 動態(tài)調度權重預測結果分析 135
第6章 面向全周期增值服務的產品服務大數(shù)據模型 138
6.1 基于制造大數(shù)據的制造企業(yè)預測型維修服務方法 138
6.1.1 增值服務模型描述 138
6.1.2 增值服務模型設計 139
6.1.3 增值服務模型建立 140
6.2 基于SAMME-CART算法的產品增值服務大數(shù)據建模方法 141
6.2.1 多學習器的設計 142
6.2.2 實驗分析 145
6.3 制造過程中不平衡故障數(shù)據的多階段優(yōu)化故障診斷模型 147
6.3.1 多階段優(yōu)化故障診斷模型設計 148
6.3.2 實驗分析 150
6.4 基于KNN-RF-SVM大數(shù)據建模及其在產品銷售預測領域的應用 153
6.4.1 基學習器算法介紹 154
6.4.2 實驗分析 156
6.5 案例1：基于制造業(yè)大數(shù)據的船舶建造計劃優(yōu)化方法 159
6.5.1 船舶建造計劃 159
6.5.2 工程與效率計劃層 160
6.5.3 船舶建造生產計劃層 160
6.5.4 船舶建造影響因素計劃層 161
6.5.5 船舶制造業(yè)大數(shù)據處理 161
6.5.6 大數(shù)據存儲 162
6.5.7 大數(shù)據處理 162
6.5.8 船舶建造計劃優(yōu)化 164
6.6 案例2：基于粒子群優(yōu)化灰色模型的工業(yè)大數(shù)據預報警方法 164
6.6.1 數(shù)據清洗 165
6.6.2 標準的灰色預測模型 166
6.6.3 粒子群優(yōu)化算法 168
6.6.4 粒子群優(yōu)化灰色模型 170
6.6.5 故障預報警 171
參考文獻 172
附錄 176
A.1 KNN算法 176
A.2 邏輯回歸分析 177
A.3 算法5.3的收斂性證明 177