制造大數(shù)據(jù)體系結(jié)構(gòu)與模型研究

目錄
前言
第1章 緒論 1
1.1 制造大數(shù)據(jù)的基本概念 1
1.1.1 制造大數(shù)據(jù)的定義與分類 1
1.1.2 制造大數(shù)據(jù)的空間分布 2
1.1.3 制造大數(shù)據(jù)的采集與傳輸 2
1.1.4 制造大數(shù)據(jù)的發(fā)展趨勢 2
1.2 制造大數(shù)據(jù)的特點 3
1.3 制造大數(shù)據(jù)建模方法研究現(xiàn)狀 4
1.4 本書主要內(nèi)容 7
第2章 面向制造企業(yè)數(shù)據(jù)空間的制造大數(shù)據(jù)體系結(jié)構(gòu) 10
2.1 制造企業(yè)數(shù)據(jù)空間的建立 10
2.1.1 制造企業(yè)數(shù)據(jù)空間多維體系架構(gòu) 10
2.1.2 數(shù)據(jù)空間業(yè)務(wù)域體系架構(gòu) 10
2.1.3 數(shù)據(jù)空間處理域體系架構(gòu) 13
2.1.4 數(shù)據(jù)空間模態(tài)域體系架構(gòu) 14
2.2 制造企業(yè)數(shù)據(jù)空間集成模型 15
2.2.1 研發(fā)設(shè)計業(yè)務(wù)域數(shù)據(jù)空間跨域集成模型 15
2.2.2 生產(chǎn)制造業(yè)務(wù)域數(shù)據(jù)空間跨域集成模型 16
2.2.3 經(jīng)營管理業(yè)務(wù)域數(shù)據(jù)空間跨域集成模型 17
2.2.4 運維服務(wù)業(yè)務(wù)域數(shù)據(jù)空間跨域集成模型 19
2.3 面向制造企業(yè)數(shù)據(jù)空間的制造大數(shù)據(jù)體系結(jié)構(gòu)構(gòu)建方法 20
2.3.1 多維數(shù)據(jù)空間模型的實現(xiàn)方法 20
2.3.2 業(yè)務(wù)域維度數(shù)據(jù)架構(gòu)的實現(xiàn)方法 25
2.3.3 模態(tài)域維度數(shù)據(jù)架構(gòu)的實現(xiàn)方法 29
2.3.4 處理域維度數(shù)據(jù)架構(gòu)的實現(xiàn)方法 30
2.4 面向制造企業(yè)數(shù)據(jù)空間的時空數(shù)據(jù)異常檢測方法 31
2.4.1 時空數(shù)據(jù)獲取 31
2.4.2 時空數(shù)據(jù)清洗 33
2.4.3 時空數(shù)據(jù)預(yù)處理 33
2.4.4 GCN-LSTM無監(jiān)督預(yù)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(shè)計的設(shè)計資源大數(shù)據(jù)模型 39
3.1 面向全系統(tǒng)優(yōu)化設(shè)計的設(shè)計資源大數(shù)據(jù)建模方法 39
3.1.1 設(shè)計資源大數(shù)據(jù)建模方法 39
3.1.2 設(shè)計資源大數(shù)據(jù)采集 40
3.1.3 設(shè)計資源大數(shù)據(jù)清洗 40
3.1.4 設(shè)計資源大數(shù)據(jù)特征處理 41
3.1.5 設(shè)計資源大數(shù)據(jù)模型構(gòu)建 43
3.2 基于潛變量的制造大數(shù)據(jù)回歸建模方法 46
3.2.1 大數(shù)據(jù)回歸建模問題描述 46
3.2.2 制造大數(shù)據(jù)預(yù)處理 47
3.2.3 制造大數(shù)據(jù)潛變量轉(zhuǎn)化 49
3.3 基于KNN-LR算法的制造大數(shù)據(jù)建模及其在產(chǎn)品設(shè)計領(lǐng)域的應(yīng)用 51
3.3.1 產(chǎn)品設(shè)計大數(shù)據(jù)建模問題描述 51
3.3.2 KNN-LR組合模型 53
3.3.3 產(chǎn)品設(shè)計領(lǐng)域模型驗證 54
3.4 工業(yè)大數(shù)據(jù)在車間調(diào)度方案設(shè)計中的應(yīng)用 57
3.4.1 多目標靈活作業(yè)車間調(diào)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(jié)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(jù)模型 69
4.1 面向全流程制造管控的制造過程大數(shù)據(jù)建模方法 69
4.1.1 業(yè)務(wù)相關(guān)性與數(shù)據(jù)割裂問題的描述與處理 69
4.1.2 業(yè)務(wù)數(shù)據(jù)采集 70
4.1.3 數(shù)據(jù)預(yù)處理 70
4.1.4 建立業(yè)務(wù)聯(lián)系 72
4.1.5 制造過程大數(shù)據(jù)模型構(gòu)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(zhì)量預(yù)測中的應(yīng)用 75
4.2.1 制造過程質(zhì)量預(yù)測的描述與處理 75
4.2.2 兩階段混合質(zhì)量預(yù)測模型 76
4.2.3 實驗驗證 79
4.2.4 結(jié)果分析 81
4.3 基于軟投票的SVM-KNN算法及其在大數(shù)據(jù)建模中的應(yīng)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(jù)建模中的應(yīng)用 88
4.4.1 問題描述 88
4.4.2 Stacking集成算法 89
4.4.3 基學(xué)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(jù)模型 97
5.1 基于模糊二型C-means聚類的關(guān)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(guān)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(guān)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(guān)聯(lián)規(guī)則挖掘方法 122
5.3.1 研究背景 122
5.3.2 模糊關(guān)聯(lián)規(guī)則挖掘并行架構(gòu)的設(shè)計 124
5.3.3 模糊關(guān)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(yīng)用案例 134
5.4.1 智能制造動態(tài)調(diào)度場景及策略 134
5.4.2 智能制造動態(tài)調(diào)度實驗分析 134
5.4.3 動態(tài)調(diào)度權(quán)重預(yù)測結(jié)果分析 135
第6章 面向全周期增值服務(wù)的產(chǎn)品服務(wù)大數(shù)據(jù)模型 138
6.1 基于制造大數(shù)據(jù)的制造企業(yè)預(yù)測型維修服務(wù)方法 138
6.1.1 增值服務(wù)模型描述 138
6.1.2 增值服務(wù)模型設(shè)計 139
6.1.3 增值服務(wù)模型建立 140
6.2 基于SAMME-CART算法的產(chǎn)品增值服務(wù)大數(shù)據(jù)建模方法 141
6.2.1 多學(xué)習器的設(shè)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(jù)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(shè)計 148
6.3.2 實驗分析 150
6.4 基于KNN-RF-SVM大數(shù)據(jù)建模及其在產(chǎn)品銷售預(yù)測領(lǐng)域的應(yīng)用 153
6.4.1 基學(xué)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(jù)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(chǎn)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(jù)處理 161
6.5.6 大數(shù)據(jù)存儲 162
6.5.7 大數(shù)據(jù)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(jù)預(yù)報警方法 164
6.6.1 數(shù)據(jù)清洗 165
6.6.2 標準的灰色預(yù)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(yù)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