工業(yè)互聯(lián)網(wǎng)

IndustrialInternet01第四章工業(yè)網(wǎng)絡(luò)通信——上節(jié)回顧工業(yè)互聯(lián)網(wǎng)通信傳輸架構(gòu)回顧設(shè)備音頻；設(shè)備輻射；……訂單信息;客戶需求變更；……機(jī)器觸感；機(jī)器溫度；……信息感知產(chǎn)品位置；機(jī)器人位置；人的位置；……視覺(jué)傳感器（攝像頭）溫度傳感器紅外傳感器壓力傳感器煙霧傳感器……數(shù)據(jù)傳輸藍(lán)牙通信蜂窩通信有線通信以太網(wǎng)衛(wèi)星通信……數(shù)據(jù)處理機(jī)器學(xué)習(xí)數(shù)據(jù)挖掘數(shù)據(jù)融合人工智能大數(shù)據(jù)……決策應(yīng)用服務(wù)安全管理……平臺(tái)層2第四章工業(yè)網(wǎng)絡(luò)通信——上節(jié)回顧隨堂小測(cè)1.（多選）廣義的通信過(guò)程包括_________。A.細(xì)胞收發(fā)激素B.語(yǔ)言C.“烽火狼煙”D.凝望夜空2.常見(jiàn)的無(wú)線通信方式不包括_________。A.Wi-Fi

B.藍(lán)牙C.以太網(wǎng)D.5G3第四章工業(yè)網(wǎng)絡(luò)通信——上節(jié)回顧隨堂小測(cè)1.（多選）廣義的通信過(guò)程包括_________。A.細(xì)胞收發(fā)激素B.語(yǔ)言C.“烽火狼煙”D.凝望夜空2.常見(jiàn)的無(wú)線通信方式不包括_________。A.Wi-Fi

B.藍(lán)牙C.以太網(wǎng)D.5G4第五章工業(yè)大數(shù)據(jù)——課時(shí)安排本章課時(shí)任務(wù)時(shí)間270分鐘（6課時(shí)）主要學(xué)習(xí)內(nèi)容工業(yè)大數(shù)據(jù)背景（0.5課時(shí)）；數(shù)據(jù)采集（0.5課時(shí)）；數(shù)據(jù)分析與挖掘（1課時(shí)）；數(shù)據(jù)可視化（1課時(shí)）；數(shù)據(jù)中臺(tái)（1課時(shí)）；工業(yè)大數(shù)據(jù)案例分析（2課時(shí)）。本課時(shí)主要目標(biāo)了解工業(yè)大數(shù)據(jù)的背景與發(fā)展歷程；了解工業(yè)數(shù)據(jù)采集、分析與挖掘基本流程。5第五章工業(yè)大數(shù)據(jù)——背景工業(yè)從數(shù)據(jù)到大數(shù)據(jù)當(dāng)前，全球主要國(guó)家掀起了新一輪以“信息技術(shù)與制造業(yè)融合”為共同特征的工業(yè)革命，加速發(fā)展新一代信息技術(shù)，并推動(dòng)其與全球工業(yè)系統(tǒng)的深入融合，以期搶占新一輪產(chǎn)業(yè)競(jìng)爭(zhēng)的制高點(diǎn)。無(wú)論是歐美老牌國(guó)家制造業(yè)的重振，還是中國(guó)制造業(yè)的轉(zhuǎn)型提升，工業(yè)大數(shù)據(jù)都將發(fā)揮不可替代的作用。6第五章工業(yè)大數(shù)據(jù)——背景工業(yè)大數(shù)據(jù)是什么？工業(yè)大數(shù)據(jù)是由工業(yè)設(shè)備高速產(chǎn)生的大量數(shù)據(jù)，對(duì)應(yīng)不同時(shí)間下的設(shè)備狀態(tài)，是物聯(lián)網(wǎng)中的訊息。7第五章工業(yè)大數(shù)據(jù)——背景工業(yè)大數(shù)據(jù)的定義與邊界工業(yè)大數(shù)據(jù)是指在工業(yè)領(lǐng)域中，圍繞典型智能制造模式，從客戶需求到銷(xiāo)售、訂單、計(jì)劃、研發(fā)、設(shè)計(jì)、工藝、制造、采購(gòu)、供應(yīng)、庫(kù)存、發(fā)貨和交付、售后服務(wù)、運(yùn)維、報(bào)廢或回收再制造等整個(gè)產(chǎn)品全生命周期各個(gè)環(huán)節(jié)所產(chǎn)生的各類數(shù)據(jù)及相關(guān)技術(shù)和應(yīng)用的總稱。主要分為：企業(yè)運(yùn)營(yíng)管理相關(guān)的業(yè)務(wù)數(shù)據(jù)是制造過(guò)程數(shù)據(jù)企業(yè)外部數(shù)據(jù)8第五章工業(yè)大數(shù)據(jù)——背景工業(yè)大數(shù)據(jù)特點(diǎn)

9第五章工業(yè)大數(shù)據(jù)——背景工業(yè)大數(shù)據(jù)與工業(yè)互聯(lián)網(wǎng)的關(guān)系與智能制造的場(chǎng)景有所區(qū)別，工業(yè)互聯(lián)網(wǎng)更為關(guān)注制造業(yè)企業(yè)如何以工業(yè)為本，通過(guò)“智能+”打通、整合、協(xié)同產(chǎn)業(yè)鏈，催生個(gè)性化定制、網(wǎng)絡(luò)化協(xié)同、服務(wù)化延伸等新模式，從而提升企業(yè)、整體行業(yè)價(jià)值鏈或是區(qū)域產(chǎn)業(yè)集群的效率。與智能制造相似的，工業(yè)互聯(lián)網(wǎng)既是工業(yè)大數(shù)據(jù)的重要來(lái)源，也是工業(yè)大數(shù)據(jù)重要的應(yīng)用場(chǎng)景。10第五章工業(yè)大數(shù)據(jù)——背景工業(yè)大數(shù)據(jù)在工業(yè)互聯(lián)網(wǎng)中的應(yīng)用工業(yè)大數(shù)據(jù)在工業(yè)互聯(lián)網(wǎng)中的應(yīng)用首先體現(xiàn)在對(duì)于工業(yè)互聯(lián)網(wǎng)個(gè)性化定制、網(wǎng)絡(luò)化協(xié)同、服務(wù)化延伸等工業(yè)互聯(lián)網(wǎng)新模式場(chǎng)景的支撐。除了在工業(yè)互聯(lián)網(wǎng)新模式場(chǎng)景中的應(yīng)用，從集中化平臺(tái)的角度來(lái)看，工業(yè)互聯(lián)網(wǎng)平臺(tái)還承載了通過(guò)工業(yè)大數(shù)據(jù)的分析利用從而實(shí)現(xiàn)知識(shí)積累的重任。11第五章工業(yè)大數(shù)據(jù)——背景智能化設(shè)計(jì)案例一——西門(mén)子西門(mén)子在數(shù)字環(huán)境下構(gòu)建基于模型和仿真的研發(fā)設(shè)計(jì)，有效提升了設(shè)計(jì)質(zhì)量、節(jié)約研發(fā)成本。12第五章工業(yè)大數(shù)據(jù)——背景智能化設(shè)計(jì)案例二——瑪莎拉蒂瑪莎拉蒂通過(guò)數(shù)字化工具加速產(chǎn)品設(shè)計(jì)，實(shí)現(xiàn)開(kāi)發(fā)效率提高30%。13第五章工業(yè)大數(shù)據(jù)——背景智能化設(shè)計(jì)案例三———阿里巴巴阿里巴巴基于燃燒機(jī)理與鍋爐運(yùn)行數(shù)據(jù)，深度分析識(shí)別鍋爐燃燒過(guò)程中的關(guān)鍵因子，找到了最優(yōu)的鍋爐操作參數(shù)，使燃煤效率提升了4.1%，大大降低了能源消耗。14第五章工業(yè)大數(shù)據(jù)——背景工業(yè)大數(shù)據(jù)特點(diǎn)工業(yè)大數(shù)據(jù)面向復(fù)雜工業(yè)過(guò)程，通過(guò)實(shí)現(xiàn)工業(yè)建模、預(yù)測(cè)、控制、決策、優(yōu)化、故障診斷等一系列應(yīng)用來(lái)解決工業(yè)生產(chǎn)全生命周期各環(huán)節(jié)面臨的實(shí)際問(wèn)題，提高生產(chǎn)效率。1%的威力工業(yè)界任何微小的改變都會(huì)給企業(yè)帶來(lái)巨大的優(yōu)勢(shì)15第五章工業(yè)大數(shù)據(jù)——背景工業(yè)大數(shù)據(jù)技術(shù)實(shí)施策略

16第五章工業(yè)大數(shù)據(jù)——背景工業(yè)大數(shù)據(jù)共性問(wèn)題

相關(guān)需求如何解決？機(jī)器學(xué)習(xí)共性問(wèn)題數(shù)據(jù)的隱私性與機(jī)密性：生產(chǎn)工藝可以從數(shù)據(jù)中表征出來(lái)數(shù)據(jù)不完備：前瞻性不足未采集足夠表征生產(chǎn)模型的數(shù)據(jù)量樣本不均衡：實(shí)際生產(chǎn)中負(fù)樣本量較少數(shù)據(jù)質(zhì)量差：人工采集導(dǎo)致數(shù)據(jù)缺失、無(wú)經(jīng)驗(yàn)性填補(bǔ)模態(tài)不統(tǒng)一：數(shù)據(jù)存在多源異構(gòu)、多模態(tài)、多類型①②③④⑤17第五章工業(yè)大數(shù)據(jù)——背景工業(yè)大數(shù)據(jù)挑戰(zhàn)及需求

數(shù)據(jù)不完備數(shù)據(jù)質(zhì)量差數(shù)據(jù)不均衡模態(tài)不統(tǒng)一全過(guò)程的模型：如何面向工業(yè)流程全過(guò)程設(shè)計(jì)模型高質(zhì)量的數(shù)據(jù)：如何保證輸入數(shù)據(jù)的質(zhì)量高性能的算法：如何保證算法在多種數(shù)據(jù)輸入下的性能高質(zhì)量的結(jié)果：如何得到在工業(yè)流程中準(zhǔn)確且有效的結(jié)果缺點(diǎn)挑戰(zhàn)需求多樣化模型高質(zhì)量數(shù)據(jù)高性能算法高質(zhì)量結(jié)果工藝數(shù)據(jù)共享數(shù)據(jù)隱私泄露隱私保護(hù)：如何設(shè)計(jì)具有高效高質(zhì)的數(shù)據(jù)隱私保護(hù)策略框架工業(yè)生產(chǎn)數(shù)據(jù)18第五章工業(yè)大數(shù)據(jù)——背景工業(yè)大數(shù)據(jù)挑戰(zhàn)及研究方向

挑戰(zhàn)多樣化模型高質(zhì)量數(shù)據(jù)高性能算法高質(zhì)量結(jié)果完備分析：使分析結(jié)果支持工業(yè)全過(guò)程質(zhì)量保障：保證數(shù)據(jù)的質(zhì)量，降低分析的誤差數(shù)據(jù)安全：在云計(jì)算等平臺(tái)應(yīng)用中，對(duì)數(shù)據(jù)進(jìn)行安全保護(hù)高效實(shí)時(shí)：實(shí)現(xiàn)算法的高效、準(zhǔn)確運(yùn)行，達(dá)到基本目標(biāo)解決方案線性分類深度網(wǎng)絡(luò)集成學(xué)習(xí)圖網(wǎng)絡(luò)數(shù)據(jù)隱私泄露統(tǒng)計(jì)學(xué)習(xí)第五章工業(yè)大數(shù)據(jù)195.1數(shù)據(jù)采集20第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集數(shù)據(jù)來(lái)源與收集在數(shù)據(jù)分析的基礎(chǔ)步驟中，數(shù)據(jù)來(lái)源與收集是核心環(huán)節(jié)。高質(zhì)量的數(shù)據(jù)來(lái)源，包括內(nèi)部數(shù)據(jù)庫(kù)、公共數(shù)據(jù)集及第三方數(shù)據(jù)服務(wù)，是確保分析有效性的前提。合理選擇數(shù)據(jù)收集方法，不僅影響數(shù)據(jù)的準(zhǔn)確性，還決定了分析的可靠性。了解和應(yīng)用適宜的技術(shù)，對(duì)于轉(zhuǎn)化這些數(shù)據(jù)為有價(jià)值的信息至關(guān)重要。數(shù)據(jù)來(lái)源內(nèi)部數(shù)據(jù)庫(kù)公共數(shù)據(jù)集第三方數(shù)據(jù)服務(wù)21第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集數(shù)據(jù)采集——物聯(lián)網(wǎng)技術(shù)數(shù)據(jù)采集方面，以傳感器為主要采集工具，結(jié)合RFID、條碼掃描器、生產(chǎn)和監(jiān)測(cè)設(shè)備、PDA、人機(jī)交互、智能終端等手段采集制造領(lǐng)域多源、異構(gòu)數(shù)據(jù)信息，并通過(guò)互聯(lián)網(wǎng)或現(xiàn)場(chǎng)總線等技術(shù)實(shí)現(xiàn)原始數(shù)據(jù)的實(shí)時(shí)準(zhǔn)確傳輸。22第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集數(shù)據(jù)采集——物聯(lián)網(wǎng)技術(shù)物聯(lián)網(wǎng)通過(guò)傳感器、RFID等技術(shù)收集龐大量級(jí)的數(shù)據(jù)，涵蓋廣泛的節(jié)點(diǎn)從小型設(shè)備到超級(jí)計(jì)算機(jī)。有效的數(shù)據(jù)治理和統(tǒng)一的標(biāo)識(shí)解析體系對(duì)于物聯(lián)網(wǎng)的成功至關(guān)重要，不僅支持?jǐn)?shù)據(jù)的互聯(lián)和共享，而且使產(chǎn)品追溯成為可能。通過(guò)工業(yè)互聯(lián)網(wǎng)標(biāo)識(shí)，每個(gè)產(chǎn)品和部件都擁有獨(dú)一無(wú)二的身份，保證了數(shù)據(jù)的精確追蹤和高效管理。23第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集檢測(cè)儀表檢測(cè)儀表是一種能夠確定所感受的被測(cè)變量大小的儀表，它可以是對(duì)各種物理參數(shù)（如壓力、溫度、流量、物位等）進(jìn)行測(cè)量的工具。檢測(cè)儀表通常由傳感器、變送器和顯示裝置組成，它們共同構(gòu)成了一個(gè)完整的測(cè)量系統(tǒng)。熱電偶?jí)毫鞲衅?4第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集檢測(cè)儀表傳感器負(fù)責(zé)接收被測(cè)信息，并將信息轉(zhuǎn)換成相應(yīng)的輸出變量；變送器則將這些輸出變量轉(zhuǎn)換成標(biāo)準(zhǔn)信號(hào)，以便于傳輸和處理；最后，顯示裝置將這些信號(hào)轉(zhuǎn)換成易于理解的數(shù)值或圖形顯示出來(lái)。溫度表電動(dòng)閥門(mén)25第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集檢測(cè)儀表——傳感技術(shù)傳感技術(shù)是檢測(cè)儀表的基礎(chǔ)，它涉及到將被測(cè)量的物理參數(shù)（如溫度、壓力、流量等）轉(zhuǎn)換為電信號(hào)的過(guò)程。這些電信號(hào)隨后可以被讀取、處理和分析。傳感器是傳感技術(shù)的核心設(shè)備，傳感器由敏感元件，轉(zhuǎn)換元件和測(cè)量電路和電源組成，如下圖所示。傳感技術(shù)說(shuō)明圖26第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集檢測(cè)儀表——信號(hào)處理技術(shù)信號(hào)處理技術(shù)涉及對(duì)傳感器產(chǎn)生的原始電信號(hào)進(jìn)行放大、濾波、轉(zhuǎn)換和數(shù)字化處理，以便于后續(xù)的顯示、存儲(chǔ)和分析。典型的信號(hào)處理系統(tǒng)主要由傳感器、信號(hào)形式變換電路)、信號(hào)調(diào)理電路、模數(shù)轉(zhuǎn)換、數(shù)字信號(hào)處理系統(tǒng)、數(shù)模轉(zhuǎn)換或數(shù)字輸出、信號(hào)調(diào)理電路、信號(hào)形式變換電路等組成，如下圖所示。信號(hào)處理技術(shù)說(shuō)明圖27第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集檢測(cè)儀表——數(shù)據(jù)采集技術(shù)數(shù)據(jù)采集技術(shù)指的是將處理后的信號(hào)轉(zhuǎn)換為數(shù)字形式，并通過(guò)計(jì)算機(jī)系統(tǒng)進(jìn)行進(jìn)一步的分析和處理。這包括了模數(shù)轉(zhuǎn)換、數(shù)據(jù)采集卡的設(shè)計(jì)和使用，以及相應(yīng)的數(shù)據(jù)處理軟件。在數(shù)據(jù)采集系統(tǒng)中，外部信號(hào)在通過(guò)數(shù)據(jù)采集接口，經(jīng)過(guò)模擬和數(shù)字電路的轉(zhuǎn)換后得到數(shù)字信號(hào)，與PC機(jī)通訊并進(jìn)行數(shù)據(jù)處理與分析，如下圖所示。數(shù)據(jù)采集技術(shù)說(shuō)明圖28第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集檢測(cè)儀表——自動(dòng)化控制技術(shù)自動(dòng)化控制技術(shù)是指利用計(jì)算機(jī)和其他電子設(shè)備來(lái)自動(dòng)執(zhí)行檢測(cè)儀表的任務(wù)，如自動(dòng)調(diào)節(jié)、數(shù)據(jù)采集和遠(yuǎn)程監(jiān)控等。自動(dòng)化控制技術(shù)基本結(jié)構(gòu)主要包括輸入裝置，輸出裝置，控制器和被控制對(duì)象，如下圖所示。自動(dòng)化控制技術(shù)說(shuō)明圖29第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集檢測(cè)儀表——溫度檢測(cè)工業(yè)生產(chǎn)中往往需要控制和監(jiān)測(cè)物體的溫度，以確保生產(chǎn)過(guò)程穩(wěn)定和產(chǎn)品質(zhì)量。溫度檢測(cè)儀表如溫度傳感器、紅外線溫度計(jì)等被廣泛用于爐溫控制、加熱系統(tǒng)監(jiān)測(cè)、冷卻過(guò)程控制等，其應(yīng)用場(chǎng)景如下圖所示。溫度監(jiān)測(cè)場(chǎng)景30第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集檢測(cè)儀表——壓力監(jiān)測(cè)在管道、容器、設(shè)備等各種工業(yè)場(chǎng)合中，壓力監(jiān)測(cè)儀表如壓力傳感器、壓力表等被用于監(jiān)測(cè)介質(zhì)的壓力變化，以確保設(shè)備的安全運(yùn)行和生產(chǎn)過(guò)程的穩(wěn)定性，其應(yīng)用場(chǎng)景如下圖所示。壓力監(jiān)測(cè)場(chǎng)景31第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集檢測(cè)儀表——流量測(cè)量在液體、氣體等介質(zhì)的輸送和流動(dòng)過(guò)程中，流量測(cè)量?jī)x表如流量計(jì)被用于準(zhǔn)確測(cè)量流體的流速和流量，以確保生產(chǎn)過(guò)程的控制和流程優(yōu)化，其應(yīng)用場(chǎng)景如下圖所示。流量測(cè)量場(chǎng)景32第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集檢測(cè)儀表——液位監(jiān)測(cè)工業(yè)生產(chǎn)中常涉及到液體或固體物料的儲(chǔ)存和輸送，液位檢測(cè)儀表如液位計(jì)、浮球液位計(jì)等用于監(jiān)測(cè)儲(chǔ)罐、容器中的液位變化，以確保生產(chǎn)過(guò)程的安全和穩(wěn)定，如下圖所示。液位監(jiān)測(cè)場(chǎng)景33第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集檢測(cè)儀表——物位監(jiān)測(cè)在粉體、顆粒狀物料的儲(chǔ)存和輸送過(guò)程中，物位監(jiān)測(cè)儀表如物位開(kāi)關(guān)、激光物位計(jì)等被用于監(jiān)測(cè)物料的填充情況和堆積高度，以確保生產(chǎn)過(guò)程的順利進(jìn)行，其應(yīng)用場(chǎng)景如下圖所示。物位監(jiān)測(cè)場(chǎng)景34第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集檢測(cè)儀表——質(zhì)量監(jiān)測(cè)工業(yè)生產(chǎn)中常需要對(duì)產(chǎn)品的質(zhì)量進(jìn)行監(jiān)測(cè)和控制，質(zhì)量檢測(cè)儀表如稱重傳感器、顯微鏡、光譜儀等被用于檢測(cè)產(chǎn)品的物理性質(zhì)、化學(xué)成分和表面質(zhì)量，以確保產(chǎn)品符合標(biāo)準(zhǔn)和客戶要求，其應(yīng)用場(chǎng)景如下圖所示。質(zhì)量監(jiān)測(cè)場(chǎng)景35第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集遠(yuǎn)程I/O數(shù)據(jù)采集遠(yuǎn)程I/O數(shù)據(jù)采集是指通過(guò)遠(yuǎn)程I/O模塊實(shí)時(shí)采集現(xiàn)場(chǎng)數(shù)據(jù)，并將這些數(shù)據(jù)傳輸?shù)娇刂浦行幕虮O(jiān)控中心進(jìn)行處理和分析的過(guò)程。這種數(shù)據(jù)采集方式允許遠(yuǎn)程監(jiān)測(cè)和控制現(xiàn)場(chǎng)設(shè)備，而無(wú)需直接接觸到設(shè)備本身，從而提高了生產(chǎn)過(guò)程的靈活性和效率。36第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集遠(yuǎn)程I/O數(shù)據(jù)采集遠(yuǎn)程IO的使用帶來(lái)了多方面的優(yōu)勢(shì)。遠(yuǎn)程IO模塊可以安裝在現(xiàn)場(chǎng)設(shè)備附近，減少了長(zhǎng)距離電纜的使用，降低了成本和潛在的故障風(fēng)險(xiǎn)。此外，遠(yuǎn)程IO模塊通常支持多種通信協(xié)議，如Modbus、Profibus等，這使得它們可以與多種設(shè)備和系統(tǒng)兼容，便于系統(tǒng)的維護(hù)和擴(kuò)展。37第五章工業(yè)大數(shù)據(jù)——1.數(shù)據(jù)采集I/O模塊

I/O模塊（Input/OutputModule）是用于連接和控制輸入/輸出設(shè)備的重要組件，它通常用于各種自動(dòng)化系統(tǒng)中，包括工業(yè)控制系統(tǒng)、建筑自動(dòng)化系統(tǒng)、智能家居系統(tǒng)等。I/O模塊負(fù)責(zé)接收外部傳感器的輸入信號(hào)，并將其轉(zhuǎn)換為數(shù)字或模擬信號(hào)，同時(shí)可以向執(zhí)行器發(fā)送控制信號(hào)，實(shí)現(xiàn)對(duì)外部設(shè)備的監(jiān)測(cè)和控制。第五章工業(yè)大數(shù)據(jù)385.2數(shù)據(jù)分析39第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)大數(shù)據(jù)分析框架 工業(yè)大數(shù)據(jù)分析框架分為六個(gè)階段：業(yè)務(wù)理解、數(shù)據(jù)理解、數(shù)據(jù)準(zhǔn)備、建模、驗(yàn)證與評(píng)估以及實(shí)施與運(yùn)行。這一模型特別強(qiáng)調(diào)過(guò)程的迭代性，特別是在業(yè)務(wù)與數(shù)據(jù)理解、數(shù)據(jù)準(zhǔn)備與建模間的循環(huán)。40第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析數(shù)據(jù)分析三要素?cái)?shù)據(jù)41第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)理解——認(rèn)識(shí)工業(yè)對(duì)象 業(yè)務(wù)理解和數(shù)據(jù)理解的目的，是在工作的前期，認(rèn)識(shí)業(yè)務(wù)相關(guān)對(duì)象以及目標(biāo)要求、條件約束。在此基礎(chǔ)上選擇合適的數(shù)據(jù)分析問(wèn)題，以避免工作過(guò)程中出現(xiàn)方向性錯(cuò)誤，進(jìn)而減少無(wú)效和低效的勞動(dòng)。高爐系統(tǒng)生產(chǎn)鐵水生產(chǎn)高爐渣生產(chǎn)煤氣有用功能:提高效率

負(fù)面功能:增加能耗工業(yè)系統(tǒng)的功能描述輸入：控制命令、物質(zhì)、能量?jī)?nèi)部狀態(tài)：工藝參數(shù)、設(shè)備狀態(tài)輸出：系統(tǒng)的最終產(chǎn)品系統(tǒng)工業(yè)系統(tǒng)的抽象化42第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)理解——描述性統(tǒng)計(jì)運(yùn)用制表和分類、圖形以及計(jì)算概括性數(shù)據(jù)來(lái)描述數(shù)據(jù)特征分布形態(tài)集中趨勢(shì)分析離散程度分析平均數(shù)中位數(shù)眾數(shù)分位數(shù)方差標(biāo)準(zhǔn)差變異系數(shù)平均絕對(duì)誤差均方根誤差偏度峰度變量線性相關(guān)關(guān)系協(xié)方差相關(guān)系數(shù)43第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)理解——描述性統(tǒng)計(jì)運(yùn)用圖形數(shù)據(jù)來(lái)描述數(shù)據(jù)特征數(shù)據(jù)圖像展示數(shù)據(jù)分析比較相關(guān)分類、順序變量數(shù)值變量分類、順序變量數(shù)值變量條形圖餅狀圖直方圖盒須圖莖葉圖Side-by-side條形圖堆疊條形圖散點(diǎn)圖趨勢(shì)圖44第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)理解——推斷統(tǒng)計(jì)利用概率決定某兩組（或若干組）數(shù)據(jù)之間存在某種關(guān)系的可能性，并由樣本特征來(lái)推斷總體特征的統(tǒng)計(jì)方法總體數(shù)據(jù)集模型參數(shù)樣本統(tǒng)計(jì)量采樣推斷涉及：概率分布、參數(shù)估計(jì)、假設(shè)檢驗(yàn)45第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)理解——概率分布LognormalGamma數(shù)據(jù)離散或連續(xù)是否能估計(jì)出結(jié)果或概率對(duì)稱或非對(duì)稱估計(jì)概率分布對(duì)稱或非對(duì)稱數(shù)據(jù)是否聚集在中心值離群值是正或負(fù)數(shù)據(jù)是否聚集在中心值離群值位置離群值分布形態(tài)全部為正數(shù)大部分為正數(shù)大部分為負(fù)數(shù)二項(xiàng)分布均勻分布幾何分布負(fù)二項(xiàng)分布超幾何分布均勻分布/多模態(tài)分布三角分布正態(tài)分布LogisticCauchy指數(shù)分布MinimumExtreme離散連續(xù)對(duì)稱非對(duì)稱是否對(duì)稱非對(duì)稱否是是否僅正正多負(fù)多很少離散點(diǎn)無(wú)離散點(diǎn)少離散點(diǎn)46第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)理解——參數(shù)估計(jì)待估參數(shù)均值比例方差大樣本

小樣本

大樣本

47第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)理解——假設(shè)檢驗(yàn)假設(shè)檢驗(yàn)參數(shù)檢驗(yàn)非參數(shù)檢驗(yàn)單樣本雙樣本或多樣本獨(dú)立樣本配對(duì)樣本單樣本雙樣本或多樣本獨(dú)立樣本配對(duì)樣本

48第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)準(zhǔn)備——數(shù)據(jù)預(yù)處理工業(yè)過(guò)程中產(chǎn)生的數(shù)據(jù)由于傳感器故障、人為操作因素、系統(tǒng)誤差、多異構(gòu)數(shù)據(jù)源、網(wǎng)絡(luò)傳輸亂序等因素極易出現(xiàn)噪聲、缺失值、數(shù)據(jù)不一致的情況，直接用于數(shù)據(jù)分析會(huì)對(duì)模型的精度和可靠性產(chǎn)生嚴(yán)重的負(fù)面影響。在工業(yè)數(shù)據(jù)分析建模前，需要采用一定數(shù)據(jù)預(yù)處理技術(shù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，來(lái)消除數(shù)據(jù)中的噪聲、糾正數(shù)據(jù)的不一致、識(shí)別和刪除離群數(shù)據(jù)，來(lái)提高模型魯棒性，防止模型過(guò)擬合。在實(shí)際數(shù)據(jù)分析工作中涉及到數(shù)據(jù)預(yù)處理技術(shù)主要有數(shù)據(jù)的異常值處理、數(shù)據(jù)的缺失值處理、數(shù)據(jù)的歸約處理等。工業(yè)數(shù)據(jù)預(yù)處理階段包含：數(shù)據(jù)清洗、數(shù)據(jù)變換、特征選擇、特征提取49第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)準(zhǔn)備——數(shù)據(jù)清洗對(duì)數(shù)據(jù)進(jìn)行重新審查和校驗(yàn)的過(guò)程，目的在于刪除重復(fù)信息、糾正存在的錯(cuò)誤，并提供數(shù)據(jù)一致性。1.格式內(nèi)容清洗：清楚在格式和內(nèi)容上存在問(wèn)題的數(shù)據(jù)。2.邏輯錯(cuò)誤清洗：去掉一些使用簡(jiǎn)單邏輯推理就可以直接發(fā)現(xiàn)問(wèn)題的數(shù)據(jù)，例如數(shù)據(jù)的上下界。3.非需求數(shù)據(jù)清洗：刪除不必要的數(shù)據(jù)。4.關(guān)聯(lián)性驗(yàn)證：對(duì)多來(lái)源數(shù)據(jù)進(jìn)行關(guān)系清洗。50第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)準(zhǔn)備——數(shù)據(jù)清洗數(shù)據(jù)清洗常用方法K-meansDBSCANGMM回歸貝葉斯隨機(jī)森林決策樹(shù)根據(jù)密度或者距離來(lái)判斷異常建立模型據(jù)此來(lái)判斷是否異常根據(jù)實(shí)際系統(tǒng)的異常與數(shù)據(jù)的分布之間的關(guān)系來(lái)區(qū)別異常根據(jù)實(shí)際系統(tǒng)逐步進(jìn)行數(shù)據(jù)清洗紅色曲線為真實(shí)分布藍(lán)色區(qū)域?yàn)楸Ａ魳颖境壬珵樵紟г霕颖?1第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)準(zhǔn)備——數(shù)據(jù)清洗噪聲填補(bǔ)與檢測(cè)

52第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)準(zhǔn)備——數(shù)據(jù)降噪將數(shù)據(jù)中的噪聲和冗余剔除，減弱或消除噪聲對(duì)結(jié)果的干擾

53第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)準(zhǔn)備——數(shù)據(jù)異常處理異常檢測(cè)，也稱為偏差檢測(cè)或例外挖掘，關(guān)注識(shí)別不符合預(yù)期行為的數(shù)據(jù)點(diǎn)，這些被稱為離群點(diǎn)。異?？梢允菃蝹€(gè)點(diǎn)、語(yǔ)境相關(guān)或集體性的。處理方法多樣，包括基于統(tǒng)計(jì)、基于模型、基于密度和基于聚類的技術(shù)，旨在有效識(shí)別并處理這些異常。每種方法適應(yīng)不同的數(shù)據(jù)環(huán)境和需求，幫助揭示數(shù)據(jù)中的不規(guī)則模式，對(duì)于預(yù)防欺詐、故障檢測(cè)等應(yīng)用至關(guān)重要。異常數(shù)據(jù)檢測(cè)54第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)準(zhǔn)備——數(shù)據(jù)缺失處理現(xiàn)實(shí)世界中，數(shù)據(jù)經(jīng)常不完整，特別是工業(yè)大數(shù)據(jù)。數(shù)據(jù)缺失可能由多種因素造成，如設(shè)置問(wèn)題、數(shù)據(jù)脫密、網(wǎng)絡(luò)問(wèn)題等。處理數(shù)據(jù)缺失方法多樣，選擇策略取決于數(shù)據(jù)本身的特性和缺失程度。對(duì)于小比例的隨機(jī)缺失，可直接刪除這些數(shù)據(jù)；而連續(xù)缺失則可通過(guò)平滑方法如線性插值、拉格朗日插值等進(jìn)行填補(bǔ)。此外，還可以使用多元插值和sinc內(nèi)插值方法根據(jù)數(shù)據(jù)的上下文進(jìn)行恢復(fù)，確保數(shù)據(jù)完整性和分析的準(zhǔn)確性。55第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)準(zhǔn)備——數(shù)據(jù)歸約處理工業(yè)大數(shù)據(jù)面臨數(shù)據(jù)量龐大但價(jià)值密度低的挑戰(zhàn)，數(shù)據(jù)歸約技術(shù)是解決這一問(wèn)題的關(guān)鍵策略。數(shù)據(jù)歸約通過(guò)數(shù)據(jù)降維、數(shù)量歸約和數(shù)據(jù)壓縮等方法，在不損失關(guān)鍵信息的前提下減少數(shù)據(jù)量。數(shù)據(jù)降維如PCA和T-SNE，幫助將數(shù)據(jù)從高維空間有效轉(zhuǎn)換到低維空間。數(shù)量歸約通過(guò)模型估計(jì)或聚類減少數(shù)據(jù)項(xiàng)數(shù)量。數(shù)據(jù)壓縮則通過(guò)算法壓縮數(shù)據(jù)，實(shí)現(xiàn)高效存儲(chǔ)和傳輸。這些技術(shù)不僅簡(jiǎn)化數(shù)據(jù)處理過(guò)程，還加速分析速度，提高數(shù)據(jù)分析的可行性和效率。流形學(xué)習(xí)降維56第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)準(zhǔn)備——特征選擇、提取

1.多元統(tǒng)計(jì)分析主成分分析降維（PCA）多元異常檢測(cè)馬氏距離2.人工神經(jīng)網(wǎng)絡(luò)自動(dòng)編碼器多層感知機(jī)卷積神經(jīng)網(wǎng)絡(luò)等等3.小樣本情況遷移學(xué)習(xí)元學(xué)習(xí)57第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)分析建模產(chǎn)品機(jī)理復(fù)雜度產(chǎn)品相似度大量相似產(chǎn)品少量定制化產(chǎn)品無(wú)機(jī)理產(chǎn)品簡(jiǎn)單機(jī)理產(chǎn)品復(fù)雜機(jī)理產(chǎn)品數(shù)據(jù)檢驗(yàn)示例行業(yè)：工藝品分析場(chǎng)景：市場(chǎng)銷(xiāo)售分析分析手段：統(tǒng)計(jì)分析數(shù)據(jù)輔助示例行業(yè)：水力發(fā)電機(jī)分析場(chǎng)景：天氣預(yù)報(bào)、調(diào)度優(yōu)化分析手段：天氣數(shù)據(jù)+分析后處理、最優(yōu)化方法專家知識(shí)示例行業(yè)：鼓風(fēng)機(jī)分析場(chǎng)景：故障遠(yuǎn)程診斷分析手段：知識(shí)庫(kù)數(shù)據(jù)洞察示例行業(yè)：個(gè)人醫(yī)療康復(fù)分析場(chǎng)景：用戶行為分析分析手段：時(shí)空模式挖掘、知識(shí)圖譜數(shù)據(jù)驅(qū)動(dòng)示例行業(yè)：風(fēng)力發(fā)電機(jī)分析場(chǎng)景：可靠性、發(fā)電量增加、能源互聯(lián)網(wǎng)分析手段：時(shí)間序列深度學(xué)習(xí)、動(dòng)力學(xué)模型+統(tǒng)計(jì)方法+最優(yōu)化專家支持示例行業(yè)：生物制藥分析場(chǎng)景：發(fā)酵參數(shù)優(yōu)化、染菌異常預(yù)警分析手段：生物過(guò)程模型+統(tǒng)計(jì)模型58第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)分析建模一般工業(yè)數(shù)據(jù)建模分析根據(jù)歷史數(shù)據(jù)快速定位識(shí)別故障數(shù)據(jù)分析目標(biāo)概括：狀態(tài)監(jiān)測(cè)、目標(biāo)預(yù)測(cè)、數(shù)據(jù)安全生產(chǎn)設(shè)計(jì)采購(gòu)銷(xiāo)售工藝優(yōu)化流程優(yōu)化能效優(yōu)化質(zhì)量監(jiān)控能效監(jiān)控成本優(yōu)化產(chǎn)量預(yù)測(cè)庫(kù)存優(yōu)化故障預(yù)測(cè)配送優(yōu)化故障管理與預(yù)警產(chǎn)品運(yùn)行狀態(tài)監(jiān)控

制造過(guò)程中的生產(chǎn)參數(shù)優(yōu)化確定所需工序，進(jìn)行處理與控制通過(guò)歷史信息改進(jìn)生產(chǎn)參數(shù)找到中間參數(shù)與結(jié)果的關(guān)聯(lián)根據(jù)歷史能耗數(shù)據(jù)進(jìn)行生產(chǎn)調(diào)整控制原料與產(chǎn)品庫(kù)存量對(duì)采購(gòu)成本進(jìn)行預(yù)測(cè)預(yù)測(cè)產(chǎn)品產(chǎn)量生產(chǎn)參數(shù)優(yōu)化分析潛在故障和隱蔽故障預(yù)測(cè)產(chǎn)品故障概率回歸關(guān)聯(lián)規(guī)則聚類分類預(yù)測(cè)OLS，CART，AdaBoost，XGBoostApriori，F(xiàn)P-growthSVM,，邏輯回歸，kNN，LDAK-Means，GMM，DBSCANCNN，RNN，MLP，深度學(xué)習(xí)方法59第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)分析建?！I(yè)狀態(tài)監(jiān)測(cè)狀態(tài)監(jiān)測(cè)異常模式匹配異常趨勢(shì)識(shí)別領(lǐng)域規(guī)則相似度匹配（遷移學(xué)習(xí)、指紋庫(kù)）時(shí)序統(tǒng)計(jì)匹配：時(shí)序分割、時(shí)序再表征、異常檢測(cè)、時(shí)序分類、時(shí)序分解、序列模式、時(shí)序聚類、時(shí)序預(yù)測(cè)統(tǒng)計(jì)指標(biāo)變化（均值、方差）高速軸齒輪磨損高速軸齒輪點(diǎn)狀腐蝕中間軸齒輪磨損模型結(jié)構(gòu)變化：ARIMA時(shí)序模式分解方法：基于局部加權(quán)回歸的周期性趨勢(shì)分解(STL)奇異譜分析（SSA）經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）小波變換、小波包變換(WP)經(jīng)驗(yàn)小波分解（EWT）60第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)分析建模——工業(yè)狀態(tài)預(yù)測(cè)分析狀態(tài)預(yù)測(cè)是根據(jù)已有的數(shù)據(jù)，利用已經(jīng)掌握的知識(shí)和手段，預(yù)先推知和判斷事物在未來(lái)的發(fā)展?fàn)顩r。ANN、DNN等神經(jīng)網(wǎng)絡(luò)可以對(duì)包含隱含關(guān)系的數(shù)據(jù)進(jìn)行擬合預(yù)測(cè)Attention機(jī)制可以使各個(gè)不同的特征對(duì)結(jié)果輸出有著不同的影響權(quán)重，提升預(yù)測(cè)的準(zhǔn)確度RNN、LSTM等考慮到時(shí)滯性的神經(jīng)網(wǎng)絡(luò)，保留有效的歷史信息，可用于有滯后的時(shí)序數(shù)據(jù)的擬合和預(yù)測(cè)Transformer等網(wǎng)絡(luò)將Attention、LSTM等思路結(jié)合，同時(shí)考慮到注意力權(quán)重與歷史信息的重要性，可用于生成更佳的預(yù)測(cè)模型污水預(yù)測(cè)(LSTM、Attention、1D-CNN)光伏預(yù)測(cè)(在線遷移融合、自編碼增強(qiáng))61第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)分析建模——工業(yè)狀態(tài)監(jiān)測(cè)狀態(tài)監(jiān)測(cè)異常模式匹配異常趨勢(shì)識(shí)別領(lǐng)域規(guī)則相似度匹配（遷移學(xué)習(xí)、指紋庫(kù)）時(shí)序統(tǒng)計(jì)匹配：時(shí)序分割、時(shí)序再表征、異常檢測(cè)、時(shí)序分類、時(shí)序分解、序列模式、時(shí)序聚類、時(shí)序預(yù)測(cè)統(tǒng)計(jì)指標(biāo)變化（均值、方差）高速軸齒輪磨損高速軸齒輪點(diǎn)狀腐蝕中間軸齒輪磨損模型結(jié)構(gòu)變化：ARIMA時(shí)序模式分解方法：基于局部加權(quán)回歸的周期性趨勢(shì)分解(STL)奇異譜分析（SSA）經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）小波變換、小波包變換(WP)經(jīng)驗(yàn)小波分解（EWT）62第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)分析建?！I(yè)數(shù)據(jù)安全數(shù)據(jù)安全：安全傳輸、數(shù)據(jù)脫敏、匿名化、數(shù)據(jù)隱私加密聯(lián)邦學(xué)習(xí)集中式學(xué)習(xí)框架數(shù)據(jù)隱私泄露、生產(chǎn)工藝被竊取挑戰(zhàn)效率:FedKD、Efficient-FedRec異構(gòu):FedProx、Ditto、APFL、pFedMe、FedMAP隱私：查分隱私、同態(tài)加密安全：多方安全計(jì)算基算法框架：FedAvg、FedSGD63第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)分析建模——工業(yè)數(shù)據(jù)安全異構(gòu)性：數(shù)據(jù)的非獨(dú)立同分布用戶端系統(tǒng)設(shè)備異構(gòu)個(gè)性化聯(lián)邦學(xué)習(xí)64第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)分析建?！I(yè)狀態(tài)監(jiān)測(cè)狀態(tài)監(jiān)測(cè)異常模式匹配異常趨勢(shì)識(shí)別領(lǐng)域規(guī)則相似度匹配（遷移學(xué)習(xí)、指紋庫(kù)）時(shí)序統(tǒng)計(jì)匹配：時(shí)序分割、時(shí)序再表征、異常檢測(cè)、時(shí)序分類、時(shí)序分解、序列模式、時(shí)序聚類、時(shí)序預(yù)測(cè)統(tǒng)計(jì)指標(biāo)變化（均值、方差）高速軸齒輪磨損高速軸齒輪點(diǎn)狀腐蝕中間軸齒輪磨損模型結(jié)構(gòu)變化：ARIMA時(shí)序模式分解方法：基于局部加權(quán)回歸的周期性趨勢(shì)分解(STL)奇異譜分析（SSA）經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）小波變換、小波包變換(WP)經(jīng)驗(yàn)小波分解（EWT）65第五章工業(yè)大數(shù)據(jù)——2.數(shù)據(jù)分析工業(yè)數(shù)據(jù)理解——描述性統(tǒng)計(jì)運(yùn)用制表和分類、圖形以及計(jì)算概括性數(shù)據(jù)來(lái)描述數(shù)據(jù)特征分布形態(tài)集中趨勢(shì)分析離散程度分析平均數(shù)中位數(shù)眾數(shù)分位數(shù)方差標(biāo)準(zhǔn)差變異系數(shù)平均絕對(duì)誤差均方根誤差偏度峰度變量線性相關(guān)關(guān)系協(xié)方差相關(guān)系數(shù)66第五章工業(yè)大數(shù)據(jù)——本課小結(jié)主要內(nèi)容總結(jié)工業(yè)大數(shù)據(jù)背景（0.5課時(shí)）；數(shù)據(jù)采集（0.5課時(shí)）；數(shù)據(jù)分析與挖掘（1課時(shí)）；主要目標(biāo)了解工業(yè)大數(shù)據(jù)的背景與發(fā)展歷程；了解工業(yè)數(shù)據(jù)采集、分析與挖掘基本流程。本課時(shí)小結(jié)工業(yè)互聯(lián)網(wǎng)

IndustrialInternet6768第五章工業(yè)大數(shù)據(jù)——課時(shí)安排本章課時(shí)任務(wù)時(shí)間80分鐘（2課時(shí)）主要學(xué)習(xí)內(nèi)容工業(yè)大數(shù)據(jù)產(chǎn)業(yè)發(fā)展現(xiàn)狀背景（0.5課時(shí)）；工業(yè)大數(shù)據(jù)產(chǎn)業(yè)關(guān)鍵技術(shù)（0.5課時(shí)）；工業(yè)大數(shù)據(jù)管理技術(shù)（0.5課時(shí)）；工業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)體系（0.5課時(shí)）；主要學(xué)習(xí)目標(biāo)了解工業(yè)大數(shù)據(jù)的產(chǎn)業(yè)發(fā)展現(xiàn)狀；了解工業(yè)大數(shù)據(jù)產(chǎn)業(yè)體系。第五章工業(yè)大數(shù)據(jù)695.3產(chǎn)業(yè)發(fā)展現(xiàn)狀70第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)發(fā)展現(xiàn)狀國(guó)際工業(yè)大數(shù)據(jù)戰(zhàn)略美國(guó)：2014年，美國(guó)白宮總統(tǒng)行政辦公室發(fā)布《2014年全球大數(shù)據(jù)白皮書(shū)》2018年10月,美國(guó)白宮發(fā)布了四年一度的《美國(guó)先進(jìn)制造領(lǐng)導(dǎo)戰(zhàn)略》德國(guó):2015年4月，德國(guó)提出來(lái)“工業(yè)4.0”戰(zhàn)略法國(guó)：2015年，法國(guó)推出“新工業(yè)法國(guó)戰(zhàn)略”2015年5月，法國(guó)經(jīng)濟(jì)、工業(yè)與就業(yè)部又公布了未來(lái)工業(yè)計(jì)劃71第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)發(fā)展現(xiàn)狀國(guó)內(nèi)工業(yè)大數(shù)據(jù)政策近年來(lái)，工業(yè)大數(shù)據(jù)作為我國(guó)“智能制造”和“工業(yè)互聯(lián)網(wǎng)”的關(guān)鍵技術(shù)支撐以及兩化融合的重要基礎(chǔ)備受關(guān)注。黨中央、國(guó)務(wù)院出臺(tái)了一系列“大數(shù)據(jù)”、“兩化融合”、“互聯(lián)網(wǎng)與制造業(yè)融合”等綜合性政策與指示，其中對(duì)工業(yè)大數(shù)據(jù)發(fā)展提出了明確的要求，全面指導(dǎo)我國(guó)工業(yè)大數(shù)據(jù)技術(shù)發(fā)展、產(chǎn)業(yè)應(yīng)用及其標(biāo)準(zhǔn)化進(jìn)程。排序政策名稱發(fā)布日期發(fā)文單位1國(guó)務(wù)院關(guān)于積極推進(jìn)“互聯(lián)網(wǎng)+”行動(dòng)的指導(dǎo)意見(jiàn)2015年07月國(guó)務(wù)院2國(guó)務(wù)院關(guān)于印發(fā)促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要的通知2015年08月國(guó)務(wù)院3國(guó)務(wù)院關(guān)于深化制造業(yè)與互聯(lián)網(wǎng)融合發(fā)展的指導(dǎo)意見(jiàn)2016年05月國(guó)務(wù)院4關(guān)于深化“互聯(lián)網(wǎng)+先進(jìn)制造業(yè)”發(fā)展工業(yè)互聯(lián)網(wǎng)的指導(dǎo)意見(jiàn)2017年11月國(guó)務(wù)院72第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)發(fā)展現(xiàn)狀工業(yè)大數(shù)據(jù)應(yīng)用參考架構(gòu)工業(yè)大數(shù)據(jù)應(yīng)用參考架構(gòu)將大數(shù)據(jù)參考架構(gòu)的構(gòu)件落實(shí)到了工業(yè)領(lǐng)域內(nèi)的具體活動(dòng)。工業(yè)大數(shù)據(jù)應(yīng)用參考架構(gòu)構(gòu)件包括系統(tǒng)協(xié)調(diào)者、數(shù)據(jù)提供者、大數(shù)據(jù)應(yīng)用提供者、大數(shù)據(jù)框架提供者、數(shù)據(jù)消費(fèi)者、安全和隱私、管理。73第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)發(fā)展現(xiàn)狀典型應(yīng)用場(chǎng)景隨著信息化與工業(yè)化的深度融合，工業(yè)企業(yè)所擁有的數(shù)據(jù)也日益豐富，包括設(shè)計(jì)數(shù)據(jù)、傳感數(shù)據(jù)、自動(dòng)控制系統(tǒng)數(shù)據(jù)、生產(chǎn)數(shù)據(jù)、供應(yīng)鏈數(shù)據(jù)等，數(shù)據(jù)驅(qū)動(dòng)的價(jià)值體現(xiàn)及其帶來(lái)的洞察力貫穿于智能制造生命周期的全過(guò)程。工業(yè)大數(shù)據(jù)典型的應(yīng)用場(chǎng)景主要概括為智能化設(shè)計(jì)、智能化生產(chǎn)、網(wǎng)絡(luò)化協(xié)同制造、智能化服務(wù)和個(gè)性化定制等五種模式74第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)發(fā)展現(xiàn)狀智能化設(shè)計(jì)工業(yè)大數(shù)據(jù)在設(shè)計(jì)環(huán)節(jié)的應(yīng)用可以有效提高研發(fā)人員創(chuàng)新能力、研發(fā)效率和質(zhì)量推動(dòng)協(xié)同設(shè)計(jì)?？蛻襞c工業(yè)企業(yè)之間的交互和交易行為將產(chǎn)生大量數(shù)據(jù)，挖掘和分析這些客戶動(dòng)態(tài)數(shù)據(jù)，能夠幫助客戶參與到產(chǎn)品的需求分析和產(chǎn)品設(shè)計(jì)等創(chuàng)新活動(dòng)中，實(shí)現(xiàn)新型產(chǎn)品創(chuàng)新和協(xié)作的新模式。75第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)發(fā)展現(xiàn)狀智能化生產(chǎn)智能化生產(chǎn)是新一代智能制造的主線，通過(guò)智能系統(tǒng)及設(shè)備升級(jí)改造及融合，促進(jìn)制造過(guò)程自動(dòng)化，流程智能化。工業(yè)大數(shù)據(jù)通過(guò)采集和匯聚設(shè)備運(yùn)行數(shù)據(jù)、工藝參數(shù)、質(zhì)量檢測(cè)數(shù)據(jù)、物料配送數(shù)據(jù)和進(jìn)度管理數(shù)據(jù)等生產(chǎn)現(xiàn)場(chǎng)數(shù)據(jù)，利用大數(shù)據(jù)技術(shù)分析和反饋并在制造工藝、生產(chǎn)流程、質(zhì)量管理、設(shè)備維護(hù)、能耗管理等具體場(chǎng)景應(yīng)用，實(shí)現(xiàn)生產(chǎn)過(guò)程的優(yōu)化。76第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)發(fā)展現(xiàn)狀網(wǎng)絡(luò)化協(xié)同制造在制造業(yè)向著大型、精密、數(shù)控、全自動(dòng)趨勢(shì)不斷靠攏的時(shí)代下，基于工業(yè)大數(shù)據(jù)技術(shù)，將制造環(huán)節(jié)與設(shè)計(jì)、經(jīng)銷(xiāo)、運(yùn)行、維護(hù)直至回收處理聯(lián)系起來(lái)，由傳統(tǒng)的數(shù)據(jù)孤島轉(zhuǎn)為信息化協(xié)同管理，推動(dòng)產(chǎn)業(yè)鏈各環(huán)節(jié)的并行組織和協(xié)同優(yōu)化。77第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)發(fā)展現(xiàn)狀網(wǎng)絡(luò)化協(xié)同制造案例——INDICS平臺(tái)河南航天基于航天云網(wǎng)INDICS平臺(tái)，開(kāi)展云端設(shè)計(jì)、建立涵蓋復(fù)雜產(chǎn)品多學(xué)科專業(yè)的虛擬樣機(jī)系統(tǒng)，實(shí)現(xiàn)了復(fù)雜產(chǎn)品的多學(xué)科設(shè)計(jì)優(yōu)化、總體設(shè)計(jì)部與總裝廠所的協(xié)同研發(fā)設(shè)計(jì)與工藝設(shè)計(jì)，研發(fā)周期縮短了35%、資源利用率提升了30%，生產(chǎn)效率提高了40%。78第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)發(fā)展現(xiàn)狀智能化服務(wù)現(xiàn)代制造企業(yè)不再僅僅是產(chǎn)品提供商，而是提供產(chǎn)品、服務(wù)、支持、自我服務(wù)和知識(shí)的“集合體”。工業(yè)大數(shù)據(jù)與新一代技術(shù)的融合應(yīng)用，賦予市場(chǎng)、銷(xiāo)售、運(yùn)營(yíng)維護(hù)等產(chǎn)品全生命周期服務(wù)全新的內(nèi)容，不斷催生出制造業(yè)新模式、新業(yè)態(tài)，從大規(guī)模流水線生產(chǎn)轉(zhuǎn)向規(guī)模化定制產(chǎn)和從生產(chǎn)型制造向服務(wù)型制造轉(zhuǎn)變，推動(dòng)服務(wù)型制造業(yè)與生產(chǎn)性服務(wù)業(yè)大發(fā)展。79第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)發(fā)展現(xiàn)狀智能化服務(wù)案例——根云平臺(tái)三一重工打造的根云平臺(tái)，為行業(yè)企業(yè)提供基于物聯(lián)網(wǎng)、大數(shù)據(jù)的云服務(wù)，當(dāng)前平臺(tái)已接入各類高價(jià)值設(shè)備40萬(wàn)臺(tái)以上，采集近萬(wàn)個(gè)參數(shù)，連接數(shù)千億資產(chǎn)，為客戶開(kāi)拓超百億元的新業(yè)務(wù)，實(shí)現(xiàn)了制造企業(yè)的服務(wù)化轉(zhuǎn)型。80第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)發(fā)展現(xiàn)狀個(gè)性化定制——賓利個(gè)性化定制也是工業(yè)大數(shù)據(jù)應(yīng)用的熱點(diǎn)模式之一。大規(guī)模個(gè)性化定制模式下，企業(yè)會(huì)提供一個(gè)互聯(lián)網(wǎng)平臺(tái)，作為與用戶溝通交流的門(mén)戶，在該平臺(tái)上，消費(fèi)者可以描述其個(gè)性化需求，進(jìn)行個(gè)性化設(shè)計(jì)并下單，在收到產(chǎn)品后可提出意見(jiàn)與反饋，企業(yè)據(jù)此完善該用戶的個(gè)性化數(shù)據(jù)，并進(jìn)一步優(yōu)化針對(duì)該用戶的個(gè)性化設(shè)計(jì)。81第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)發(fā)展現(xiàn)狀個(gè)性化定制——聯(lián)想例如聯(lián)想自2011年起實(shí)施了全集團(tuán)的數(shù)字化轉(zhuǎn)型和全球化的大規(guī)模個(gè)性化定制實(shí)踐，構(gòu)建了大規(guī)模個(gè)性化定制的先進(jìn)計(jì)算與存儲(chǔ)設(shè)備制造支撐平臺(tái)，形成了覆蓋從用戶需求、產(chǎn)品設(shè)計(jì)、研發(fā)、柔性生產(chǎn)制造、供應(yīng)鏈和金融等關(guān)鍵環(huán)節(jié)的全價(jià)值鏈精準(zhǔn)賦能，個(gè)性化定制生產(chǎn)和生產(chǎn)能力分享，顯著降低了企業(yè)的生產(chǎn)經(jīng)營(yíng)成本、縮短產(chǎn)品升級(jí)周期、提高產(chǎn)品生產(chǎn)效率。82第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)發(fā)展現(xiàn)狀產(chǎn)業(yè)發(fā)展分析工業(yè)是我國(guó)大數(shù)據(jù)與實(shí)體經(jīng)濟(jì)深度融合的主戰(zhàn)場(chǎng)。近年來(lái)，隨著工業(yè)互聯(lián)網(wǎng)的快速發(fā)展及兩化融合深入推進(jìn)，我國(guó)工業(yè)大數(shù)據(jù)發(fā)展呈現(xiàn)爆發(fā)式增長(zhǎng)態(tài)勢(shì)，應(yīng)用廣度和應(yīng)用深度不斷加強(qiáng)，對(duì)工業(yè)轉(zhuǎn)型升級(jí)具有重要支撐引領(lǐng)作用。發(fā)展的中堅(jiān)力量：是由傳統(tǒng)工業(yè)制造企業(yè)數(shù)字化、軟件化、平臺(tái)化發(fā)展是軟件企業(yè)向工業(yè)領(lǐng)域滲透是互聯(lián)網(wǎng)企業(yè)積極進(jìn)入工業(yè)領(lǐng)域發(fā)展的阻礙：國(guó)產(chǎn)工業(yè)軟件、高端物聯(lián)設(shè)備核心技術(shù)供給不足工業(yè)行業(yè)整體數(shù)據(jù)資源管理水平不足缺乏可用、好用、可信的工業(yè)大數(shù)據(jù)平臺(tái)第五章工業(yè)大數(shù)據(jù)835.4產(chǎn)業(yè)關(guān)鍵技術(shù)84第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)關(guān)鍵技術(shù)工業(yè)大數(shù)據(jù)技術(shù)架構(gòu)工業(yè)大數(shù)據(jù)技術(shù)參考架構(gòu)以工業(yè)大數(shù)據(jù)的全生命周期為主線，從縱向維度分為平臺(tái)/工具域和應(yīng)用/服務(wù)域。平臺(tái)/工具域主要面向工業(yè)大數(shù)據(jù)采集、存儲(chǔ)管理、分析等關(guān)鍵技術(shù)，提供多源、異構(gòu)、高通量、強(qiáng)機(jī)理的工業(yè)大數(shù)據(jù)核心技術(shù)支撐；應(yīng)用/服務(wù)域則基于平臺(tái)域提供的技術(shù)支撐，面向智能化設(shè)計(jì)、網(wǎng)絡(luò)化協(xié)同、智能化生產(chǎn)、智能化服務(wù)、個(gè)性化定制等多場(chǎng)景，通過(guò)可視化、應(yīng)用開(kāi)發(fā)等方式，滿足用戶應(yīng)用和服務(wù)需求，形成價(jià)值變現(xiàn)。85第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)關(guān)鍵技術(shù)工業(yè)大數(shù)據(jù)平臺(tái)工業(yè)大數(shù)據(jù)平臺(tái)是工業(yè)大數(shù)據(jù)技術(shù)具體應(yīng)用的載體，是推進(jìn)工業(yè)大數(shù)據(jù)技術(shù)深度應(yīng)用、提升工業(yè)大數(shù)據(jù)在產(chǎn)業(yè)中整體發(fā)展水平的重要基石。從企業(yè)個(gè)體角度來(lái)看，工業(yè)大數(shù)據(jù)平臺(tái)是整個(gè)企業(yè)工業(yè)大數(shù)據(jù)應(yīng)用的核心。工業(yè)雙碳大數(shù)據(jù)平臺(tái)86第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)關(guān)鍵技術(shù)工業(yè)大數(shù)據(jù)采集技術(shù)數(shù)據(jù)采集方面，以傳感器為主要采集工具，結(jié)合RFID、條碼掃描器、生產(chǎn)和監(jiān)測(cè)設(shè)備、PDA、人機(jī)交互、智能終端等手段采集制造領(lǐng)域多源、異構(gòu)數(shù)據(jù)信息，并通過(guò)互聯(lián)網(wǎng)或現(xiàn)場(chǎng)總線等技術(shù)實(shí)現(xiàn)原始數(shù)據(jù)的實(shí)時(shí)準(zhǔn)確傳輸。工業(yè)大數(shù)據(jù)分析往往需要更精細(xì)化的數(shù)據(jù)，對(duì)于數(shù)據(jù)采集能力有著較高的要求，因此在工業(yè)大數(shù)據(jù)中，數(shù)據(jù)質(zhì)量問(wèn)題一直是許多企業(yè)所面臨的挑戰(zhàn)。工業(yè)現(xiàn)場(chǎng)數(shù)據(jù)采集系統(tǒng)87第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)關(guān)鍵技術(shù)工業(yè)大數(shù)據(jù)存儲(chǔ)與管理技術(shù)工業(yè)大數(shù)據(jù)存儲(chǔ)與管理技術(shù)是針對(duì)工業(yè)大數(shù)據(jù)具有多樣性、多模態(tài)、高通量和強(qiáng)關(guān)聯(lián)等特性，研發(fā)的面向高吞吐量存儲(chǔ)、數(shù)據(jù)壓縮、數(shù)據(jù)索引、查詢優(yōu)化和數(shù)據(jù)緩存等能力的關(guān)鍵技術(shù)。88第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)關(guān)鍵技術(shù)多源異構(gòu)數(shù)據(jù)管理技術(shù)多源異構(gòu)數(shù)據(jù)是指數(shù)據(jù)源不同、數(shù)據(jù)結(jié)構(gòu)或類型不同的數(shù)據(jù)集合。各種工業(yè)場(chǎng)景中存在大量多源異構(gòu)數(shù)據(jù)例如，在診斷設(shè)備故障時(shí)，通過(guò)時(shí)間序列數(shù)據(jù)可以觀測(cè)設(shè)備的實(shí)時(shí)運(yùn)行情況；通過(guò)BOM圖數(shù)據(jù)可以追溯出設(shè)備的制造情況，從而發(fā)現(xiàn)是哪些零部件問(wèn)題導(dǎo)致異常運(yùn)行情況；通過(guò)非結(jié)構(gòu)化數(shù)據(jù)可以有效管理設(shè)備故障時(shí)的現(xiàn)場(chǎng)照片、維修工單等數(shù)據(jù)；鍵值對(duì)數(shù)據(jù)作為靈活補(bǔ)充，能方便地記錄一些需要快速檢索的信息。89第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)關(guān)鍵技術(shù)多模態(tài)數(shù)據(jù)集成技術(shù)工業(yè)大數(shù)據(jù)來(lái)源十分廣泛，包括但不限于研發(fā)環(huán)節(jié)的非結(jié)構(gòu)化工程數(shù)據(jù)、傳統(tǒng)的企業(yè)信息管理系統(tǒng)、服務(wù)維修數(shù)據(jù)和產(chǎn)品服役過(guò)程中產(chǎn)生的機(jī)器數(shù)據(jù)等。數(shù)據(jù)集成是將存儲(chǔ)在不同物理存儲(chǔ)引擎上的數(shù)據(jù)連接在一次，并為用戶提供統(tǒng)一的數(shù)據(jù)視圖，數(shù)據(jù)集成的核心任務(wù)是要將互相關(guān)聯(lián)的多模態(tài)數(shù)據(jù)集成到一起，使用戶能夠以透明的方式訪問(wèn)這些數(shù)據(jù)源。目前，多模態(tài)數(shù)據(jù)集成技術(shù)目前仍面臨語(yǔ)義融合和一體化查詢優(yōu)化兩個(gè)難點(diǎn)。自動(dòng)駕駛的多模態(tài)數(shù)據(jù)融合90第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)關(guān)鍵技術(shù)工業(yè)大數(shù)據(jù)分析技術(shù)工業(yè)大數(shù)據(jù)具有實(shí)時(shí)性高、數(shù)據(jù)量大、密度低、數(shù)據(jù)源異構(gòu)性強(qiáng)等特點(diǎn)，這導(dǎo)致工業(yè)大數(shù)據(jù)的分析不同于其他領(lǐng)域的大數(shù)據(jù)分析，通用的數(shù)據(jù)分析技術(shù)往往不能解決特定工業(yè)場(chǎng)景的業(yè)務(wù)問(wèn)題，工業(yè)數(shù)據(jù)的分析需要融合工業(yè)機(jī)理模型，以“數(shù)據(jù)驅(qū)動(dòng)+機(jī)理驅(qū)動(dòng)”的雙驅(qū)動(dòng)模式來(lái)進(jìn)行工業(yè)大數(shù)據(jù)的分析，從而建立高精度、高可靠性的模型來(lái)真正解決實(shí)際的工業(yè)問(wèn)題。91第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)關(guān)鍵技術(shù)時(shí)序模式分析技術(shù)伴隨著工業(yè)技術(shù)的發(fā)展，工業(yè)企業(yè)的生產(chǎn)加工設(shè)備、動(dòng)力能源設(shè)備、運(yùn)輸交通設(shè)備、信息保障設(shè)備、運(yùn)維管控設(shè)備上都加裝了大量的傳感器，如溫度傳感器、振動(dòng)傳感器、壓力傳感器、位移傳感器、重量傳感器等，這些傳感器在不斷產(chǎn)生海量的時(shí)序數(shù)據(jù)，對(duì)這些設(shè)備傳感器時(shí)序數(shù)據(jù)分析，可實(shí)現(xiàn)設(shè)備故障預(yù)警和診斷、利用率分析、能耗優(yōu)化、生產(chǎn)監(jiān)控等。92第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)關(guān)鍵技術(shù)工業(yè)知識(shí)圖譜技術(shù)工業(yè)生產(chǎn)過(guò)程中會(huì)積累大量的日志文本，如維修工單、工藝流程文件、故障記錄等，此類非結(jié)構(gòu)化數(shù)據(jù)中蘊(yùn)含著豐富的專家經(jīng)驗(yàn)，利用文本分析的技術(shù)能夠?qū)崿F(xiàn)事件實(shí)體和類型提?。ü收项愋统槿。⑹录€索抽?。ü收犀F(xiàn)象、征兆、排查路線、結(jié)果分析），通過(guò)專家知識(shí)的沉淀實(shí)現(xiàn)專家知識(shí)庫(kù)（故障排查知識(shí)庫(kù)、運(yùn)維檢修知識(shí)庫(kù)、設(shè)備操作知識(shí)庫(kù)）。93第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)關(guān)鍵技術(shù)多源數(shù)據(jù)融合分析技術(shù)在企業(yè)生產(chǎn)經(jīng)營(yíng)、營(yíng)銷(xiāo)推廣、采購(gòu)運(yùn)輸?shù)拳h(huán)節(jié)中，會(huì)有大量的管理經(jīng)營(yíng)數(shù)據(jù)，其中包含著眾多不同來(lái)源的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，例如來(lái)源于企業(yè)內(nèi)部信息系統(tǒng)（CRM、MES、ERP、SEM）的生產(chǎn)數(shù)據(jù)、管理數(shù)據(jù)、銷(xiāo)售數(shù)據(jù)等，來(lái)源于企業(yè)外部的物流數(shù)據(jù)、行業(yè)數(shù)據(jù)、政府?dāng)?shù)據(jù)等，通過(guò)對(duì)這些數(shù)據(jù)的分析，能夠極大的提高企業(yè)的生產(chǎn)加工能力、質(zhì)量監(jiān)控能力、企業(yè)運(yùn)營(yíng)能力、市場(chǎng)營(yíng)銷(xiāo)能力、風(fēng)險(xiǎn)感知能力等。多源數(shù)據(jù)融合質(zhì)量核驗(yàn)94第五章工業(yè)大數(shù)據(jù)——產(chǎn)業(yè)關(guān)鍵技術(shù)工業(yè)大數(shù)據(jù)的前沿技術(shù)趨勢(shì)利用深度學(xué)習(xí)算法在工業(yè)場(chǎng)景中開(kāi)展圖像和視頻處理是一個(gè)重要發(fā)展方向，如：基于深度學(xué)習(xí)的X射線焊縫圖像識(shí)別基于視頻跟蹤的深度學(xué)習(xí)技術(shù)如何在工業(yè)生產(chǎn)過(guò)程中提取工業(yè)語(yǔ)義關(guān)鍵信息并關(guān)聯(lián)形成具備專業(yè)特點(diǎn)的工業(yè)知識(shí)圖譜是下一步探索重點(diǎn)，如：提取面向復(fù)雜裝備具有的工業(yè)語(yǔ)義關(guān)鍵信息,形成具有專業(yè)特點(diǎn)的工業(yè)知識(shí)圖譜虛擬現(xiàn)實(shí)作為智能制造的核心技術(shù)之一，目前主要探索方向是通過(guò)數(shù)字孿生體，實(shí)現(xiàn)物理世界到虛擬世界的映射，如：工業(yè)生產(chǎn)制造過(guò)程中產(chǎn)品設(shè)計(jì)的協(xié)同化、遠(yuǎn)程運(yùn)維的智能化、產(chǎn)品試驗(yàn)完全仿真化第五章工業(yè)大數(shù)據(jù)955.5大數(shù)據(jù)管理96第五章工業(yè)大數(shù)據(jù)——大數(shù)據(jù)管理數(shù)據(jù)管理體系

2018年3月，在工信部、國(guó)標(biāo)委指導(dǎo)下，全國(guó)信標(biāo)委大數(shù)據(jù)標(biāo)準(zhǔn)工作組組織編寫(xiě)的（GB/T36073-2018）《數(shù)據(jù)管理能力成熟度評(píng)估模型》國(guó)家標(biāo)準(zhǔn)（DCMM）正式發(fā)布。作為我國(guó)首個(gè)數(shù)據(jù)管理領(lǐng)域國(guó)家標(biāo)準(zhǔn)，《數(shù)據(jù)管理能力成熟度評(píng)估模型》國(guó)家標(biāo)準(zhǔn)在編制過(guò)程中借鑒了國(guó)內(nèi)外數(shù)據(jù)管理相關(guān)理論思想，并充分結(jié)合我國(guó)大數(shù)據(jù)行業(yè)發(fā)展的趨勢(shì)，提出了基于我國(guó)產(chǎn)業(yè)發(fā)展現(xiàn)狀的、針對(duì)企業(yè)的數(shù)據(jù)管理能力成熟度評(píng)估模型，將組織數(shù)據(jù)管理能力劃分為8個(gè)能力域：數(shù)據(jù)戰(zhàn)略、數(shù)據(jù)治理、數(shù)據(jù)架構(gòu)、數(shù)據(jù)標(biāo)準(zhǔn)、數(shù)據(jù)質(zhì)量、數(shù)據(jù)安全、數(shù)據(jù)應(yīng)用、數(shù)據(jù)生存周期，97第五章工業(yè)大數(shù)據(jù)——大數(shù)據(jù)管理數(shù)據(jù)資源編目數(shù)據(jù)資源編目是通過(guò)對(duì)數(shù)據(jù)資源依據(jù)規(guī)范的元數(shù)據(jù)描述，對(duì)企業(yè)數(shù)據(jù)資產(chǎn)進(jìn)行邏輯集中的一種方式。通過(guò)編目形成的數(shù)據(jù)資源目錄含有各數(shù)據(jù)資源的描述信息，便于用戶對(duì)數(shù)據(jù)資源的檢索、定位和獲取，幫助企業(yè)決策者們明細(xì)企業(yè)所擁有的數(shù)據(jù)資產(chǎn)以及其數(shù)據(jù)資產(chǎn)的管理狀態(tài)，提供企業(yè)數(shù)據(jù)資產(chǎn)顯性化的應(yīng)用入口。98第五章工業(yè)大數(shù)據(jù)——大數(shù)據(jù)管理數(shù)據(jù)資源目錄應(yīng)用架構(gòu)數(shù)據(jù)資源目錄應(yīng)用包括對(duì)企業(yè)內(nèi)部數(shù)據(jù)資源的統(tǒng)一管理和基于數(shù)據(jù)資源目錄的對(duì)外服務(wù)兩部分。對(duì)企業(yè)內(nèi)部的統(tǒng)一管理，主要是數(shù)據(jù)管理者對(duì)企業(yè)元數(shù)據(jù)進(jìn)行統(tǒng)一的標(biāo)準(zhǔn)化的管理，基于數(shù)據(jù)資源目錄的對(duì)外服務(wù)，主要面向企業(yè)數(shù)據(jù)使用方進(jìn)行企業(yè)數(shù)據(jù)的訪問(wèn)、獲取等。數(shù)據(jù)資源目錄應(yīng)用架構(gòu)圖99第五章工業(yè)大數(shù)據(jù)——大數(shù)據(jù)管理數(shù)據(jù)質(zhì)量管理工業(yè)大數(shù)據(jù)覆蓋了產(chǎn)品研發(fā)、生產(chǎn)、市場(chǎng)、客戶、物流供應(yīng)鏈、售后服務(wù)、財(cái)務(wù)、人力、生產(chǎn)設(shè)備儀器儀表、傳感器、產(chǎn)品、環(huán)境法規(guī)、社會(huì)經(jīng)濟(jì)等數(shù)據(jù)，涵蓋流程長(zhǎng)、種類多、范圍廣。數(shù)據(jù)質(zhì)量的問(wèn)題往往表現(xiàn)為一個(gè)或多個(gè)質(zhì)量維度存在缺失從而無(wú)法滿足企業(yè)和用戶的實(shí)際需要。主要表現(xiàn)在準(zhǔn)確性、完整性、一致性、及時(shí)性、唯一性等方面。100第五章工業(yè)大數(shù)據(jù)——大數(shù)據(jù)管理工業(yè)大數(shù)據(jù)質(zhì)量檢測(cè)方法工業(yè)大數(shù)據(jù)的質(zhì)量檢測(cè)從包括籌備、采集、存儲(chǔ)、共享、維護(hù)、應(yīng)用、退役等各階段的生命周期采取識(shí)別、衡量、監(jiān)控和告警等管理措施，測(cè)基于不同的應(yīng)用場(chǎng)景，達(dá)到減少乃至杜絕工業(yè)數(shù)據(jù)的不完整、不準(zhǔn)確、重復(fù)、不一致及復(fù)用性差等問(wèn)題。101第五章工業(yè)大數(shù)據(jù)——大數(shù)據(jù)管理工業(yè)大數(shù)據(jù)質(zhì)量管理工業(yè)大數(shù)據(jù)的質(zhì)量管理需要工業(yè)企業(yè)建立完善的工業(yè)大數(shù)據(jù)質(zhì)量管理組織架構(gòu)，明確數(shù)據(jù)權(quán)屬、管理者、使用者；面對(duì)不同的工業(yè)大數(shù)據(jù)質(zhì)量問(wèn)題，制定質(zhì)量問(wèn)題的定義、等級(jí)、處理及復(fù)盤(pán)機(jī)制，制定規(guī)范的數(shù)據(jù)質(zhì)量改善流程，形成面向多樣化的工業(yè)大數(shù)據(jù)應(yīng)用場(chǎng)景的數(shù)據(jù)質(zhì)量管理閉環(huán)。102第五章工業(yè)大數(shù)據(jù)——大數(shù)據(jù)管理主數(shù)據(jù)管理主數(shù)據(jù)主要包括配置型主數(shù)據(jù)和核心主數(shù)據(jù)，主數(shù)據(jù)建設(shè)在企業(yè)信息化戰(zhàn)略中處于核心地位，是企業(yè)信息化建設(shè)的基礎(chǔ)支撐。一個(gè)企業(yè)信息化建設(shè)的水平與其主數(shù)據(jù)管理水平息息相關(guān)。主數(shù)據(jù)管理是一系列規(guī)則、應(yīng)用和技術(shù)，用以協(xié)調(diào)和管理與企業(yè)的核心業(yè)務(wù)實(shí)體相關(guān)的系統(tǒng)記錄數(shù)據(jù)。103第五章工業(yè)大數(shù)據(jù)——大數(shù)據(jù)管理主數(shù)據(jù)管控體系主數(shù)據(jù)管控體系主要由主數(shù)據(jù)管理制度、主數(shù)據(jù)管理組織、主數(shù)據(jù)管理流程、主數(shù)據(jù)管理評(píng)價(jià)等方面構(gòu)成。主數(shù)據(jù)管理制度：規(guī)定了主數(shù)據(jù)管理工作的內(nèi)容、程序、章程及方法主數(shù)據(jù)管理組織：主要包括企業(yè)內(nèi)各類主數(shù)據(jù)的管理組織架構(gòu)、運(yùn)營(yíng)模式、角色與職責(zé)規(guī)劃主數(shù)據(jù)管理流程：提升主數(shù)據(jù)質(zhì)量的重要保障主數(shù)據(jù)管理評(píng)價(jià)：評(píng)估及考核主數(shù)據(jù)相關(guān)責(zé)任人職責(zé)的履行情況及數(shù)據(jù)管控標(biāo)準(zhǔn)和數(shù)據(jù)政策的落實(shí)情況序號(hào)考核方向技術(shù)指標(biāo)衡量標(biāo)準(zhǔn)1及時(shí)性及時(shí)率滿足時(shí)間要求的數(shù)據(jù)總數(shù)/總數(shù)據(jù)數(shù)2

真實(shí)性和準(zhǔn)確性

數(shù)據(jù)真實(shí)率1-數(shù)據(jù)中失真記錄總數(shù)/數(shù)據(jù)總記錄數(shù)有效值比率1-超出值域的異常值記錄總數(shù)/總記錄數(shù)流轉(zhuǎn)過(guò)程失真率數(shù)據(jù)傳輸失真記錄總數(shù)/總記錄數(shù)重復(fù)數(shù)據(jù)比率重復(fù)記錄數(shù)/總記錄數(shù)3

一致性

外鍵無(wú)對(duì)應(yīng)主鍵的記錄比率外鍵無(wú)對(duì)應(yīng)主鍵的記錄總數(shù)/總記錄數(shù)主數(shù)據(jù)一致率一致的主數(shù)據(jù)總數(shù)/主數(shù)據(jù)總數(shù)4

完整性

字段的空值率空值記錄總數(shù)/總記錄數(shù)信息完備率能夠獲取的指標(biāo)數(shù)/總需求指標(biāo)數(shù)104第五章工業(yè)大數(shù)據(jù)——大數(shù)據(jù)管理主數(shù)據(jù)應(yīng)用管理基于主數(shù)據(jù)管控體系的建設(shè)，為保障實(shí)際工業(yè)數(shù)據(jù)管理需求的滿足，還需加強(qiáng)對(duì)企業(yè)的主數(shù)據(jù)應(yīng)用的管理。包括：明確管理要求、實(shí)施有效管理、強(qiáng)化服務(wù)保障。105第五章工業(yè)大數(shù)據(jù)——大數(shù)據(jù)管理數(shù)據(jù)安全管理工業(yè)大數(shù)據(jù)蘊(yùn)涵著工業(yè)生產(chǎn)的詳細(xì)情況及運(yùn)行規(guī)律，也承載了大量市場(chǎng)、客戶、供應(yīng)鏈等信息，是工業(yè)互聯(lián)網(wǎng)的核心要素，工業(yè)大數(shù)據(jù)安全管理因此成為工業(yè)互聯(lián)網(wǎng)安全保障的重要任務(wù)之一。包括了工業(yè)大數(shù)據(jù)安全問(wèn)題、工業(yè)大數(shù)據(jù)安全防護(hù)技術(shù)、工業(yè)大數(shù)據(jù)安全管理機(jī)制。106第五章工業(yè)大數(shù)據(jù)——大數(shù)據(jù)管理工業(yè)大數(shù)據(jù)安全防護(hù)技術(shù)工業(yè)大數(shù)據(jù)安全是跨多工業(yè)領(lǐng)域與學(xué)科的綜合性問(wèn)題，需要結(jié)合法律法規(guī)、行業(yè)特點(diǎn)、工業(yè)技術(shù)等多維度進(jìn)行研究，要結(jié)合工業(yè)大數(shù)據(jù)接入安全、工業(yè)大數(shù)據(jù)平臺(tái)安全、工業(yè)大數(shù)據(jù)應(yīng)用安全技術(shù)進(jìn)行綜合考慮107第五章工業(yè)大數(shù)據(jù)——大數(shù)據(jù)管理工業(yè)大數(shù)據(jù)安全管理機(jī)制針對(duì)工業(yè)大數(shù)據(jù)安全問(wèn)題，在技術(shù)范疇外還應(yīng)通過(guò)管理機(jī)制實(shí)現(xiàn)工業(yè)大數(shù)據(jù)安全防護(hù)的具體落實(shí)。需要考慮工業(yè)大數(shù)據(jù)安全管理策略、工業(yè)大數(shù)據(jù)分級(jí)分類管理、工業(yè)大數(shù)據(jù)安全管理組織機(jī)構(gòu)、數(shù)據(jù)安全審計(jì)與稽核等方面。第五章工業(yè)大數(shù)據(jù)1085.6標(biāo)準(zhǔn)體系109第五章工業(yè)大數(shù)據(jù)——標(biāo)準(zhǔn)體系在工業(yè)互聯(lián)網(wǎng)標(biāo)準(zhǔn)體系中的定位工業(yè)互聯(lián)網(wǎng)標(biāo)準(zhǔn)體系框架，包括基礎(chǔ)共性、總體、應(yīng)用三大類標(biāo)準(zhǔn)，工業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)在工業(yè)互聯(lián)網(wǎng)標(biāo)準(zhǔn)體系中處于“平臺(tái)與數(shù)據(jù)”部分。110第五章工業(yè)大數(shù)據(jù)——標(biāo)準(zhǔn)體系在智能制造標(biāo)準(zhǔn)體系中的定位工業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)屬于智能制造標(biāo)準(zhǔn)體系“智能賦能技術(shù)”部分，為智能制造提供技術(shù)和數(shù)據(jù)支撐。111第五章工業(yè)大數(shù)據(jù)——標(biāo)準(zhǔn)體系在智能制造標(biāo)準(zhǔn)體系中的定位工業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)在智能制造標(biāo)準(zhǔn)體系框架中的具體位置如圖。112第五章工業(yè)大數(shù)據(jù)——標(biāo)準(zhǔn)體系工業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)化工作基礎(chǔ)——國(guó)際標(biāo)準(zhǔn)化目前大數(shù)據(jù)國(guó)際標(biāo)準(zhǔn)化工作主要集中在ISO/IECJTC1進(jìn)行，目前仍集中于傳統(tǒng)的工業(yè)控制領(lǐng)域所涉及的工業(yè)數(shù)據(jù)的標(biāo)準(zhǔn)化工作。如ISO/TC184自動(dòng)化與集成委員會(huì)下設(shè)SC4工業(yè)數(shù)據(jù)分委會(huì)，圍繞工業(yè)自動(dòng)化系統(tǒng)和集成中的產(chǎn)品數(shù)據(jù)表示和交換、特性數(shù)據(jù)交換、工業(yè)制造管理數(shù)據(jù)以及數(shù)據(jù)質(zhì)量等方面開(kāi)展了國(guó)際標(biāo)準(zhǔn)研制。113第五章工業(yè)大數(shù)據(jù)——標(biāo)準(zhǔn)體系工業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)化工作基礎(chǔ)——國(guó)內(nèi)標(biāo)準(zhǔn)化我國(guó)工業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)化工作主要依托全國(guó)信標(biāo)委大數(shù)據(jù)標(biāo)準(zhǔn)工作組工業(yè)大數(shù)據(jù)專題組開(kāi)展。前期，工業(yè)大數(shù)據(jù)專題組廣泛征集標(biāo)準(zhǔn)化需求2015年12月，聯(lián)合發(fā)布了《國(guó)家智能制造標(biāo)準(zhǔn)體系建設(shè)指南（2015年版）》2019年1月，工業(yè)和信息化部、國(guó)家標(biāo)準(zhǔn)化管理委員會(huì)聯(lián)合發(fā)布了《工業(yè)互聯(lián)網(wǎng)綜合標(biāo)準(zhǔn)化體系建設(shè)指南》114第五章工業(yè)大數(shù)據(jù)——標(biāo)準(zhǔn)體系工業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)體系框架工業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)體系主要包括基礎(chǔ)標(biāo)準(zhǔn)、技術(shù)標(biāo)準(zhǔn)、管理標(biāo)準(zhǔn)、產(chǎn)品/應(yīng)用標(biāo)準(zhǔn)等四個(gè)部分。115第五章工業(yè)大數(shù)據(jù)——標(biāo)準(zhǔn)體系工業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)明細(xì)表在工業(yè)大數(shù)據(jù)領(lǐng)域，目前已開(kāi)展8項(xiàng)國(guó)家標(biāo)準(zhǔn)研制，涉及術(shù)語(yǔ)、參考架構(gòu)、全生命周期處理、互聯(lián)互通、工具/平臺(tái)等部分。下一步擬重點(diǎn)圍繞工業(yè)大數(shù)據(jù)管理領(lǐng)域推進(jìn)國(guó)家標(biāo)準(zhǔn)研制工作。序號(hào)一級(jí)分類二級(jí)分類標(biāo)準(zhǔn)/計(jì)劃號(hào)標(biāo)準(zhǔn)名稱狀態(tài)1．基礎(chǔ)標(biāo)準(zhǔn)總則——信息技術(shù)工業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)化指南擬研制2．

術(shù)語(yǔ)20180988-T-469信息技術(shù)工業(yè)大數(shù)據(jù)術(shù)語(yǔ)在研3．

參考架構(gòu)20173819-T-469信息技術(shù)大數(shù)據(jù)工業(yè)應(yīng)用參考架構(gòu)在研4．技術(shù)標(biāo)準(zhǔn)全生命周期處理——信息技術(shù)工業(yè)大數(shù)據(jù)裝備數(shù)據(jù)采集規(guī)范擬研制5．

20182052-T-339智能制造工業(yè)大數(shù)據(jù)時(shí)間序列數(shù)據(jù)采集和存儲(chǔ)框架在研6．

互聯(lián)互通——信息技術(shù)工業(yè)大數(shù)據(jù)訂單元數(shù)據(jù)擬研制7．

20173820-T-469信息技術(shù)大數(shù)據(jù)產(chǎn)品要素基本要求在研8．

——工業(yè)大數(shù)據(jù)工業(yè)信息交換規(guī)范擬研制9．

20170057-T-469智能制造對(duì)象標(biāo)識(shí)要求報(bào)批10．

20182054-T-339智能制造工業(yè)數(shù)據(jù)空間模型擬研制11．管理標(biāo)準(zhǔn)數(shù)據(jù)質(zhì)量管理——信息技術(shù)工業(yè)大數(shù)據(jù)數(shù)據(jù)質(zhì)量評(píng)價(jià)指南擬研制12．

主數(shù)據(jù)管理——信息技術(shù)工業(yè)大數(shù)據(jù)主數(shù)據(jù)管理規(guī)范擬研制13．

能力成熟度——工業(yè)數(shù)據(jù)管理成熟度模型擬研制14．產(chǎn)品/應(yīng)用標(biāo)準(zhǔn)工具/平臺(tái)20182053-T-339智能制造工業(yè)大數(shù)據(jù)平臺(tái)通用要求在研15．

20182040-T-339智能制造多模態(tài)數(shù)據(jù)融合系統(tǒng)技術(shù)要求在研116第五章工業(yè)大數(shù)據(jù)——標(biāo)準(zhǔn)體系工業(yè)大數(shù)據(jù)重點(diǎn)標(biāo)準(zhǔn)描述

《信息技術(shù)大數(shù)據(jù)工業(yè)應(yīng)用參考架構(gòu)》：適用于未來(lái)工業(yè)大數(shù)據(jù)的規(guī)模應(yīng)用參考和依據(jù)。《智能制造工業(yè)大數(shù)據(jù)平臺(tái)通用要求》：適用于工業(yè)大數(shù)據(jù)平臺(tái)的設(shè)計(jì)、開(kāi)發(fā)、測(cè)試、驗(yàn)收和應(yīng)用?！吨悄苤圃旃I(yè)數(shù)據(jù)空間模型》：適用于為工業(yè)數(shù)據(jù)空間建設(shè)提供總體的規(guī)劃架構(gòu)思路和共性基礎(chǔ)功能需求《智能制造多模態(tài)數(shù)據(jù)融合系統(tǒng)技術(shù)要求》：適用于指導(dǎo)面向智能制造領(lǐng)域的多模態(tài)數(shù)據(jù)融合系統(tǒng)產(chǎn)品的研制、開(kāi)發(fā)、測(cè)試、評(píng)估和采購(gòu)。117第五章工業(yè)大數(shù)據(jù)——下一步工作建議工業(yè)大數(shù)據(jù)發(fā)展建議強(qiáng)化關(guān)鍵技術(shù)，提升工業(yè)大數(shù)據(jù)平臺(tái)能力建設(shè)加強(qiáng)工業(yè)大數(shù)據(jù)管理體系建設(shè)，提升數(shù)據(jù)資源價(jià)值持續(xù)完善工業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)體系，推動(dòng)標(biāo)準(zhǔn)落地實(shí)施探索工業(yè)大數(shù)據(jù)創(chuàng)新應(yīng)用示范，構(gòu)建產(chǎn)業(yè)生態(tài)體系118第五章工業(yè)大數(shù)據(jù)——本課小結(jié)主要內(nèi)容總結(jié)工業(yè)大數(shù)據(jù)產(chǎn)業(yè)發(fā)展現(xiàn)狀背景；工業(yè)大數(shù)據(jù)產(chǎn)業(yè)關(guān)鍵技術(shù)；工業(yè)大數(shù)據(jù)管理技術(shù)；工業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)體系；主要目標(biāo)了解工業(yè)大數(shù)據(jù)的產(chǎn)業(yè)發(fā)展現(xiàn)狀；了解工業(yè)大數(shù)據(jù)產(chǎn)業(yè)體系。本課時(shí)小結(jié)工業(yè)互聯(lián)網(wǎng)

IndustrialInternet119120第五章工業(yè)大數(shù)據(jù)——課時(shí)安排本章課時(shí)任務(wù)時(shí)間80分鐘（2課時(shí)）主要學(xué)習(xí)內(nèi)容工業(yè)大數(shù)據(jù)案例（一）——工業(yè)時(shí)序信號(hào)分析（1課時(shí)）；工業(yè)大數(shù)據(jù)案例（二）——工業(yè)智能決策（1課時(shí)）；主要學(xué)習(xí)目標(biāo)了解工業(yè)大數(shù)據(jù)在具體案例中的應(yīng)用；第五章工業(yè)大數(shù)據(jù)1215.7工業(yè)大數(shù)據(jù)案例分析（一）

工業(yè)時(shí)序信號(hào)分析122第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析工業(yè)時(shí)序信號(hào)分析在本次課中，將會(huì)向大家展示關(guān)于工業(yè)大數(shù)據(jù)的案例分析——工業(yè)時(shí)序信號(hào)分析。以下會(huì)介紹一些我們團(tuán)隊(duì)關(guān)于工業(yè)大數(shù)據(jù)領(lǐng)域的實(shí)例：智慧耳——基于在線“聲紋”識(shí)別技術(shù)的防外破監(jiān)測(cè)系統(tǒng)的研制與應(yīng)用、運(yùn)達(dá)風(fēng)機(jī)——基于大型風(fēng)電齒輪箱故障預(yù)警。智慧耳第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析基于在線“聲紋”識(shí)別技術(shù)的防外破監(jiān)測(cè)系統(tǒng)的研制與應(yīng)用智慧耳——研究背景第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析隨著經(jīng)濟(jì)的快速發(fā)展，地下電纜的鋪設(shè)工程大幅度增加，地下電纜受損事故不斷發(fā)生。在外力破壞地下電纜的事件中，大多都是由于施工單位在施工前未對(duì)施工現(xiàn)場(chǎng)進(jìn)行勘察，導(dǎo)致電纜由于工程機(jī)械受損、斷開(kāi)，引發(fā)電纜事故。所以如何預(yù)防此類事件發(fā)生，是一個(gè)難點(diǎn)。智慧耳——存在問(wèn)題第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析傳統(tǒng)的監(jiān)測(cè)方式主要通過(guò)高清攝像頭拍攝施工現(xiàn)場(chǎng)的情況、光纖測(cè)振，對(duì)外破事件進(jìn)行實(shí)時(shí)監(jiān)控。在整條電纜路徑上布滿攝像頭，光纖測(cè)振成本高在封閉的通道內(nèi)、惡劣的天氣條件下，視頻監(jiān)測(cè)的效果差電纜通路徑中存在監(jiān)測(cè)盲區(qū)或者阻擋時(shí)，不能很好地監(jiān)測(cè)外破事件聲音信號(hào)容易采集、傳播能力強(qiáng)，聲音傳感器成本低低成本不依賴視覺(jué)路線的完整性，對(duì)不同環(huán)境條件都有很好地適用性環(huán)境需求低通過(guò)分析聲音類型，可以迅速發(fā)現(xiàn)外破事件速度快智慧耳——項(xiàng)目思路第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析核心要求：采用聲音監(jiān)測(cè)的方式，對(duì)電纜外破事件進(jìn)行監(jiān)測(cè)，提高電纜維護(hù)的便捷性和及時(shí)性。成功識(shí)別各類外破聲音通過(guò)深度學(xué)習(xí)的方式搭建聲音檢測(cè)模型，識(shí)別各種外破聲音。01有較好的穩(wěn)定性聲音識(shí)別模型在嘈雜的施工現(xiàn)場(chǎng)也能較為穩(wěn)定地完成監(jiān)測(cè)工作。02有較強(qiáng)的泛化能力能夠?qū)Χ鄠€(gè)環(huán)境不同的施工現(xiàn)場(chǎng)的外破聲音進(jìn)行識(shí)別。03智慧耳——防外破模型介紹第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析現(xiàn)階段采用IBN-NET聲音事件檢測(cè)模型，通過(guò)對(duì)聲音進(jìn)行梅爾頻譜分析，挖掘聲音信號(hào)中潛在的特征，完成對(duì)聲音事件的識(shí)別。該網(wǎng)絡(luò)學(xué)習(xí)捕獲和消除外觀方差，同時(shí)保持對(duì)學(xué)習(xí)特征的區(qū)分。IBN-NET仔細(xì)地將實(shí)例規(guī)范化(IN)和批處理規(guī)范化(BN)作為構(gòu)建塊，增強(qiáng)了它的學(xué)習(xí)和泛化能力，在外破監(jiān)測(cè)任務(wù)中具有較好的表現(xiàn)。模型處理流程實(shí)例歸一化網(wǎng)絡(luò)(IBN-NET)IBN網(wǎng)絡(luò)結(jié)構(gòu)圖智慧耳——小波去噪第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析小波變換連續(xù)小波變換（CWT）：利用不同寬度和長(zhǎng)度的小波和原始音頻信號(hào)進(jìn)行擬合，得到蘊(yùn)含時(shí)頻域的信息。小波變換能夠很好地提取聲音信號(hào)中的時(shí)頻特征，噪聲信號(hào)經(jīng)過(guò)小波變換后能夠很好地被區(qū)分出來(lái)，噪聲信號(hào)經(jīng)過(guò)分解，大多處理低頻率段，通過(guò)對(duì)低頻信號(hào)進(jìn)行篩選和過(guò)濾，能夠很好地將噪聲信號(hào)去除，得到純凈的聲紋信號(hào)。小波變換原理圖智慧耳——域泛化第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析在實(shí)際情況中，不同的工作環(huán)境和不同的設(shè)備型號(hào)都會(huì)影響數(shù)據(jù)的分布，單一的數(shù)據(jù)模型并不能很好地適應(yīng)多變的環(huán)境。當(dāng)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的概率分布不同時(shí)，模型的性能往往會(huì)因?yàn)橛虻姆植疾罹喽陆怠ｎI(lǐng)域泛化技術(shù)旨在通過(guò)遷移不同但相關(guān)的源領(lǐng)域知識(shí)來(lái)提高學(xué)習(xí)者在目標(biāo)領(lǐng)域中的表現(xiàn)，其中有在分布不同的數(shù)據(jù)中創(chuàng)造一個(gè)可以學(xué)習(xí)數(shù)據(jù)中不變特征的模型方法，可以解決訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)分布不平衡問(wèn)題。智慧耳——聲音采集裝置第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析

當(dāng)發(fā)生外破事件時(shí)，系統(tǒng)采集到對(duì)應(yīng)的聲音信號(hào)，系統(tǒng)會(huì)根據(jù)設(shè)定的閾值檢測(cè)采集到的聲音大小，將采集到的音頻存儲(chǔ)在單片機(jī)內(nèi)存中。當(dāng)音頻接收完成后，系統(tǒng)將數(shù)據(jù)發(fā)送到云端進(jìn)行后續(xù)處理。整套裝置通過(guò)太陽(yáng)能板給蓄電池充電，保證系統(tǒng)持續(xù)工作。聲音信號(hào)采集流程圖智慧耳——聲音識(shí)別模型第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析模型主要針對(duì)施工現(xiàn)場(chǎng)常見(jiàn)的幾類聲音：挖掘機(jī)、切割機(jī)、鉆孔機(jī)、挖掘，進(jìn)行模型訓(xùn)練，通過(guò)IBN-NET網(wǎng)絡(luò)對(duì)聲音特征的深度挖掘，在實(shí)際應(yīng)用中，搭建的聲音識(shí)別模型，可以很好地監(jiān)測(cè)施工場(chǎng)地中，上述四類事件的發(fā)生，并通過(guò)信息上傳模型塊，將分析結(jié)果上傳到檢測(cè)平臺(tái)進(jìn)行實(shí)時(shí)監(jiān)控。此外，聲音識(shí)別系統(tǒng)可以在線替換聲音監(jiān)測(cè)模型，實(shí)現(xiàn)系統(tǒng)的更新，保證系統(tǒng)的有效性。模型識(shí)別流程圖智慧耳——數(shù)據(jù)流向圖第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析說(shuō)明：1、邊緣音頻處理盒將音頻存儲(chǔ)為wav格式，通過(guò)4G主機(jī)發(fā)送到服務(wù)器端2、服務(wù)器端分析存儲(chǔ)數(shù)據(jù)智慧耳——數(shù)據(jù)采集及設(shè)備展示第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析前期利用人工在施工現(xiàn)場(chǎng)采集算法訓(xùn)練需要的聲音數(shù)據(jù)。右圖所示為裝置現(xiàn)場(chǎng)安裝圖像，在裝置內(nèi)部有磷酸鐵鋰電池為裝置提供穩(wěn)定電力，同時(shí)利用光伏板補(bǔ)充供電可以降低電力消費(fèi)成本，尤其是在長(zhǎng)期運(yùn)行的設(shè)備中，優(yōu)勢(shì)更為明顯。并且利用光伏板供電無(wú)需依賴傳統(tǒng)的電力網(wǎng)，在后續(xù)可以推廣至地理位置偏遠(yuǎn)或供電不穩(wěn)定的地區(qū)?，F(xiàn)場(chǎng)采集數(shù)據(jù)裝置內(nèi)部圖智慧耳——安裝現(xiàn)場(chǎng)第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析目前防外破監(jiān)測(cè)裝置已部署在浙江省臺(tái)州市，如圖所示為整體裝置安裝的圖片。這是一款小型裝置，其內(nèi)部配備有音頻采集設(shè)備和通信裝置，能夠捕捉周?chē)h(huán)境中的聲音信號(hào)，并將其傳輸至云端進(jìn)行防外破監(jiān)測(cè)。這些裝置被安裝在需要保護(hù)的高壓電纜附近，及時(shí)發(fā)現(xiàn)潛在的外部破壞或破壞跡象，以提高監(jiān)測(cè)的有效性和及時(shí)性。設(shè)備安裝防護(hù)設(shè)施智慧耳——平臺(tái)展示第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析智慧耳——平臺(tái)展示第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析平臺(tái)支持查看對(duì)應(yīng)聲音事件的細(xì)節(jié)信息，例如波形、發(fā)生時(shí)間；判斷聲音事件類型，給出預(yù)測(cè)概率?？梢郧宄乇O(jiān)測(cè)不同時(shí)間段發(fā)生的聲音事件，通過(guò)聲音識(shí)別模型，可以判斷發(fā)生的聲音屬于何種類型。運(yùn)達(dá)風(fēng)機(jī)第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析基于大型風(fēng)電齒輪箱故障預(yù)警運(yùn)達(dá)風(fēng)機(jī)——研究背景第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析風(fēng)電的發(fā)展前景：根據(jù)全球風(fēng)能理事會(huì)（GWEC）的數(shù)據(jù)，風(fēng)能發(fā)展最快，累計(jì)裝機(jī)容量大幅增加，是最可靠的可再生清潔能源之一，并且中國(guó)海上，內(nèi)陸等地區(qū)有豐富的風(fēng)力資源。

風(fēng)電的運(yùn)維問(wèn)題：風(fēng)電機(jī)組的工作條件十分惡劣，長(zhǎng)期暴露在風(fēng)速突變、沙塵、降雨、積雪等環(huán)境下，造成了風(fēng)電機(jī)組故障頻發(fā)。對(duì)于陸上風(fēng)電，其運(yùn)行維修成本一般占到風(fēng)電場(chǎng)總收益的15%~20%；而對(duì)于海上風(fēng)電來(lái)說(shuō)，其運(yùn)行維修成本更是可占到其總收益的25%~35%運(yùn)達(dá)風(fēng)機(jī)——研究目標(biāo)第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析目標(biāo)：僅利用振動(dòng)數(shù)據(jù)及相關(guān)信息，對(duì)故障進(jìn)行預(yù)警并定位。常見(jiàn)齒輪箱故障有高速軸軸承點(diǎn)蝕、損傷、竄軸等，針對(duì)高速軸故障高發(fā)，非高速軸故障較少但是經(jīng)濟(jì)損傷更大的情況，將二者分為兩類故障進(jìn)行預(yù)警。

數(shù)據(jù)來(lái)源：數(shù)據(jù)通過(guò)公司的CMS系統(tǒng)采集并下載，包含振動(dòng)數(shù)據(jù)，時(shí)間，轉(zhuǎn)速，采樣頻率，采樣時(shí)長(zhǎng)，功率。風(fēng)電機(jī)組的齒輪箱運(yùn)達(dá)風(fēng)機(jī)——故障演變第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析故障演變：風(fēng)電設(shè)備的故障可以分為以下7個(gè)階段，故障由正常階段開(kāi)始演變，最終逐漸加深故障并且最終停機(jī)。

趨勢(shì)變化：從正常到停機(jī)的故障演變過(guò)程中，故障的特征是實(shí)時(shí)變化的，如果能捕捉到特征變化，也就是捕捉到了故障的演變，就能有效地進(jìn)行故障診斷。

運(yùn)達(dá)風(fēng)機(jī)——關(guān)鍵部件故障類型第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析運(yùn)達(dá)風(fēng)機(jī)——按需則用第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析1）設(shè)備運(yùn)行是否出現(xiàn)異常時(shí)刻監(jiān)測(cè)，避免漏檢導(dǎo)致嚴(yán)重事故。2）定位故障在什么部位高速軸軸承，中間級(jí)齒輪，行星級(jí)齒輪減少檢修工作量，從而提升經(jīng)濟(jì)效益。3）程度有多嚴(yán)重只有嚴(yán)重到一定程度時(shí)，更換并檢修部件才能提高經(jīng)濟(jì)效益。

故障數(shù)據(jù)少，同故障數(shù)據(jù)差異，設(shè)備之間差異，環(huán)境差異。難對(duì)癥下藥運(yùn)達(dá)風(fēng)機(jī)——風(fēng)電機(jī)組故障診斷方法分類第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析信號(hào)處理法（數(shù)據(jù)驅(qū)動(dòng)）：傅里葉變換(FFT)，短時(shí)傅里葉變換(STFT)，小波包分解(WPD)，經(jīng)驗(yàn)小波分解(EWD)，局部均值分解(LMD)，變分模態(tài)分解(VMD)，以及相關(guān)的各類改進(jìn)信號(hào)處理方法。人工智能法：卷積神經(jīng)網(wǎng)絡(luò)(CNN)，Transformer，生成對(duì)抗網(wǎng)絡(luò)(GAN)，長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)，以及相關(guān)的各類改進(jìn)人工智能模型。還有遷移學(xué)習(xí)，聯(lián)邦學(xué)習(xí)等用于適應(yīng)不同的數(shù)據(jù)條件。混合模型（HybridModel）：通過(guò)結(jié)合多個(gè)模型/方法，構(gòu)造出混合模型。運(yùn)達(dá)風(fēng)機(jī)——故障診斷方法：振動(dòng)分析第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析結(jié)合專家經(jīng)驗(yàn)，深入分析常見(jiàn)的如頻譜，功率譜，包絡(luò)譜，倒頻譜等譜圖；以及一些如均方根，峭度等特征值。

運(yùn)達(dá)風(fēng)機(jī)——故障診斷方法：混合模型第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析優(yōu)勢(shì)1：信號(hào)處理方法使得人工神經(jīng)網(wǎng)絡(luò)更適用于處理振動(dòng)信號(hào)，從非平穩(wěn)信號(hào)中獲取更有用特征。優(yōu)勢(shì)2：引入的自適應(yīng)分解網(wǎng)絡(luò)層在保證信號(hào)不失真的同時(shí)，提升了模型的多尺度特征提取能力，分解層數(shù)是網(wǎng)絡(luò)模型的超參數(shù)，便于調(diào)參。信號(hào)處理+深度學(xué)習(xí)運(yùn)達(dá)風(fēng)機(jī)——技術(shù)路線第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析針對(duì)CMS系統(tǒng)采集所得數(shù)據(jù)，按照如下圖所示流程進(jìn)行處理，以實(shí)現(xiàn)對(duì)故障的預(yù)警及區(qū)分是否為高速軸故障。

實(shí)際故障樣本有限，多分類困難，實(shí)現(xiàn)二分類能夠有效減少分類難度對(duì)多個(gè)故障特征分析，設(shè)置預(yù)警規(guī)則，利用經(jīng)驗(yàn)進(jìn)行分類能提升泛化能力特征模型濾波運(yùn)達(dá)風(fēng)機(jī)——技術(shù)路線第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析針對(duì)CMS系統(tǒng)采集所得數(shù)據(jù)，按照如下圖所示的三個(gè)環(huán)節(jié)進(jìn)行處理，以實(shí)現(xiàn)對(duì)故障的預(yù)警及區(qū)分是否為高速軸故障。

運(yùn)達(dá)風(fēng)機(jī)——預(yù)警流程第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析訓(xùn)練模型：高斯模型：運(yùn)達(dá)風(fēng)機(jī)——預(yù)警流程第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析應(yīng)用模型：濾波：運(yùn)達(dá)風(fēng)機(jī)——預(yù)警流程第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析預(yù)警模型：預(yù)警規(guī)則：輸入：預(yù)警特征值的概率結(jié)果的濾波值，分類特征值的濾波值，分類特征值均值輸出：預(yù)警結(jié)果首先判斷EWMA結(jié)果是否超過(guò)閾值Threshold1）如果不超過(guò)則為正常

2）如果超過(guò)，則判斷ratio_Shang是否超過(guò)1.05 1）如果超過(guò)，則為高速軸故障

2）判斷ratio_Shang是否低于0.95，如果低于則為非高速軸故障

3）否則為正常。運(yùn)達(dá)風(fēng)機(jī)——封測(cè)實(shí)驗(yàn)結(jié)果第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析Figure1：預(yù)警特征值及其濾波效果Figure2：預(yù)警特征值概率表示及其濾波效果Figure3：分類特征值及其濾波效果Figure4：故障分類結(jié)果齒輪箱輸出端振動(dòng)數(shù)據(jù)采樣頻率5120Hz，信號(hào)長(zhǎng)度8192采樣次數(shù)537次某2#機(jī)組，高速軸軸承點(diǎn)蝕，剝落發(fā)現(xiàn)故障（2018.10.9）實(shí)際修復(fù)完成（2018.10.22）預(yù)警/定位：高速軸故障預(yù)警故障時(shí)間：（2018.03.15）提前：221天Figure1Figure2Figure3Figure4運(yùn)維信息：模型參數(shù)：預(yù)警結(jié)果：運(yùn)達(dá)風(fēng)機(jī)——方法改進(jìn)第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析舊方法：數(shù)據(jù)經(jīng)由粗粒度操作處理，如右圖所示。尺度s=1時(shí)，對(duì)應(yīng)原始信號(hào)；尺度s=2時(shí)，信號(hào)值對(duì)應(yīng)每?jī)蓚€(gè)連續(xù)采樣點(diǎn)的均值；尺度s=3時(shí)，信號(hào)值對(duì)應(yīng)每三個(gè)連續(xù)采樣點(diǎn)的均值。然后由多個(gè)并行CNN進(jìn)行分類缺點(diǎn)：1、是一種近似的尺度變換；2、隨著尺度增加，信號(hào)長(zhǎng)度縮短。運(yùn)達(dá)風(fēng)機(jī)——方法改進(jìn)第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析新方法：

數(shù)據(jù)由小波包分解WPD分解為一系列不同尺度的信號(hào)，然后輸入到并行的CNN中進(jìn)行分類。舊方法新方法與舊方法相同，可以使CNN擁有提取多尺度特征的能力，使得分類效果更好；小波包分解有很好的理論依據(jù)，能夠很好地處理非平穩(wěn)信號(hào)，將原始信號(hào)分解為多個(gè)子信號(hào)，信號(hào)不失真。更適合用來(lái)處理齒輪箱的高速軸振動(dòng)信號(hào)。隨著尺度增加，信號(hào)長(zhǎng)度不會(huì)縮短，可以有更多的尺度。改進(jìn)運(yùn)達(dá)風(fēng)機(jī)——方法改進(jìn)第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時(shí)序信號(hào)分析新方法：