本書系統介紹了制造大數據體系結構的構建方法與制造大數據建模方法，為多源異構制造大數據的高效集成與檢索方法和智能協同治理方法的研究提供支撐，主要內容包括：面向制造企業數據空間的制造大數據體系結構構建方法；面向全系統優化設計的設計資源大數據建模方法；面向全流程制造管控的制造過程大數據建模方法；面向全貫通管理決策的管理流程大數據建模方法；面向全周期增值服務的產品服務大數據建模方法等。
2013-09 至 2019-06, 中國科學技術大學, 控制科學與工程, 博士, 導師：熊軍林、魯仁全
2009-09 至 2013-07, 中國科學技術大學, 自動化, 學士2019-06 至今，廣東工業大學, 自動化學院, 副教授2019-06 至今，廣東工業大學, 自動化學院, 副教授
2021-09 至今，佛山市南海區“科技鎮長團”成員
中國自動化學會-青年工作委員會委員，中國自動化學會-數據驅動控制、學習與優化專業委員會委員
Automatica、IEEE Transactions on Cybernetics、Neurocomputing、自動化學報等控制領域權威期刊審稿人，IWACIII2021等多個國際會議分會場主席
目錄
前言
第1章 緒論 1
1.1 制造大數據的基本概念 1
1.1.1 制造大數據的定義與分類 1
1.1.2 制造大數據的空間分布 2
1.1.3 制造大數據的采集與傳輸 2
1.1.4 制造大數據的發展趨勢 2
1.2 制造大數據的特點 3
1.3 制造大數據建模方法研究現狀 4
1.4 本書主要內容 7
第2章 面向制造企業數據空間的制造大數據體系結構 10
2.1 制造企業數據空間的建立 10
2.1.1 制造企業數據空間多維體系架構 10
2.1.2 數據空間業務域體系架構 10
2.1.3 數據空間處理域體系架構 13
2.1.4 數據空間模態域體系架構 14
2.2 制造企業數據空間集成模型 15
2.2.1 研發設計業務域數據空間跨域集成模型 15
2.2.2 生產制造業務域數據空間跨域集成模型 16
2.2.3 經營管理業務域數據空間跨域集成模型 17
2.2.4 運維服務業務域數據空間跨域集成模型 19
2.3 面向制造企業數據空間的制造大數據體系結構構建方法 20
2.3.1 多維數據空間模型的實現方法 20
2.3.2 業務域維度數據架構的實現方法 25
2.3.3 模態域維度數據架構的實現方法 29
2.3.4 處理域維度數據架構的實現方法 30
2.4 面向制造企業數據空間的時空數據異常檢測方法 31
2.4.1 時空數據獲取 31
2.4.2 時空數據清洗 33
2.4.3 時空數據預處理 33
2.4.4 GCN-LSTM無監督預測模型 34
2.4.5 COPOD異常檢測 36
第3章 面向全系統優化設計的設計資源大數據模型 39
3.1 面向全系統優化設計的設計資源大數據建模方法 39
3.1.1 設計資源大數據建模方法 39
3.1.2 設計資源大數據采集 40
3.1.3 設計資源大數據清洗 40
3.1.4 設計資源大數據特征處理 41
3.1.5 設計資源大數據模型構建 43
3.2 基于潛變量的制造大數據回歸建模方法 46
3.2.1 大數據回歸建模問題描述 46
3.2.2 制造大數據預處理 47
3.2.3 制造大數據潛變量轉化 49
3.3 基于KNN-LR算法的制造大數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 工業大數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據模型 69
4.1 面向全流程制造管控的制造過程大數據建模方法 69
4.1.1 業務相關性與數據割裂問題的描述與處理 69
4.1.2 業務數據采集 70
4.1.3 數據預處理 70
4.1.4 建立業務聯系 72
4.1.5 制造過程大數據模型構建 73
4.2 基于遺傳規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據模型 97
5.1 基于模糊二型C-means聚類的關聯規則挖掘方法 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聚類的關聯規則挖掘方法 105
5.1.6 模糊規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規則挖掘方法 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規則挖掘方法 122
5.3.1 研究背景 122
5.3.2 模糊關聯規則挖掘并行架構的設計 124
5.3.3 模糊關聯規則挖掘并行計算的實現 125
5.3.4 實驗環境介紹 129
5.4 智能制造管理決策應用案例 134
5.4.1 智能制造動態調度場景及策略 134
5.4.2 智能制造動態調度實驗分析 134
5.4.3 動態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據模型 138
6.1 基于制造大數據的制造企業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據的多階段優化故障診斷模型 147
6.3.1 多階段優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：基于制造業大數據的船舶建造計劃優化方法 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 船舶制造業大數據處理 161
6.5.6 大數據存儲 162
6.5.7 大數據處理 162
6.5.8 船舶建造計劃優化 164
6.6 案例2：基于粒子群優化灰色模型的工業大數據預報警方法 164
6.6.1 數據清洗 165
6.6.2 標準的灰色預測模型 166
6.6.3 粒子群優化算法 168
6.6.4 粒子群優化灰色模型 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
新書資訊