最新章節

• 附錄A　英文縮寫表
• 10.4　應用效果及總結
• 10.3.4　壓力分布應用
• 10.3.3　數據資源化
• 10.3.2　業務理解
• 10.3.1　整體規劃

• 附錄A　英文縮寫表 更新時間：2024-02-01 14:57:30
• 10.4　應用效果及總結
• 10.3.4　壓力分布應用
• 10.3.3　數據資源化
• 10.3.2　業務理解
• 10.3.1　整體規劃
• 10.3　綜采數字化創新應用
• 10.2.3　煤礦綜采數據平臺
• 10.2.2　煤礦綜采系統架構
• 10.2.1　整體規劃
• 10.2　煤礦綜采數據平臺
• 10.1　業務背景
• 第10章　煤礦綜采大數據
• 9.4　本章小結
• 9.3.5　水電機組啟動穩定性分析
• 9.3.4　水電機組多指標預警應用
• 9.3.3　水電機組運行工況分析
• 9.3.2　水電機組擺度分析
• 9.3.1　水電數據應用整體規劃
• 9.3　分析模型與創新應用
• 9.2.3　水電大數據平臺數據架構
• 9.2.2　水電大數據功能架構
• 9.2.1　水電大數據業務架構
• 9.2　水電大數據平臺整體設計
• 9.1.4　水電數字化建設目標
• 9.1.3　水電大數據業務需求
• 9.1.2　水電行業業務痛點
• 9.1.1　水電數字化轉型趨勢
• 9.1　業務背景
• 第9章　水電大數據
• 8.4　本章小結
• 8.3.6　計劃停機時段輔助分析
• 8.3.5　塔筒振動異常監測
• 8.3.4　電量生產精益分析
• 8.3.3　齒輪箱潤滑異常診斷
• 8.3.2　偏航對風靜態偏差優化
• 8.3.1　整體規劃
• 8.3　風電數字化應用創新
• 8.2.8　應用部署
• 8.2.7　模型運行
• 8.2.6　應用開發
• 8.2.5　數據存儲
• 8.2.4　數據治理
• 8.2.3　數據接入
• 8.2.2　總體架構
• 8.2.1　整體規劃
• 8.2　中車風電大數據平臺設計
• 8.1　業務背景
• 第8章　風電大數據
• 7.5.2　模型規劃
• 7.5.1　數據規劃
• 7.5　數據應用實施規劃
• 7.4.7　系統監控
• 7.4.6　系統接口
• 7.4.5　作業管理
• 7.4.4　分析模型部署
• 7.4.3　數據映射
• 7.4.2　數據預處理
• 7.4.1　數據存儲
• 7.4　數據應用的運行環境
• 7.3　支持敏捷開發的低代碼工具
• 7.2.3　運維過程
• 7.2.2　實施過程
• 7.2.1　準備過程
• 7.2　數據應用的敏捷開發
• 7.1.3　軟件結構的特點
• 7.1.2　開發階段的特點
• 7.1.1　數據應用的特性
• 7.1　數據應用的特點
• 第7章　數據應用的敏捷開發方法
• 6.5.5　基于自主學習的專家規則參數精化
• 6.5.4　少樣本學習模式
• 6.5.3　工業應用的典型統計學習模式
• 6.5.2　非侵入式分析服務引擎
• 6.5.1　系統動力學圖的形式化分析
• 6.5　共性技術
• 6.4.4　算子開發示例：毛刺檢測
• 6.4.3　幫助文檔規范
• 6.4.2　算子配置文件
• 6.4.1　算子編碼規范
• 6.4　算子開發
• 6.3.4　常用的時序分析算法包
• 6.3.3　分析算子庫
• 6.3.2　分析模板庫
• 6.3.1　分析案例庫
• 6.3　分析模型資產庫
• 6.2　工業數據分析建模環境
• 6.1　工業數據分析建模的特點
• 第6章　工業數據分析建模環境與技術
• 5.11.3　團隊協同敏捷性的技術需求
• 5.11.2　個體敏捷性的技術需求
• 5.11.1　敏捷的概念辨析
• 5.11　敏捷工業數據分析方法的技術需求
• 5.10.4　運行監控
• 5.10.3　模型部署
• 5.10.2　物理信息對象建模
• 5.10.1　數據工程
• 5.10　持續運行運維
• 5.9.2　模型運維機制設計（Step 6.2）
• 5.9.1　模型打包與分發（Step 6.1）
• 5.9　模型發布
• 5.8.2　業務評估（Step 5.2）
• 5.8.1　技術評估（Step 5.1）
• 5.8　模型評估
• 5.7.5　業務場景校驗（Step 4.5）
• 5.7.4　模型檢驗（Step 4.4）
• 5.7.3　算法建模（Step 4.3）
• 5.7.2　數據集劃分（Step 4.2）
• 5.7.1　業務指標與技術要點梳理（Step 4.1）
• 5.7　模型建立
• 5.6.4　特征工程（Step 3.4）
• 5.6.3　數據清洗（Step 3.3）
• 5.6.2　數據導入（Step 3.2）
• 5.6.1　數據建模（Step 3.1）
• 5.6　數據準備
• 5.5.6　數據處理措施確定（Step 2.6）
• 5.5.5　數據質量的業務審查（Step 2.5）
• 5.5.4　數據質量的統計審查（Step 2.4）
• 5.5.3　數據探索（Step 2.3）
• 5.5.2　數據源理解（Step 2.2）
• 5.5.1　數據結構理解（Step 2.1）
• 5.5　數據理解
• 5.4.5　數據需求梳理（Step 1.5）
• 5.4.4　分析問題類型規約（Step 1.4）
• 5.4.3　業務可行性確認（Step 1.3）
• 5.4.2　當前處理邏輯理解（Step 1.2）
• 5.4.1　系統運行機制理解（Step 1.1）
• 5.4　業務理解
• 5.3.3　課題優先級排序
• 5.3.2　要素歸納與完備度評估
• 5.3.1　業務目標分解與價值評估
• 5.3　課題定義
• 5.2.3　工業數據分析的過程模型
• 5.2.2　MLOps最佳實踐
• 5.2.1　CRISP-DM過程方法
• 5.2　敏捷工業大數據分析方法概述
• 5.1.4　運籌優化模型
• 5.1.3　機器學習模型
• 5.1.2　專家規則模型
• 5.1.1　數據整合處理
• 5.1　數據分析類型
• 第5章　敏捷工業數據分析方法
• 4.6　本章小結
• 4.5.5　批處理
• 4.5.4　圖查詢計劃生成和優化
• 4.5.3　ER模型轉換為圖狀數據模型
• 4.5.2　圖狀數據模型和查詢語義
• 4.5.1　統一數據訪問框架
• 4.5　統一數據訪問
• 4.4.3　ER模型轉換為文件對象模型
• 4.4.2　ER模型轉換為時序模型
• 4.4.1　ER模型轉換為關系模型
• 4.4　數據模型轉換
• 4.3.4　工業數據模型復用
• 4.3.3　守恒流參考模型
• 4.3.2　產線參考模型
• 4.3.1　設備參考模型
• 4.3　工業數據參考模型
• 4.2.2　數據建模技術
• 4.2.1　數據模型的層次
• 4.2　工業數據建模方法
• 4.1.3　典型工業數據集成模式
• 4.1.2　工業數據集成挑戰
• 4.1.1　工業數據集成的概念
• 4.1　工業數據集成概述
• 第4章　工業大數據建模與數據集成技術
• 3.3.4　處理與計算的選型考慮與思路
• 3.3.3　典型的數據處理模式與技術
• 3.3.2　處理與計算的挑戰和問題
• 3.3.1　處理與計算的需求特點及關鍵要素
• 3.3　數據處理與計算
• 3.2.4　存儲的選型考慮與思路
• 3.2.3　典型的數據存儲技術
• 3.2.2　存儲的挑戰和問題
• 3.2.1　存儲的需求特點與關鍵要素
• 3.2　數據存儲
• 3.1.4　接入與傳輸技術路線
• 3.1.3　典型的接入與傳輸技術
• 3.1.2　接入與傳輸技術要素
• 3.1.1　典型工業數據來源及其特點
• 3.1　數據接入與傳輸
• 第3章　工業大數據匯聚與處理技術
• 2.5.2　性能調優實踐
• 2.5.1　數據工廠監控實踐
• 2.5　運維監控與性能調優
• 2.4.3　基于SPC的數據質量監控
• 2.4.2　全面數據質量管理
• 2.4.1　數據質量的定義
• 2.4　數據質量管控方法
• 2.3.3　價值線與創新線的規劃側重
• 2.3.2　集群配置與規模規劃
• 2.3.1　業務需求與技術指標
• 2.3　數據工廠容量規劃方法
• 2.2.6　管控與運維
• 2.2.5　系統實施
• 2.2.4　建設方案設計
• 2.2.3　可行性評估
• 2.2.2　業務主題選定
• 2.2.1　企業數據戰略理解
• 2.2　數據工廠的規劃建設方法
• 2.1.4　數據智能創新線的關鍵要素
• 2.1.3　數據加工價值線的關鍵要素
• 2.1.2　數據工廠的特征
• 2.1.1　數據工廠概述
• 2.1　數據工廠的概念與范疇
• 第2章　工業大數據工程的建設與運維方法
• 1.4.3　面向領域的工業大數據系統技術
• 1.4.2　敏捷工業大數據工程方法
• 1.4.1　工業大數據建設面臨的挑戰
• 1.4　工業大數據工程的內容
• 1.3.6　OT、DT、IT的融合與分工
• 1.3.5　數字化與信息化的差別
• 1.3.4　數據技術視角
• 1.3.3　思維模式視角
• 1.3.2　數據資產視角
• 1.3.1　經濟與制度視角
• 1.3　工業大數據的認知辨析
• 1.2.5　與其他技術方向的關系
• 1.2.4　模型形式與應用范式
• 1.2.3　在企業信息架構中的位置
• 1.2.2　應用領域與場景
• 1.2.1　工業大數據的概念
• 1.2　工業大數據的內涵與范疇
• 1.1　工業大數據提出的背景
• 第1章　工業大數據概論
• 前言
• 編委會
• 內容簡介
• 版權信息
• 封面

• 封面
• 版權信息
• 內容簡介
• 編委會
• 前言
• 第1章　工業大數據概論
• 1.1　工業大數據提出的背景
• 1.2　工業大數據的內涵與范疇
• 1.2.1　工業大數據的概念
• 1.2.2　應用領域與場景
• 1.2.3　在企業信息架構中的位置
• 1.2.4　模型形式與應用范式
• 1.2.5　與其他技術方向的關系
• 1.3　工業大數據的認知辨析
• 1.3.1　經濟與制度視角
• 1.3.2　數據資產視角
• 1.3.3　思維模式視角
• 1.3.4　數據技術視角
• 1.3.5　數字化與信息化的差別
• 1.3.6　OT、DT、IT的融合與分工
• 1.4　工業大數據工程的內容
• 1.4.1　工業大數據建設面臨的挑戰
• 1.4.2　敏捷工業大數據工程方法
• 1.4.3　面向領域的工業大數據系統技術
• 第2章　工業大數據工程的建設與運維方法
• 2.1　數據工廠的概念與范疇
• 2.1.1　數據工廠概述
• 2.1.2　數據工廠的特征
• 2.1.3　數據加工價值線的關鍵要素
• 2.1.4　數據智能創新線的關鍵要素
• 2.2　數據工廠的規劃建設方法
• 2.2.1　企業數據戰略理解
• 2.2.2　業務主題選定
• 2.2.3　可行性評估
• 2.2.4　建設方案設計
• 2.2.5　系統實施
• 2.2.6　管控與運維
• 2.3　數據工廠容量規劃方法
• 2.3.1　業務需求與技術指標
• 2.3.2　集群配置與規模規劃
• 2.3.3　價值線與創新線的規劃側重
• 2.4　數據質量管控方法
• 2.4.1　數據質量的定義
• 2.4.2　全面數據質量管理
• 2.4.3　基于SPC的數據質量監控
• 2.5　運維監控與性能調優
• 2.5.1　數據工廠監控實踐
• 2.5.2　性能調優實踐
• 第3章　工業大數據匯聚與處理技術
• 3.1　數據接入與傳輸
• 3.1.1　典型工業數據來源及其特點
• 3.1.2　接入與傳輸技術要素
• 3.1.3　典型的接入與傳輸技術
• 3.1.4　接入與傳輸技術路線
• 3.2　數據存儲
• 3.2.1　存儲的需求特點與關鍵要素
• 3.2.2　存儲的挑戰和問題
• 3.2.3　典型的數據存儲技術
• 3.2.4　存儲的選型考慮與思路
• 3.3　數據處理與計算
• 3.3.1　處理與計算的需求特點及關鍵要素
• 3.3.2　處理與計算的挑戰和問題
• 3.3.3　典型的數據處理模式與技術
• 3.3.4　處理與計算的選型考慮與思路
• 第4章　工業大數據建模與數據集成技術
• 4.1　工業數據集成概述
• 4.1.1　工業數據集成的概念
• 4.1.2　工業數據集成挑戰
• 4.1.3　典型工業數據集成模式
• 4.2　工業數據建模方法
• 4.2.1　數據模型的層次
• 4.2.2　數據建模技術
• 4.3　工業數據參考模型
• 4.3.1　設備參考模型
• 4.3.2　產線參考模型
• 4.3.3　守恒流參考模型
• 4.3.4　工業數據模型復用
• 4.4　數據模型轉換
• 4.4.1　ER模型轉換為關系模型
• 4.4.2　ER模型轉換為時序模型
• 4.4.3　ER模型轉換為文件對象模型
• 4.5　統一數據訪問
• 4.5.1　統一數據訪問框架
• 4.5.2　圖狀數據模型和查詢語義
• 4.5.3　ER模型轉換為圖狀數據模型
• 4.5.4　圖查詢計劃生成和優化
• 4.5.5　批處理
• 4.6　本章小結
• 第5章　敏捷工業數據分析方法
• 5.1　數據分析類型
• 5.1.1　數據整合處理
• 5.1.2　專家規則模型
• 5.1.3　機器學習模型
• 5.1.4　運籌優化模型
• 5.2　敏捷工業大數據分析方法概述
• 5.2.1　CRISP-DM過程方法
• 5.2.2　MLOps最佳實踐
• 5.2.3　工業數據分析的過程模型
• 5.3　課題定義
• 5.3.1　業務目標分解與價值評估
• 5.3.2　要素歸納與完備度評估
• 5.3.3　課題優先級排序
• 5.4　業務理解
• 5.4.1　系統運行機制理解（Step 1.1）
• 5.4.2　當前處理邏輯理解（Step 1.2）
• 5.4.3　業務可行性確認（Step 1.3）
• 5.4.4　分析問題類型規約（Step 1.4）
• 5.4.5　數據需求梳理（Step 1.5）
• 5.5　數據理解
• 5.5.1　數據結構理解（Step 2.1）
• 5.5.2　數據源理解（Step 2.2）
• 5.5.3　數據探索（Step 2.3）
• 5.5.4　數據質量的統計審查（Step 2.4）
• 5.5.5　數據質量的業務審查（Step 2.5）
• 5.5.6　數據處理措施確定（Step 2.6）
• 5.6　數據準備
• 5.6.1　數據建模（Step 3.1）
• 5.6.2　數據導入（Step 3.2）
• 5.6.3　數據清洗（Step 3.3）
• 5.6.4　特征工程（Step 3.4）
• 5.7　模型建立
• 5.7.1　業務指標與技術要點梳理（Step 4.1）
• 5.7.2　數據集劃分（Step 4.2）
• 5.7.3　算法建模（Step 4.3）
• 5.7.4　模型檢驗（Step 4.4）
• 5.7.5　業務場景校驗（Step 4.5）
• 5.8　模型評估
• 5.8.1　技術評估（Step 5.1）
• 5.8.2　業務評估（Step 5.2）
• 5.9　模型發布
• 5.9.1　模型打包與分發（Step 6.1）
• 5.9.2　模型運維機制設計（Step 6.2）
• 5.10　持續運行運維
• 5.10.1　數據工程
• 5.10.2　物理信息對象建模
• 5.10.3　模型部署
• 5.10.4　運行監控
• 5.11　敏捷工業數據分析方法的技術需求
• 5.11.1　敏捷的概念辨析
• 5.11.2　個體敏捷性的技術需求
• 5.11.3　團隊協同敏捷性的技術需求
• 第6章　工業數據分析建模環境與技術
• 6.1　工業數據分析建模的特點
• 6.2　工業數據分析建模環境
• 6.3　分析模型資產庫
• 6.3.1　分析案例庫
• 6.3.2　分析模板庫
• 6.3.3　分析算子庫
• 6.3.4　常用的時序分析算法包
• 6.4　算子開發
• 6.4.1　算子編碼規范
• 6.4.2　算子配置文件
• 6.4.3　幫助文檔規范
• 6.4.4　算子開發示例：毛刺檢測
• 6.5　共性技術
• 6.5.1　系統動力學圖的形式化分析
• 6.5.2　非侵入式分析服務引擎
• 6.5.3　工業應用的典型統計學習模式
• 6.5.4　少樣本學習模式
• 6.5.5　基于自主學習的專家規則參數精化
• 第7章　數據應用的敏捷開發方法
• 7.1　數據應用的特點
• 7.1.1　數據應用的特性
• 7.1.2　開發階段的特點
• 7.1.3　軟件結構的特點
• 7.2　數據應用的敏捷開發
• 7.2.1　準備過程
• 7.2.2　實施過程
• 7.2.3　運維過程
• 7.3　支持敏捷開發的低代碼工具
• 7.4　數據應用的運行環境
• 7.4.1　數據存儲
• 7.4.2　數據預處理
• 7.4.3　數據映射
• 7.4.4　分析模型部署
• 7.4.5　作業管理
• 7.4.6　系統接口
• 7.4.7　系統監控
• 7.5　數據應用實施規劃
• 7.5.1　數據規劃
• 7.5.2　模型規劃
• 第8章　風電大數據
• 8.1　業務背景
• 8.2　中車風電大數據平臺設計
• 8.2.1　整體規劃
• 8.2.2　總體架構
• 8.2.3　數據接入
• 8.2.4　數據治理
• 8.2.5　數據存儲
• 8.2.6　應用開發
• 8.2.7　模型運行
• 8.2.8　應用部署
• 8.3　風電數字化應用創新
• 8.3.1　整體規劃
• 8.3.2　偏航對風靜態偏差優化
• 8.3.3　齒輪箱潤滑異常診斷
• 8.3.4　電量生產精益分析
• 8.3.5　塔筒振動異常監測
• 8.3.6　計劃停機時段輔助分析
• 8.4　本章小結
• 第9章　水電大數據
• 9.1　業務背景
• 9.1.1　水電數字化轉型趨勢
• 9.1.2　水電行業業務痛點
• 9.1.3　水電大數據業務需求
• 9.1.4　水電數字化建設目標
• 9.2　水電大數據平臺整體設計
• 9.2.1　水電大數據業務架構
• 9.2.2　水電大數據功能架構
• 9.2.3　水電大數據平臺數據架構
• 9.3　分析模型與創新應用
• 9.3.1　水電數據應用整體規劃
• 9.3.2　水電機組擺度分析
• 9.3.3　水電機組運行工況分析
• 9.3.4　水電機組多指標預警應用
• 9.3.5　水電機組啟動穩定性分析
• 9.4　本章小結
• 第10章　煤礦綜采大數據
• 10.1　業務背景
• 10.2　煤礦綜采數據平臺
• 10.2.1　整體規劃
• 10.2.2　煤礦綜采系統架構
• 10.2.3　煤礦綜采數據平臺
• 10.3　綜采數字化創新應用
• 10.3.1　整體規劃
• 10.3.2　業務理解
• 10.3.3　數據資源化
• 10.3.4　壓力分布應用
• 10.4　應用效果及總結
• 附錄A　英文縮寫表 更新時間：2024-02-01 14:57:30