工业数据分析工程 基于CRISP-DM的形式化方法 田春华 解光耀 裴忠一 9787111759799 机械

商品名称：

工业数据分析工程:基于CRISP-DM的形式化方法

作 者：

田春华等著

市 场 价：

99.00元

ISBN 号：

978-7-111-75979-9

出版日期：

2024年9月第1版第1次印刷

开 本：

184mm×260mm·14.75印张·354千字

出 版 社：

机械工业出版社

前言

第1章工业数据分析方法概述1

1.1方法论内涵与作用1

1.2工业大数据项目落地的载体2

1.2.1工业数据分析的3种载体形式：数据服务、模型服务、智能应用3

1.2.2工业大数据项目的价值落地3

1.2.3智能化项目管理4

1.3工业数据分析过程方法5

1.4如何用好工业数据分析方法10

1.4.1大数据分析方法的应用范畴10

1.4.2大数据分析方法与项目管理10

1.4.3大数据分析项目阶段划分11

参考文献12

第2章分析场景定义13

2.1什么是分析场景14

2.2分析场景识别16

2.2.1自顶向下的结构化分解法17

2.2.2自下向上的归纳剖析法18

2.2.3数据驱动的业务能力匹配法19

2.2.4分析场景识别中的常见问题21

2.3分析场景筛选22

2.3.1基于基线思维的场景筛选法22

2.3.2基于要素-认知矩阵的场景筛选法23

2.3.3分析场景筛选中的常见问题24

2.4分析场景定义示例26

2.4.1智能运维：自顶向下的结构化分解法26

2.4.2汽车制造：自下向上的归纳剖析法26

2.4.3电动矿卡智能管理：数据驱动的业务能力匹配法28

参考文献31

第3章业务理解32

3.1业务理解的目标33

3.1.1形成分析课题描述33

3.1.2提出数据需求清单35

3.2业务理解的主要内容36

3.2.1决策逻辑37

3.2.2决策场景40

3.2.3领域概念41

3.3业务理解的形式化模型42

3.3.1层次分解模型——列表42

3.3.2层次分解模型——树状结构43

3.3.3系统动力学模型43

3.3.4专家规则45

3.3.5运筹学模型46

3.4系统动力学的建模方法46

3.4.1系统动力学的建模过程47

3.4.2系统动力学建模背后的支撑技术51

3.4.3系统动力学模型的概念辨析52

3.5专家规则的建模方法55

3.5.1基于规则流的规则描述方法55

3.5.2基于逻辑表达式的规则检验方法57

3.6领域模型的建模方法59

3.6.1数据驱动的领域建模60

3.6.2业务驱动的领域建模60

3.7业务理解的执行策略61

3.7.1了解性访谈62

3.7.2基于样例数据的业务理解62

3.7.3确认性访谈62

3.8思考：业务理解中形式化模型的必要性65

3.8.1水箱水位预测的例子65

3.8.2发电机冷却水温度区间估计的例子66

工业数据分析工程：基于CRISP-DM的形式化方法

目录

参考文献68

第4章数据理解69

4.1数据收集71

4.1.1明确数据源系统和访问方式71

4.1.2明确数据更新与存储周期72

4.2数据描述——数据集层面的理解73

4.2.1样本数据的人工阅读73

4.2.2数据概览74

4.2.3领域模型与数据模型交互理解75

4.3数据探索——数据字段层面的理解76

4.3.1统计分布77

4.3.2数据可视化78

4.4数据探索——业务层面的理解80

4.4.1业务维度组合的探索（基于领域模型）81

4.4.2业务过程理解（基于系统动力学模型）83

4.4.3专家知识的复现84

4.5数据质量审查86

4.5.1示例案例87

4.5.2基于领域模型的质量审查方法88

4.5.3分析项目中数据质量突出的原因91

4.5.4数据质量评价与影响分析92

4.6数据理解阶段的执行策略94

4.6.1执行路径94

4.6.2软件工具95

4.6.3典型的数据处理技巧95

参考文献97

第5章数据准备98

5.1数据流设计99

5.1.1数据仓库建模99

5.1.2领域模型驱动的工业数据组织方法100

5.1.3工业数据分析的数据流图103

5.1.4分析数据流图示例104

5.2数据选择与清洗108

5.3数据融合108

5.4特征提取与选择109

5.4.1特征的来源110

5.4.2特征提取的推进思路111

5.5数据资源化：数据分析师的视角112

参考文献114

第6章模型建立115

6.1常用算法及问题类型转换方法117

6.2目标变量的相关问题119

6.2.1目标变量的构建119

6.2.2目标变量变换120

6.2.3不均衡问题121

6.3预测变量的相关问题121

6.3.1工况切分121

6.3.2变量的离散化122

6.3.3移除没有业务意义的高相关特征量122

6.3.4特征变量组合123

6.3.5类别变量的完备度123

6.4工业分析建模问题123

6.4.1基准模型123

6.4.2大量测点的稳定过程建模124

6.4.3基于朴素道理的深度网络结构参数优化124

6.4.4时序分类问题126

6.4.5非监督学习问题128

6.4.6优化问题128

6.4.7评价型问题129

6.4.8浅机理、高维度的诊断型问题129

6.5机理模型与统计模型的结合方法131

6.5.1机理模型的范畴：定性与定量机理131

6.5.2统计模型与数学模型的4种融合范式132

6.5.3统计模型与仿真模型的2种融合模式133

6.5.4统计模型与经验性机理模型的融合135

参考文献136

第7章模型评价与部署137

7.1模型评价的内容137

7.2技术评价138

7.3业务评价139

7.4下一步工作规划141

7.5模型部署的内容141

7.6部署包的设计142

7.6.1分析任务的逻辑审查142

7.6.2数据异常的影响分析与应对措施145

7.6.3分析模型打包148

7.7模型运维机制设计148

7.8分析课题总结151

参考文献152

第8章机器学习融合的设计模式153

8.1机器学习融合设计模式的来源和分类153

8.2业务逻辑与机器学习融合155

8.2.1业务状态机模式155

8.2.2关联规则发现模式158

8.3机理知识与机器学习融合160

8.3.1机理矫正模式161

8.3.2机理正则化约束模式165

8.4运筹优化与机器学习融合167

8.4.1启发策略增强模式167

8.4.2代理模型辅助优化模式170

参考文献173

第9章风功率曲线分析174

9.1业务理解175

9.1.1环境要素177

9.1.2风况要素178

9.1.3控制系统的要素178

9.1.4设计与安装要素179

9.2风功率曲线拟合——数据理解179

9.2.1功率曲线预览179

9.2.2多变量关系180

9.3风功率曲线拟合——数据准备181

9.3.1对风速做分仓181

9.3.2对有功功率做分仓182

9.3.3改进方向183

9.4风功率曲线拟合——回归模型183

9.5风功率曲线异常点识别——数据理解188

9.5.1数据说明188

9.5.2单台风机的曲线188

9.5.3全部机组的风功率曲线191

9.5.4基于设计参数的异常值过滤192

9.6风功率曲线异常点识别——算法探索193

9.6.1局部异常点滤除193

9.6.2降采样与聚类算法194

9.6.3基于图像识别的做法195

9.6.4拟合算法195

9.7风功率曲线异常点识别的一种实现方法196

9.7.1识别限功率运行点196

9.7.2滤除局部离群点196

9.7.3风功率曲线拟合196

9.7.4改进方向201

9.8本章小结201

参考文献201

第10章冷轧机设备健康分析203

10.1业务理解203

10.1.1轧机设备结构204

10.1.2轧机工况定义205

10.1.3设备故障现状206

10.2数据理解:轧机运行过程数据对照207

10.3基于业务规则的工况识别模型209

10.3.1工况识别探索过程210

10.3.2轧机工况识别汇总212

10.4设备健康评价模型214

10.4.1轧机设备健康分析建模原理214

10.4.2部件健康模型——机前卷曲机215

10.4.3设备健康模型218

10.5模型设计220

10.6模型开发与部署应用222

10.6.1模型开发与部署222

10.6.2业务应用225

10.7本章小结225

参考文献226