内容简介
《制造大数据体系结构与模型研究》系统介绍了制造大数据体系结构的构建方法与制造大数据建模方法，为多源异构制造大数据的高效集成与检索方法和智能协同治理方法的研究提供支撑，主要内容包括：面向制造企业数据空间的制造大数据体系结构构建方法；面向全系统优化设计的设计资源大数据建模方法；面向全流程制造管控的制造过程大数据建模方法；面向全贯通管理决策的管理流程大数据建模方法；面向全周期增值服务的产品服务大数据建模方法等。
目录
目录
前言
第1章 绪论 1
1.1 制造大数据的基本概念 1
1.1.1 制造大数据的定义与分类 1
1.1.2 制造大数据的空间分布 2
1.1.3 制造大数据的采集与传输 2
1.1.4 制造大数据的发展趋势 2
1.2 制造大数据的特点 3
1.3 制造大数据建模方法研究现状 4
1.4 本书主要内容 7
第2章 面向制造企业数据空间的制造大数据体系结构 10
2.1 制造企业数据空间的建立 10
2.1.1 制造企业数据空间多维体系架构 10
2.1.2 数据空间业务域体系架构 10
2.1.3 数据空间处理域体系架构 13
2.1.4 数据空间模态域体系架构 14
2.2 制造企业数据空间集成模型 15
2.2.1 研发设计业务域数据空间跨域集成模型 15
2.2.2 生产制造业务域数据空间跨域集成模型 16
2.2.3 经营管理业务域数据空间跨域集成模型 17
2.2.4 运维服务业务域数据空间跨域集成模型 19
2.3 面向制造企业数据空间的制造大数据体系结构构建方法 20
2.3.1 多维数据空间模型的实现方法 20
2.3.2 业务域维度数据架构的实现方法 25
2.3.3 模态域维度数据架构的实现方法 29
2.3.4 处理域维度数据架构的实现方法 30
2.4 面向制造企业数据空间的时空数据异常检测方法 31
2.4.1 时空数据获取 31
2.4.2 时空数据清洗 33
2.4.3 时空数据预处理 33
2.4.4 GCN-LSTM无监督预测模型 34
2.4.5 COPOD异常检测 36
第3章 面向全系统优化设计的设计资源大数据模型 39
3.1 面向全系统优化设计的设计资源大数据建模方法 39
3.1.1 设计资源大数据建模方法 39
3.1.2 设计资源大数据采集 40
3.1.3 设计资源大数据清洗 40
3.1.4 设计资源大数据特征处理 41
3.1.5 设计资源大数据模型构建 43
3.2 基于潜变量的制造大数据回归建模方法 46
3.2.1 大数据回归建模问题描述 46
3.2.2 制造大数据预处理 47
3.2.3 制造大数据潜变量转化 49
3.3 基于KNN-LR算法的制造大数据建模及其在产品设计领域的应用 51
3.3.1 产品设计大数据建模问题描述 51
3.3.2 KNN-LR组合模型 53
3.3.3 产品设计领域模型验证 54
3.4 工业大数据在车间调度方案设计中的应用 57
3.4.1 多目标灵活作业车间调度问题模型 57
3.4.2 Ⅱ型非支配排序遗传算法 59
3.4.3 实验结果与分析 64
第4章 面向全流程制造管控的制造过程大数据模型 69
4.1 面向全流程制造管控的制造过程大数据建模方法 69
4.1.1 业务相关性与数据割裂问题的描述与处理 69
4.1.2 业务数据采集 70
4.1.3 数据预处理 70
4.1.4 建立业务联系 72
4.1.5 制造过程大数据模型构建 73
4.2 基于遗传规划的两阶段混合模型及其在制造质量预测中的应用 75
4.2.1 制造过程质量预测的描述与处理 75
4.2.2 两阶段混合质量预测模型 76
4.2.3 实验验证 79
4.2.4 结果分析 81
4.3 基于软投票的SVM-KNN算法及其在大数据建模中的应用 82
4.3.1 问题描述 82
4.3.2 SVM算法 83
4.3.3 投票集成 84
4.3.4 实验验证 85
4.4 基于Stacking的LCRF算法及其在大数据建模中的应用 88
4.4.1 问题描述 88
4.4.2 Stacking集成算法 89
4.4.3 基学习器算法介绍 91
4.4.4 实验验证 94
第5章 面向全贯通管理决策的管理流程大数据模型 97
5.1 基于模糊二型C-means聚类的关联规则挖掘方法 97
5.1.1 研究背景 97
5.1.2 模糊C-means聚类算法 98
5.1.3 二型模糊集 99
5.1.4 模糊二型C-means聚类算法 101
5.1.5 基于二型模糊集的C-means聚类的关联规则挖掘方法 105
5.1.6 模糊规则的正确性检验方法 108
5.1.7 实验验证 109
5.2 基于邻居信息修正的模糊关联规则挖掘方法 111
5.2.1 研究背景 111
5.2.2 基于邻居信息修正的模糊C-means聚类算法 112
5.2.3 隶属度函数的修正 115
5.2.4 实验验证 119
5.3 基于分布式并行计算的模糊关联规则挖掘方法 122
5.3.1 研究背景 122
5.3.2 模糊关联规则挖掘并行架构的设计 124
5.3.3 模糊关联规则挖掘并行计算的实现 125
5.3.4 实验环境介绍 129
5.4 智能制造管理决策应用案例 134
5.4.1 智能制造动态调度场景及策略 134
5.4.2 智能制造动态调度实验分析 134
5.4.3 动态调度权重预测结果分析 135
第6章 面向全周期增值服务的产品服务大数据模型 138
6.1 基于制造大数据的制造企业预测型维修服务方法 138
6.1.1 增值服务模型描述 138
试读
第1章 绪论
1.1 制造大数据的基本概念
1.1.1 制造大数据的定义与分类
制造大数据是指涵盖制造业全生命周期的各类数据，包括企业信息化数据、制造业物联网数据，以及外部跨界数据。其中，企业信息化数据是指通过企业信息系统，如制造执行系统(manufacturing execution system， MES)、企业资源规划(enterprise resource planning， ERP)、产品生命周期管理(product lifecycle management， PLM)、供应链管理(supply chain management， SCM)和客户关系管理(customer relationship management，CRM)等，产生和管理的产品研发、生产制造、供应链和客户服务等核心业务数据；制造业物联网数据是指通过传感器、射频识别(radio frequency identification，RFID)、智能设备等物联网技术采集和监控的设备运行状态、工艺参数、质量检测等实时数据；外部跨界数据是指通过互联网或其他渠道获取的与制造业相关的气候变化、生态环境、政治事件、自然灾害、市场需求等多维度数据。这三类数据构成了制造大数据的主要来源，也是制造大数据规模迅速扩张的原因。
制造大数据可以根据数据的结构性分为结构化数据、半结构化数据和非结构化数据。结构化数据是指按照固定的格式和规则存储在数据库中的数据，如表格、数值和日期等，这些数据可以用二维表格的形式表示实体和关系；非结构化数据是指没有固定格式和规则的数据，如文档、文本、图片、报告、图像、音/视频等，这些数据无法用二维表格的形式表示；半结构化数据是指既有一定的格式和规则，又有一定的自描述性的数据，如可扩展标记语言(extensible markup language， XML)、Java脚本对象表示法(Javascript object notation，JSON)等，这些数据既不完全属于结构化数据，也不完全属于非结构化数据。
制造大数据是智能制造与工业互联网的基础，其目标是通过实现数据的自动流动和智能分析，解决制造过程中的控制和优化问题，降低决策过程中的不确定性和风险，并克服人工决策的局限性。为了达到这个目标，需要利用大数据技术，如Hadoop、Spark、Cassandra等，对海量异构数据进行存储、处理和挖掘；运用机器学习和人工智能技术，如深度学习、神经网络(neural network， NN)、自然语言处理等，对复杂模式和规律进行识别和预测；运用可视化和仪表盘技术，如Tableau、Power BI等，对分析结果进行展示和交互。
1.1.2 制造大数据的空间分布
制造大数据具有跨界性和协同性，不仅涉及企业内部的各个环节，还涉及产业链和跨产业链的各个主体。企业内部数据是指通过企业信息系统(如MES、ERP、PLM等)生成和管理的生产制造、经营管理等数据；产业链数据是指通过SCM系统和CRM系统获取和分析的供应商、客户、合作伙伴等数据；跨产业链数据是指通过互联网或其他渠道收集和处理的市场、地理、环境、法律、政府等数据。这些数据构成了制造大数据的全面视角，也是制造大数据研究和应用的重要依据。
1.1.3 制造大数据的采集与传输
制造大数据的生产者主要包括人类和机器。人类数据来源于人工输入或采集的各种信息，如设计方案、业务流程、产品评价、新闻事件和法律法规等，这些数据通常存储在企业信息系统中；机器数据则来源于传感器、仪器仪表和智能设备等自动采集和监测的数据，如设备运行状态、工艺参数和质量检测等，这些数据通常传输到物联网平台中。对于制造企业，机器数据主要分为生产设备数据和制造产品数据。生产设备数据用于智能生产过程的控制和优化，为智能工厂的运行提供实时数据支持；制造产品数据用于智能服务过程的监测和预警，为用户提供设备维护、运行效率提升、安全保障等服务。
在智能制造和工业互联网的推进过程中，实现数据的自动化采集和分析是一个关键目标。随着互联网技术和制造业技术的深度融合，机器数据的传输方式也发生了变化，从传统的有线网络传输转变为无线网络传输，数据的管理范围也扩展到企业外部的设备和产品。这种变化促进了人机协同、企业社会化，以及工业互联网价值的创造。
1.1.4 制造大数据的发展趋势
从20世纪60年代开始，计算机技术在制造业管理中得到了广泛应用。从层次模型，到网状模型，再到关系模型，形成了以结构化数据为主的ERP/MES等企业信息系统。20世纪70年代，计算机图形学和辅助设计技术的发展，使得计算机辅助设计(computer aided design， CAD)、计算机辅助工程(computer aided engineering， CAE)、计算机辅助制造(computer aided manufacturing，CAM)等工具软件可以产生三维模型、工程仿真、加工代码等复杂文件，形成了以非结构化数据为主的产品数据管理(product data management， PDM)等产品管理系统。21世纪，互联网和物联网为制造业提供了大量的文本、图像、音/视频、时序、空间等多种类型的非结构化数据，导致制造业数据中结构化数据和非结构化数据的比例发生巨大变化。
近
