本书对制造大数据的基本概念进行了梳理，对车间制造大数据的感知、通信、处理和平台技术，以及建模、分析方法和决策服务开展了探索，介绍了海量、高维、多源、异构制造数据清洗去噪等预处理方法、统一建模与融合方法、动态制造数据多尺度时序分析方法、制造数据的关系网络模型、车间性能预测方法与运行调控机制，并对大数据在典型制造行业的应用做了初步尝试，旨在为车间生产从自动化、数字化迈向智能化奠定坚实的理论和技术基础。

第1章智能制造与智能车间/1 1.1智能制造的定义/1 1.2智能制造的发展/2 1.2.1目标：智能制造/3 1.2.2基础：工业互联网/4 1.2.3核心技术：大数据技术/5 1.2.4应用领域/6 1.3智能车间的构成/8 1.3.1智能设备/10 1.3.2智能控制/11 1.3.3智能执行/12 1.4智能化运行分析与决策/13 1.4.1优化对象：车间性能/14 1.4.2目标：提质增效降本/14 1.5本书的主要内容和体系结构/14 第2章车间制造大数据/18 2.1大数据概述/18 2.1.1大数据的提出/18 2.1.2大数据的特征/19 2.2车间制造大数据的来源/19 2.2.1产品数据资源/20 2.2.2设备数据资源/24 2.2.3生产数据资源/26 2.2.4物流数据资源/27 2.3车间制造大数据的特征/28 2.3.1规模性/28 2.3.2多样性/29 2.3.3高速性/29 2.3.4高噪声/29 2.3.5多来源/30 2.3.6多尺度/30 2.4车间制造大数据的典型应用场景/30 2.4.1工序智能调度/31 2.4.2资源自动分配和状态实时管理/31 2.4.3性能预测分析/32 2.4.4智能维护管理/33 2.4.5过程实时管理/34 2.4.6质量智能管理/36 2.5车间制造大数据生命周期/36 2.5.1制造大数据生命周期的不同阶段/36 2.5.2制造大数据生命周期模型/38 2.6本章小结/39 第3章大数据驱动的车间运行分析与决策模式/41 3.1车间运行性能指标体系/41 3.1.1质量指标/42 3.1.2效率指标/43 3.1.3成本指标/44 3.1.4其他性能指标/44 3.2车间运行分析的常用方法/44 3.2.1数学规划模型分析法/45 3.2.2排队论模型分析法/45 3.2.3网络流模型分析法/46 3.2.4马尔可夫模型分析法/47 3.2.5其他建模分析法/47 3.3车间运行决策的常用方法/49 3.3.1基于运筹学的决策方法/49 3.3.2基于启发式规则的决策方法/50 3.3.3基于智能优化算法的决策方法/51 3.4大数据驱动的“关联 预测 调控”的新模式/51 3.4.1第四范式：数据科学/53 3.4.2车间制造数据的耦合机理：关联/54 3.4.3车间性能的演化规律：预测/55 3.4.4车间运行的管控机制：调控/55 3.5新模式下的车间运行分析与决策关键方法/56 3.5.1海量高维多源异构制造数据预处理技术/56 3.5.2动态制造数据多尺度时序分析技术/57 3.5.3制造大数据的关系网络建模与关联分析技术/58 3.5.4车间运行状态演化规律挖掘与预测技术/58 3.5.5基于定量调控机制的车间运行决策方法/59 3.6本章小结/60 第4章车间制造大数据融合方法/63 4.1车间制造大数据融合的必要性/63 4.2通用数据融合方法/64 4.3智能车间制造大数据融合过程/69 4.4车间制造大数据清洗方法/71 4.4.1数据清洗常用方法/71 4.4.2多规则多层级组合的车间制造数据清洗/74 4.5车间制造大数据抽取方法/75 4.5.1数据抽取常用方法/75 4.5.2分布式元对象框架下的车间制造数据抽取/77 4.6车间制造大数据分类方法/79 4.6.1常用数据分类方法/79 4.6.2基于聚类层次树的车间制造数据分类/80 4.7车间制造大数据融合处理平台/82 4.7.1平台���置/82 4.7.2数据获取与导入/83 4.7.3平台测试/85 4.8本章小结/86 第5章车间时序制造数据特征提取方法/89 5.1车间时序制造数据的来源/89 5.2车间时序制造数据的特点/92 5.3时序数据特征提取方法分类/94 5.3.1时域相似性特征提取方法/95 5.3.2模型相似性特征提取方法/96 5.3.3形状相似性特征提取方法/98 5.4面向时序制造数据流的特征关系分析/99 5.4.1时序制造数据符号化/100 5.4.2时序制造数据相关性类别字典构建/102 5.4.3时序制造数据类别字典自适应扩充/103 5.4.4实验验证/104 5.5分层的时序制造数据在线快速分类方法/108 5.5.1时序制造数据层次树结构存储模型/108 5.5.2时序制造数据特征快速匹配算法/111 5.5.3实验验证/111 5.6本章小结/112 第6章车间制造大数据关联关系分析方法/115 6.1车间制造大数据关联关系分析的难点/115 6.1.1车间制造数据的多样相关特性/116 6.1.2车间制造数据的复杂耦合特性/117 6.2常用的数据关联关系分析方法/120 6.3车间制造数据关联关系的信息熵度量方法/122 6.3.1信息熵的定义/122 6.3.2车间制造数据的互信息描述模型/123 6.3.3参数相关性度量方法/123 6.3.4参数冗余性度量方法/125 6.3.5参数互补性度量方法/125 6.4基于网络去卷积的车间制造关键参数识别方法/126 6.4.1制造过程参数关联关系网络建模/127 6.4.2车间制造数据的网络去卷积解耦算法/128 6.4.3基于NMIND的关键影响因素识别/131 6.5案例验证/131 6.5.1标准测试集实验/131 6.5.2实例验证/133 6.6本章小结/142 第7章大数据驱动的车间性能预测方法/144 7.1车间运行性能预测对象概述/144 7.2改进型循环神经网络的产品工期预测方法/145 7.2.1多工序时间传递效应分析/146 7.2.2面向产品工期预测的改进型循环神经网络模型/148 7.2.3实验验证/155 7.3基于支持向量机的产品质量预测方法/160 7.3.1制造过程参数影响分析及优化策略/161 7.3.2柴油发动机装配质量预测/165 7.3.3实验验证/170 7.4自适应迁移的设备故障预测方法/173 7.4.1设备多工况服役特性/173 7.4.2基于深度迁移学习的设备故障预测方法/174 7.4.3实验验证/176 7.5本章小结/176 第8章大数据驱动的车间运行调控方法/179 8.1车间运行调控概述/179 8.2大数据驱动的生产动态调度方法/180 8.2.1大数据驱动的飞机平尾装配生产逆调度模型/180 8.2.2基于自适应容忍度驱动机制的逆调度策略/182 8.2.3基于混合遗传算法的逆调度求解方法/184 8.2.4实验结果与分析/187 8.3大数据驱动的产品工期调控方法/196 8.3.1大数据驱动的晶圆工期调控模型/196 8.3.2基于ActorCritic的工期调控方法/198 8.3.3晶圆制造车间工期调控案例/203 8.4大数据驱动的设备故障诊断方法/205 8.4.1大数据驱动的故障诊断方法框架/206 8.4.2基于卷积神经网络的智能(数据驱动)故障诊断方法/208 8.4.3实验验证/210 8.5本章小结/214 第9章基于大数据平台的智能车间管控系统及其应用/217 9.1基于大数据平台的智能车间管控系统总体架构/217 9.2车间制造大数据平台架构/219 9.2.1系统总体架构/219 9.2.2大数据平台功能结构及核心技术/221 9.2.3大数据平台性能指标/226 9.3智能车间管控系统功能模块设计与实现/228 9.3.1基础功能模块/228 9.3.2数据抽取与预处理模块/229 9.3.3数据关联关系分析模块/230 9.3.4车间运行性能预测模块/230 9.3.5车间运行过程调控模块/230 9.3.6智能车间可视化模块/231 9.4晶圆制造车间应用案例/232 9.4.1晶圆制造车间对大数据应用的需求/232 9.4.2晶圆制造车间大数据的来源与特点/235 9.4.3晶圆制造车间大数据处理与分析/237 9.4.4大数据驱动的晶圆加工车间智能管控系统/239 9.5本章小结/248