《数据驱动的工业人工智能：建模方法与应用任磊》[94]百度网盘|亲测有效|pdf下载

产品特色

编辑推荐

本书集创新理论研究与应用落地实践于一体，为智能制造领域从业者、研究人员以及对工业人工智能充满好奇的各界读者提供了一份全面而深入的指南。
深入剖析了工业人工智能各类典型应用场景的难点问题，系统阐述了数据驱动的各类新型建模方法，并且提供了大量丰富的工业实践案例

内容简介

本书从工业大数据分析所面临的实际应用问题和工业AI模型的构建方法两条内容主线，介绍数据驱动的工业智能，使得理论与应用实践深度融合；将工业AI模型的建模思路结合到理论方法的介绍中，使得读者能够掌握其中思考问题的方法和过程，做到“授人以渔”。在数据驱动的工业AI模型开发的介绍中既注重对理论知识的介绍，也将各章节知识点串联起来形成一个立体、完整的工业AI数据分析系统，提升读者对工业智能和工业大数据分析的宏观思维。
本书可作为工业界企业技术专家、IT系统研发人员、学术界智能制造、人工智能、工业互联网、数据科学等领域研究者的参考书，也可以作为高等院校计算机、自动化、机械等相关专业工业人工智能课程的教材，同时还可作为工业领域新一代人工智能、深度学习、区块链爱好者、开发者的自学教材或参考书。

作者简介

北京航空航天大学自动化学院教授、软件学院教授，工业互联网领域首个国家杰出青年基金获得者

目　　录

序
前言
第1章新一代人工智能与智能制造
11新一代人工智能发展背景
12智能制造的新发展
13数据驱动的工业人工智能
第2章基础理论知识
21工业AI模型应用流程概述
22常用深度学习技术
221卷积神经网络
222循环神经网络
223自动编码器
224受限玻尔兹曼机
225基于注意力机制的神经网络

序 前言 第1章新一代人工智能与智能制造 11新一代人工智能发展背景 12智能制造的新发展 13数据驱动的工业人工智能 第2章基础理论知识 21工业AI模型应用流程概述 22常用深度学习技术 221卷积神经网络 222循环神经网络 223自动编码器 224受限玻尔兹曼机 225基于注意力机制的神经网络 226图神经网络 第3章工业时间序列信息表征建模方法 31概述 32工业时序多通道信息表征建模方法 321多通道时序注意力网络 322工业时序高精度预测方法 33工业时序多尺度信息表征建模方法 331多尺度密集门控循环单元网络 332基于MDGRU网络的分析流程 34工业时序多层级时频域信息表征建模方法 341多层级小波分解网络 342基于多层级小波分解的时间序列外部回归网络 35工业时序多层次信息表征建模方法 351多层次信息表征网络 352基于Auto-CNN-LSTM网络的分析流程 36工业时序时空耦合信息表征建模方法 361时空耦合信息网络整体结构 362时空耦合信息表征网络 37典型应用案例 371基于MCTAN的飞机发动机剩余使用寿命预测 372基于Auto-CNN-LSTM的锂电池剩余使用寿命预测 第4章工业低质数据增强表征建模方法 41概述 42无标签数据增强表征建模方法 421基于半监督并行DeepFM的无标签数据预测方法 422基于小波数据增强的无标签数据预测方法 43非均衡数据增强表征建模方法 431工业数据隐式扩充方法 432面向非均衡工业数据的标签解构多输入智能处理架构 44缺失数据增强表征建模方法 441面向低质数据的缺失特征自动补全方法 442基于两阶段预训练的缺失特征表征方法 45典型应用案例 451基于SS-PDeepFM的泡沫浮选产品质量预测(无标签) 452基于LM-CNN的轴承故障诊断(不平衡、零样本) 第5章工业多源异质数据深层融合建模方法 51概述 52工业异质关联数据融合建模方法 521基于深度-宽度-序列(WDS)网络架构的工业数据异质特征融合范式 522基于注意力机制的工业多特征融合表征建模方法 53工业多源高维度数据融合建模方法 531张量及其操作 532针对QTT-DLSTM的计算框架 54典型应用案例 541基于WDS网络的半导体生产质量预测 542基于QTT-DLSTM网络的离散制造产品质量预测 第6章工业复杂任务跨域建模方法 61概述 62工业复杂任务跨域建模方法 621工业任务跨域无监督域适应建模方法 622基于黑盒域适应的工业跨域建模方法 63典型应用案例 631基于Meta-GENE域泛化方法的工业故障诊断 632基于黑盒域适应方法的行为识别 第7章工业AI分布式高时效轻量化建模方法 71概述 72工业云边分布式AI模型框架 721云边协同工业数据分析框架 722云边环境下多边缘工业数据协同分析框架 73轻量化工业AI模型构建方法 74工业AI模型轻量化自适应知识蒸馏方法 75动态自适应工业AI模型构建方法 751模型动态推理和重参数方法 752动态长度网络建模方法 76典型应用案例 761基于Cloud-Edge-LTCN的云边协同轴承剩余使用寿命预测 762基于MDER的发动机剩余使用寿命预测模型轻量化 第8章基于区块链的工业数据安全可信协同 81区块链相关技术介绍 811区块链的核心组成 812智能合约 813联盟区块链 814公有区块链 82基于区块链的工业大数据实体多方协同 821工业大数据处理实体划分 822工业大数据确权立案 823工业大数据的跨实体溯源 824智能制造业务合约备份 83基于区块链的工业大数据智能安全交互 831智能安全交互方案设计 832基于智能合约的链上链下数据访问 84工业大数据跨域安全共享管控 841基于区块链合约的自适应数据流动规则构建 842基于数据可信度标签的数据上链保存 843基于区块链合约的数据流动自主决策执行 85工业跨域异构数据的身份构建及溯源 851构建内外因素联合的签名数据可信安全标签 852异构数据生命全周期各阶段到原始数据的数据可信验证及追溯 第9章工业数据可视化 91数据可视化概述 911数据可视化的历史起源 912数据可视化的技术分支 913数据可视化的基本流程 92“替代”纲领下的工业大数据可视化 93“创造”纲领下的工业大数据可视化 931设计阶段 932制造阶段 933质检阶段 934服务阶段 94面向行业的工业大数据可视化 95典型应用案例 951连续型辊道窑生产状态监控数据可视化 952汽车起动机耐久测试数据分析 第10章展望 101工业智能“黑盒”模型可解释与高可信 102工业互联网云边端融合智能 103工业智能模型泛化与自适应 104工业智能模型轻量化与实时解算 105工业智能“大模型” 106工业数据智能可视化 参考文献

显示全部信息

前　　言

新一代人工智能技术的兴起与迅猛发展，正在逐渐渗透各行各业，改变人们工作与生活的方方面面。工业制造业作为国计民生的支柱，也在新一代人工智能的冲击下，不断融合创新涌现出新的技术。“工业人工智能”应运而生，成为推动新型工业化、发展新质生产力的重要驱动力之一。工业人工智能的崛起并非偶然，背后有着多方面原因促使其水到渠成。首先，工业大数据的爆发式增长为工业人工智能的发展提供了强有力的基础数据支撑；来自于制造业企业信息化系统、工业物联网，以及外部跨界系统产生的海量数据，为人工智能算法的训练和优化奠定了基础。其次，算力的大幅提升使得工业界复杂的算法和模型得以在制造业实际应用中落地。现今的计算机硬件性能已经足以支持深度学习等先进算法的高效运算，从而实现更为准确和实时的工业人工智能求解。此外，工业互联网的兴起使得工业要素之间实现了更加紧密的连接与协同，各类智能化应用需求层出不穷，例如工业终端设备的智能运维、产品的智能质检、产线的智能调度、产业链供应链的智能协同等，急需工业人工智能新方法新技术的突破以满足不断涌现的新需求。
在人工智能赋能新型工业化、发挥数据要素乘数效应、加快构建以数据为关键要素的数字经济的新时代背景下，数据驱动的工业人工智能成为近年来学术界和产业界高度关注的前沿热点研究领域。相较于传统的方法，数据驱动的方法更加注重从数据中挖掘模式和规律，通过诸如深度学习等技术实现对复杂工业系统的智能建模和优化。这一方法的优势在于，它能够处理大规模、高维度的数据，并从中学习到潜在的特征和关系，为制造业提供更为精准的预测和决策支持，尤其适合工业应用中大量机理不清的实际应用场景。

新一代人工智能技术的兴起与迅猛发展，正在逐渐渗透各行各业，改变人们工作与生活的方方面面。工业制造业作为国计民生的支柱，也在新一代人工智能的冲击下，不断融合创新涌现出新的技术。“工业人工智能”应运而生，成为推动新型工业化、发展新质生产力的重要驱动力之一。工业人工智能的崛起并非偶然，背后有着多方面原因促使其水到渠成。首先，工业大数据的爆发式增长为工业人工智能的发展提供了强有力的基础数据支撑；来自于制造业企业信息化系统、工业物联网，以及外部跨界系统产生的海量数据，为人工智能算法的训练和优化奠定了基础。其次，算力的大幅提升使得工业界复杂的算法和模型得以在制造业实际应用中落地。现今的计算机硬件性能已经足以支持深度学习等先进算法的高效运算，从而实现更为准确和实时的工业人工智能求解。此外，工业互联网的兴起使得工业要素之间实现了更加紧密的连接与协同，各类智能化应用需求层出不穷，例如工业终端设备的智能运维、产品的智能质检、产线的智能调度、产业链供应链的智能协同等，急需工业人工智能新方法新技术的突破以满足不断涌现的新需求。 在人工智能赋能新型工业化、发挥数据要素乘数效应、加快构建以数据为关键要素的数字经济的新时代背景下，数据驱动的工业人工智能成为近年来学术界和产业界高度关注的前沿热点研究领域。相较于传统的方法，数据驱动的方法更加注重从数据中挖掘模式和规律，通过诸如深度学习等技术实现对复杂工业系统的智能建模和优化。这一方法的优势在于，它能够处理大规模、高维度的数据，并从中学习到潜在的特征和关系，为制造业提供更为精准的预测和决策支持，尤其适合工业应用中大量机理不清的实际应用场景。 因此，本书旨在全面深入地探讨数据驱动方法在工业人工智能领域的新理论、新方法、新技术，为读者提供一部学习和应用工业人工智能领域数据驱动的建模方法的指南。本书的内容涵盖了数据驱动的工业人工智能的基础理论、实用方法以及前沿技术，力求为工业界的从业者、研究者和决策者提供有力的支持，帮助他们更好地理解和应用数据驱动的人工智能。 本书的第1章介绍新一代人工智能与智能制造的背景知识，旨在为读者提供一个全面、系统的视角，深入剖析新一代人工智能与智能制造之间的内在联系，展示数据驱动方法在工业领域的重要意义。 第2章深入研究新一代人工智能的基础理论和知识，包括工业人工智能模型应用流程和常用深度学习技术，探讨深度学习等新兴技术的原理和应用，以及它们在工业领域的潜在优势。通过对这些基础理论的全面解析，读者将能够深入理解工业人工智能的核心概念，为后续的实际应用奠定坚实的基础。 第3章系统地介绍工业时间序列信息表征建模方法，包括工业时序多通道信息表征建模方法、工业时序多尺度信息表征建模方法、工业时序多层级时频域信息表征建模方法、工业时序多层次信息表征建模方法和工业时序时空耦合信息表征建模方法。通过深入探讨这些方法的原理和应用案例，读者将能够了解如何有效地利用时间序列数据，提高工业生产的效率和质量。 第4章面对工业生产中常见的低质数据问题，将聚焦于工业低质数据增强表征建模方法，包括无标签数据增强表征建模方法、非均衡数据增强表征建模方法和缺失数据增强表征建模方法，介绍如何通过先进的技术处理低质数据，提高数据的质量，从而确保在建模和决策过程中获得可靠的结果。本章给出了实际案例将帮助读者更好地理解和应用这些方法。 第5章深入研究工业多源异质数据深层融合建模方法。现代工业系统中涉及的数据来源多种多样，包括传感器数据、生产流程数据、供应链数据等。本章内容包括工业异质关联数据融合建模方法、工业多源高维度数据融合建模方法，并探讨如何将这些数据融合起来，实现更全面、准确的工业智能建模。 第6章讨论工业复杂任务跨域建模方法。主要面对工业领域中复杂跨域任务的挑战，介绍如何应对工业生产中的工况变化导致的数据分布偏移，并通过跨域建模方法实现对这些任务的统一处理。这有望为读者提供一种更为综合和高效的解决方案。 第7章关注工业AI分布式高时效轻量化建模方法，包括工业云边分布式AI模型框架、轻量化工业AI模型构建方法、工业AI模型轻量化自适应知识蒸馏方法、动态自适应工业AI模型构建方法。通过分布式计算和轻量化模型的构建，工业系统能够在保证高时效性的同时，更好地适应不同环境和场景。这一部分旨在帮助读者理解如何在工业生产中实现高效的工业智能建模。 第8章深入研究基于区块链的工业数据安全可信协同方法。本章内容包括区块链相关技术介绍、基于区块链的工业大数据实体多方协同、基于区块链的工业大数据智能安全交互、工业大数据跨域安全共享管控、工业跨域异构数据的身份构建及溯源。数据安全一直是工业智能领域的重要关注点。通过区块链技术的应用，读者将了解如何确保工业数据的安全性和可信度，促进企业间的协同合作。 第9章对工业大数据可视化进行综述，并通过典型案例展示其实际应用。大数据可视化是将庞大而复杂的工业数据以直观的方式呈现出来的关键手段，有助于决策者更好地理解和分析数

显示全部信息

数据驱动的工业人工智能：建模方法与应用 任磊

数据驱动的工业人工智能：建模方法与应用任磊