本书从工业制造的数字化、网络化和智能化出发，介绍工业大数据的相关知识与工业人工智能技术的实现与应用。在工业大数据方面，阐述其发展和特征，展示数据采集、处理、存储、分析与挖掘等环节的常用技术。在工业人工智能方面，结合工业场景中的需求和仸务，介绍面向工业数据的机器学习方法，总结工业中的感知智能技术、认知智能技术和智能优化算法，展示相关软件平台和具体技术的应用场景及典型案例。本书的特点是以智能制造为背景，在讲解大数据与人工智能技术时始终围绕工业和制造的主线，对技术的介绍同时做到覆盖广泛与重点突出，幵以专门章节深入展示实际应用。 本书可作为高等院校机械类、自动化类、电子信息类等专业的教材，也可作为与智能制造技术相关的工程技术人员的参考用书。

高等院校教师

目录
序
前言
第1章绪论
引言
1.1制造的数字化、网络化和智能化
1.1.1智能制造发展的三个阶段
1.1.2智能制造的定义与内涵
1.1.3工业互联网
1.1.4工业4.0
1.2工业大数据发展概况
1.2.1工业大数据概述
1.2.2工业大数据的发展历程
1.2.3工业大数据的前景和挑战
1.3工业人工智能发展概况
1.3.1人工智能的定义
1.3.2工业人工智能的定义与内涵
1.3.3工业人工智能的发展历程
1.3.4工业人工智能的前景和挑战
本章小结
思考题
参考文献
第2章工业大数据
引言
2.1大数据技术概述
2.1.1大数据的定义和特征
2.1.2大数据的构成
2.1.3大数据的基本处理流程
2.2工业大数据分类及其特征
2.2.1按照制造业务流程划分
2.2.2按照采集类型划分
2.2.3按照数据来源划分
2.2.4工业大数据特征
2.3工业大数据采集
2.3.1工业大数据网络基础模型
2.3.2工业大数据常用网络传输协议
2.3.3工业大数据单点采集技术
2.3.4工业大数据组合采集技术
2.4工业大数据处理
2.4.1数据预处理
2.4.2分布式计算
2.4.3流式计算
2.5工业大数据存储
2.5.1工业大数据的数据库系统
2.5.2分布式存储系统架构
2.6工业大数据分析与挖掘
2.6.1基本步骤
2.6.2基本算法
2.6.3核心技术
2.7工业大数据软件与平台
2.7.1常用的工业大数据软件
2.7.2工业大数据平台概述
2.7.3常用的工业大数据平台
本章小结
思考题
参考文献
第3章面向工业数据的机器学习
引言
3.1典型机器学习算法
3.1.1线性模型
3.1.2决策树算法
3.1.3贝叶斯分类器
3.1.4支持向量机
3.1.5集成学习
3.1.6聚类算法
3.1.7k均值算法
3.1.8降维与度量学习
3.2深度学习
3.2.1神经网络基础
3.2.2卷积神经网络
3.2.3循环神经网络
3.2.4生成对抗网络
3.2.5常用优化算法
3.2.6正则化方法
3.2.7超参数调试
3.3强化学习
3.3.1强化学习基本概念
3.3.2马尔可夫决策过程
3.3.3价值函数与策略
3.3.4动态规划与蒙特卡洛方法
3.3.5Q-Learning与策略梯度
3.3.6深度强化学习
3.3.7多智能体强化学习
3.4可信人工智能
3.4.1可信人工智能概述
3.4.2可信人工智能的框架
3.4.3可信人工智能的支撑技术
3.5面向特定任务的机器学习
3.6常用的机器学习框架
3.6.1TensorFlow
3.6.2Torch
3.6.3Keras
本章小结
思考题
参考文献
第4章工业中的感知智能
引言
4.1工业智能传感与感知
4.1.1智能传感器概述
4.1.2智能传感器的基本功能及分类
4.1.3智能传感器的信号处理技术
4.2工业机器视觉
4.2.1机器视觉基本概念
4.2.2工业图像信号采集技术
4.2.3工业图像处理技术
4.2.4目标检测算法
4.2.5自动定位技术
4.3工业机器听觉
4.3.1机器听觉基本概念
4.3.2工业音频信号采集
4.3.3音频信号特征
4.3.4语音识别
4.3.5语音合成
4.4多源信息融合
4.4.1多源信息融合的概念和特点
4.4.2多源信息融合的分类
4.4.3多源信息融合的模型
4.4.4多源信息融合的主要技术和方法
4.5人机交互
4.5.1人机交互基本概念
4.5.2体感交互
4.5.3手势交互
4.5.4沉浸式交互
4.5.5交互界面设计
本章小结
思考题
参考文献
第5章工业中的认知智能
引言
5.1自然语言处理
5.1.1自然语言处理基本概念
5.1.2工业文本数据获取
5.1.3文本预处理
5.1.4特征提取
5.1.5自然语言处理的主要任务
5.1.6自然语言处理在工业中的典型应用
5.2知识图谱
5.2.1知识图谱的定义
5.2.2知识图谱的构建步骤
5.2.3知识图谱可视化
5.2.4工业知识图谱在工业中的应用
5.3知识推理与决策
5.3.1知识推理的基本概念
5.3.2事前可解释性的推理
5.3.3事后可解释性的推理
5.3.4贝叶斯网络决策
5.3.5多智能体系统与协同决策
5.4生成式人工智能
5.4.1生成式人工智能的基本概念和应用
5.4.2Transformer模型
5.4.3BERT模型
5.4.4大语言模型
5.4.5大语言模型的应用
本章小结
思考题
参考文献
第6章工业中的智能优化算法
引言
6.1智能优化算法
6.1.1进化算法
6.1.2群智能优化算法
6.1.3仿物理学优化算法
6.1.4仿人智能优化算法
6.2车间生产调度优化
6.2.1车间生产调度的分类与特点
6.2.2车间生产调度基本模型
6.2.3车间生产调度优化算法
6.2.4蚁群算法在作业车间调度中的应用
6.3路径规划问题
6.3.1路径规划问题的分类
6.3.2路径规划的一般步骤
6.3.3常用的路径规划算法
6.3.4路径规划不同应用场景
6.3.5遗传算法在机器人路径规划中的应用
6.4电池剩余电量估计问题
6.4.1剩余电量估计问题概述
6.4.2剩余电量估计的基本方法
6.4.3剩余电量估计中的智能优化算法
6.4.4差分进化算法在剩余电量估计中的应用
本章小结
思考题
参考文献
第7章工业大数据与人工智能应用
引言
7.1产品缺陷检测
7.1.1产品缺陷检测概述
7.1.2传统缺陷检测技术
7.1.3基于深度学习的缺陷检测
7.1.4关键问题
7.1.5产品缺陷检测典型应用案例
7.2设备健康管理
7.2.1设备健康管理概述
7.2.2设备状态监测
7.2.3设备故障诊断
7.2.4设备剩余使用寿命预测
7.2.5设备健康管理典型应用案例
7.3机器智能分拣
7.3.1智能分拣系统概述
7.3.2智能分拣系统构成
7.3.3面向智能分拣的核心技术
7.3.4机器智能分拣典型应用案例
7.4数字孪生与仿真
7.4.1数字孪生概述
7.4.2数字孪生技术体系
7.4.3数字孪生在智能制造中的典型应用案例
本章小结
思考题
参考文献
总结与展望