友情链接:
合作联系
|
ASPEN培训课程
工业大数据分析师、智能制造系统工程师、工业互联网平台开发人员、生产管理人员。
理解工业大数据的特征（多源异构、时序性强、高维度、低价值密度）。
掌握工业大数据采集、存储、处理与分析的技术栈。
能够独立完成工业数据分析项目（质量优化、设备效率分析、能耗分析）的建模与实现。
工业大数据概述：工业大数据的定义与4V特征（体量大、多样性、速度快、价值密度低）；工业数据来源（设备数据、生产过程数据、质量数据、物料数据、环境数据、管理数据）；工业大数据与消费大数据的区别；工业大数据在智能制造中的价值。
工业大数据技术架构：工业大数据平台的分层架构（数据采集层、数据存储层、数据处理层、数据分析层、数据应用层）；边缘计算与云计算的协同；Lambda架构与Kappa架构；开源大数据生态（Hadoop、Spark、Flink）。
工业数据采集与集成：工业数据源接入技术（OPC UA、Modbus、PLC、SCADA、MES）；消息队列（Kafka、RabbitMQ）在数据采集中的应用；数据集成工具（Logstash、Flume、DataX）；数据同步策略（全量、增量、实时、离线）。
工业时序数据库：时序数据的特点（时间戳、结构化、写多读少）；时序数据库（TSDB）的选型（InfluxDB、TDengine、TimescaleDB、Prometheus）；时序数据库的数据模型（标签、字段、时间戳）；时序数据库的查询语言（InfluxQL、SQL扩展）。
数据预处理与清洗：数据质量问题的类型（缺失值、异常值、重复值、不一致）；缺失值处理方法（删除、填充、插值）；异常值检测方法（3σ原则、箱线图、聚类）；数据平滑与滤波；数据规约与采样。
特征工程：特征提取（从时序数据中提取统计特征、频域特征）；特征构造（组合特征、交互特征）；特征选择（过滤法、包装法、嵌入法）；特征降维（PCA、t-SNE）；特征重要性评估。
工业数据分析方法：统计分析（描述性统计、假设检验、相关性分析）；时间序列分析（ARIMA、季节性分解）；回归分析（线性回归、岭回归、Lasso回归）；分类算法（逻辑回归、决策树、随机森林、XGBoost）；聚类算法（K-Means、DBSCAN、层次聚类）。
设备效率分析（OEE）：OEE（设备综合效率）的计算公式（可用性×性能×质量）；OEE损失分析（停机损失、速度损失、缺陷损失）；OEE数据的采集与计算；OEE的根因分析；OEE改善的闭环。
质量分析与SPC：质量数据的统计分析（过程能力指数Cp/Cpk）；统计过程控制（SPC）的控制图（Xbar-R图、P图、U图）；异常模式的识别（判异准则）；质量根因分析（因果图、鱼骨图）；质量预测模型。
能耗分析与优化：能耗数据的采集；能耗的构成分析（设备能耗、工序能耗）；能耗基准的建立；能耗异常检测；能耗预测模型（时间序列、回归）；节能措施的量化评估。
机器学习在工业中的应用：预测性维护（剩余寿命预测、故障诊断）；产品质量预测（工艺参数对质量的影响）；生产过程优化（参数推荐、自适应控制）；视觉缺陷检测（深度学习）。
综合实战项目：面向典型工业场景（如注塑机工艺参数优化、风机能耗分析、半导体设备故障预测）的工业大数据分析项目，包含数据采集、时序数据库存储、特征工程、模型训练、结果可视化和应用建议。
