培训对象：
工业互联网平台工程师
智能制造/工业 4.0 从业者
设备运维管理人员
工业数据分析师
培训目标：
使学员理解工业大数据的特点（高频采集/强时序性/物理机理融合），掌握工业设备数据采集、处理、分析的全链路技术；熟悉设备预测性维护、产品质量优化、生产排程优化等核心工业应用场景；具备构建工业互联网数据平台和分析模型的能力。
培训内容介绍：
工业大数据概论与工业 4.0 架构
工业大数据来源：设备传感器数据（SCADA）、生产过程数据（MES）、企业运营数据（ERP）；工业 4.0 参考架构（RAMI 4.0）；工业互联网平台架构（边缘层-平台层-应用层）。
工业数据采集与边缘计算
工业协议解析：OPC UA/Modbus/Profibus/MQTT；PLC 数据采集技术；边缘计算架构：在边缘端进行数据预处理（滤波/降采样/异常剔除）；边缘与云端协同计算策略。
时序数据处理与存储技术
时序数据库选型：InfluxDB/TimescaleDB/ TDengine；高频时序数据的压缩与存储策略；时序数据查询优化（降采样/插值/聚合）；时序数据质量清洗（缺失值填充/异常值检测）。
工业数据治理与资产化管理
工业数据标准体系建设：设备主数据/物料主数据/工艺参数标准；工业数据血缘追踪：从原材料到成品的全流程数据链路；工业数据资产目录建设。
设备预测性维护（PHM）
设备健康管理理论（PHM 体系）；特征提取：时域特征（均值/峰值/均方根）、频域特征（FFT/小波变换）；故障诊断模型：基于 SVM/随机森林的故障分类；剩余寿命预测（RUL）：基于 LSTM/Weibull 分布。
产品质量优化与工艺参数优化
生产过程关键质量特性（CTQ）分析；基于机器学习的良率预测模型；工艺参数优化：使用贝叶斯优化/遗传算法寻找最优参数组合；SPC（统计过程控制）与异常预警。
工业时序异常检测
实时异常检测算法：3σ 法则/移动平均法/指数平滑；基于统计模型的异常检测（ARIMA 残差分析）；基于无监督学习的异常检测（孤立森林/自编码器）；多维度指标关联异常定位。
能耗优化与碳足迹管理
工厂能耗数据采集与建模；基于时序预测的负荷预测（LSTM/Prophet）；能耗异常诊断与节能优化建议；碳足迹计算与碳排放监测。
工业知识图谱与根因分析
构建工业知识图谱：设备-故障-维修知识网络；故障根因分析：基于故障树（FTA）与图传导路径分析；维修知识库与智能辅助维修。
数字孪生与可视化
数字孪生概念与技术架构；3D 模型与实时数据的融合；基于 Unity/UE5 的工业数字孪生场景构建；工业数据大屏与三维可视化监控。
工业大数据平台架构设计
工业互联网平台技术选型：开源方案（ThingsBoard）+ 时序数据库 + Hadoop 生态；流批一体架构在工业实时监控中的应用；工业数据湖架构设计（Iceberg/Hudi）。
综合实战：设备预测性维护系统构建
以风机/机床等旋转设备为例，采集振动/温度/电流等传感器数据，进行数据清洗与时频域特征提取，构建基于 XGBoost 的故障诊断模型和基于 LSTM 的剩余寿命预测模型，最终形成包括设备健康评分、故障预警、维修建议的完整预测性维护系统。
