智能制造导论 课件第2章 智能制造的标志性技术.ppt

大数据（Bigdata），或称巨量数据、海量数据，指的是所涉及的数据量规模巨大到无法通过目前主流软件工具，在合理时间内达到截取、管理、处理、并整理成为帮助企业经营决策更积极目的的信息。大数据具有4个特点大数据数据巨大数据类型多样处理速度快价值密度大采用Value（价值）、Validity（有效性）、Veracity（准确性）和Visibility（可见性）等特征来定义大数据大数据技术是指从各种各样海量类型的数据中，快速获得有价值信息的能力。适用于大数据的技术包括大规模并行处理（MPP）数据库、数据挖掘电网、分布式文件系统、分布式数据库、云计算平台、互联网、可扩展的存储系统。大数据技术简而言之，大数据技术就是从大数据中提取大价值的挖掘技术，即根据特定目标，从数据收集与存储、数据筛选、算法分析与预测、数据分析结果展示，直至辅助作出最正确的抉择。大数据的作用就是挖掘出各个行业的关键运作路径，帮助决策，提升社会运作效率。指在工业领域中，围绕典型制造模式，从客户需求到销售、订单、计划、研发、设计、工艺、制造、采购、供应、库存、发货和交付、售后服务、运维、报废或回收再制造等整个产品全生命周期各个环节产生的各类数据和相关技术及应用的总称。工程大数据除了具有一般大数据的3V特征外，还具有价值性、高准确性和闭环性的特点生产经营相关业务数据设备物联数据外部数据工程大数据的来源工程数据的类型类别具体内涵从数据来源分研发数据域研发设计数据，开发测试数据等。生产数据域控制信息、工况状态、工艺参数、系统日志等。运维数据域物流数据、产品运行状态数据、产品售后服务数据等。管理数据域系统设备资产信息、客户与产品信息、产品供店要权据、业务统计数据等。外部数据域与其他主体共享的数据等。从数据形式分结构化数据由二维表结构来逻辑表达和实现的数据。半结构化数据并不符合关系型数据或其他数据表的形式关联起来的数据模型结构，但包含相关标记，用来分隔语义元素以及对记录和字段进行分层。非结构化数据数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据，包括所有格式的办公文档，文本、图片、XML、HTML、各类报表、图像和音频、视频信息等。从数据处理角度分原始数据来自上游系统的，没有做过任何加工的数据。衍生数据通过对原始数据进行加工处理后产生的数据。工程数据的表示方法类别具体内涵线表数表（NumericalTable）是指离散的数据列表。数表又分为以下几种类型：经验计算式这类数表常用一个或一组计算公式表示，在手册中常以表格形式出现，以便检索和使用。简单数表这类数表中的数据常用于表示某些独立的常量，数据之间互相独立，无明确的函数关系。根据表中数据与自变量个数不同，可以分为一维数表、二维数表和多维数表。列表函数数表这类数表中的数据通常是通过试验方式测得的一组离散数据，相对应的数据之间可能存在某种函数关系，但是无法以明确的函数表达式加以描述。数表又可分为一维数表、二维数表和多维数表。线图线图（LineGraph）是工程数据的另一种表达方法。线图不仅能表示设计参数之间函数关系，还能够直观地反映数据的变化趋势，具有形象、生动等特点。常用的线图形色括直线、折线或曲线等。在使用时可以直接在线图中查得所需的参数。依靠计算公式线图所表示的各个参数之间原本存在较复杂的计算公式，但为了便于手工计算，可以将公式转换成线图以供设计时查用；不依靠计算公式线图所表示的各参间没有或者不存在计算公式。2.数据的获取和处理大数据分析应用流程需求分析和方案设计确定数据集数据采集数据预处理数据分析和挖掘可视化步骤一步骤二步骤三步骤四步骤五步骤六数据分析是智能制造的核心技术之一，数据的获取与处理可以为准确、高速、可靠的数据分析提供保障。数据预处理技术数据清理数据集成数据规范化数据规约数据离散化常用数据的挖掘算法从数据挖掘的角度考虑，大数据分析方法如前所述，可分为：分类、聚类、关联规则、预测分析等工程数据的数字化处理处理方法具体操作特点程序化处理将数表或线图以某种算法编制成查阅程序，通过软件系统直接调用。工程数据被直接编人查阅程序中，通过调用程序可以方便地查取数据，但是数据无法共享，程序无法共用，要更新数据必须更新程序（软件）。文件化处理将数表和线图中的数据存储于独立的数据文件中，通过程序读取数据文件中的数据。将数据与程序分离，可以实现有限