本书针对当前我国制造业大数据分析的需求，归纳出制造业大数据分析的三个科学问题，即完备分析、质量保障和高效实时。本书围绕这三个核心的科学问题系统地介绍了制造业大数据分析模型、制造业大数据清洗技术、制造业大数据分析算法、制造业大数据分析支撑技术，以及面向制造业知识图谱的构建与应用等内容。
本书介绍的模型和算法是针对制造业大数据的特点和制造业大数据分析任务的特点而提出的，具备一定的通用性。本书可作为高等院校数据科学与大数据技术专业、智能制造专业本科生教材，也可作为计算机科学与技术等专业的研究生教材，还可作为科研机构在智能制造、大数据分析等方面的培训教材或参考书。

第1章 绪论
1.1 制造业大数据的定义与特征
1.2 制造业大数据的应用现状
1.3 大数据分析的基础研究现状
1.4 制造业大数据分析技术路线
1.4.1 制造业大数据分析模型研究的技术路线
1.4.2 制造业大数据质量分析与清洗研究的技术路线
1.4.3 制造业大数据分析算法研究的技术路线
1.4.4 制造业大数据分析结果回馈研究的技术路线
1.5 本书内容概述
1.5.1 四个主要模块
1.5.2 本书解决问题的意义和价值
第2章 制造业大数据分析模型
2.1 制造业大数据分析场景和分析模型需求
2.2 制造业大数据自动分析系统
2.2.1 制造业大数据自动分析系统的设计
2.2.2 制造业大数据分析模型的实现
2.3 面向应用的大数据分析模型
2.3.1 多变量调优的LSTM时间序列预测模型
2.3.2 基于迁移学习的风功率预测模型
2.3.3 基于迁移学习的风功率预测多模型集成方法
2.3.4 基于神经网络的销量预测模型
第3章 制造业大数据清洗技术
3.1 基于对抗神经网络的复杂时间序列修复
3.2 时间序列缺失值填充算法
3.2.1 问题定义
3.2.2 时间序列缺失值填充算法描述
3.2.3 算法的收敛性证明
3.2.4 时间序列的缺失值填充算法实验
3.3 时间序列异常值检测与修复算法
3.3.1 问题定义
3.3.2 基于速度约束解决时间序列异常值检测与修复
3.3.3 基于方差约束解决时间序列异常值检测与修复
3.3.4 时间序列的异常值检测与清洗算法实验
3.4 时间序列时间戳错乱问题修复算法
3.4.1 时间序列乱序问题的更新算法
3.4.2 基于时间约束的时间戳清洗算法
3.4.3 时间序列的时间戳修复算法实验
第4章 制造业大数据分析算法
4.1 基于条件随机场的复杂时间序列分析算法
4.1.1 基于条件随机场与Stacking的复杂时间序列趋势预测
4.1.2 利用条件随机场解决复杂时间序列修复问题
4.2 近似时间序列匹配并行化算法SFSC
4.2.1 时间序列的近似化表示
4.2.2 SFSC_MR算法的总体设计
4.2.3 SFSC_MR算法的具体设计
4.2.4 SFSC_MR算法的分析
4.2.5 SFSC_MR算法的实验结果
4.2.6 并行化算法的扩展
4.3 基于并行深度学习的工业时序大数据高效分类算法
4.3.1 精确分类工业大数据时间序列的深度学习
4.3.2 适应工业时序大数据实时性的高效深度学习
4.4 基于迁移学习和终身学习的故障预测算法
4.4.1 基于迁移学习的预测
4.4.2 基于终身学习的预测
第5章 制造业大数据分析支撑技术
5.1 特征选择技术
5.1.1 基于softmax的集成特征选择算法
5.1.2 基于遗传算法的集成特征选择方法
5.2 数据源选择技术
5.3 计算平台优化技术
5.3.1 面向制造业大数据的并行系统优化方法
5.3.2 基于HDFS的高效文件访问技术研究
5.3.3 分布式分析中迭代优化策略
第6章 面向制造业的知识图谱
6.1 制造业知识图谱构建
6.1.1 研究背景与意义
6.1.2 定量知识抽取
6.1.3 事理知识抽取
6.2 制造业知识图谱清洗技术
6.3 制造业知识图谱查询技术
参考文献