工业大数据分析建模和算法

前期简单了解了工业大数据大概的研究框架，为了进一步了解工业大数据如何用，进行进一步的研究调研。

工业大数据驱动技术模型与算法

智能制造业 整体描述

过去几年，智能制造在研究和工业上获得了巨大的关注。在几乎相同的时间里，机器学习取得了惊人的进步，进入了制造业的许多方面。人工智能领域的最新发展应用在实际的制造业应用决策中变的十分普遍。决策支持系统可以通过使用机器学习方法进行不同的应用程序的实现[95]。机器学习是人工智能的一个分支，是一种应用的计算机技术，能够对大量复杂多维数据处理和学习以建立预测模型[96]。
机器学习已经成为工业大数据制造领域的一个热点话题，为处理和分析机器数据提供了许多有用的工具。一些学习算法和模型已应用于工程案例，如支持向量机(SVM)、朴素贝叶斯(NB)、k近邻(KNN)、决策树(DT)、逻辑回归(LR)、深度神经网络(DNN)、卷积神经网络(CNN)等。支持向量机(SVM)是一种通常用于二值分类的方法。
[97]利用从滤波背景热补偿(BTCF)技术中获得的热对比信息，通过训练和操作支持向量机(SVM)，分析了内部缺陷检测的性能。（本质是一个分类任务，利用了新的数据）。
[98]利用PSO和朴素贝叶斯分类器，进行缺陷检测（本质也是一个分类任务）。
机器学习(ML)在先进制造的可行性中发挥了重要作用。在类似的领域中存在着各种ML制造实现，包括表面粗糙度预测[104]、控制学习[105]、参数优化[106]、最优类[95]和失真预测[107]。这些被提出的人工智能算法说明了机器学习方法在制造应用中的潜力。机器学习(ML)已经成为流程工业（process industry）中人们感兴趣的话题。大数据分析和机器学习可以帮助制造系统感知环境，发现和识别信息知识，并自动做出决策。

大数据驱动技术在智能制造中的应用

3.1 大数据优化

3.2 故障诊断

3.3 绿色制造和能源意识决策