本书以工业大数据的特点和需求为牵引，阐述了工业大数据分析的工程方法论，针对设备故障诊断与健康管理（Prognostics ＆ Health Management，PHM）、生产质量分析（Product Quality Management，PQM）、生产效率优化（Production Efficiency Management，PEM）等提出了具体的分析课题定义方法，给出了典型分析场景和算法框架，并系统总结了工业大数据领域的常用分析算法（特别是时序挖掘算法），最后以6个实际案例从不同方面诠释了工业大数据分析项目的复杂性和多样性，包括纯数据驱动、专家知识驱动、机器学习与机理模型结合等类型的分析课题，以期形成工业大数据分析的工程化方法体系。
本书适合工业行业中从事数据分析、数字化转型、数据平台规划的专业人员阅读，也可为其他从事行业数据分析的专业人员及高等院校数据挖掘的研究人员提供参考。

田春华，博士，北京工业大数据创新中心首席数据科学家，曾在IBM中国研究院担住研究经理。专注数据挖掘算法、产品及行业应用开发工作，有丰富的行业实践经验，帮助装备制造、石油化工、电子制造、能源电力、航空与港口等领域的几十家国际和国内领先企业，成功实施资产管理、运营优化、营销洞察等数据分析项目。参与了多个工业大数据相关标准的制定工作、白皮书的编写工作、竞赛支持工作及多个国际学术会议的组织工作。发表学术论文近百篇，获得40余项国际和国内专利授权。

第1章 工业大数据概论
1.1 工业大数据产生的背景
1.1.1 工业的数字化转型之路
1.1.2 支撑技术的演化
1.1.3 对工业大数据的期望
1.1.4 各国的战略
1.2 工业大数据的典型应用场景
1.2.1 业务领域视角
1.2.2 应用系统视角
1.3 工业大数据的特点与关键技术
1.3.1 特点
1.3.2 关键技术
1.4 本章小结
参考文献
第2章 工业大数据分析概论
2.1 工业大数据分析的特点与挑战
2.1.1 数据视角
2.1.2 应用视角
2.2 工业大数据分析的范畴
2.2.1 典型分析主题
2.2.2 分析模型的形态与融合方式
2.2.3 分析模型的应用模式
2.3 工业大数据分析的关键技术
2.3.1 模型和算法
2.3.2 分析项目管理方法与工程化
2.3.3 数据分析软件与平台
2.4 本章小结
参考文献
第3章 工业大数据分析的工程方法
3.1 CRISP-DM方法论
3.1.1 CRISP-DM方法论简介
3.1.2 分析问题的实际执行路径
3.2 数据驱动的机器学习工程方法
3.2.1 分析问题识别与定义
3.2.2 业务理解
3.2.3 数据理解
3.2.4 数据准备
3.2.5 模型建立
3.2.6 模型评价
3.2.7 模型部署
3.3 专家规则开发的工程方法
3.3.1 业务规则的技术和方法
3.3.2 专家规则的特点
3.3.3 专家规则开发的AI-FIT-PM方法论
3.3.4 专家规则模型对软件平台的需求
3.4 本章小结
参考文献
第4章 设备故障诊断与健康管理（PHM）
4.1 工业设备管理的现状与需求
4.1.1 工业设备分类
4.1.2 运维管理
4.1.3 状态监测与故障诊断
4.1.4 相关标准
4.2 PHM的分析范畴与特点
4.2.1 术语约定与名词辨析
4.2.2 PHM的内容
4.2.3 PHM的应用模式
4.3 PHM分析问题定义：CRAB四步法
4.3.1 业务上下文理解
4.3.2 资源能力分析
4.3.3 业务模式与技术方案分析
4.3.4 执行路线
……
第5章 生产质量分析（PQM）
第6章 生产效率优化（PEM）
第7章 其他分析主题
第8章 工业大数据分析算法
第9章 工业大数据平台技术
第10章 工业大数据分析案例

本书对工业大数据分析领域的设备故障诊断与健康管理（Prognostics & HealthManagement,PHM）、生产质量分析（Product Quality Management,PQM）、生产效率优化（Production Efficiency Management，PEM）等典型课题的识别、定义、执行和应用方法进行了探索和总结，将数据分析技术放在业务经营和物理机制的上下文中，明确其适用范畴，以提高数据分析的可执行性、可度量性和可消费性。