工业互联网技术基础 课件 第4章 PaaS层与工业大数据治理 .pptx

工业互联网技术基础

1一、工业互联网概述二、工业互联网平台三、边缘层与工业大数据采集四、PaaS层与工业大数据治理五、应用层与工业APP开发六、工业互联网安全七、工业互联网应用

2PaaS相关概念了解工业互联网PaaS层PaaSPaaS（Platform-as-a-Service）是一种“平台即服务”的云计算模型。通用PaaS通用PaaS主要是服务于互联网上的各种应用程序，核心是管理互联网用户数据。工业PaaS工业PaaS是通用PaaS叠加大数据处理、工业数据分析、工业微服务等创新功能后构建出的可扩展的开放式云操作系统

3工业PaaS示例了解工业互联网PaaS层PaaS层的主要功能，包括IT资源管理、工业数据与模型管理、工业建模分析和工业应用创新等。案例：以用友精智工业互联网平台的PaaS层–用友精智工业大脑。

4工业PaaS示例了解工业互联网PaaS层IT资源管理IT资源管理功能包含两部分：云基础设施管理、IoT平台管理工业数据与模型管理即数据处理平台，依据数据来源对数据归类，管理数据处理过程。数据建模分析功能依据工业机理、统计结果、机器学习的方法，将工业场景中问题的解决方法封装成数据算法库工业创新应用把算法库中的模型组合包装成完整的智能应用模块

5工业大数据简介了解工业互联网PaaS层1.什么是工业大数据？工业大数据是指在工业领域中，围绕典型智能制造模式，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所产生的各类数据及相关技术和应用的总称。2.工业大数据有哪些特征？（1）工业大数据具有4V特征，即规模性（Volume）、高速性（Velocity）、多样性（Variety）、价值性（Value）。（2）此外工业大数据还具有以下特征：时序性、实时性、高纬度、高通量、高噪声、高准确性、多尺度等。

6机器学习基本概念工业大数据与机器学习机器学习就是通过算法使得机器能从历史数据中学习规律，然后对新的样本能做出智能识别或预测。在机器学习中有一些基本概念：模型：是指从数据中学习得到的结果。学习：是指从数据中学习得到模型的过程，也称为训练。训练集和验证集：在学习模型参数时会准备一批数据，称为数据集。通常按照7:3的比例划分为两部分，分别称为训练集和验证集。在训练集上调整模型参数，在验证集上评估模型效果。测试集：不同于训练集和验证集是以往的数据，测试集可以认为是模型学习好投入使用时遇到的新数据。特征：特征是区分事物的关键属性。特征选择：从原始特征集合中剔除不相关或不重要的特征，保留有用特征。降维：减少特征的数量。泛化能力：模型适用于新的数据样本的能力，也就是在测试集上的表现好坏。

7机器学习方法工业大数据与机器学习常见的机器学习方法有：线性模型、决策树、集成学习、聚类分析、时间序列分析、关联规则分析等。（1）线性模型以一元简单线性回归为例，给定一个自变量?x，以及一个因变量y，用历史数据样本，拟合得到一条直线。这条直线能够使得所有样本数据点与拟合直线之间的距离最短，即误差最小。线性模型还可以用于分类。以具有2种属性的二分类为例，可以在平面内寻找到一条直线，使得两种不同类别的数据距离这条直线尽可能地远。如果有一个新的样本为（1,3），由于那么-4*1+3*3+120，所以样本属于A类

8机器学习方法工业大数据与机器学习（2）决策树决策树是一种树形结构，在每个内部节点处对一种属性做出判断，每个叶节点表示预测结果，对模型训练就是寻找判断条件的过程。示例：假如我们想预测一台设备的故障风险。如果采用决策树做故障风险值预测如图4-4。当一台设备运行超过2年，曾有3次红灯报警，启动时间为2分钟，则该设备故障预测分值为1。

9机器学习方法工业大数据与机器学习（3）集成学习集成学习是指将多个学习模型组合，以获得更好的预测效果和更强的泛化能力。如构建多个分类器，各自独立学习和做出预测，再用某种策略组合这些模型来完成学习任务。示例：以构建两棵决策树来预测设备的故障风险，两棵决策树从不同角度对风险值进行预测。若一台设备运行超过2年，且曾有过2次红灯报警，启动时间4分钟，则在Tree1中预测的分值为3，在Tree2预测的分值为1。该设备的预测分值综合两个预测结果，则这台设备的风险值为4。

10机器学习方法工业大数据与机器学习（4）聚类分析聚类是一种无监督学习方法，将未知类别的数据分类到不同的类或者簇这样的一个过程，使得同一个簇中的对象有较大的相似性，而不同簇间的对象有