2026年工业大数据分析师考试题库（附答案和详细解析）（0105）.docxVIP

工业大数据分析师考试试卷

一、单项选择题（共10题，每题1分，共10分）

工业场景中，以下哪种传感器通常用于采集设备振动数据？

A.温度传感器

B.加速度传感器

C.压力传感器

D.光电传感器

答案：B

解析：加速度传感器通过测量设备振动的加速度值（单位：m/s2），可有效捕捉设备运行中的机械振动特征，是工业设备健康监测的核心传感器；温度传感器（A）用于测量温度，压力传感器（C）用于测量压力，光电传感器（D）用于检测物体位置或计数，均不直接采集振动数据。

工业大数据清洗的核心目的是？

A.减少数据存储量

B.提高数据质量，确保分析可靠性

C.转换数据格式以适配数据库

D.增加数据维度

答案：B

解析：数据清洗通过处理缺失值、异常值、重复值等问题，消除数据中的噪声和错误，最终提升数据质量，为后续分析提供可靠基础；减少存储量（A）是数据压缩的目的，格式转换（C）是数据集成的环节，增加维度（D）属于特征工程范畴。

以下哪种数据库最适合存储工业设备的实时时序数据？

A.关系型数据库（如MySQL）

B.时序数据库（如InfluxDB）

C.文档数据库（如MongoDB）

D.图数据库（如Neo4j）

答案：B

解析：时序数据库针对时间序列数据优化，支持高效的时间范围查询、时间窗口聚合（如每5分钟均值）和高并发写入，符合工业设备高频（如100Hz）、连续时间戳数据的存储需求；关系型数据库（A）擅长事务处理但时序查询效率低，文档数据库（C）适合非结构化数据，图数据库（D）用于关系网络分析。

工业大数据特征工程中，“将设备转速（rpm）与温度（℃）相乘生成新特征”属于？

A.特征选择

B.特征提取

C.特征组合

D.特征缩放

答案：C

解析：特征组合通过现有特征的算术运算（加、乘、幂等）生成新特征，可捕捉变量间的交互作用（如高转速+高温可能加剧设备磨损）；特征选择（A）是筛选关键特征，特征提取（B）是通过降维（如PCA）生成新特征，特征缩放（D）是归一化或标准化处理。

工业边缘计算的典型应用场景是？

A.工厂历史数据长期存储

B.设备实时报警（如温度超阈值）

C.跨工厂数据汇总分析

D.生产计划全局优化

答案：B

解析：边缘计算在设备或车间本地完成数据处理，可满足实时性要求（如设备温度超过80℃时需在100ms内触发报警）；长期存储（A）和全局分析（C/D）更适合云端集中处理。

工业大数据的核心价值在于？

A.替代人工进行生产操作

B.从数据中挖掘优化生产的洞察

C.实现设备全自动化控制

D.减少工业传感器部署数量

答案：B

解析：工业大数据通过分析设备、工艺、质量等多源数据，发现隐藏的规律（如某工艺参数与产品良率的关联），为生产优化提供依据；替代人工（A）和全自动化（C）属于工业自动化范畴，减少传感器（D）与大数据价值无关。

工业设备异常检测中，以下哪种方法属于无监督学习？

A.基于标注故障数据的SVM分类

B.基于正常数据训练的孤立森林

C.基于专家规则的阈值判断

D.基于历史故障模式的决策树

答案：B

解析：无监督学习无需标注的故障标签，通过学习正常数据的分布（如设备振动的正常范围）检测偏离正常模式的异常；SVM（A）和决策树（D）是监督学习（需故障标签），专家规则（C）属于规则驱动方法，非机器学习。

工业数据湖与传统数据仓库的主要区别是？

A.数据湖仅存储结构化数据

B.数据仓库支持多源数据原始存储

C.数据湖在存储阶段不强制模式（Schema-on-Read）

D.数据仓库适合非结构化数据分析

答案：C

解析：数据湖采用“读时模式”（Schema-on-Read），存储原始多源数据（结构化、半结构化、非结构化），在分析时定义模式；数据仓库（如传统数仓）采用“写时模式”（Schema-on-Write），需提前定义严格结构；A/D错误（数据湖支持非结构化，数据仓库不适合），B错误（数据仓库存储已清洗的结构化数据）。

评估工业AI预测模型时，“模型在设备电压波动±10%时仍能准确预测”考察的是？

A.精确率（Precision）

B.召回率（Recall）

C.鲁棒性（Robustness）

D.F1分数

答案：C

解析：鲁棒性指模型在输入数据存在噪声或扰动（如电压波动）时保持性能稳定的能力；精确率（A）和召回率（B）是分类模型的传统指标，F1分数（D）是二者的调和平均。

工业时间序列预测中，LSTM模型相比ARIMA模型的主要优势是？

A.无需假设数据平稳性

B.计算复杂度更低

C.适合短周期预测

D.可解释性更强

答案：A

解析：LSTM（长短期记忆网络）作为深度学习模型，可自动学习时间序列中的非线性关系和长期依赖，无需数据平稳性假设（ARIMA要求数