[套装书]工业4.0开放平台通信统一架构OPC UA实践+工业大数据融合体系结构与关键技术（2册）

.近5年来，主持陕西省科学技术厅国际科技合作计划项目1项、工业和信息化部通信软科学研究计划项目1项、陕西省教育厅自然科学专项科研项目1项，以第一作者发表英文论文12篇，其中被SCI检索5篇、EI检索5篇、CPCI-S检索1篇，出版学术专著2部，获得国家发明专利授权2项，登记软件著作权9件，研究领域内相关科研报道见报3次。

2.1　应用架构 8
2.1.1　场景1：独立的内部OPC UA服务器 10
2.1.2　场景2：共享外部软件OPC UA服务器 11
2.1.3　场景3：共享中间件OPC UA服务器/外部网关 12
2.1.4　场景4：聚合软OPC UA服务器 12
2.1.5　场景5：不同网段聚合软OPC UA服务器 14
2.1.6　场景6：外网多重聚合软OPC UA服务器 14
2.1.7　场景7：外网聚合软OPC UA服务器 15
2.2　OPC UA 行业伴随标准 16
2.3　OPC UA安全性最佳实践 20
2.3.1　IT安全基础理论 20
2.3.2　OPC UA的安全机制 21
2.3.3　最佳实践与已知挑战 23
2.4　OPC UA功能子集、一致性测试和认证 26
2.4.1　OPC UA功能子集 26
2.4.2　一致性测试工具 31
2.4.3　认证 33
2.4.4　当前进展、经验与认知 34
2.5　OPC UA信息模型及建模 39
2.5.1　节点类型 41
2.5.2　类型定义 43
2.5.3　引用类型 43
2.5.4　信息模型实例 44
2.6　OPC UA在生产线中的导入 48
2.6.1　制造企业的新机遇 48
2.6.2　企业边际条件定义 49
2.6.3　导入流程 52
第3章　OPC UA与产业升级 56
3.1　OPC UA对于控制层的意义及构想 57
3.1.1　实时性 58
3.1.2　PLCopen：控制层映射及功能块 59
3.1.3　OPC UA发布/订阅模式 61
3.1.4　行业信息模型 62
3.1.5　基于SoA-PLC的TwinCAT理念 63
3.1.6　控制器中OPC UA的现状与未来 65
3.2　西门子控制器中的OPC UA 66
3.2.1　西门子与OPC UA 66
3.2.2　OPC UA与PROFINET 67
3.2.3　SIMATIC S7-1500控制器与OPC UA 67
3.2.4　S7-1500内置OPC UA的替代选项 73
3.3　OPC UA与现有设备升级 75
3.3.1　OPC UA全面实施的意义 76
3.3.2　方式1：快速大规模移植 76
3.3.3　方式2：渐进式移植并支持更多的现有协议 77
3.3.4　方式3：基于OPC UA网关实现系统移植 78
3.3.5　OPC UA与缺乏软件接口的设备 80
3.3.6　OPC UA在非工业领域中的应用 81
3.4　嵌入式系统中的OPC UA 83
3.4.1　嵌入式微处理系统的分类 85
3.4.2　嵌入式系统的限制 87
3.4.3　嵌入式系统中OPC UA协议栈的系统需求 89
3.4.4　嵌入式系统中OPC UA协议栈的实现策略 91
3.4.5　结构化编码 92
3.4.6　时间确定性与调度 92
3.4.7　通信接口的解耦 93
3.4.8　内存分配 94
3.4.9　应用程序与OPC UA解耦 95
3.4.10　消息处理 95
3.4.11　地址空间分配 97
3.4.12　方法调用与中断 99
第4章　开发指南 101
4.1　Unified Automation公司OPC UA开发环境 102
4.1.1　开源软件或商用软件 102
4.1.2　开发语言 103
4.1.3　操作系统 104
4.1.4　OPC UA功能选择 104
4.1.5　使用性 106
4.1.6　接口设计 106
4.1.7　可扩展性 108
4.1.8　性能与资源 109
4.1.9　现有设备的移植 109
4.1.10　测试工具与性能比较 110
4.2　Prosys OPC开发工具与库函数 111
4.2.1　Prosys OPC UA Java-SDK 112
4.2.2　基于Java-SDK的测试工具 120
4.2.3　Prosys OPC UA Historian工具 122
4.2.4　Prosys OPC UA Modbus服务器 124
4.3　基于open62541的OPC UA开源实现 128
4.3.1　开源软件的优势 128
4.3.2　开源软件的劣势 130
4.3.3　open62541开源项目的目标 131
第5章　OPC UA应用案例 133
5.1　Candy Hoover公司的案例分析 134
5.1.1　生产场景 135
5.1.2　品质控制场景 137
5.1.3　应用程序说明 138
5.1.4　OPC UA架构 140
5.1.5　OPC UA的使用和展望 141
5.2　福伊特公司—用户角度的OPC UA 142
5.2.1　引言 142
5.2.2　工业4.0项目的企业内部挑战 143
5.2.3　基于OPC UA的工厂互联 146
5.3　Festo控制器与OPC UA功能 152
5.3.1　目的和技术要求 152
5.3.2　固件升级 153
5.3.3　设备和能效数据收集 158
5.4　基于OPC UA与AutomationML 的PLUGandWORK 160
5.4.1　PLUGandWORK 和工业4.0 160
5.4.2　OPC UA 与AutomationML 161
5.4.3　具体实现 163
5.5　服务工程化的敏捷管理 165
5.5.1　动机 165
5.5.2　技术现状 166
5.5.3　系统构架的立场和视角 167
5.5.4　SERVUS方法 170
“即插即用”技术时代已来临 177
基于时间敏感网络的OPC UA 183
缩略词 189
参考文献 192



---------------------------工业大数据融合体系结构与关键技术---------------------------


前言
第1章　绪论 1
1.1　工业4.0 1
1.1.1　发展历程 1
1.1.2　设计原则 2
1.1.3　成熟度模型 4
1.2　信息物理系统 5
1.2.1　发展阶段 5
1.2.2　体系结构 5
1.2.3　关键技术 8
1.3　大数据 13
1.3.1　大数据的定义 13
1.3.2　大数据带来的挑战 16
1.3.3　大数据技术 21
1.3.4　大数据管理 44
第2章　工业无线传感器网络数据融合 53
2.1　引言 53
2.1.1　工业4.0与智能工厂 53
2.1.2　传感器云 57
2.1.3　工业无线传感器网络与传感器云 59
2.2　数据融合体系结构 65
2.2.1　多源异构数据的统一描述与管理机制 65
2.2.2　基于传感器技术的工业无线传感器网络 70
2.3　基于分布式云的数据感知与管理软件 92
2.3.1　功能描述 92
2.3.2　设计与实现 93
2.3.3　典型应用场景 102
2.3.4　运行环境及安装流程 102
2.3.5　使用说明 106
第3章　面向工业4.0的数据采集机制 110
3.1　引言 110
3.2　设施位置问题 113
3.2.1　设施位置问题概述 113
3.2.2　k中点问题 114
3.3　低开销的虚拟传感器管理机制 115
3.3.1　k资源调度器 116
3.3.2　渐进交换算法 125
3.3.3　贪心算法 127
3.3.4　RK算法 129
3.4　实验与分析 131
3.4.1　参数设置 131
3.4.2　结果与分析 132
第4章　工业过程数据的故障预测与质量预测 140
4.1　引言 140
4.2　相关工作与背景知识 141
4.3　基于高斯过程回归的预测模型 144
4.3.1　单步预测模型 144
4.3.2　基于时间序列的多步预测 147
4.3.3　基于高斯过程回归的基本模型和反馈模型 148
4.4　实验与分析 148
4.4.1　TE模拟平台 148
4.4.2　对比实验 149
4.4.3　评价指标 151
4.4.4　实验核函数构建 151
4.4.5　结果与分析 152
第5章　时间序列数据的模式异常检测 163
5.1　引言 163
5.2　相关工作 166
5.3　定义 170
5.4　骨架模式表示异常检测方法 171
5.4.1　基于可感知重要点的骨架表示 171
5.4.2　模式表示 174
5.4.3　基于骨架模式表示的异常检测 175
5.5　实验与分析 177
5.5.1　性能指标 177
5.5.2　针对合成数据集的实验 178
5.5.3　针对真实数据集的实验 185
第6章　时间序列数据的异常值检测 190
6.1　引言 190
6.2　异常值检测技术综述 193
6.2.1　常见的异常值检测技术 193
6.2.2　隔离森林 196
6.2.3　本地异常值因子 198
6.3　基于最近邻居集合的隔离方案 200
6.3.1　问题陈述 200
6.3.2　基于最近邻居集合的隔离 202
6.3.3　面向无线传感器网络的分布式检测模型 205
6.4　实验与分析 210
6.4.1　数据集 211
6.4.2　性能指标 213
6.4.3　结果与分析 214
第7章　总结与展望 225
参考文献 231
主要缩略语对照表 263

.　　第2章介绍工业无线传感器网络数据融合的体系结构的基础知识以及研究现状。首先分析了工业4.0和智能工厂的关系，着重介绍传感器云的概念与研究现状，并对工业无线传感器网络与传感器云的概念及相关技术进行了归纳；然后提出了面向工业领域的多源异构数据的统一描述与管理机制，阐述了基于传感器云技术的工业无线传感器网络；最后设计并实现了基于分布式云的数据感知与管理软件，为后续章节所涉及的主要问题奠定了研究基础。
　　第3章介绍面向工业4.0的数据采集机制，针对智能工厂生产车间的生产线和生产过程，基于传感器云技术提出了大规模无线传感器网络的部署方案以及数据采集机制。首先对设施位置问题进行介绍，随后引出了k中点问题；然后详细描述k资源调度器，提出了渐进交换算法、贪心算法和RK算法，并对三种算法在理论上进行了分析和对比，根据工业无线传感器网络的应用场景，对制造网络的层次化体系结构进行了详尽的阐述，并使用八类实体通过八类消息来完成数据采集所涉及的操作；最后，针对五个重要参数进行了大量的实验，继而对提出的三种算法进行评估。
　　第4章介绍工业过程数据的故障预测与质量预测，针对生产过程的海量数据，提出了基于高斯过程回归的故障预测模型与质量预测模型。首先介绍了现代工业系统领域基于数据驱动的故障预测方法，对自回归模型、支持向量机模型、相关向量机模型、神经网络模型以及随机过程模型进行了描述；然后基于高斯回归理论提出了单步预测模型、多步预测模型、基本模型和反馈模型；最后针对已有的反向传播神经网络和径向基核函数高斯过程模型，基于大型工业过程田纳西–伊斯曼仿真平台对本章提出的故障预测方法进行了对比与分析，并针对已有的支持向量回归模型、核偏最小二乘模型和反向传播神经网络模型，通过核函数重构以及将预测值引入高斯过程回归模型来提高预测精度。
　　第5章介绍时间序列的模式异常检测方法，针对工业无线传感器网络中的数据的模式异常，提出了基于骨架的模式表示异常检测方法。首先介绍了时间序列中的异常分类，给出了点异常、模式异常和序列异常的联系与区别；接着针对可感知重要点方法和分段聚合近似模型表示法的优缺点进行了详细分析；然后提出了改进的可感知重要点方法，并基于该方法设计了骨架模式表示法，根据由骨架模式表示法得到的矩阵，计算不同时间序列的相似性分数，进而实现异常检测；最后针对阳性检出率、假阳性误报率和异常分数比值三个性能指标，基于合成数据集和真实数据集进行了大量实验。
　　第6章介绍时间序列的异常值检测方法，针对工业无线传感器网络中数据的异常值，提出了新型的分布式检测模型：基于最近邻居集合的隔离型分布式异常值检测模型。首先介绍了常见的异常值检测技术，并分析了现有方法的不足，着重对隔离森林方法和本地异常值因子方法进行了分析；然后根据工业制造网络的特定应用场景对异常值检测问题进行建模，给出了子网络、超球体、隔离分数和异常值分数等定义，设计了基于最近邻居集合的隔离型分布式异常值检测模型，详细阐述了分布式检测模型的三个工作阶段（训练阶段、检测阶段和更新阶段）；最后针对准确率、检测率、误报率和曲线下面积四个性能指标，基于两个著名数据集进行了大量实验。
　　第7章对全书进行总结，概括本书内容的不足，并指出未来可继续探索的方向。
　　本书由高聪、王忠民、陈彦萍所著，共35万字，高聪负责全书大部分内容的撰写以及整书的统稿工作，完成32万字，王忠民参与了第6章的撰写，完成1万字，陈彦萍参与了第4章和第5章的撰写，完成2万字。本书的出版工作得到了陕西省科技统筹创新工程计划项目（2019ZDLGY07-08）、陕西省科学技术厅国际科技合作计划项目（2018KW-049）、工业和信息化部通信软科学研究计划项目（2019-R-29）、陕西省教育厅自然科学专项科研项目（17JK0711）和西安邮电大学学术专著出版基金的资助。机械工业出版社的编辑们为本书的出版付出了辛勤汗水，在此表示衷心的感谢。
　　本书既包含完整的理论推导，又注重实际应用方面的研究，各章内容既相辅相成，又相互独立，读者可根据自己的兴趣和时间来选择性地阅读。为保证各章内容的完整性，若干重要内容在相关章节均有提及。本书的各部分内容都向西安邮电大学计算机系统结构专业的硕士研究生讲授过，其中绝大部分是作者新近完成的科研成果。尽管如此，由于数据科学领域近年来发展迅速，且分支众多，与其他领域的交叉甚密，因此该领域不仅内容庞杂，而且具有十分可观的深度和广度。作者水平有限，且成书时间仓促，虽严谨治学、精业勤业，但书中疏漏之处在所难免，敬请读者批评指正。
　　

.　　---------------------------工业大数据融合体系结构与关键技术---------------------------
　　
　　
　　本书是一本阐述数据融合相关理论及技术的书籍，全面介绍了工业4.0背景下数据融合体系结构的设计原理和工程实践，重点介绍了工业大数据的描述、采集、分析和管理。本书内容深入浅出，研究工业无线传感器网络的部署和制造网络的层次化集成，对工业过程数据进行故障预测和质量预测，构建时间序列数据的模式异常和异常值检测模型。每一章都包含相关领域内关键性的理论与应用难题、参考文献和注解，很多内容还涉及更深层次的理论。
　　本书特色
　　全面涵盖工业大数据融合体系结构的相关知识及新进展。
　　计算机领域资深研究者多年科研与教学经验的精华总结。
　　理论研究与实际应用相结合。
　　大量经典问题在应用场景中的实例与解决方案。
　　由浅入深、由点到面、环环相扣的学习路线。
　　从各种不同角度探究数据融合，相较于现有的同类书籍更具完备性。