基础篇
项目1　大数据技术 2
【学习目标】 2
1.1 大数据概述 2
1.1.1 大数据的特性 2
1.1.2 大数据技术栈的发展史 3
1.1.3 大数据应用的发展过程 5
1.1.4 大数据在现实生活中的应用 6
1.2 大数据的基本概念 7
1.3 大数据与海量信息的关系 8
1.4 大数据的来源与特点 9
1.5 大数据技术的应用 10
1.6 大数据在现实生活中的应用案例 11
1.7 大数据技术应用流程 12
1.7.1 选择数据集 12
1.7.2 数据预处理 12
1.7.3 数据特征分析(利用数据的特征进行数据分析) 12
1.7.4 数据挖掘构建预测模型 12
1.7.5 模型质量评估 13
1.7.6 模型应用 13
1.7.7 模型优化 13
1.7.8 数据分析报告(利用数据可视化技术) 13
1.8 大数据模型 14
1.8.1 时间序列的基本概念 14
1.8.2 时间序列的构成因素 15
1.8.3 时间序列分析方法 16
拓展阅读 17
课后练习 17

项目2　化工生产中的大数据技术 19
【学习目标】 19
2.1 传统化工数据处理方式的局限性 19
2.2 化工生产中应用大数据技术的意义 20
2.3 大数据技术在化工生产中的应用及发展趋势 21
2.3.1 大数据技术在化工生产中的应用 21
2.3.2 大数据技术在化工生产中应用的发展趋势 21
2.4 化工生产中数据的类型和采集方法 22
2.4.1 化工生产中数据的类型 22
2.4.2 化工生产中数据的采集 22
2.5 化工大数据的处理技术 24
2.5.1 数据的挖掘 24
2.5.2 数据的处理 24
2.5.3 数据的分析 26
2.5.4 数据的可视化 26
2.6 化工大数据分析结果的应用 26
2.6.1 优化生产过程 26
2.6.2 改善化工设备的运行和维护 27
2.6.3 体系协同优化 27
2.6.4 提高生产过程的自动化程度 27
拓展阅读 27
课后练习 28


案例篇
项目3　大数据技术在调节阀流量监测中的应用 30
【学习目标】 30
任务3.1 了解调节阀流量监测的意义及确定变量体系 31
3.1.1 调节阀流量监测的意义 31
3.1.2 调节阀监测目标及变量体系的确定 31
任务3.2 调节阀流量监测中工艺数据的采集 32
数据采集 32
分析方法3.1 基于Python的随机森林方法 33
任务3.3 工艺数据的分析与建模 33
3.3.1 数据探索性分析 33
3.3.2 数据预处理 38
3.3.3 机器学习建模 40
3.3.4 数据结果的应用 47
分析方法3.2 基于SPSS的神经网络方法 47
任务3.4 调节阀流量监测中工艺数据的预处理 47
3.4.1 IBM SPSS Modeler工具介绍 47
3.4.2 使用SPSS Modeler对数据进行预处理 49
任务3.5 调节阀流量监测中工艺数据的建模 56
3.5.1 自动建模 56
3.5.2 最优模型的分析及保存 57
任务3.6 调节阀流量监测中工艺数据模型的应用 59
拓展阅读 60
课后练习 61

项目4　大数据技术在泵的运行维护中的应用 63
【学习目标】 63
任务4.1 了解泵运行和维护的目标及确定变量体系 64
4.1.1 泵日常运行和维护的意义 64
4.1.2 泵运行监测目标及变量体系的确定 64
任务4.2 泵运行监测中工艺数据的 采集 66
数据采集 66
任务4.3 工艺数据的处理与建模 67
4.3.1 数据处理 67
4.3.2 “缺失值”挖掘与处理 70
4.3.3 “脏数据(噪声数据)”挖掘与清洗 72
4.3.4 “饱和值(重复值)”挖掘与处理 74
任务4.4 数据挖掘和稳态模型建立 75
4.4.1 数据粗分析(预分析:描述性统计分析) 75
4.4.2 选择研究模型(给出研究假设) 76
4.4.3 挖掘数据规律建立模型 80
4.4.4 数据训练(训练数据)及测试(测试数据) 81
4.4.5 研究结果分析(模型评估) 81
任务4.5 数据可视化 82
4.5.1 可视化展示技术 82
4.5.2 结果数据可视化展示 82
拓展阅读 85
课后练习 86

项目5　大数据技术在产品质量控制中的应用 87
【学习目标】 87
任务5.1 了解大数据技术在产品质量控制中的意义及确定变量体系 88
5.1.1 大数据技术在产品质量控制中的意义 88
5.1.2 产品质量控制的目标及变量体系的确定 88
任务5.2 数据采集与处理及可视化 89
5.2.1 提升管顶端温度(反应温度) 89
5.2.2 剂油比-原料预热温度 91
5.2.3 催化汽油蒸气压-稳定塔底温度 93
分析方法5.1 基于神经网络的产品质量控制分析 94
任务5.3 建立辛烷值预测模型1 94
5.3.1 数据准备及预处理 94
5.3.2 辛烷值损失模型介绍 102
5.3.3 模型拟合结果 106
分析方法5.2 基于支持向量机的产品质量控制分析 108
任务5.4 建立辛烷值预测模型2 108
5.4.1 数据探索性分析 109
5.4.2 数据预处理 113
5.4.3 机器学习建模 115
5.4.4 数据结果的应用 123
拓展阅读 124
课后练习 124

项目6　大数据技术在橡胶生产浆液浓度控制中的应用 127
【学习目标】 127
任务6.1 了解橡胶生产控制目标及确定变量体系 128
任务6.2 生产工艺数据的采集与处理 129
6.2.1 数据的采集 130
6.2.2 数据预处理 130
任务6.3 建立预测模型 138
6.3.1 角色设置 138
6.3.2 算法选择与参数配置 138
6.3.3 模型评估组件添加与配置 140
6.3.4 预测结果输出 140
6.3.5 模型调试优化 142
6.3.6 模型发布 142
拓展阅读 143
课后练习 143

项目7　大数据技术在工艺参数优化中的应用 144
【学习目标】 144
任务7.1 了解气化炉参数优化的目标及确定变量体系 145
任务7.2 气化炉参数的敏感性分析 146
7.2.1 数据采集与预处理 146
7.2.2 回归分析 159
任务7.3 气化炉参数优化 162
拓展阅读 163
课后练习 163


训练篇
项目8　大数据技术在精馏操作中的应用训练 168
【学习目标】 168
任务8.1 数据采集与预处理 169
8.1.1 数据采集 169
8.1.2 预处理方法 171
8.1.3 异常数据挖掘与清洗 174
任务8.2 精馏控制优化 176
任务8.3 异常工况诊断与预测 181
8.3.1 冷凝水中断数据采集与数据分析 181
8.3.2 回流泵故障数据采集与数据分析 183
8.3.3 回流控制阀FV104阀卡数据采集与数据分析 185
任务8.4 数据可视化 187
拓展阅读 188
课后练习 189

项目9　大数据技术在压缩机的运行维护中的应用训练 193
【学习目标】 193
任务9.1 数据采集 194
任务9.2 数据处理 195
9.2.1 数据缺失值处理 195
9.2.2 数据异常值处理 197
任务9.3 属性相关性分析 198
任务9.4 结果描述 198
任务9.5 合理化建议 199
拓展阅读 199
课后练习 199

项目10　大数据技术在换热器的运行维护中的应用训练 201
【学习目标】 201
任务10.1 数据采集 202
任务10.2 数据处理 203
10.2.1 数据缺失值处理 203
10.2.2 数据异常值处理 204
任务10.3 属性相关性分析 205
任务10.4 结果描述 205
任务10.5 合理化建议 206
拓展阅读 206
课后练习 206

项目11　大数据技术在2-巯基苯并噻唑生产工艺控制中的应用训练 208
【学习目标】 208
任务11.1 数据采集 209
任务11.2 数据处理 210
11.2.1 数据缺失值处理 210
11.2.2 数据异常值处理 211
任务11.3 属性相关性分析 212
任务11.4 结果描述 212
任务11.5 合理化建议 213
拓展阅读 213
课后练习 213


参考文献 215