大数据一词最近非常流行，其实并不是什么新鲜的东西 。所谓的大数据，就是数据的体量很大，也就是数据的登录记录方式发生了改变，统计的方法、目的、观念跟选择，也因为数据的体量越来越庞大，且由量变而产生质变。    大数据的出现，给我们带来了巨大的想象空间：对科学研究来说，大数据已成为继实验、理论和计算模式之后的数据密集型科学范式的典型代表，带来了科研方法论的变革，正在成为科学发现的新引擎；对产业来说，在当今互联网、云计算、人工智能、大数据、区块链这些蓬勃发展的科技中，主角是数据，数据作为新的生产资料，正在驱动整个产业进行数字化转型。正因如此，大数据已成为知识经济时代的战略高地，数据主权已经成了继边防、海防、空防之后，另一个大国博弈的空间。    本书主要阐述了跟据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（PHM）、生产质量分析（PQM）、生产效率优化（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），並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，很好的说明了工业大数据分析的工程化方法体系。    本书专业性质很强，且原则性说明的部分比较多，对专业人士来说应该能有很多的启发 。至于非专业人士，也能从作者通俗易懂的文笔中，对工业大数据有一个基础的了解 。推荐各位翻一下 。😎

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。