毕业论文课题相关文献综述
文 献 综 述近年来，随着国家对工业发展的大力支持与推动，我国整体的工业水平在不断地稳步提升，在国务院印发的《中国制造2025》当中，也提出了对于目前中国工业制造的五大要求。
在此过程中，由于对于工业过程状态变量的监测，故障分析及诊断等技术是保障工业生产安全，提高生产效率的关键，所以近年来人们对于这一方面的研究也进行了更加深入的研究。
同时，随着计算机的发展以及大数据时代的到来，人们开始更多利用得到的大量数据来分析，预测以及诊断工业过程中的各种问题，在结合了各种智能算法以后，能够对大部分工业生产过程进行有效的监测及故障诊断。
而5G时代的到来，更是对工业物联网产生的海量大数据质量监控与分析提出了更高层次的精准性和时效性要求[1-3]。
在早期的工业生产过程中，由于生产过程复杂程度，对于生产产品质量以及生产效率的要求并没有那么高，计算机的运行速度与当今也难以相比，对于数据的获取与利用也不够充分，故通过经典的智能算法，比如循环神经网络（Recurrent Neural Network，RNN）,邻近算法（K-NearestNeighbor,KNN），支持向量机（Support Vector Machine,SVM）等也能够完成对于部分工业生产过程的监测与故障诊断。
但是随着新工业革命时代的序幕徐徐拉开，物联网、工业互联网、智能ICT 技术、人工智能等技术成为舞台上最受瞩目的新星[4]。
在这些新兴技术的推动下，工业领域中的大数据环境正在逐渐形成。
然而，工业大数据在其可获取性和可分析性方面仍然存在许多的挑战。
在工业生产过程中，首先我们不能保证传感器不出现任何问题，一旦产生故障就会出现数据或缺，不连续等现象，这就要求我们能够预测空缺的数据或者在不影响故障诊断的前提下剔除数据，或者使用多传感器进行监测，确保源数据的获取，这也就要求我们能够很好地融合多传感器的数据[5]。
其次我们现在获得的数据多为多源异构数据，即多个来源并且数据类型、特征不同的数据，所以在这种情况下，如何对数据进行有效预处理直接关乎最后诊断阶段结果的好坏，大数据处理项目中，资源消耗最为突出的是数据的收集和预处理，大约占项目资源支出的 80%，其中数据预处理工作量就要占60%左右[6]，常用的数据提取方法有PCA、聚类分析等，比如在训练神经网络时，我们首先需要生产过程的历史数据，再从数据中提取出区分度较高，对训练结果有明显影响的标签数据，之后经过一些列归一、数据清洗、数据融合等处理才能将这些数据作为训练的输入，得到一个较好的结果。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
