ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Data Intensive Industrial Asset Management: IoT-based Algorithms and Implementation

دانلود کتاب مدیریت دارایی های صنعتی فشرده داده: الگوریتم ها و پیاده سازی مبتنی بر اینترنت اشیا

Data Intensive Industrial Asset Management: IoT-based Algorithms and Implementation

مشخصات کتاب

Data Intensive Industrial Asset Management: IoT-based Algorithms and Implementation

ویرایش:  
نویسندگان: , , ,   
سری:  
ISBN (شابک) : 9783030359294, 3030359298 
ناشر: Springer 
سال نشر:  
تعداد صفحات: 247 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت 

قیمت کتاب (تومان) : 57,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 6


در صورت تبدیل فایل کتاب Data Intensive Industrial Asset Management: IoT-based Algorithms and Implementation به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب مدیریت دارایی های صنعتی فشرده داده: الگوریتم ها و پیاده سازی مبتنی بر اینترنت اشیا نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب مدیریت دارایی های صنعتی فشرده داده: الگوریتم ها و پیاده سازی مبتنی بر اینترنت اشیا



این کتاب گام به گام رویکرد بهینه سازی مدیریت سلامت دارایی با استفاده از اینترنت اشیا (IoT) را ارائه می دهد. نویسندگان یک مطالعه جامع را ارائه می دهند که شامل تجزیه و تحلیل توصیفی، تشخیصی، پیش بینی و تجویزی با جزئیات است. این ارائه بر چالش‌های انتخاب پارامتر، تجزیه و تحلیل داده‌های آماری، الگوریتم‌های پیش‌بینی، ذخیره‌سازی و انتخاب داده‌های بزرگ، تشخیص الگوی داده‌ها، تکنیک‌های یادگیری ماشین، تخمین توزیع خرابی دارایی، افزایش قابلیت اطمینان و در دسترس بودن، خط‌مشی نگهداری مبتنی بر شرایط، تشخیص شکست، تمرکز دارد. الگوریتم بهینه‌سازی مبتنی بر داده، و یک رویکرد بهینه‌سازی چند هدفه، که همگی می‌توانند به طور قابل‌توجهی قابلیت اطمینان و در دسترس بودن سیستم را افزایش دهند.


توضیحاتی درمورد کتاب به خارجی

This book presents a step by step Asset Health Management Optimization Approach Using Internet of Things (IoT). The authors provide a comprehensive study which includes the descriptive, diagnostic, predictive, and prescriptive analysis in detail. The presentation focuses on the challenges of the parameter selection, statistical data analysis, predictive algorithms, big data storage and selection, data pattern recognition, machine learning techniques, asset failure distribution estimation, reliability and availability enhancement, condition based maintenance policy, failure detection, data driven optimization algorithm, and a multi-objective optimization approach, all of which can significantly enhance the reliability and availability of the system.



فهرست مطالب

Preface\nContents\nList of Figures\nList of Tables\nAuthor Biography\nChapter 1: Internet of Things (IoT): Principles and Framework\n	1.1 Internet of Things (IoT)\n	1.2 Smart Systems vs. Smart Connected Systems\n		1.2.1 Smart Connected System Main Layers\n	1.3 Dataflow in the Wisdom Pyramid\n		1.3.1 Smart Connected Systems Components and Technologies\n	1.4 Selection of Smart Devices\n	1.5 Centralized and Decentralized IoT Structures\n	1.6 Business Models´ Perspective\n	1.7 Concluding Remarks\n	References\nChapter 2: Industrial Asset Management and Maintenance Policies\n	2.1 Asset Management (AM)\n	2.2 Maintenance Strategies\n	2.3 Remaining Useful Lifetime (RUL)\n	2.4 IoT-Based Asset Management\n	2.5 General Key Performance Indicators\n	2.6 Concluding Remarks\n	References\nChapter 3: Asset Aging Through Degradation Mechanism\n	3.1 Asset Degradation\n	3.2 Challenges of Classical Models\n	3.3 Prognosis and Health Management (PHM)\n	3.4 Degradation Process\n	3.5 Remaining Useful Life (RUL)\n	3.6 Concluding Remarks\n	References\nChapter 4: Predictive Degradation Models\n	4.1 Degradation Models\n	4.2 Applications of the Degradation Models\n	4.3 General Path Degradation Models\n	4.4 Non-destructive Degradation Models\n	4.5 Non-destructive Degradation Predictive Models\n	4.6 Destructive Degradation Models\n	4.7 Destructive Degradation Predictive Models\n	4.8 Concluding Remarks\n	References\nChapter 5: IoT Platform: Smart Devices, Gateways, and Communication Networks\n	5.1 Smart Devices\n	5.2 Device Security\n	5.3 Smart Gateway\n	5.4 Communication Types\n	5.5 Network Service\n	5.6 Data Network Security\n	5.7 Concluding Remarks\n	References\nChapter 6: Data Features\n	6.1 Data Analysis\n		6.1.1 Qualitative and Quantitative Analysis\n		6.1.2 Parametric and Nonparametric Analysis\n	6.2 Data Requirement\n	6.3 Data Type\n	6.4 Data Process\n		6.4.1 Data Collection\n		6.4.2 Data Preparation\n			6.4.2.1 Data Fusion\n			6.4.2.2 Data Cleansing\n			6.4.2.3 Data Wrangling\n			6.4.2.4 Data Scraping\n			6.4.2.5 Data Filtration\n			6.4.2.6 Data Mapping\n	6.5 Data Visualization\n	6.6 Data Acquisition\n	6.7 Data Lake\n	6.8 Dark Data\n	6.9 Big Data\n	6.10 Time-Series Data\n	6.11 Data Mining\n	6.12 Concluding Remarks\n	References\nChapter 7: Data Analytics\n	7.1 Data Analytics\n	7.2 Analytics Value\n	7.3 Descriptive Analytics\n	7.4 Diagnostic Analytics\n	7.5 Predictive Analytics\n	7.6 Prescriptive Analytics\n	7.7 Concluding Remarks\n	References\nChapter 8: Machine Learning Principles\n	8.1 Introduction\n	8.2 Machine Learning Algorithms\n		8.2.1 Linear Regression\n			8.2.1.1 Linear Regression Assumptions\n		8.2.2 Logistic Regression\n			8.2.2.1 Logistic Regression Assumption\n		8.2.3 Decision Tree\n		8.2.4 Support Vector Machine\n		8.2.5 Naïve Bayes\n		8.2.6 Artificial Neural Network\n		8.2.7 Deep Neural Network\n		8.2.8 Convolution Neural Network\n	8.3 Machine Learning Algorithms Evaluation\n	8.4 Ensembles\n	8.5 Regression Example\n	8.6 Classification Example\n	8.7 Machine Learning as a Service (MLaaS)\n	8.8 Concluding Remarks\n	References\nChapter 9: Implementation Tools of IoT Systems\n	9.1 Introduction\n		9.1.1 IoT Platforms\n		9.1.2 Requirements of IoT Applications\n		9.1.3 Cloud-Based IoT Platform\n	9.2 Azure IoT Platform\n		9.2.1 IoT Devices and Gateways\n		9.2.2 Storage\n		9.2.3 Data Analysis\n		9.2.4 User Interface\n	9.3 Experiences with Azure\n		9.3.1 Data Set\n		9.3.2 Azure Setup\n		9.3.3 Resource Groups\n		9.3.4 IoT Hub and Storage\n		9.3.5 Stream Analytics\n		9.3.6 Azure Functions\n		9.3.7 Azure Machine Learning\n		9.3.8 Power BI\n		9.3.9 Experiment Observations\n	9.4 Conclusion\n	References\nAppendix A: Regression Example\n	Linear Regression Matlab Code\n	Linear Interaction Regression Model\n	Linear Stepwise Regression Model\n	Decision Tress\n	Bagged Decision Tree\n	Linear SVM\nAppendix B: Classification Example\n	Fine Tree\n	Bagged Tree\n	Fine KNN\n	Weighted KNN\n	Logistic Regression\n	Linear SVM\n	Quadratic SVM\n	Cubic SVM\nIndex




نظرات کاربران