工业大数据的三支多粒度智能决策模型与方法

Industrial big data decision making is the key factor to enhance productivity, competitiveness and innovation in manufacturing. Decision making in the manufacturing industry is heavily dependent on the knowledge level of each individual decision maker, which cannot fulfill the needs of green and high-efficiency production. One optimal solution is to use new artificial intelligence driven methods to solve the multi-source heterogeneous, dynamic, diversity and uncertain issues exist in industrial big data. To this end, this project will, based on the theory of three-way decisions and the granular computing method, and the fusion of knowledge-driven method and data-driven method, investigate the three-way multi-granularity intelligent decision-making models and methods based on knowledge granules for industrial big data. The major research tasks include: to construct the multi-layer cross-domain multi-granularity knowledge model for multi-source heterogeneous information, to develop the methods of the association relationships building and updating for the uncertain and dynamic changing knowledge granules, to propose the decision-making models and calculation methods based on multi-granularity knowledge, and to validate the researches under the background of aluminum electrolysis processes. This project will build the joint decision-making model for the multi-source heterogeneous knowledge granules, the gradual three-way decision-making models for the dynamic knowledge granules, and the collaborative decision-making model for the multi-layer cross-domain knowledge granules. The results of this research project will contribute to build intelligent, knowledge-driven and data-driven deeply fused decision-making models and efficient algorithms, and to provide theoretical basis and technical methods of intelligent optimization decision making for complex industrial big data.

工业大数据决策是提升制造业生产力、竞争力、创新能力的关键要素。制造业中的决策严重依赖知识型工作者人工进行，不能满足绿色高效生产要求，亟需通过人工智能驱动新方法解决具有多源异构、动态变化、知识多样、信息不确定等特点的工业大数据决策难题。因此，本项目结合三支决策与粒计算等理论方法，融合知识驱动与数据驱动的计算模式，研究基于知识粒的工业大数据三支多粒度智能决策模型与方法，具体包括：基于多源信息知识的分层跨域多粒度知识模型，基于不确定性和动态特性的知识粒的关联与动态更新方法，基于多粒度知识的决策模型与计算方法，并结合铝电解工业大数据进行理论和方法验证。本项目将建立多源异构知识粒的联合决策模型、动态知识粒的渐进三支决策模型、多层跨域知识粒的协同决策模型。本项目的研究成果，将有助于建立高效可行的“数据-知识”融合的智能决策模型和算法，为复杂工业大数据智能优化决策提供理论基础和技术方法。

工业大数据是智能制造与工业互联网的核心动力，工业大数据决策是提升制造业生产力、竞争力、创新能力的关键要素。制造业中的决策严重依赖知识型工作者人工进行，不能满足绿色高效生产要求。本项目结合大数据、人工智能等新技术进行了“数据-知识”融合的智能决策模型和方法研究，为工业大数据智能优化决策提供新的理论基础和技术方法。具体包括了以下研究工作：1) 研究了面向混频数据的分析与处理方法，提出了基于判别字典学习的混合采样数据分类方法，解决了基于原始RAW数据的混频数据分类问题。2) 提出了混合模型的加热炉钢坯出炉温度预测优化模型，建立了机理知识与数据驱动的融合机制，实现了出炉温度在线预测以及加热过程循环优化。3) 提出了基于视图综合表示分析研究多视图聚类的方法，解决了完全未知视图样本之间映射关系的多视图聚类难题。4) 研究了面向高维、大规模、带噪声等复杂数据的智能决策模型，提出了基于加权信息粒化的多标记特征选择算法、基于多粒度信息的高维贝叶斯网络结构学习方法、基于Spark的高效三支聚类集成模型、动态数据下的三支区间离散模型、路径推理方法以及时态知识图谱嵌入模型等，解决了复杂动态关系不完备情况下的决策问题。5) 研究了多粒度决策与计算方法，提出了考虑供需双方需求的三支决策供需匹配模型，设计了面向具有分级组织结构大型企业的多粒度评价系统，提出了多准则序聚类模型，为不确定性决策问题的求解提供了新的解决方案。6) 研究了工业领域小样本生成问题，提出了基于遗传算法的融合信息增益和接受-拒绝抽样技术的虚拟样本生成方法，解决了数值型数据领域中的小样本问题。7) 针对铝电解过热度预测、煤矿瓦斯浓度预测、钢坯出炉温度预测等应用问题提出了解决方案。项目组在SIGKDD、IEEE T KNOWL DATA EN、IEEE T IND INFORM等本领域重要期刊和国际会议上发表论文39篇(已被SCI/EI 收录28篇)。项目负责人作为会议共同主席组织召开3次国际会议和全国会议1次，应邀作全国会议特邀报告5次；编著国际会议论文集1本，专著1部；获得国家发明专利授权5项；获得重庆英才创新创业领军人才称号、入选“全球前2%顶尖科学家”；获得重庆市自然科学奖一等奖1次、最佳学生论文奖2次。