面向智能制造的工业大数据降维方法研究

Industrial big data is regarded as the critical foundation and core element of intelligent manufacturing systems, typical characteristics of industrial big data are real-time capability, low signal to noise rate, high dimensionality, nonlinear and etc., which cause that the traditional methods can not efficiently reduce the dimensionality of industrial big data, and result in the ‘rich data and poor knowledge’ problem of intelligent manufacturing systems. Towards the national strategic demand of intelligent manufacturing, this project focuses on key issues in the dimensionality reduction of industrial big data. From core foundation and key technique views, interdisciplinary research will be carried out on the following points: studying on the Bayesian network and local abnormal factor analysis based outlier eliminating model; proposing the singular spectrum entropy increment based constraint variation method for hidden function identifying; studying on the granular strategy with variable sizes and multi-level graining, as well as the migration mechanism for features within the same-level; proposing the fusion model of global kernel matrix and local kernel matrix; developing the manifold embedding model in low dimensional space for complex and nonlinear data; researching on the micro-global clustering model for industrial big data and the updating mechanism of cluster nodes by vector increment with time attribute. The research will provide multi-level solutions for the efficient dimensionality reduction of complex and nonlinear industrial big data with parallel computing technique. Achievements of this project will provide fundamental theory and key technique support for the knowledge discovery of intelligent manufacturing systems orienting the ‘Made in China (2025)’ national strategy.

工业大数据是智能制造的关键基础与核心要素，具有实时性、低信噪比、高维性以及强非线性等特点，使得传统的数据分析方法难以有效实现工业大数据的降维处理，导致智能制造系统出现“数据丰富，知识贫乏”的问题。本项目面向国家智能制造重大战略需求，围绕工业大数据的降维处理关键问题，从共性基础和关键技术层面，通过多学科交叉融合，研究基于信度网络与局部异常因子分析的离群点剔除模型，提出基于奇异熵增量谱的约束变分隐含模态提取方法，研究变粒度与多层级的特征粒化策略，以及同层级特征的迁移机制，提出全局信息与局部信息核矩阵的融合方法，构建复杂非线性特征的低维嵌入模型，研究基于微聚类和宏聚类的工业大数据双层聚类理论，以及聚类节点基于时间属性的矢量增量更新机制，结合并行处理技术实现复杂非线性工业大数据的高效率多层级降维处理，为面向“中国制造2025”国家战略智能制造系统的知识发现提供基础理论与关键技术支持。

本项目针对工业大数据高维特征的降维处理，研究了基于奇异熵增量谱的变分模态分解方法，提出了基于重构吸引子轨迹矩阵奇异值分析的复杂信号模态阶次估计方法，建立了奇异值增量变化率与模态数目的定量关系；研究了复杂特征空间的高维特征粒化策略，建立了基于粒计算的工业大数据高维特征优化选择模型；提出了基于等距映射与局部线性嵌入混合流形的复杂高维特征低维空间嵌入降维方法，建立了基于特征样本类别属性与互信息分析的低维流形优化模型，实现了高维特征在低维空间表达的最优流形组合；研究了高维特征在不同粒度层级的聚类合并策略，提出了基于粒度变换的双层聚类工业大数据降维分析方法；以数字化制造车间的机械加工过程为例，实现了工业大数据多层级降维方法的成果验证，以及基于大数据处理技术的设备性能衰退状态识别与预测性分析，为智能制造系统的工业数据处理提供重要理论基础与技术支持。本项目执行过程中，发表7篇学术论文（第1标注5篇论文，第1作者/通讯作者7篇论文），其中，SCI检索论文4篇，EI检索论文6篇。单篇论文最高影响因子6.182；单篇SCI他引42次，谷歌学术引用144次。研究成果被国际学术组织评选为关键文章（Key Scientific Article）。课题组成员积极参与国际与国内的学术交流合作，参加国际学术会议4人次，邀请智能信息处理领域专家来课题组访问及课题组成员出访交流8人次。项目执行过程中，培养1名博士后，3名博士研究生，5名硕士研究生。