研究内容

（一）基于多源异质传感器的多模态工业大数据建模
本研究聚焦于生产过程中产生的多通道异质轮廓数据，提出了函数型动态子空间学习模型，能够有效描述多维时间序列的稀疏空间关系。通过假设不同异质传感器数据来自不同函数子空间，准确提取出各子空间函数特征。在此基础上，进一步提出动态子空间学习方法，以描述变量间相关性随时间的阶跃变化。
（二）基于因果推断的多模态工业大数据融合
从因果分析角度出发，利用结构方程模型与贝叶斯网络构建多传感器的因果关系网络。考虑到制造系统流式数据特性，不同时间维度、空间变量间因果关系存在时间滞后性与变化性，构建动态时变贝叶斯网络模型及其离线结构学习方法。针对小样本情况，通过节点聚类实现更优推断。此外，还提出将贝叶斯网络融入深度学习的设计方案，生成动态因果图以捕捉网络数据细粒度时空因果拓扑结构。
（三）智能传感器布局与自适应数据采集方法研究
针对工业制造中传感器资源有限的情况，采用人工智能方法设计智能传感器网络布局与自适应数据采集方案。对于高维高斯分布数据，提出基于稀疏-平滑复合分解的特征提取算法，并结合变点分析构建异常检验统计量，进而设计基于托普森采样的自适应采样算法。针对图像数据，探索基于深度学习的特征提取方法，通过卷积神经网络（CNN）提取图像特征，结合长短期记忆网络（LSTM）实现时间采样数据关联，并构建深度强化学习框架，实现对异常图像数据的采集与定位，相关成果发表于。