工业大数据分析模型-上海怡健医学(-)

项目概况

工业大数据分析项目旨在研究工业制造过程中产生的海量数据的数据分析理论和关键技术。实现传统工业制造向智能制造转变的一个重要标志是工业大数据的全面深入分析和利用。如何充分挖掘工业设计、生产、采购、销售、售后服务各个阶段产生的大数据中蕴含的潜在知识，从而优化工业制造流程，升级产业结构，是实现工业制造的关键。发展智能制造。然而，目前学术界和工业界都面临着缺乏针对特定工业场景的大数据分析模型，工业大数据质量低，无法直接用于分析挖掘，缺乏满足各种场景实时性要求的分析算法。问题。此外，如何将大数据分析的结果合理反馈到行业场景中，真正优化和改进相关流程，也是一个值得深入探索的问题。项目组探索工业大数据分析模型、工业大数据质量和分析算法的理论与技术，探索合理的工业大数据分析结果反馈技术，探索示范应用，填补工业大数据分析领域的研究空白. 产业助力智能制造转型升级。无法直接用于分析挖掘，缺乏满足各种场景实时性要求的分析算法。问题。此外，如何将大数据分析的结果合理反馈到行业场景中，真正优化和改进相关流程，也是一个值得深入探索的问题。项目组探索工业大数据分析模型、工业大数据质量和分析算法的理论与技术，探索合理的工业大数据分析结果反馈技术，探索示范应用，填补工业大数据分析领域的研究空白. 产业助力智能制造转型升级。无法直接用于分析挖掘，缺乏满足各种场景实时性要求的分析算法。问题。此外，如何将大数据分析的结果合理反馈到行业场景中，真正优化和改进相关流程，也是一个值得深入探索的问题。项目组探索工业大数据分析模型、工业大数据质量和分析算法的理论与技术，探索合理的工业大数据分析结果反馈技术，探索示范应用，填补工业大数据分析领域的研究空白. 产业助力智能制造转型升级。以及缺乏满足各种场景实时性要求的分析算法。问题。此外，如何将大数据分析的结果合理反馈到行业场景中，真正优化和改进相关流程，也是一个值得深入探索的问题。项目组探索工业大数据分析模型、工业大数据质量和分析算法的理论与技术，探索合理的工业大数据分析结果反馈技术，探索示范应用，填补工业大数据分析领域的研究空白. 产业助力智能制造转型升级。以及缺乏满足各种场景实时性要求的分析算法。问题。此外，如何将大数据分析的结果合理反馈到行业场景中，真正优化和改进相关流程，也是一个值得深入探索的问题。项目组探索工业大数据分析模型、工业大数据质量和分析算法的理论与技术，探索合理的工业大数据分析结果反馈技术，探索示范应用，填补工业大数据分析领域的研究空白. 产业助力智能制造转型升级。如何将大数据分析的结果合理反馈到工业场景中，真正优化和改进相关流程，也是一个值得深入探索的问题。项目组探索工业大数据分析模型、工业大数据质量和分析算法的理论与技术，探索合理的工业大数据分析结果反馈技术，探索示范应用，填补工业大数据分析领域的研究空白. 产业助力智能制造转型升级。如何将大数据分析的结果合理反馈到工业场景中，真正优化和改进相关流程，也是一个值得深入探索的问题。项目组探索工业大数据分析模型、工业大数据质量和分析算法的理论与技术，探索合理的工业大数据分析结果反馈技术，探索示范应用，填补工业大数据分析领域的研究空白. 产业助力智能制造转型升级。工业大数据质量与分析算法，探索合理的工业大数据分析结果反馈技术，探索示范应用，填补工业大数据分析领域的研究空白。产业助力智能制造转型升级。工业大数据质量与分析算法，探索合理的工业大数据分析结果反馈技术，探索示范应用，填补工业大数据分析领域的研究空白。产业助力智能制造转型升级。

项目组在工业大数据分析模型、工业大数据质量、工业大数据分析算法、工业大数据结果反馈技术等方面取得了一系列研究成果。和期刊出版物。出版专着2部，申请专利40余项。此外，课题组在基础研究成果的基础上，完成了系统原型的开发，并成功构建了示范应用。项目研究的主要结果总结如下。

图 1 工业大数据分析研究模块图

A. 制造大数据分析模型

针对制造大数据分析场景复杂多变以及对模型的多样化需求，研究了一种制造大数据分析的自动化建模方法。具体贡献如下：

针对制造业生产、供应链和售后阶段的典型场景和主要需求，研究了面向应用的大数据分析模型，具体贡献包括：

湾。制造大数据质量分析与清洗技术

针对制造业大数据分析依赖高质量数据，而制造业产生的原始数据质量低的矛盾，课题组研究了制造业大数据的质量分析与清洗技术。根据制造大数据的来源，主要从时序数据质量分析与清洗和关系数据质量分析与清洗两个方面进行研究。

在时序数据质量分析和清洗方面，具体贡献如下：

在关系数据质量分析和清洗方面，具体贡献如下：

C。制造大数据分析算法及配套技术

针对制造大数据分析对分析算法的需求，研究了满足不同制造场景对分析算法的实时性要求的多实时分析算法，以及劣质数据分析算法和自适应分析算法。对工业动态过程进行了研究。此外，针对制造大数据分析算法所依赖的底层技术，研究了制造大数据分析算法的支撑技术，包括特征选择技术、数据源选择技术和计算平台优化技术。

制造大数据分析算法的具体贡献如下：

在多种实时分析算法方面：

在劣质数据分析算法方面：

在操作律自适应分析算法方面：

制造大数据分析支撑技术的具体贡献如下：

D.制造大数据分析结果反馈技术

面向制造业大数据分析的主要需求，研究了制造业大数据分析结果反馈技术，包括基于分析结果的数据采集技术、基于分析结果的制造知识库构建技术和分析结果可视化技术。具体贡献如下：

E. 制造大数据分析原型系统及示范应用

课题组在制造大数据分析理论和关键技术研究的基础上，开发了制造大数据分析原型系统，并针对具有代表性的浙江省如西奥电梯、浙江威宏物联科技有限公司等进行了制造。公司探索了示范应用。

在制造大数据分析原型系统方面，具体贡献如下：

原型系统（1)通用制造数据交互式自动分析系统

制造业的特点是中小企业数量多，经济块状。这些企业的信息化程度逐渐提高，获取的数据量巨大且稳步增长。这对大数据分析提出了迫切的需求，但大多数中小型制造企业负担不起专业的数据分析咨询和系统开发的费用。针对这种情况，课题组提出了面向制造企业非大数据分析专家的大数据分析系统架构。该系统无需数据分析知识或经验即可完成制造业中的大部分数据分析任务。人类还可以轻松定义数据分析任务。

为此，课题组定义了一种专门用于描述制造数据分析任务的声明性语言，可以直接描述分析任务。针对该语言，课题组设计了一种自动翻译算法，将声明性语言自动翻译成R语言，由R语言执行引擎执行。为了实现有效的翻译，课题组提出了两类优化技术。一种类型根据分析任务和数据集的特点自动选择最适合的分析算法，另一种类型自动确定算法中某些参数的最优值，从而使系统完成相应的数据分析任务自主和良好。所以，

(2)柔性生产线加工参数在线优化系统

随着工业机器人的普及，很多加工线都实现了一定的柔性化。目前柔性生产线的特点是能够快速响应中小批量、同类型、不同型号的产品。在生产过程中，工程技术人员提前为每一类产品设计加工方案，预设加工参数，开发相应的机器人控制程序。当需要对特定产品进行加工时，控制系统调用相应的控制程序来实现加工。工艺参数的设置对产品良率有显着影响。但是，工程技术人员在为特定型号的产品预设加工参数时，只能依靠人工经验。由于产品种类繁多，生产线的复杂性和加工环境的不确定性，预设的参数往往不能满足实际生产需要。这时，只有经验丰富的工作人员才能在实际生产过程中合理调整加工参数，以满足产品质量的要求。

针对目前在同一条柔性生产线上加工的产品相似度高的问题，课题组设计并开发了基于相似度搜索的柔性生产线加工参数在线优化系统样机。系统根据产品质量检测结果，记录好产品的加工参数，形成知识库。当产生不良品时，系统根据当前产品的特点，利用局部敏感的哈希算法实时搜索知识库中与当前产品相似度最高的产品的加工参数，形成参数优化计划，并推荐给生产线工作人员，帮助工作人员快速优化加工参数，减少对人工经验的依赖。该系统具有高度的可配置性和交互性，可以适应所有具有上述特点的柔性生产线。

(3)生产线先进计划调度系统

生产计划与调度是车间调度中最重要的环节之一。在加工设备和人力等资源有限的前提下，如何根据加工产品的需要合理配置加工资源，最大限度地提高加工效率，是制造过程中的关键问题。但目前，大部分制造企业，尤其是以浙江省制造业为代表的中小型制造企业，仍采用人工排产的方式。缺乏客观性和科学性。为此，课题组针对车间计划调度问题设计开发了先进的计划调度系统原型。课题组将规划调度问题抽象为有限资源下的调度优化问题，设计了一种基于遗传算法的求解方法。用户只需将订单信息、产品加工技术和资源输入系统，系统即可调用优化算法优化订单加工方案，最大限度缩短加工时间。生产调度结果以甘特图的形式展示，简单直观。系统采用B/S架构，拥有轻量级客户端。前端页面干净友好，通俗易懂，人机交互性强，方便生产线上的工作人员操作使用。并设计了一种基于遗传算法的求解方法。用户只需将订单信息、产品加工技术和资源输入系统，系统即可调用优化算法优化订单加工方案，最大限度缩短加工时间。生产调度结果以甘特图的形式展示，简单直观。系统采用B/S架构，拥有轻量级客户端。前端页面干净友好，通俗易懂，人机交互性强，方便生产线上的工作人员操作使用。并设计了一种基于遗传算法的求解方法。用户只需将订单信息、产品加工技术和资源输入系统，系统即可调用优化算法优化订单加工方案，最大限度缩短加工时间。生产调度结果以甘特图的形式展示，简单直观。系统采用B/S架构，拥有轻量级客户端。前端页面干净友好，通俗易懂，人机交互性强，方便生产线上的工作人员操作使用。并且系统可以调用优化算法来优化订单处理计划，以最大限度地减少处理时间。生产调度结果以甘特图的形式展示，简单直观。系统采用B/S架构，拥有轻量级客户端。前端页面干净友好，通俗易懂，人机交互性强，方便生产线上的工作人员操作使用。并且系统可以调用优化算法来优化订单处理计划，以最大限度地减少处理时间。生产调度结果以甘特图的形式展示，简单直观。系统采用B/S架构，拥有轻量级客户端。前端页面干净友好，通俗易懂，人机交互性强，方便生产线上的工作人员操作使用。

发表的论文和专着

张浩，王洪志，李建中，高洪。用于制造生产的通用数据分析系统。大数据挖掘与分析，第 1 卷，第 2 期，2018. 160 – 171.

李飞，王洪志，周国文，于达仁，李江中，高洪。使用顺序符号法检测燃气轮机燃料系统中的异常。能源 2017, 10, 724

王春南、王洪志、穆天宇、李建中、高洪：

自动模型：利用研究论文和 HPO 技术来处理 CASH 问题。ICDE2020

杨一杰，杨宋，安一南，李亚平，王宏志。工业数据分析中预测算法的通用数据更新模型。ICPDS 2019

梁志宇，王洪志，李建中，高洪。大数据分析技术在制造业中的应用综述 机械, 45(6), 1-13, 2018.

张美凡，王宏志，李建中，高宏。大数据的一次性不一致检测算法。DASFAA 2016.

陈晔，王洪志，李建中，高洪，程思尧。基于贝叶斯网络的众包增强缺失值插补。DASFAA 2016.

Hekai Huang，Hongzhi Wang，Ming Sun：基于视图的决策树的不完整数据分类。应用程序。软计算。94: 106437 (2020)

Hongzhi Wang，Chengquan He，Zhuping Li：一种基于遗传算法的新集成特征选择方法。软计算。24(20): 15811-15820 (2020)

Mohamed Jaward Bah、Hongzhi Wang：一种用于高精度异常值检测的参数和非参数方法。J.Inf。科学。英。36（2)：441-465（2020)

齐志新，王宏志，何涛，李建中，高洪：朋友：不一致数据的特征选择。神经计算 391: 52-64 (2020)

齐志新，王洪志，孟凡山大数据分析，李建中，高洪：Capture Missing Values with Inference on Knowledge Base。2017 年 DASFAA 研讨会：185-194

Yiwen Tang、Hongzhi Wang、Shiwei Zhang、Huijun Zhang、Ruxi Shi：基于 Web 的高效数据插补与图模型。2017 年 DASFAA 研讨会：213-226

丁晓欧，王宏志，高一桐，李建中，高宏：动态数据的币种确定。ACM TUR-C 2017：17:1-17:6

Shanshan Han，Hongzhi Wang，Jianlin Wan，Jianzhong Li：基于杠杆的近似聚合的迭代方案。ICDE 2019：494-505

彭景林，王洪志，李建中，高洪。时间序列的基于集合的相似性搜索。SIGMOD 2016

梁志宇，王宏志：用于可解释时间序列分类的高效特定类 shapelets 学习。: 428-450 (2021)

林一鸣，王洪志，李建中，高洪：大数据时代信息集成的数据源选择。信息。科学。479: 197-213 (2019)

Junxiong Wang, Hongzhi Wang, Chenxu Zhao, Jianzhong Li, Hong Gao：分布式学习系统的迭代加速。并行计算 72: 29-41 (2018)

林一鸣，王宏志，张硕，李建中，高宏。从海量数据源中进行高效的质量驱动源选择。系统与软件杂志。第 118 卷，2016 年 8 月，第 221-23 页3.

Mehak Khan、Hongzhi Wang、Adnan Riaz、Aya El-Fatyany、Sajida Karim：用于单变量时间序列分类的基于双向 LSTM-RNN 的混合深度学习框架。J. 超级计算。77（7)：7021-7045（2021)

梁志宇，王宏志：用于可解释时间序列分类的高效特定类 shapelets 学习。信息。科学。570：428-450（2021)

Mehak Khan、Hongzhi Wang、Alladoumbaye Ngueilbaye：用于时间序列分类的基于注意力的深度门控全卷积端到端架构。神经过程。莱特。53(3): 1995-2028 (2021)

齐志新，王宏志：脏数据对回归模型的影响：实验评估。DASFAA (1) 2021: 88-95

阿米娜·贝尔哈塞纳，王宏志。基于频繁活动的轨迹大数据处理。清华科技24(3):317-332.

Yanjie Wei，Hongzhi Wang，Shengfei Shi，Hong Gao，Jianzhong Li：具有缺失观测值的时间序列预测的任何时间方法。2017 年大数据大会：427-430

王和鹏，王洪志，李建中，高宏。基于不一致数据的准确决策树生成算法。软件学报, 2017, 28(11):2814−2824.

魏曲、程思尧、王洪志。Hadoop 分布式文件系统上的高效文件访问技术。ICYCSEE 2016，第一部分，CCIS 623，第 350–361、201 页6.

李经纶、施胜飞、王洪志。Hadoop的优化分析。ICYCSEE 2016，第一部分，CCIS 623，第 520–532、201 页6.

Hongzhi Wang大数据分析，Amina Belhassena：基于分布式索引的并行轨迹搜索。信息。科学。388：62-83（2017)

施若希，王宏志，王涛，侯玉泰，唐一文，李建中，高洪：结合查询松弛和多样化的相似性搜索。DASFAA (2) 2017: 65-84

任博亚，王宏志，李建中，高宏。基于动态组合模型的终身学习。应用软计算，第 56 卷，2017 年 7 月，第 398-40 页4.

孙明，王宏志，孟凡山，李建中，高宏：基于多视图的不完全数据分类。美联社 (2) 2016: 239-250

Mohamed Jaward Bah、Hongzhi Wang、Mohamed Hammad、Furkh Zeshan、Hanan Aljuaid：一种有效的微集群最小探测方法，用于数据流中基于距离的异常值检测。IEEE 访问 7：154922-154934 (2019)

Hongzhi Wang, Zheng Wang, Ning Li, Xinxin Kong：GPU 加速 Hadoop 集群上的高效 OLAP 算法。分布式和并行数据库 37(4): 507-542 (2019)

Meifan Zhang、Hongzhi Wang、Jianzhong Li、Hong Gao：频率估计的学习草图。信息。科学。507：365-385（2020)

齐志新，王洪志，周雄，李建中，高宏。在劣质数据上建立成本敏感的决策树。软件学报, 2019, 30(3):604-619

Chunnan Wang, Hongzhi Wang, Chang Zhou, Jianzhong Li, Hong Gao：ECOQUG：一个有效的集成社区评分函数。ICDE 2019：1702-1705

Hongzhi Wang，Ning Li，Jianzhong Li，Hong Gao：大图上灵活模式匹配的并行算法。信息。科学。436-437：418-440（2018)

梁志宇，王宏志，李建中，高宏：IMOptimizer：基于大数据的在线交互式参数优化系统。DASFAA 演示 2019：581-584

Hongzhi Wang, Xiaoou Ding, Xiangying Chen, Jianzhong Li, Hong Gao：CleanCloud：清洗云上的大数据。CIKM 2017：2543-2546

梁志宇、王宏志、杨继佳：战略：大型复杂产品的灵活作业车间调度系统。DASFAA (3) 2020: 766-770

梁志宇、王宏志、张浩、郭恒宇：GMDA：工业生产自动数据分析系统。DASFAA (3) 2020: 780-784

项目联系人：王洪志 ()