智能制造与运营系统中高维动态数据的降维建模方法

来自工业系统运营的数据通常采用时间序列形式。随着工业物联网（IIoT）的日益普及，时间序列数据变得海量、高维、动态和共线性。这些特征使得数据同时包含时间自相关和时间不相关的特征。另一方面，工程领域已经通过多年的投入，开发了众多有价值的第一性原理模型。 

该项目旨在解决为工业系统时间序列数据分析的两个挑战： 

1. 如何以简约的形式提取低维动态特征以进行准确的预测和解释

2. 如何有效地将第一性原理模型与潜变量分析相结合

该项目旨在开发基本理论和算法，以利用高维动态数据进行预测分析和监控。该项目从综述工程、金融时间序列和统计中的方法开始。然后我们将它们与动态系统理论相结合，形成一个新的状态空间降维表达（DRESS）框架。文献中已经很好地研究了非动态数据的降维问题。另一方面，非降维时间序列分析问题也得到了很好的研究。然而，来自工业物联网和工业 4.0 的海量动态数据需要一个新的框架，必须同时做降维和动态分析。通过这种方法，可以有效地利用高维数据进行预测分析。此外，降维的潜变量可以可视化，以进行监控和决策。

该项目将研究一种将第一性原理模型纳入潜在变量数据分析的方法。因此，在第一性原理模型中积累的先验知识可以补充大数据分析的能力。集成的方法将促进行业快速采用数据科学，并提供可持续和可解释的解决方案。开发的算法将在工业案例上进行演示，目标是环境排放监测和预测。该项目所提出的多维动态数据分析可以扩展到许多其他应用领域。所提出的数据处理和分析技术可以激发其他领域类似问题的解决方案，例如金融时间序列、动态系统识别和用于动态特征分析的机器学习。