智能製造與運營系統中高維動態數據的降維建模方法

來自工業系統運營的數據通常採用時間序列形式。隨著工業物聯網（IIoT）的日益普及，時間序列數據變得海量、高維、動態和共線性。這些特徵使得數據同時包含時間自相關和時間不相關的特徵。另一方面，工程領域已經通過多年的投入，開發了众多有價值的第一性原理模型。 

該項目旨在解決為工業系統時間序列數據分析的兩個挑戰： 

1. 如何以簡約的形式提取低維動態特徵以進行準確的預測和解釋

2. 如何有效地將第一性原理模型與潛變量分析相結合

該項目旨在開發基本理論和算法，以利用高維動態數據進行預測分析和監控。該項目從综述工程、金融時間序列和統計中的方法開始。然後我們將它們與動態系統理論相結合，形成一個新的狀態空間降維表達（DRESS）框架。文獻中已經很好地研究了非動態數據的降維問題。另一方面，非降維時間序列分析問題也得到了很好的研究。然而，來自工業物聯網和工業 4.0 的海量動態數據需要一個新的框架，必須同時做降維和動態分析。通過這種方法，可以有效地利用高維數據進行預測分析。此外，降維的潛變量可以可視化，以進行監控和決策。

該項目將研究一種將第一性原理模型納入潛在變量數據分析的方法。因此，在第一性原理模型中積累的先驗知識可以補充大數據分析的能力。集成的方法將促進行業快速採用數據科學，並提供可持續和可解釋的解決方案。開發的算法將在工業案例上進行演示，目標是環境排放監測和預測。該項目所提出的多維動態數據分析可以擴展到許多其他應用領域。所提出的數據處理和分析技術可以激發其他領域類似問題的解決方案，例如金融時間序列、動態系統識別和用於動態特徵分析的機器學習。