中南大学桂卫华院士团队研究成果 | MDPI Machines 在线数据处理

在工业过程控制与智能自动化领域，如何在线处理大规模、高维度、强噪声的工业数据，是实现复杂工业过程智能化运行的关键瓶颈之一。中南大学桂卫华院士团队长期从事复杂工业过程建模、控制与优化研究，在有色金属冶炼等典型流程工业中取得了系统性成果。该团队在 MDPI 旗下期刊 Machines 上发表的研究工作，聚焦工业过程在线数据处理方法，为复杂工况下的实时监测、故障诊断与运行优化提供了新的技术路径。

一、研究背景与问题挑战

复杂流程工业通常具有多变量耦合、非线性、时变性强、工况波动大等特点，现场采集的数据往往伴随噪声、缺失、异常值和样本不平衡等问题。传统的离线数据建模方法难以满足实时控制与动态优化对数据时效性和可靠性的要求。另一方面，工业现场对算法可解释性、计算效率和部署轻量化提出了更高要求，使得在线数据处理成为连接数据采集层与智能决策层之间的核心环节。

桂卫华院士团队的研究立足于实际工业场景，围绕数据流式到达、分布漂移、噪声干扰等现实条件，构建了面向在线应用的数据处理框架，力求在保证模型精度的同时降低计算负担并提升工程可实施性。

二、主要研究内容与方法

该研究从在线数据预处理、特征提取与动态建模三个层面展开。针对工业数据中普遍存在的异常值与缺失问题，提出了一种面向流式数据的鲁棒清洗策略，通过滑动窗口统计与自适应阈值机制，在保证实时性的前提下有效抑制噪声干扰。在特征层面引入增量式特征提取方法，使模型能够随新样本的到来动态更新特征表示，降低因工况变化导致的模型性能退化。在建模与预测环节，研究结合在线学习方法，实现对关键过程指标的动态跟踪与预测，并通过实验验证了该方法在计算效率与预测精度之间的良好平衡。

值得关注的是，团队在方法设计中强调与工业机理知识的融合，避免纯数据驱动模型在极端工况下的不可解释性与外推风险，体现了其“机理与数据协同”的一贯研究思路。

三、实验验证与应用价值

研究成果通过工业数据集与仿真实验进行了验证，结果表明所提出的在线数据处理方法在异常检测准确率、模型更新效率和预测稳定性方面均具有较优表现。相关工作发表于 Machines 期刊，为工业过程在线数据处理提供了可借鉴的方法参考，也为后续将人工智能方法部署到边缘设备与工业控制系统奠定了基础。

从应用角度看，该研究有助于提升流程工业过程监控的实时性与可靠性，支撑复杂工况下的故障预警与优化决策，对推动有色金属冶炼等典型流程工业的智能化升级具有积极意义。

四、

桂卫华院士团队在 MDPI Machines 上发表的在线数据处理研究，体现了面向真实工业需求、机理与数据融合、注重工程可实施性的研究特色。在国家大力推进制造业数字化转型与人工智能赋能新型工业化的背景下，此类工作对于打通工业数据从采集到智能决策的链路具有重要意义。随着边缘计算与工业大模型技术的发展，在线数据处理方法有望在更大规模、更高实时性要求的工业场景中发挥更大作用。