Guangyu Liu , Ling Zhu , Weijie Yu , and Wujia Yu，“Image Formation, Deep Learning, andPhysical Implication of MultipleTime-Series One-Dimensional Signals:Method and Application,” IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS, 2021, VOL. 17, NO. 7
在智慧城市和智能制造的大背景下，工业物联网和云服务平台产生了工业大数据（Industrial big data），以对应不同时间下不同设备的状态，具有巨大的潜在商业价值。近年来，深度学习在先进的监测、控制、预测和诊断系统中得到了应用，为数字化经济改革提供了人工智能解决方案。然而，传统的传感器和执行器产生的工业讯息，直接与深度学习结合往往失效。所以，如何将原始工业讯息转换为二维图像的特殊转换方法得到了关注，从而推动计算机视觉技术和深度神经网络在工业大数据场景下的应用。
本文重点给出了一种工业大数据前处理理论，面向不同采样频率和不同物理特性讯息的错配特性，利用工业大数据隐含的物理规律重构时间序列下的二维图像或者视频，再结合深度学习对重构的视频图像进行有效的时序特征提取和时序特征分类。此外，将创新理论方法应用到新能源微电网，对不同工况条件进行了有效分类和比较，所提出的重构理论和深度学习算法可以较大幅度地提升分类性能。
该论文主要作者为大数据智能与智能制造研究中心的刘光宇教授带领的交叉学科团队，刘光宇教授先后入选了国家教育部新世纪优秀人才、浙江*****、浙江省钱江学者特聘教授、浙江省151第一层次人才（优秀）、浙江省浙江省高校领军人才培养计划（领军人才）等，研究获国家自然科学基金重大仪器研制项目的资助。
工业环境下多源异构时序大数据的重构方法
智能微电网的多源异构时序大数据重构与深度学习过程