智能制造以企业高效化、绿色化与安全化为目标，以实现制造流程的智能优化决策与加工装备（过程）智能自主控制为特征，是我国制造业转型升级的必由之路。智能化作为智能制造的核心特征，体现于复杂工业过程全生命周期活动的诸多方面，如生产计划与调度、运行指标优化、异常诊断与分析等优化决策问题，它们涉及制造过程全生命周期活动中的人、设备、物料、工艺、环境等多个要素，具有多冲突目标、多冲突约束、多尺度动态优化等困难。目前，复杂工业过程优化决策主要依靠知识型工作者凭经验来完成，但其人工决策随意性大，难以及时捕捉生产过程全生命周期活动中发生的频繁或剧烈变化，凭借人工经验知识不能及时准确地做出决策反应，导致产品的质量差、成本高和资源消耗大等问题。

本文针对以上问题，围绕复杂工业过程中涉及全生命周期活动的优化决策问题，以实现工业大数据环境下多源数据知识高效获取、语义知识自优化及复杂工业过程智能优化决策为目标，开展工业大数据环境下知识获取、知识学习、知识决策方法的研究。本文的主要研究工作和贡献如下：

（1）提出了融合多源数据语义与特征的知识获取方法，能够有效获取复杂工业过程海量数据背后隐含的创新知识。本文给出了新的知识表示形式，提出了两阶段时间序列聚类的语义提取方法和基于卷积自编码器的特征提取方法，分别对复杂工业过程多源数据进行语义提取和特征提取，并融合含有语义信息的多源数据特征，结合其决策语义，获取知识元，构建了复杂工业过程语义知识库，为下一步研究语义知识自优化奠定了基础。

（2）提出了基于生成式对抗网络的语义知识自优化方法，能够高效预测少数类知识元样本的概率分布，生成更具多样性且准确的少数类知识元，从而解决了由于复杂工业过程中挖掘的高价值知识稀少而导致语义知识库中语义知识不均衡的问题，为建立基于语义知识的复杂工业过程智能优化决策模型提供了可靠保证。

（3）提出了基于语义知识的复杂工业过程智能优化决策方法。本文建立了以产品质量、效率、成本、能耗等综合指标为优化目标的全局优化模型，对贯穿于复杂工业过程全生命周期活动中的优化决策问题展开描述，并建立相应的度量描述模型。针对复杂工业过程产生的海量数据背后隐含的语义知识与优化决策问题之间存在的映射缺失问题，在语义知识库的基础上，构建了基于深度神经网络的优化决策知识推理模型，从而实现复杂工业过程智能优化决策。

（4）集成以上三个关键技术，以新能源汽车动力锂离子电池PACK中单体电芯的一致性分选优化决策问题为背景，设计了单动态特性曲线的单体电芯一致性分选优化决策方案和多动态特性曲线的单体电芯一致性分选优化决策方案，对本文所提方法的有效性进行了应用验证。本文开发了基于工业大数据平台的单体电芯一致性分选优化决策系统，并将其应用于实际生产过程。应用验证结果表明，单动态特性曲线的单体电芯一致性分选优化决策方案相比于目前实际生产中使用的传统分选方法，其分选的单体电芯不一致率平均降低了91.08%；多动态特性曲线的单体电芯一致性分选优化决策方案相比于单动态特性曲线的单体电芯一致性分选优化决策方案，其分选的单体电芯不一致率进一步平均降低了93.74%。综上所述，本文提出的方法能够有效筛选电化学性能不一致的单体电芯，从而提高动力锂离子电池PACK的一致性，改善PACK的耐久性、可靠性和安全性。