本成果提出了基于零件批量加工数据分析的加工工艺与流程优化，主要包括零件加工过程的工艺数据挖掘与机器学习算法、基于数据和机理模型相结合的零件加工精度预测、基于机器学习的零件加工工艺优化与决策、基于数据驱动的零件批量加工工艺优化方法验证这四方面。以下是各方面具体对应内容： 1）零件加工过程的工艺数据挖掘与机器学习算法：在数据挖掘与机器学习算法方面，搭建了轴类零件全流程加工工况数据实时采集硬件平台，实现对加工力、加工振动、主轴电流等工况数据的实时在线获取。 2）基于数据和机理模型相结合的零件加工精度预测：在航空薄壁件加工精度预测方面，对复杂曲面加工过程混合建模与全流程加工精度预测等理论开展了深入研究工作；建立了零件单工序/多工序加工精度预测混合驱动模型，实现了加工精度的高效高精预测。 3）基于机器学习的零件加工工艺优化与决策：在轴类零件全流程加工工艺优化与决策方面，围绕隐马尔可夫决策过程、遗传算法等理论开展了理论研究工作，结合轴类零件加工过程开展了优化工作；提出了加工参数自适应调控联合决策方法。 4）基于数据驱动的零件批量加工工艺优化方法验证：构建加工数据库1套，包含机床设备、加工刀具、加工参数、检测数据等四种类型数据。开发全流程加工智能推理软件1套（部署于中航发南方公司柔轴车间），实现航轴全流程质量数据感知与工艺优化，其中全流程误差建模与分析模块实现了端到端的零件加工质量智能推理，可以用于工艺设计与现场预先感知，加工过程工艺数据挖掘模块实现基于批量数据的多工序误差流分析，实现后续工序加工误差推理，加工过程工艺优化与智能决策模块实现了零件多工序加工质量数据推理与给定期望指标下的加工参数优化。 图1 本成果对应功能结构示意图 【技术优势】 围绕航空领域制造的加工质量问题，开展基于制造过程数据的工艺全流程智能决策技术与系统的研发，初步实现工艺与制造过程的智能控制。在数据挖掘与机器学习算法、航空薄壁件加工精度预测、轴类零件全流程加工工艺优化与决策、零件全流程加工质量智能推理与优化、智能加工产线智能决策技术应用与推广等多个方面实现了突破，具有显著的理论价值与应用价值。 规范制定方面，研究了薄壁件加工误差产生的深层机理，构建了批量零件加工过程中误差传递的理论模型，探究了机床、夹具、刀具、加工参数全方位、多层次的因素对于零件加工误差产生的影响规律，提出了零件加工工艺与流程优化策略，形成制定面向航空发动机大长径比轴类零件的决策规范，规定轴类零件全流程加工过程中机床、刀具、装夹、加工参数四个方面的具体要求。通过中国航发南方工业有限公司企业标准体系管理系统制定、修改、审批，形成《航空发动机轴类零件加工工艺优化与决策技术规范Q/2B 1586—2022》。 软件开发方面，将上述理论成果进行高度集成，开发了零件全流程加工智能推理优化软件（MIO软件）。软件集成了四大功能模块，包括加工工艺数据库、全流程误差建模与分析、加工过程工艺数据挖掘、加工工艺优化与智能决策。相关知识与优化规则形成权。全流程加工智能推理优化软件以及知识库软件通过第三方测评，测评机构具备MA与CNAS认证资质，最终形成《零件全流程加工智能推理优化软件第三方测试报告》、《智能加工产线工艺全流程智能决策工艺知识库软件第三方测试报告》。 应用验证方面，结合航空发动机制造具体需求，将相关成果应用到某型号航空发动机轴类零件（动力涡轮传动轴）加工生产中。将零件全流程加工智能推理优化软件部署在航轴加工车间，在验证产品的加工设备上部署了数据采集装置，实时采集加工过程数据，集成企业工艺资源数据库和产品数字化检测系统，获取机床、夹具、刀具、产品质量等信息，构建了加工工艺数据库，开展了航轴加工工艺分析、现场加工质量预先感知、加工工艺与流程优化、现场实际加工验证等工作。通过南方公司现场应用验证，零件次品率平均降低54.53%。（2019年至2020年优化前，次品率为8.38%；2021年6月至2022年5月优化后，次品率为3.81%）。相关应用验证通过了中国航发南方公司的效果认定，并形成用户报告。 【技术指标】 1）采用机理模型/有限元仿真技术获取切削力/热/柔度/加工误差数据集，构建代理模型实现了切削过程的毫秒级预测，切削过程关键物理量的预测时间优于10毫秒。 2）建立了机理模型与小样本工况数据混合驱动的预测模型不确定分析与量化模型，提出了贝叶斯框架下的不确定校准方法，实现了加工误差快速（毫秒级）精准（偏差小于5微米）预测。 3）提出了航轴加工质量状态估计方法，建立了现场多源数据信息串联模型，基于隐马尔科夫的决策模型，实现工序间感知平均误差控制在9.21%内。 4）建立了加工次品率与加工参数约束集间双向映射互通模型，首次提出了基于隐马尔科夫模型与遗传算法的联合决策方法框架，联合决策优化框架保证次品率降低优于50%。

癌症是全球第二大死因，对人类的健康构成严重威胁。我国人口基数庞大，老龄化进程不断加快，癌症防控工作也面临巨大挑战。准确、实时的恶性肿瘤发病数据可为防控相关的政策制定、资源配置和科技项目实施与效果评估等提供重要依据。肿瘤发病数据的获得主要通过“肿瘤登记”实现，其中最理想的模式为“基于人群的肿瘤登记体系（Population-based Cancer Registry,PBCR）”。我国现行的肿瘤登记工作可追溯到上世纪50年代末60年代初。历经几十年发展，“从无到有”、“从弱到强”，为相关工作的开展提供了关键的基础数据。然而，受限于“基于监测哨点开展、定点医院人工填报”的主要形式，目前我国肿瘤发病登记工作的发展遇到挑战。其中主要包括：肿瘤登记点数量不足和分布不均衡；肿瘤登记数据深度和广度不足；很难在现有模式下建立真正覆盖全人群的肿瘤监测系统。同时，对上报数据的采集、补充、质控需要较长周期，导致我国肿瘤发病年报通常会滞后3年发布。河南省滑县与广东省汕头市合计在籍人口约700万人。近十年以来，各项医保系统的总参保比例分别稳定在99%及90%以上。两地区过去一直被认为是食管癌高发区，但目前尚无国家肿瘤登记系统覆盖，因此实际的癌症负担及食管癌发病水平仍不明确，无法有针对性地制定并实施肿瘤防控计划。过去十余年，柯杨教授课题组在我国太行山食管癌高发区开展了多项大规模前瞻性人群研究。在长期的队列随访工作中，课题组探索出利用“医保报销数据”追踪肿瘤新发病例的工作模式。经比较性研究评估，该模式对新发癌症病例捕捉的灵敏度高达96%，特异度接近100%[4]。在此基础上，该团队进一步与河南省滑县和广东省汕头市政府有关部门与医疗机构建立深度合作，在高度重视数据安全与隐私保护的基础上，创新性地基于医保系统的医疗费用报销与疾病诊断数据，建立了一套标准化的数据清理流程和质控标准，研发了医保系统数据挖掘的相关算法（已申报相关发明专利），实证性构建了南、北方两个试点地区的肿瘤发病监测系统。对当地全瘤种的癌症发病数据及其流行分布特征、时间趋势等进行了深入分析与报告，为两地区明确癌症疾病谱特征及相关负担、有针对性地建立并完善癌症防控工作策略提供了详实的数据。2012-2018年河南省滑县与广东省汕头市参保全人群的年龄分布 （高参保率及稳定、详实的人口分布数据使MIS-CASS实现“全人群覆盖”）2018年河南省滑县与广东省汕头市男、女性主要恶性肿瘤发病例数及发病率 （医保数据的“实时性”与“高质量”使MIS-CASS的发病数据报告延迟缩短至6个月）2014-2018年河南省滑县与广东省汕头市男、女性主要瘤种发病率变化趋势 （MIS-CASS敏锐地捕捉到了滑县开展乳腺癌筛查引起的发病率“突增”）2018年广东省汕头市食管癌发病率地域分布特征 （MIS-CASS报告显示，汕头市整体食管癌发病水平不高，但内部地域差异明显，地处东北、四面环海的南澳岛为高发区域，西南方向渐呈下降趋势）我国《“十三五”规划（2016~2020）》和《“健康中国2030”规划纲要》均提出，要推进健康大数据在各相关部门间的整合、共享、挖掘和应用。该项工作将医保系统创新性地与癌症发病监测工作相结合，建立了基于医保大数据监测癌症发病的MIS-CASS模式。经评估，该模式具有区域内全人群覆盖、数据质量高、报告延迟短、运维成本低等优点。在信息化与大数据时代背景下，为我国癌症及其他重大慢性非传染性疾病的监测与登记工作提供了有益经验和发展方向。

一、平台概况 数字农业大数据平台（以下简称“平台”），是面向各地农业农村局及其相关科室的数字农业大数据产品。 平台以农业信息化数据大集中为原则，通过整合全区农业数据资源及农业信息化设施，统一管理、统一部署、统一规划，搭建起包含“底层数据+业务系统+终端应用+分析系统+可视化系统”的区域数字农业产品体系，为实现区域农业信息汇集、区域农业现状掌握、农业发展指导及监管提供了有力的信息化支撑。 二、产品简介 平台涵盖GIS、产业结构、农业社会化服务、农机信息、乡村振兴、美丽乡村、科技农业、质量安全、综合预警、农村经济、品牌农业、一卡通12个模块，针对区域农业中重点关注的内容，从多个维度对相关数据进行可视化分析，结合当地农业特色，全面展示当地的农业发展面貌。 三、详细介绍

小试阶段/n大数据监控管理平台的目标为：建立基于大数据处理技术的数据中 心，整合各种数据源的数据；实现多源数据的高效管理和可靠存储；为 应用开发人员提供统一的数据访问层，方便平台的二次应用开发；提供 图形化的文件管理；实现界面化的数据管理；提供图形化的集群的部署 和监控；实现方便高效的数据迁移。同时，提供有效的安全访问控制和 界面化的快捷操作。 当前各行各业均有大数据应用的需求，需要投入巨大的人力、物力 来简历和维护大数据平台，技术升级和平台迁移的成本非常高，大数据 监控管理平台的应用，将在大数据应

针对国家大数据战略的重大需求，着重发展了空间大数据、互联网大数据等研究方向，攻克了深度挖掘和深度分析等关键技术，显著提升了数据挖掘精度和智能化水平，利用这些技术研发了气象短临预报系统、国产气象卫星自定标模型、通用数据挖掘平台DMBOX、华为应用市场推荐系统和深圳海关自动检验检疫系统等，解决了智慧气象、企业应用和智能通关等领域的实际应用问题，获得了重大的社会和经济效益。

智慧墙通过挖掘分析图书馆服务应用数据实现可视化输出，能够实时展示图书馆动态信息数据，形成高价值信息网，将图书馆的信息数据第一时间展示在公众面前，实时进行互动，使阅读变得社交化，提高图书馆社会效益。

爱学堂教学大数据展示平台是专为高校教研开发的数据挖掘分析应用系统，致力于对学校教学中互动数据、学生行为数据、教学数据的科学分析，用数据让校方把控教改方向，让教师科学制定教学方案，让学生精准认知自我。

建设专业的大数据实践教学平台，提供多样的实践教学环境和算力支持。 提高大数据专业建设水平，丰富大数据教学资源和提高专业能力。 链接产业，转化和对接企业级大数据项目案例、数据集并做到及时更新。 提供师资工程能力，提供充足的大数据专业师资和技术支持服务。

随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系 统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的 分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、 类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出 阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出 电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预 测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。2 应用说明本系统实施电压稳定性预测的具体步骤为:步骤 1:通过部署在关键测点的同步相角测量单元 PMU 采集电网实时数据，所述 实时数据包含电网中每个关键测点的电压 U、 有功 P、无功 Q、电流 I;分别计算 U 的衍 生量 dU/dt，Q 的衍生量 dQ/dt，电压的变化 量比上无功的变化量的衍生量 dU/dQ，用这 些衍生量作为特征，来表征量的时间变化速 率;步骤 2:对步骤 1 中提取的特征进行数 据降维与压缩;根据特定时刻电压 U 是否恢 复到标准值的 0.8 倍来区分每组样本组是否 稳定，用 0 标记稳定，用 1 标记不稳定;步骤 3:选择分类器，建立一个电压稳 定性的分类器;步骤 4:训练分类器;当分类器训练完 成后，将训练好的参数储存起来;步骤 5:进入预测部分的数据启动阶段， 填充特征矩阵，没有输出;步骤 6:把多个节点的特征按照顺序排列，形成特征矩阵;特征矩阵填充完成后， 根据分类器给出的预测结果;特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾， 分类器持续给出预测结果;步骤 7:每隔一定时间间隔 ，要把新收集来的数据与以前的数据一起，重新回到步骤 4 训练分类器，更新参数。在具体系统搭建过程中，我们充分利用现有机器学习平台。其中 Hadoop 的文件管理系统 HDFS 负责数据存储;Spark 负责模型训练;Storm 负责在线预测;Kafka 负责在 Storm 和Hadoop 之间传递更新后的模型参数。