传统的工业过程优化控制,在面对复杂环境时难以建立精准的数学模型,解决如控制器参数整定等问题时,往往依赖于专家的决策经验,根据控制目标和操作工况进行参数试凑。然而,由于缺乏建立专家决策偏好模型的准确描述,面向不同的决策目标,专家的决策偏好和经验往往难以传承。因此,急需建立一种随专家试凑过程而逐步获得决策偏好模型的有效途径。决策偏好是基于专家个人的认知、情感、理论知识以及经验累积的一种综合表现,很难完全进行量化处理。同时,决策偏好也蕴含了专家期待的方向和目标。目前还没有统一的模型来解释和体现专家决策中的个人偏好。随着对人类心理学的深入研究和情感计算技术的进展表明:与传统的决策方法相比,认知情感不但可以更好地定量地表示人类在决策中的意愿,而且可以量化专家决策偏好的涌现过程。本文所述专家决策偏好特指在情感计算模型下的决策偏好。值得一提的是,专家决策偏好的表达是一个多模态的过程,不同的模态描述了情感的不同方面,并且包含互补信息。一般通过文本、语音、EEG等模态信息来进行情感识别,但是在工程实际操作中一般很难获得以上的识别数据。因此,面向工业控制过程,本文考虑对专家的面部表情和对应的控制曲线进行多模态融合,将这些信息结合起来可以构建鲁棒性更强的情感识别模型,进而可以识别专家决策过程中的决策偏好。此外,如何描述产生专家决策偏好的情感互动机制,并给出专家决策偏好的挖掘方法,是提高操作优化过程效率和辅助指导其他操作人员决策的有效途径。无疑具有学术研究意义和工程应用价值。本文的主要研究内容包括以下三部分:1.提出了一种新的基于个性和 PAD(Pleasure-Arousal-Dominance)情感空间状态模型的认知情感计算模型;此外,定义了一种新的情感状态参数来解释该情感计算模型在情感互动中的更新;同时,建立了基于遗传算法的决策偏好挖掘策略。2.构建了一种基于多模态融合的情感计算专家决策偏好挖掘方法。基于CNN-LSTM(Convolutional Neural-Long Short Term Memory Networks)的神经网络进行多模态特征融合过程,用于情感分类。随后,通过认知情感计算过程进行专家决策偏好的挖掘。3.将所提出的方法应用于一类工业控制过程耦合回路系统的PID控制器整定问题和啤酒发酵过程中的操纵向量优化问题,获得了良好的效果,验证了我们提出的基于多模态融合的专家决策偏好挖掘方法应用在工业过程中的可行性和有效性。