闭环中基于先验知识的在线批处理识别：注射成型应用

本文主要探讨了"基于先验知识的在线批次到批次识别在闭环中的应用及注射成型工艺中的实践"。作者Zhixing Cao、Yi Yang、Hui Yi 和 Furong Gao，分别来自香港科技大学化学与生物分子工程系、哈佛大学工程与应用科学约翰·保罗森工程学院以及深圳市坤达模具有限公司和香港科技大学傅英东研究院，共同合作研究了一个关键的工业问题。 在许多工业应用中，闭环下的在线过程识别是一项基础性任务，因为它对于过程监控、控制器校准和控制器重构至关重要。本文的核心贡献是提出了一种递归的批次到批次识别方法，该方法针对由批次内控制器调节的批次过程，通过利用其内在的重复模式进行建模。这种方法旨在解决实际生产过程中参数估计的巨大波动问题。 在传统的在线识别方法中，参数的准确性和稳定性往往受到操作条件变化、噪声干扰和模型不确定性等因素的影响。通过引入先验知识，也就是对系统运行的一些基本假设或已知特征，研究者能够在一定程度上减少这些不确定性。他们提出的策略可能包括但不限于对历史数据的分析，找出系统的固有特征模式，或者利用领域专家的经验来指导识别过程。 在注射成型工艺这个具体的应用场景中，这种批次到批次的识别技术能够实时调整工艺参数，确保产品质量的一致性，同时提升生产效率。例如，它可以帮助优化塑化温度、压力控制，以及注射速度等关键参数，从而减少废品率，提高成型精度。此外，通过闭环操作，可以实现实时反馈并调整控制器参数，使得整个生产过程更加动态、高效。 这篇研究论文不仅提供了一种创新的在线识别技术，还展示了其在实际工业环境中的可行性，特别是在具有高度重复性的批次工艺中。这对于推动工业自动化和智能制造的发展具有重要意义，为未来的工厂优化和维护提供了有力的工具和理论支持。