人工智能助力智能流程制造的发展对挑战和应用的研究及技术的报告

工程7（2021）1193社论专刊《人工智能为流程制造赋能》社论冯倩华东理工大学能源化工过程智能制造教育部重点实验室，上海200237流程制造业是现代经济的支柱它是许多行业的主要生产方式，包括石油和天然气，化工，有色金属，钢铁等。为了解决过程制造中的资源约束、能源效率和环境保护问题，有必要开发系统和方法，使过程制造更高效、更绿色和更智能。从另一个角度来看，人工智能已经成功应用于各个领域，如自动驾驶汽车、图像分析、机器人操纵器、实时助手和智能推荐，并在知识表示、认知理解和自主学习方面展示了其强大的优势因此，人工智能与过程制造的深度、紧密结合是“智能过程制造”的发展方向近年来，智能流程制造已成为研究热点，各国政府纷纷发布智能流程制造战略规划，旨在实现流程工业的升级和转型过程工业面临多尺度集成、人-网-物交互、多约束多目标优化等挑战，开发和应用人工智能技术进行智能过程制造具有重要的因此，本期特刊重点关注如何解决运营管理、生产运营、效率、安全、信息集成等方面的瓶颈问题。同时，从建模、优化、智能感知、自动控制、智能决策等多个角度，推动人工智能在流程制造中的应用在中国工程院的大力支持下，我们非常荣幸地邀请到来自比利时、加拿大、中国、丹麦、德国、韩国、新加坡、瑞典和美国报告与智能流程制造相关的想法，理论和技术。通过严格和仔细的同行评审过程，我们选择了9篇论文发表。下文简要概述了这些文章通过开发化工产品建模工具和方法，研究人员可以直观地了解过程制造中各种变量之间的内在关系，并通过数学建模捕捉这种关系的主要性质。一般来说，建模是实现过程制造中过程监控、决策、自主控制、故障检测等功能的第一步在这期《工程》特刊中，Teng Zhou等人旨在解决材料选择和工艺操作之间的强烈相互作用所引起的复杂设计问题。他们强调，混合建模在多尺度材料和工艺设计中是有益的，因为材料特性应该由数据驱动的模型描述，而工艺相关的原理应该基于机械模型。通过连接三个方面，包括数据驱动的制造，分散的制造和集成的区块链，Manu Suvarna等人提出了一个关于网络物理生产系统（CPPS）在推动下一代制造中的作用的整体观点此外，他们还提出，通过应用数据驱动建模，CPPS可以帮助改造制造业，使其变得更加直观和自动化。马腾河Dobbelaere等人总结了应用机器学习实现过程工程中化学建模的优势、劣势、机会和威胁，并提出了三项建议，以提高基于机器学习的建模方法的可信度。他们还指出，机器学习特别适合于时间有限的应用，如实时优化和规划。由于实际工业过程的恶劣环境，由传感装置采样的测量值总是受到许多不期望的因素的影响，例如变化的操作环境、原材料和产品质量指标的变化。因此，有必要开发新的过程监控技术来评估过程制造的运行状态。Zhaohui Zeng等人提出了子带瞬时能量谱（SIEP）来定量表示https://doi.org/10.1016/j.eng.2021.08.0032095-8099/©2021 THE CONDITOR.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可从ScienceDirect获取目录列表工程杂志首页：www.elsevier.com/locate/engF. 钱工程7（2021）1193在各种电池条件下电池电压的指定频带的特性。在SIEP的基础上，他们进一步提出了一种对槽况敏感的频率分段方法，从而可以更可靠、更准确地监测铝基电解槽电压。由于测量数据的分布在不同的操作环境中会随着时间的推移而变化，因此基于历史训练数据的过程监控模型无法准确地完成在线流数据监控任务杨春华等人提出了一种鲁棒的迁移字典学习方法，该方法是代表性学习和领域自适应迁移学习的协同框架，以消除环境干扰引起的分布发散，保持工业过程的监测Oguzhan Dogru等人采用了一种称为行动者-批评者策略的强化学习方法来解决过程工业中的实时对象跟踪问题。这种方法不仅可以提高环境不确定性下的监测系统的鲁棒性，而且可以利用较少的计算机视觉生成的图像，以减少维护成本。众所周知，在过程控制中，控制是保证闭环稳定性和高精度性能的关键近年来，随着工业系统规模的不断扩大和结构的日益复杂，有必要引入先进的机器学习技术来优化过程工业的决策过程和控制策略由于炼铁过程中的传统方法不能满足实时响应和弹性计算的要求，Zhou等人提出了一个基于云服务和云分发系统的多目标优化框架。在此基础上，他们进一步利用深度学习和进化计算开发了一种多目标优化算法，以优化高炉炼铁过程中的冲突对象。Li Sun等人从监测、控制、优化和故障检测的角度回顾了机器学习和数据驱动控制在受随机不确定性影响的发电系统中的典型应用。最后，他们指出，机器学习和数据驱动控制技术有助于提高智能发电系统的可视性、可操作性、灵活性、盈利性和安全性，因此有望成为传统基于模型方法的重要替代方案杨涛等分析了流程工业生产全过程决策、控制和运行管理框架的不足，提出将工业人工智能和工业互联网与过程领域知识深度融合，是实现流程工业智能制造的重要途径。总之，本期《工程》杂志介绍了9篇关键论文，从化学建模、过程监控和控制等方面报道了智能过程制造的最新进展。我们希望这期特刊能够帮助学术界和工业界的研究人员和从业人员进一步了解人工智能在智能流程制造中的作用。最后，我们对作者、审稿人、编辑部和客座编辑的努力表示衷心的感谢。1194