工程5（2019）1010研究智能流程制造：人工智能与流程制造的深度融合-透视智能流程制造的数据分析和机器学习：大数据时代潮商a，凤起游b，a清华大学自动化系，北京100084b罗伯特·弗雷德里克·史密斯化学与生物分子工程学院，康奈尔大学，伊萨卡，纽约14853，美国阿提奇莱因福奥文章历史：2018年11月6日收到2019年1月12日修订2019年1月28日接受在线预订2019年关键词：大数据机器学习智能制造过程系统工程A B S T R A C T安全、高效和可持续的操作和控制是工业制造过程的主要目标最先进的技术严重依赖人类干预，因此在实践中显示出明显的局限性。蓬勃发展的大数据时代正在极大地影响过程工业，为实现智能制造提供了前所未有的这种制造业要求机器不仅能够将人类从密集的体力劳动中解脱出来，有效地承担智力劳动，甚至自主创新。为了实现这一目标，数据分析和机器学习是必不可少的。在本文中，我们回顾了数据分析和机器学习应用于工业过程的监测，控制和优化的最新进展，特别关注机器学习模型的可解释性和功能。通过分析实际需求与当前研究现状之间的差距，确定了未来的研究方向。©2019 The Bottoms.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍流程工业在促进全球经济增长和维护社会效益方面发挥着主导作用。世界500强企业名单中包括许多流程工业公司，如中石化，壳牌和埃克森美孚，仅举几例。随着化工、装备制造和信息技术的发展，现代过程工业生产过程的空间规模和功能复杂性迅速增加。这一趋势也给不同水平的最佳和安全操作带来了重大挑战。在较低的控制层次上，由于不同对象和过程之间的紧密联系，多回路和多尺度耦合现象普遍存在，这直接影响了全局控制策略的有效设计。此外，由于过程往往暴露于干扰和故障源，这是很难考虑到在设计阶段，异常事件的风险大大增加。在更高级别的调度和规划中，必须实时*通讯作者。电子邮件地址：www.example.comfengqi.you @ cornell.edu（F. 你）。在全球竞争日益激烈的情况下，为节省经营成本，提高经济效益，我们必须作出这些决定。为了满足现代过程工业对安全、效率和可持续性的严格要求，迫切需要智能制造的尖端技术和创新。这些需求同时为所谓的第四次工业革命（也称为工业4.0）带来了挑战和机遇。即将结束的第三次工业革命是由信息技术的发展引起的，而过程工业在过去30年中的繁荣很大程度上是由于自动控制策略的广泛应用。在目前正在发生的第四次工业革命中，人们普遍认识到，机器不仅应该能够将人类从密集的体力劳动中解脱出来-这是先前工业革命的一个关键焦点-而且还应该有效地承担智力劳动，甚至自己进行创新。在加工工业中，所有的制造设备和过程都应该是“智能”的，这样，它们作为一个整体，就能智能地感知环境，发现新知识，做出合理的决策。此外，机器智能可以分为较低级别https://doi.org/10.1016/j.eng.2019.01.0192095-8099/©2019 THE COMEORS.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/）。目录可在ScienceDirect工程杂志主页：www.elsevier.com/locate/engC. Shang，F. 你/工程5（2019）1010-10161011智能和高级智能，其中低级智能将能够在功能上类似于人类，而高级智能将远远超出人类水平，作为未来不断追求的最终目标。第四次工业革命的一个显著特征是数据的爆炸性可用性，它几乎渗透到所有学科，并促使人们重新审视解决问题的传统作为建模、解释、处理和利用数据并最终实现机器智能的有用工具，数据分析和机器学习在过去几十年中得到了很好的发展，并在不断突破过程系统工程的传统界限最早的成功可以追溯到20世纪80年代后期，由神经网络和反向传播算法的巨大热潮引起[1，2]。后来，统计学习方法，包括主成分分析（PCA），偏最小二乘（PLS）和支持向量机（SVM）由于其清晰的统计解释，易于模型训练和处理小样本问题的理想能力而受到越来越多的关注这些主要应用于描述性建模任务，包括多变量统计过程监控（MSPM）和软测量。由于机器学习的能力越来越强，数据信息可以被有效地利用，从而导致基于通用系统识别技术的显着改进[3]。当前的大数据时代已经见证了数据分析和机器学习在流程工业中应用的更广泛的频谱 如图所示 1，这些方法渗透到过程工业中的各种层次中，在低级控制回路中的被动应用（如过程监控和软测量）和主动应用（如最优控制和高级决策）方面[4]。前者的目的是帮助工业从业者更好地观察和操纵过程，并确定重要的变化，而不是直接影响过程。相反，通过主动应用程序获得的决策对工业流程产生直接影响。在这项工作中，我们试图重新审视最近的进展，指出相关文献，并提供我们对未来研究方向的看法。我们不打算提供一个系统和全面的文献综述的通用方法，而是，我们集中在两个问题。对于被动应用程序，本文提供的文献综述通过关注数据分析和机器学习模型的可解释性来简化，即模型背后的物理意义及其与我们对过程的任务依赖性理解至于活动应用程序，Fig. 1.数据分析和机器学习在流程工业中的分层应用。一个焦点是数据分析和机器学习的新功能，它指的是机器学习模型旨在描述的关系或现象。通过分析目前研究中存在的瓶颈，指出了今后的研究方向.本文的提纲如下。在第2节和第3中，我们分别回顾了具有代表性的被动应用（过程监控和软测量）和主动应用（最优控制和高级决策）的数据驱动方法。第四对未来的研究方向进行了展望，最后一部分是结论性的评论。2. 被动应用：多变量统计过程监控和软测量2.1. 表示学习：通往数据分析和机器学习建模任务一般可分为无监督学习和有监督学习。在无监督学习中，建立描述性模型来描述输入数据中的底层结构;这些模型主要用于监控，以描述过程数据的分布。在监督学习中，包括回归和分类，建立输入和输出之间的函数映射，输出的预测精度是特别关注的。这在使用快速过程变量的工业过程中的关键质量变量的软测量中最常用。最近，更多的研究关注于表示学习或特征学习[5]，其中在构建模型时引入特定领域的知识尤为重要。因此，可以显著增强模型的可解释性，这进一步提高了模型性能。表示学习的一个例子是在计算机视觉中使用分段线性单元的神经网络。由于图形中的抽象特征具有局部不变性，可以描述为分段线性，因此使用分段线性单元作为特定领域的知识可以有助于提高模型性能[6]。表示学习为非监督学习和监督学习提供了统一的观点。无监督学习方法可以被视为“特征检测器”，用于从输入数据中提取可解释的潜在特征。然后，这些特征被用作分类器或回归器的输入，从而显着提高监督学习的性能。这正是深度学习技术中使用的技术[7]。换句话说，无监督学习和监督学习并不是相互孤立的;相反，前者可以大大有利于后者。总而言之，一个理想的模型，无论它是多么复杂，都应该被赋予清晰的物理解释。自然的问题是：什么样的先验知识可以很好地适应过程数据的特征？事实上，这是许多MSPM研究的共同但隐含的焦点。为了澄清这个问题，我们回顾了MSPM的一些最新进展，然后转向软测量方法。2.2. 基于特征学习的MSPM由于现代过程工业的规模大、耦合性强，微小故障的影响会急剧扩大。因此，持续监控运行状态并采取必要的维护措施对于确保制造过程的安全至关重要，尽管这样做需要繁重的人工工作量[8]。自20世纪80年代以来，MSPM1012C. 李翔， F. 你/工程5（2019）1010作为解决这一难题的答案，已经应用了各种经典的机器学习算法，这些算法很好地支持了工业制造的智能化。一些评论文章已经对这个主题提供了很好的总结[9，10]。最近的尝试旨在利用先验知识，是定制的连续制造过程，以建立有效的MSPM模型。由于扰动过程的建立时间通常较长，因此待监测的整个系统显示出某些惯性特性。这可以被描述为具有缓慢可变性的过程的潜在状态。因此，慢度被认为是一个有意义的属性，可以诱导潜在的特征，从而适当地捕获过程动态并产生更好的描述[11]。这种观点促使使用慢速特征分析（SFA）对过程数据进行建模，并实现有效的过程监控和诊断[12，13]。与经典的MSPM方法，如PCA，独立分量分析（ICA）和典型变量分析（CVA）相比，SFA具有其独特的性质，因为它可以单独描述工业过程的稳态和时间行为[12]。因此，通过设计针对过程动态异常的监测统计，可以提供更有意义的信息;因此，标称操作点开关可以清楚地与引起动态异常的真实故障区分开。在TennesseeEastman基准过程中表明，这种策略可以将误报率降低一个数量级[12]。基于慢节奏原则，已经提出了许多监测方法，包括用于自适应监测[14]和概率监测[15]的递归SFA。成功的应用也出现在受控压力钻井过程[16]和批量生产过程[17另一种动态过程数据分析方法称为动态内主元分析（DiPCA）已在文献[1]中提出。[20，21]，其中基于可预测性顺序提取作为潜在变量的主要时间序列。在这些学者的工作中，自回归（AR）模型被用来建立回归模型，并在此基础上定义不同主时间序列的可预测性。在我们看来，DiPCA与SFA相似，因为这两种方法都最大化了潜在变量的动态内容。粗略地说，可预测性可以被视为慢的一种特殊情况，因为可以用AR模型很好地描述的时间序列数据往往具有缓慢的变化。对于具有不可忽略动态的过程，上述方法可以提供比传统动态统计模型（例如动态PCA（DPCA）[22]和动态ICA（DICA）[23]）更好的描述模型。经典的机器学习模型通常被设计为单峰的。对于大规模工业过程，存在多个操作条件，并且频繁地发生不同模式之间的切换。因此，在设计MSPM的机器学习模型时，多模态应该被概念化为特定于 领 域 的 特 征 多 模 式 过 程 监 控 的 最 简 单 模 型 是高 斯 混 合 模 型（GMM）[24]。不幸的是，GMM不提供关于不同模式之间的转移概率的信息，这进一步激发了在多模型监测中使用隐马尔可夫模型（HMM）[25]。在GMM和HMM中，过程数据在单一模式下的分布被假设为高斯分布，尽管该假设在实践中是相当限制性的因此，设计了更一般的模型来减轻这种假设[26]。在参考文献[27]中，提出了一种不同的过程监控方法，这也符合特征学习的思想这种方法将通用过程监控图（如T2和平方预测误差（SPE）图）视为低级特征类型，然后将其用作高级过程监控模型（例如，PCA）。通过这种方式，有效地融合信息从多个过程监控模型可以实现，从而系统地说明过程数据的不同特征。由于所提取的特征在统计意义上趋于高斯分布，因此使用PCA作为高级过程监控模型是合理的。2.3. 基于特征学习的软测量软测量的历史可以追溯到1978年Brosilow和Tong[28]提出的推理控制策略。软测量作为一种智能测量技术，利用易于测量的过程变量对难以测量但重要的指标（如产品质量和其他环境指标）进行在线估计。值得一提的是，关键绩效指标（KPI）预测是软测量的另一个新兴应用[29]。一些重要的性能指标必须通过耗时的实验测试来评估，预测软测量可以提供这些指标的实时估计，这有助于辅助操作员的决策。 原则上，软测量的开发可以被视为回归问题，因此已经应用了各种监督机器学习算法，如在参考文献中全面记录的。[30]。利用表示学习建立软测量的承诺首先在参考文献中指出[11]，其中采用概率由于缓慢变化的特征很好地代表了过程的潜在变化，因此其中一些特征往往与质量指标高度相关与传统的动态PLS（DPLS）相比，该方法具有更好的动态预测精度。此外，它能够实现快速过程数据和不规则采样质量数据的理想合成后来开发了许多扩展。参考文献[31]提出了一种贝叶斯学习方法，用于提取具有变化动态的动态特征，其中假设缓慢特征的缓慢性具有逐渐的变化。在参考文献[32]中，引入了另一层灵活性，以处理不同数量的有用的慢功能。后来提出了一种改进的正则化SFA，用于工业对苯二甲酸加氢纯化过程的质量预测[33]。值得注意的深度学习技术本身很好地体现了表征学习的精神。将深度学习技术应用于软测量的第一次尝试在参考文献[34]中进行，其中软传感器是用深度神经网络（DNN）构建的。预测原油蒸馏装置中重柴油的切割点温度。DNN的训练过程涉及两个不同的步骤：初始化DNN权重的无监督学习步骤，以及基于输入输出数据微调权重的监督学习步骤。因此，非监督学习步骤可以被认为是提取非线性潜在特征，这些特征引起过程变量之间的非线性相关性，这进一步有利于回归模型的开发。沿着这条线，深度学习技术已进一步应用于原油分类[35]和二氧化碳（CO2）捕获过程建模[36]，这两者都证明了使用深度学习技术建模“大过程数据”的优势。基于在无监督学习步骤中提取的固有特征，DNN也可以应用于过程监控和故障诊断[37，38]。不用说，软感测模型也可以基于其他特征来构建，例如低维子空间内的相关性在这方面最早的方法是主成分回归（PCR），其中基于简单的PCA进行特征提取。低维潜变量模型在软测量中的应用已在参考文献[1]中进行了全面的总结[39].C. Shang，F. 你/工程5（2019）1010-10161013在参考文献[40]中，邻域保持嵌入用于首先学习数据的内在非线性结构，基于此建立预测器。3. 主动应用：最优控制和高级决策3.1. 数据分析和机器学习实现最佳控制在工业过程的先进控制中，模型预测控制（MPC）是一种值得注意的和成熟的方法，其基于精确已知的数学模型来描述系统行为并在不久的将来规划最佳控制序列[41]。然而，MPC的基本假设在实践中可能是理想的，并且通常存在诸如模型失配、不可测干扰和随机噪声的未知量在这些情况下，一种有前途的方法是将机械模型与数据分析和机器学习相结合，这显示出处理未知数的巨大潜力[42]。根据其功能，可将其应用分为两大类.第一类应用涉及通过拟合现有的过去数据来建立未知量的预测模型，使得不确定性可以分解为预先已知的确定性部分和表示预测误差的随机部分。例如，在智能电网的运行和控制中，可再生能源（包括风能和太阳能）的发电量估计可以根据其他信息来源（如天气预报和气候因素）得出[43]。同样，如果产品质量和其他指标，不能在线测量的最优控制问题，软测量模型可以建立提供实时估计，这是必不可少的执行闭环控制。在这两种情况下，SVM和神经网络等机器学习模型都得到了广泛应用。开发一个好的预测模型的有用性在于有机会显着减少不确定性的大小，涉及到最优控制问题，这导致实现更好的控制性能。从这个意义上说，预测模型的准确性是一个关键问题。在MPC中应用数据分析和机器学习的第二类涉及以无监督的方式描述不确定性的分布。在实践中，系统不可避免地倾向于不确定的干扰，这可能会驱使系统状态远离标称轨迹。为了解决不确定性的影响，鲁棒MPC（RMPC）[44]和随机MPC（SMPC）[45]已经提出并应用，其中利用不同的数学工具来描述不确定性。在RMPC中，不确定性集负责表示不确定性实现的可能区域，而概率分布直接用于SMPC。最近在RMPC和SMPC的一个有前途的方向是采取主动学习的观点，适当地建模的不确定性。在RMPC中，通常采用传统的基于范数的集合作为不确定性集合，这缺乏足够的灵活性来很好地描绘不确定性的分布。因此，利用无监督学习方法构造数据驱动的不确定性集可以很好地解决这个问题.例如，通过基于支持向量聚类（SVC）以多面体的形式从可用数据中主动学习紧凑的高密度区域，由此产生的最优控制问题可以被转换为易于解决的经典鲁棒优化（RO）问题[46]。还开发了一种新的策略来调整多面体的大小;该策略为RMPC的解提供了适当的概率保证，从而表明最终将获得SMPC的近似解[46]。所建立的样本量的理论界远低于在SMPC中引入了经典结果，从而增强了SMPC的实用性，降低了SMPC的保守性。这种方法已被应用于灌溉控制[47]，这表明通过从数据中挖掘有意义的信息可以大大提高系统的安全性和闭环性能。在文献[48]中，MPC采用基于学习的方案来处理自治系统中的重复控制任务。3.2. 用于高层决策的数据分析和机器学习不确定性下的通用优化技术可以分为随机规划（SP）[49]、RO[50]和分布式RO（DRO）[51];这三种方法在能源系统运营和供应链设计中有广泛的应用[52，53]。数据驱动决策是近年来出现的一种集成基于模型和数据驱动系统的不确定性优化方法。机器学习和数学编程的这种有机集成导致了更强大和更高效的数据驱动优化框架，这些框架关闭了数据分析和决策支持之间的循环[54]。情景程序产生了对经典机会约束SP的数据驱动近似，其中直接采用从过去经验中收集的情景将机会约束转换为大量确定性约束[55]。保证情景节目质量的关键是选取足够数量的重要情景。在这方面已经建立了一些理论结果[56]。然而，诱导优化问题往往包含大量的约束条件，这给计算带来了巨大的挑战。由于sce- nario程序的可分解结构，已经开发了许多分解算法，例如L形方法[49，57，58]。最近的研究工作集中在采用分布式优化技术[59，60]，其中原始的大规模问题首先被分解为几个子问题，然后使用多个处理器以有限的通信并行地解决子问题。在数据驱动的RO中，不确定性集通常直接基于不确定性数据来构建。从机器学习的角度来看，这可以理解为一个无监督的学习任务。然而，并不是所有的无监督学习方法都可以应用于这一目的，主要是因为有必要考虑诱导优化问题的易处理性。一方面，无监督学习方法必须足够强大，以准确地捕捉不确定性的分布;另一方面，过于复杂的不确定性集合可能使优化问题难以解决，甚至难以处理。因此，数据驱动的不确定性集必须精心设计，以实现两个相互冲突的目标之间的理想平衡。基于这种动机，近年来发展了许多无监督学习方法，致力于数据驱动的不确定性集的构造。在参考文献[61]中，提出了分段线性基于内核的SVC，作为一种适用于数据驱动RO的新方法。通过求解一个二次规划，可以有效地将大量不确定数据的分布几何捕获为一个紧致的凸不确定集，从而大大降低了RO问题的保守性此外，数据驱动不确定性集的数据覆盖率可以通过调整一个参数来选择，这为控制保守性和剔除离群值提供了一种可解释的实用方法见参考文件[62]，数据驱动的不确定性集，通过使用PCA和核密度估计，可以系统地处理相关性和不对称性。在参考文献中。[63，64]，在多阶段自适应RO（ARO）中使用数据驱动的不确定性集进行了研究和演示，1014C. 李翔， F. 你/工程5（2019）1010流程工业中的工业规模调度和规划问题。结果表明，由于机器学习的力量，可以在多阶段设置中获得显着减少的保守主义。特别是，通过积极学习支持不确定的需求，超过20%的净现值可以在规划应用中实现，与一般的RO战略。这种方法后来被应用于单位承诺[65]，工业蒸汽系统的优化操作[66]和供应链的弹性设计[67]。为了利用多类不确定性数据中的标签信息，参考文献[68]中提出了一种数据驱动的随机RO框架。在参考文献[69]中，传统的鲁棒性和极大极小后悔准则在数据驱动的ARO中同时优化，以产生理性决策。数据驱动的DRO是近十年来运筹学领域的一个热门话题。它可以被看作是一个组合RO和SP的最大优点在于优化了一组概率分布的最坏情况性能[51]。在数据驱动的DRO中，模糊集起着关键作用，并且通常基于数据分析来确定。不确定性的分布在自然界中通常是不精确的;这种不精确性被称为分布模糊性。为了避免分布模糊性，采用了一组候选概率分布。模糊度的特征化方法主要是从历史数据中提取一阶和二阶矩信息。基于参考文献[70]中的假设检验，正式解决了确定模糊集大小的问题。在流程工业中，DRO首先应用于流程规划和调度[71]，以及页岩气供应链的优化运营[72]。4. 未来研究方向4.1. 过程监控虽然各种特征选择方法已被用于设计过程监控模型，但值得注意的是，所提取的特征必须与针对过程特性定制的先验知识密切相关。目前，虽然基于不同特征提取方法的组合设计了大量的过程监控模型，但作为许多监控模型基础的非线性流形和非高斯性本质上并不是过程数据所独有的。通常，一个好的过程模型不仅应该足够强大来描述过程属性，而且还应该允许清晰的解释，可以很容易地被工业实践者接受[73]。但目前对这一问题还没有给予足够的重视.从这个意义上说，值得将未来的努力集中在高级特征上，如缓慢性，非平稳性和因果关系[3，74]。此外，特征设计可以基于来自工业实践者的先验知识，例如单调性和范围信息，因为可解释模型有助于在检测到潜在故障后进行根本原因诊断和维护[75]。基于某些特征特性，可以进一步采用迁移学习目前的研究集中在为每个操作条件或每个设备构建单独的模型。尽管它们是不同的，但存在一些相似之处，因此这些模型可以正式地表示为承载一些共同的信息。借用迁移学习的思想[76]，特征应该被发现为描述制造过程基本原理的常识，从而潜在地提高建模性能以及人类对其的理解。另一个有用的方向是在基于数据的过程监控中开发用户友好的可视化策略，以便更好地辅助决策，因为可视化可以更好地理解高维过程数据[77]。4.2. 软测量由于工业过程的时变特性，软测量的性能很容易随着时间的推移而下降，这需要大量的工作量来维护和更新模型。因此，质量预测不仅仅是一个回归问题，应更多地关注预测模型的自适应机制，特别是在工况偏差频繁的情况下[78]。 此外，还考虑了人为因素造成的实验室数据不准确性，如不确定的时间延迟、较大且变化的采样间隔以及不同操作人员的采样习惯。传统的监督模型通常是在数据样本独立同分布的强前提下建立的。然而，影响产品质量的过程变量的潜在机制可能要复杂得多。新兴的在线学习理论为建模任务提供了新的解决方案，而无需对数据进行特定假设[79]。例如，在线学习可以系统地处理确定性、随机性甚至对抗性生成的数据。因此，在大数据时代，尝试使用在线学习技术来解决质量控制问题是值得的。与此同时，随着成像技术的快速发展，越来越多的图像和光谱数据被工业界采集，为建立高保真的预测模型提供了有意义的信息。然而，一个挑战来自于高维性和不同维度之间的强相关性。图像处理和物体识别已经在遥感和自动驾驶等领域发挥了主导作用[80]。虽然这些技术已经应用于过程工业[81，82]，但其发展仍处于起步阶段。因此，这将是一个可行的方向，拥抱先进的图像处理技术的力量，特别是卷积神经网络，充分利用图像和光谱数据的过程工业。4.3. 数据驱动最优控制未来的研究工作可以进行在将特定领域的知识，设计不确定性集RMPC。例如，文献[47]提出了条件不确定集的新概念，用以描述降雨预报误差分布对预报值的依赖关系。从事其他类型对于不确定性，如何设计相关的条件不确定性集的问题值得进一步逐个案例研究。强化学习（RL）是一种流行的机器学习方法，对于在没有模型信息的情况下导出动作策略特别有用[83]。这种方法本质上是数据驱动的，可以从本质上适应时变环境。因此，基于RL的控制具有很大的潜力，以解决复杂制造系统的最优控制任务，其高保真度在实践中很难建立数学模型[84，85]。4.4. 高层决策与其他应用相比，高层决策是最重要的，因为它直接影响到流程工业公司的经济效益和环境影响。一方面，高层决策通常是在不确定性下根据企业领导者的经验做出的，C. Shang，F. 你/工程5（2019）1010-10161015因此，数据驱动的RO和DRO在流程工业中的决策中的更多应用是可以预期的。另一方面，在未来的研究中有价值，以进一步提高解决方案的质量和计算效率的数据驱动的RO和DRO。目前的DRO方法利用矩信息来描述概率分布的模糊性。原则上，不同类型的矩信息可以被视为简单数据分析方法的结果这种情况提供了使用先进的无监督学习方法来提取高级别信息（诸如高维特征空间内的分布）通过利用机器学习的力量，概率分布的模糊性例如，文献[86]中提出的模糊集包含了一系列嵌套集的概率，但对这些嵌套集的构造还没有系统的研究结果事实上，具有变化的正则化参数的基于核的机器学习算法可以用于导出嵌套集合，其捕获大部分数据样本。5. 总结发言在现代过程工业中，越来越多的体现有价值信息的数据可以被收集和存档。通过利用数据，数据分析和机器学习可以帮助感知环境，发现知识，并自动智能地本文以数据驱动的监测、预测、控制和优化为导向，回顾了该领域的研究现状，分析了有待填补的知识空白特别是，我们区分被动应用的数据驱动的方法，其中包括监测和软测量，从主动应用，其中包括控制和优化。 对于前者，模型的可解释性被认为是一个主要问题，而对于后者，特别注意功能。值得注意的是，尽管大数据正在深刻地重塑过程工业，但大多数数据驱动的方法尚未在实践中应用。数据分析和机器学习绝不是所有难题的答案。最重要的是，为了实现成功的应用，有必要纳入工厂和工艺的先验知识，这为未来的研究留下了挑战和机遇。确认Chao Shang感谢国家自然科学基金（61673236、61433001和61873142）的资助。遵守道德操守准则潮商和游凤起声明，他们没有利益冲突或财务冲突需要披露。引用[1] WillisMJ，Di Massimo CD，Montague GA，Tham MT，Morris AJ. 过程工程中的人工神经网络。IEE Proc Conr TheorAppl 1991;138（3）：256-66.[2] Willis MJ，Montague GA，Di Massimo C，Tham MT，Morris AJ.过程估计与控制中的人工神经网络。Automatica1992;28（6）：1181-7.[3] MacGregor J，Cinar A.监测、故障诊断、容错控制和优化：数据驱动方法。计 算 机化 学 工程2012;47：111-20。[4] [10]杨文，李文.系统辨识、机器学习与函数估计中的核方法。 Automatica 2014;50（3）：657-82.[5] Bengio Y ， Courville A ， Vincent P. Representation Learning ： A Review andNewPerspectives.IEEE Trans Pattern Anal Mach Intell 2013;35（8）：1798-828.[6] Nair V，Hinton GE.修正线性单元改进受限玻尔兹曼机。第27届国际机器学习会议论文集; 2010年6月21日至25日;以色列海法; 2010年。p. 807- 14[7] Bengio Y，Lamblin P，Popovici D，Larochelle H.深度网络的贪婪逐层训练。In：Schölkopf B ， Platt J ， Hofmann T ， editors. Advances in NeuralInformationProcessing系统十九：诉讼的的2006年会议。剑桥：麻省理工学院出版社，2007年。p. 153比60[8] Shu Y，Ming L，Cheng F，Zhang Z，Zhao J.异常情况管理：大数据时代的挑战与机遇。计算机化学工程2016;91：104-13。[9] Chiang L，Lu B，Castillo I.化学工程中的大数据分析。Annu RevChem Biomol Eng2017;8：63-85.[10] 葛志，宋志，丁世胜，黄宝。过程工业中的数据挖掘和分析：机器学习的作用。IEEE Access2017;5：20590-616.[11] Shang C，Huang B，Yang F，Huang D.基于特征分析的大规模过程数据表征学习在软测量建模中的应用。 AIChE J 2015;61（12）：4126-39。[12] 杨F，高X，黄X，Suykens JAK，黄D.通过慢速特征分析同时监控运行条件偏差和过程动态异常。AIChE J 2015;61（11）：3666-82。[13] Shang C，Huang B，Yang F，Huang D.用于监控和诊断控制性能的慢特性分析。J Process Contr 2016;39：21-34.[14] Shang C，Yang F，Huang B，Huang D.工业过程自适应监控的递归慢特征分析。IEEE Trans Ind Electron 2018;65（11）：8895-905.[15] 郭F，尚C，黄B，王K，杨F，黄D.通过概率慢特性分析监控操作点和过程动态。ChemomIntell Lab Syst 2016;151：115-25.[16] 高翔，李红，王英，陈涛，左翔，钟玲。利用慢特征分析进行控压钻井中的故障检测IEEE Access 2018;6：34262-71.[17] 张宏，田翔，邓翔.基于多路全局保持核慢特征分析的批处理监控。IEEEAccess2017;5：2696-710.[18] Zhang S，Zhao C.基于慢特征分析的间歇过程监控及工况偏差和动态异常的综合解释。IEEE Trans Ind Electron2019;66（5）：3773-83.[19] 张宏，田翔，邓翔，曹毅.基于判别全局保持核慢特征分析的间歇过程故障检测与识别。 ISATrans 2018;79：108-26.[20] 董毅，秦世杰。一种新的动态PCA算法用于动态数据建模和过程监控。J ProcessContr 2018;67：1-11.[21] 董 毅 ，秦 世 杰 。 用于 过 程 操作 和 控 制 的动 态 潜 在变 量 分 析。 计 算机 化 学 工 程2018;114：69-80。[22] KuW，Storer RH，Georgakis C. 用动态主元分析法进行干扰检测和隔离。Chemom Intell Lab Syst1995;30（1）：179-96.[23] Lee JM，Yoo C，Lee IB.基于动态独立分量分析的动态过程统计监控。化学与工程科学2004;59（14）：2995-3006.[24] 余杰，秦世杰. 基于贝叶斯推理的有限高斯混合模型的多模式过程监控。AIChEJ2008;54（7）：1811-29。[25] 王锋，谭世，施宏.基于隐马尔可夫模型的多模过程监控方法。Chemom Intell LabSyst 2015;148：51-9.[26] Bai X，Lu G，Hossain MM，Szuhánszki J，Daood SS，Nimmo W，et al.基于火焰成像和随机权重网络技术的粉状燃料燃烧试验设备的多模式燃烧过程监测。燃料2017;202：656-64.[27] 何QP ，王杰，统计过程监控作为智能制造的大数据分析工具。J Process Contr2018;67：35-43.[28] 作者：Jiang M.过程的推理控制：第二部分。推理控制系统的结构和动力学。AIChE J 1978;24（3）：492-500.[29] 杨浩，丁世祥。一种新的基于软测量的过程监控方案，结合不频繁的KPI测量。IEEETrans Ind Electron2015;62（6）：3843-51.[30] 张伟，王伟，王伟.过程工业中的数据驱动软测量。计算机化学工程2009;33（4）：795[31] 作者：Ma Y，Huang B.动态特征提取的贝叶斯学习及其在软测量中的应用。 IEEETrans Ind Electron 2017;64（9）：7171-80.[32] 作者：Ma Y，Huang B.基于切换模型的过程数据动态特征提取及其在软测量中的应用。AIChE J 2018;64（6）：2037-51。[33] 钟伟，姜春，彭翔，李志，钱锋。基于改进正则化慢特征分析的对苯二甲酸加氢精制过程质量在线预测。 Ind Eng Chem Res 2018;57（29）：9604-14.[34] 杨芳，黄东，吕伟.基于深度学习技术的数据驱动软测量开发。J Process Contr2014;24（3）：223-33.[35] 高翔，尚聪，蒋勇，黄东，陈涛。原油变化的炼油厂调度：深信网络分类和多模型方法。AIChE J2014;60（7）：2525-32。[36] 李芳，张杰，尚聪，黄东，奥科，王明。基于深度信念网络的燃烧后CO 2捕集过程建模。应用热工程2018;130：997-1003。[37] ZhangZ，Zhao J. 基于深度信度网络的复杂化工过程故障诊断模型。ComputChem Eng2017;107：395-407.[38] 吴红，赵军。基于深度卷积神经网络模型的化工过程故障诊断。计算机化 学 工 程2018;115：185-97。1016C. 李翔， F. 你/工程5（2019）1010[39] 葛 Z通 过 概 率 潜 变 量 模 型 进 行 过 程 数 据 分 析 ： 教 程 回 顾 。 Ind Eng ChemRes2018;57（38）：12646-112461。[40] 袁X，葛Z，叶L，宋Z。有监督邻域保持嵌入特征提取及其在软测量建模中的应用。化学计量学杂志2016;30（8）：430-41。[41] 朱英，尤飞。基于模型的控制和操作集成：概述、挑战、进展和机遇。计算机化学工程2015;83：2-20.[42] 严正，王军，基于神经网络的具有未建模动态和有界不确定性的非线性系统鲁棒模型预测控制。 IEEE Trans Neural Netw Learn Syst 2014;25（3）：457-69.[43] [10] ApinoRR ， González Ordiano Jardin ， Mikut R ， Faulwasser T ，Hagenmeyer V. 概率预 测 在 可 再 生 能 源 与 存 储 耦 合 调 度 中 的 应 用 。 应 用 能 源2018;210：1207-18。[44] SaltıkMB，Özkan L，Ludlage JHA，Weiland S，Van den Hof PMJ.鲁棒模型预测控制算法的展望：性能和计算方面的思考。J Process Contr 2018;61：77-102.[45] 作者：Michael M，John M.具有机会约束的随机线性模型预测控制。J ProcessContr 2016;44：53-67.[46] 尚C，尤F。一种数据驱动的鲁棒优化方法，用于基于随机模型预测控制。 J ProcessContr 2019;75：24-39.[47] 陈文辉，尚春，史楚克，游飞。具有主动不确定性学习和数据分析的灌溉系统鲁棒模型预测控制。IEEE传输控制系统技术 Epub 2019年5月31日。[48] 张X，张伟，张伟.自治系统的数据驱动预测控制。机器人自动化系统2018;1：259-86.[49] Marti K，Kall P. Stochastic Programming. Berlin：Springer;1994.[50] 本-塔尔A，El加维我，涅米罗夫斯基A.鲁棒优化. 普林斯顿：普林斯顿大学出版社.[51] Delage E，Ye Y.矩不确定性下的分布鲁棒优化及其在数据驱动问题中的应用。OperRes 2010;58（3）：595-612.[52] Gebreslassie BH，Yao Y，You F.不确定性下的碳氢化合物生物精炼供应链设计：多目标随机规划模型，分解算法，CVaR和下行风险的比较。 AIChE J2012;58（7）：2155-79。[53] 加 西 亚 DJ ， 你 F 。 供 应 链 设 计 与 优 化 ： 挑 战 与 机 遇 。 Comput ChemEng2015;81：153-70.[54] 放大图片BertsimasD，Thiele A. 鲁棒和数据驱动的优化：不确定性下的现代决策。In：Johnson MP，Norman B，Sec
我的内容管理
展开
