《迁移学习驱动的复杂工业过程智能建模与优化控制》详细介绍了当前人工智能背景下迁移学习方法在复杂工业过程智能建模和优化控制中的应用、思路和案例。全书共分3部分:第1部分介绍了迁移学习驱动的建模方法;第2部分介绍了迁移学习驱动的间歇过程产品质量预测方法:第3部分介绍了迁移学习驱动的间歇过程优化控制方法。
《迁移学习驱动的复杂工业过程智能建模与优化控制》可供从事复杂工业过程建模与控制、人工智能、大数据等相关领域的科研人员和工程技术人员阅读,也可供高等院校自动化及其相关专业师生学习和参考。
近年来,大数据、人工智能等技术的快速发展推动了全球范围内新一轮科技革命和产业变革,为制造业的转型升级提供了新的思路,智能制造应运而生。当前,世界正处于百年未有之大变局,国际竞争纷纷聚焦于制造业,美国提出了“先进制造业美国领导力战略”、德国提出了“国家工业战略2030”、日本提出了“社会5.0”等发展战略,均以智能制造为主攻方向以期建设制造强国,抢占全球制造业新一轮竞争制高点。为此,我国也相继提出了《新一代人工智能发展规划》《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》《“十四五”智能制造发展规划》等发展战略,为制造业高端化、智能化、绿色化发展提供了政策保障。与高质量发展的要求相比,我国智能制造的发展仍然存在供给适配性不高、创新能力不强、应用深度广度不够、专业人才缺乏等问题。因此,推动大数据、人工智能等新技术与实体制造业深度融合,发展先进智能制造业,升级现代产业体系,培养智能制造人才,实现新型工业化是广大从业人员的努力方向。
智能制造是以现代工业生产过程为载体,随着全球工业市场的竞争日趋激烈和产品的不断升级,现代工业生产过程的操作流程和工艺也变得更加复杂,运行机理难以研究。分布式控制系统、先进传感器等技术的广泛应用,使得工业过程积累了丰富的历史运行数据与过程知识,为数据驱动与知识驱动的复杂工业过程的研究奠定了坚实基础。对于新过程来说,由于其运行时间短,可靠的运行数据十分稀少,设计实验以获取数据不仅耗费大量的人力物力,而且周期长,效率低,限制了传统基于数据方法的应用。迁移学习能够将已有一个或多个源域的过程知识迁移到新目标域来解决目标域数据知识不足的学习问题,为数据与知识驱动的方法应用于新的工业过程提供了可能。因此,研究迁移学习驱动的复杂工业过程智能建模与优化控制对于发展智能制造,提高产品质量,减少资源和能源消耗,助力碳达峰碳中和具有重要作用。
本书内容是作者近年来在基于迁移学习驱动的复杂工业过程建模与优化控制等领域研究成果的总结。书中所涉及的研究成果均已发表在IEEE Trans Autom Sci Eng、Ind Eng Chem Res和J Process Contr等高水平学术期刊,曾荣获中国自动化学会科技进步奖一等奖,中国有色金属工业科学技术奖技术发明二等奖等荣誉,其中多项研究成果成功应用于冶金、选煤等行业,取得显著的经济效益。本书内容包含3部分,第1部分为迁移学习驱动的建模方法,共计3章,总结了作者近年来在模型迁移智能建模方面的研究工作,提出了基于模型迁移的复杂工业过程低成本建模方法,解决了复杂工业过程建模成本高、周期长等问题;第2部分内容是迁移学习驱动的产品质量预测方法,共计3章,分别提出了基于多尺度核、多源域适应等迁移模型的产品质量预测方法,解决了数据缺乏的复杂工业过程终点产品质量预测问题,提升了工业过程的产品质量:第3部分为迁移学习驱动的间歇过程优化控制方法,共计4章,总结了典型复杂工业过程(间歇过程)的优化控制方面的研究成果,提出了迁移学习驱动的间歇过程批次间运行优化,集成运行优化以及优化补偿等智能优化控制策略,解决了数据缺乏间歇过程批次间/内优化控制问题,提高了工业过程的综合经济效益。
本书内容所涉及的研究得到了国家自然科学基金项目(No.61973304、61503384、61873049、62073060)、江苏省科技计划面上项目(No.BK20191339)、江苏省六大人才高峰项目(DZXX-045)、矿冶过程自动控制技术国家重点实验室开放课题基金项目(BGRIMM-KZSKL-2019-10)、徐州市科技创新计划项目(No.KC19055)等的资助。本书的研究成果是在专家同行的关心和指导下完成的,感谢作者的导师东北大学王福利教授、博士后导师中国矿业大学马小平教授,谆谆教导,师恩难忘,感谢同门何大阔教授、常玉清教授、贾润达副教授、牛大鹏副教授、刘炎副教授等的关怀与支持,特别感谢霍英东研究院副院长、香港科技大学教授、SPE Fellow(美国塑料工程师协会会士)高福荣教授和云南大学副校长吴建德教授为本书写的推荐信,此外特别感谢作者的博士生和硕士生们,正是这些青春年少的学子们将他们可敬可爱的青春年华挥洒在中国矿业大学这片热土上,才有这一点一滴的研究成果,同时感谢给予过帮助与指导的学院领导和同事们,感谢畅谈学术思想的同仁们,以及参考文献的作者。在此一并表达诚挚的谢意。
由于作者水平所限,书中不妥之处,敬请广大读者批评指正。
目录第1部分迁移学习驱动的建模方法1基于高斯过程模型和贝叶斯算法的改进快速建模方法31.1引言31.2理论基础61.2.1高斯过程回归模型61.2.2贝叶斯算法71.2.3MCMC算法81.2.4拉丁超立方体抽样算法101.3基于高斯过程模型和贝叶斯算法的改进模型迁移建模策略111.3.1建立旧过程性能预测模型111.3.2采集新过程建模数据121.3.3模型尺度偏差迁移调整131.3.4贝叶斯迁移模型参数估计141.3.5新过程序贯试验设计161.3.6停止条件与迁移模型验证181.4实验验证191.4.1实验设计191.4.2结果分析26参考文献302基于多模型迁移和贝叶斯模型平均算法的最小成本建模方法332.1引言332.2多模型迁移策略342.3贝叶斯模型平均算法352.3.1BMA352.3.2期望优选(EM)算法362.4基于多模型迁移策略的最小成本建模方法372.4.1相似过程基础模型选择382.4.2新过程初始建模数据获取392.4.3参数估计与模型训练392.4.4补充实验与模型验证392.5实验验证412.5.1实验设计412.5.2结果分析43参考文献473基于多任务最小二乘支持向量机的多过程联合建模方法483.1引言483.2多任务最小二乘支持向量机493.2.1多任务学习算法493.2.2最小二乘支持向量机493.2.3多任务最小二乘支持向量机523.3多过程联合建模方法543.3.1数据预处理543.3.2构建多任务543.3.3模型训练与模型评估553.4实验验证553.4.1实验设计553.4.2结果分析56参考文献60第2部分迁移学习驱动的产品质量预测方法4基于JYKPLS迁移模型的产品质量预测方法634.1引言634.2JYKPLS基本原理654.2.1PLS654.2.2KPLS654.2.3JYPLS684.2.4JYKPLS694.3基于JYKPLS迁移模型的间歇过程质量预测方法724.3.1数据预处理724.3.2基于PCA映射的数据预估744.3.3模型更新与数据剔除744.3.4在线质量预测764.4实验验证784.4.1实验设计784.4.2结果分析81参考文献875基于多尺度核JYMKPLS迁移模型的产品质量预测方法905.1引言905.2多尺度核学习方法905.3JYMKPLS方法915.4基于JYMKPLS迁移模型的产品质量预测方法945.4.1离线建模945.4.2模型更新与数据剔除955.4.3在线预测965.5实验验证975.5.1实验设计975.5.2结果分析98参考文献1056基于多源域适应JYPLS迁移模型的产品质量预测方法1066.1引言1066.2域适应学习方法1076.3多源域适应JYPLS迁移模型1086.3.1多源域适应学习1086.3.2多源域适应JYPLS迁移模型1096.4基于多源域适应JYPLS迁移模型的质量预测方法1116.4.1域间相似度判断1116.4.2离线质量预测模型1116.4.3域适应参数选取1126.5实验验证1146.5.1实验设计1146.5.2结果分析115参考文献118第3部分迁移学习驱动的间歇过程优化控制方法7迁移学习驱动的间歇过程批次间运行优化控制1217.1引言1217.2优化问题描述1227.3修正自适应优化方法1247.4基于JYPLS迁移模型的间歇过程批次间运行优化控制1247.4.1优化过程失配原因描述1247.4.2自适应控制策略1257.4.3迁移模型的有效性1267.5实验验证1277.5.1草酸钴合成过程介绍与实验设计1277.5.2结果分析129参考文献1348迁移学习驱动的间歇过程优化补偿控制策略1368.1引言1368.2模型更新策略1368.3基于过程迁移模型的间歇过程优化补偿控制1378.3.1自调整批次间优化方法1378.3.2优化补偿控制策略方法1388.4实验验证1408.4.1实验设计1408.4.2结果分析140参考文献1449迁移学习驱动的间歇过程很优补偿控制策略1459.1引言1459.2优化补偿问题描述1459.3信赖域方法1489.4建模方法1499.4.1基于即时学习的JYKPLS方法1499.4.2局部模型的有效性1519.5基于JITLJYKPLS的批次间很优补偿控制方法1519.6实验验证1549.6.1实验设计1549.6.2结果分析154参考文献16010迁移学习驱动的间歇过程集成运行优化控制16110.1引言16110.2批次间与批次内优化16110.2.1批次间优化16110.2.2批次内优化16210.3批次内修正策略16210.4间歇过程集成运行优化控制16310.5实验验证16510.5.1实验设计16510.5.2批次间优化性能分析16610.5.3集成优化性能分析167参考文献170