文獻標識碼：B文章編號：1003-0492（2024）03-064-06中圖分類(lèi)號：TP274

★李戎，孫繼超（杭州和利時(shí)自動(dòng)化有限公司，陜西西安710075）

關(guān)鍵詞：數據模態(tài)；多模態(tài)數據融合；智能優(yōu)化控制；多模態(tài)數據閉環(huán)控制

在市場(chǎng)競爭日益激烈和技術(shù)發(fā)展的雙重推動(dòng)下，工業(yè)自動(dòng)化正經(jīng)歷著(zhù)從傳統模式向數字化和智能化的深刻轉變。這一轉變被廣泛認為是工業(yè)領(lǐng)域未來(lái)發(fā)展的主要趨勢，有望在提升生產(chǎn)效率、降低運營(yíng)成本、提高產(chǎn)品質(zhì)量以及創(chuàng )造更加可持續的產(chǎn)業(yè)環(huán)境等方面取得重大突破。

以流程行業(yè)為例，該行業(yè)具有生產(chǎn)規模大、生產(chǎn)工藝復雜等特點(diǎn)，涵蓋了工程設計、實(shí)施、運行、維護等多個(gè)方面。特別是在工業(yè)控制領(lǐng)域，面臨著(zhù)大時(shí)滯、非線(xiàn)性、多變量、強耦合、參數時(shí)變等復雜特點(diǎn)，建立準確的機理模型難度較大，因此傳統的自動(dòng)化技術(shù)在該領(lǐng)域的進(jìn)步空間相對有限。

隨著(zhù)人工智能和機器學(xué)習的快速發(fā)展，工業(yè)自動(dòng)化正逐漸注入智能元素。通過(guò)建立數據驅動(dòng)的模型和算法，工廠(chǎng)能夠實(shí)現自主決策、優(yōu)化控制和故障預測等功能。智能化工業(yè)自動(dòng)化系統能夠根據不同情景和需求做出靈活的反應，并能夠在持續學(xué)習和優(yōu)化自身性能的過(guò)程中實(shí)現更高水平的自動(dòng)化。

這場(chǎng)變革為工業(yè)自動(dòng)化開(kāi)辟了新的前景，為企業(yè)提供了更靈活、更高效、可持續的解決方案。隨著(zhù)技術(shù)的不斷演進(jìn)，工業(yè)自動(dòng)化有望迎來(lái)更加智能、創(chuàng )新和可持續的發(fā)展。

1　流程行業(yè)智能化升級條件成熟

流程行業(yè)的企業(yè)用戶(hù)面對日益激烈的市場(chǎng)競爭，對“節能、減排、降本、增效”的需求十分迫切。同時(shí)，客戶(hù)需求變得更加多樣化，個(gè)性化生產(chǎn)和及時(shí)交付需求上升，這要求更靈活的生產(chǎn)方式。在政策引導和實(shí)際需求推動(dòng)下，許多工業(yè)客戶(hù)近年來(lái)已通過(guò)升級改造達到了較高的自動(dòng)化水平，并建立了統一的數據平臺，完成了數字化轉型，奠定了自動(dòng)化和數字化基礎。

隨著(zhù)技術(shù)的進(jìn)步以及國產(chǎn)硬件廠(chǎng)商技術(shù)的突破，基礎硬件成本降低，包括傳感器、CPU、GPU、AI芯片、存儲及通信設備等。智能儀表、智能控制器等先進(jìn)的硬件設備不斷應用到生產(chǎn)過(guò)程，為流程工業(yè)智能化提供了硬件基礎。同時(shí)，軟件技術(shù)發(fā)展迅速，包括操作系統、虛擬化、容器化、數據庫、中間件、Web等均有標準化的產(chǎn)品及開(kāi)源組件，極大地降低了軟件開(kāi)發(fā)成本，使開(kāi)發(fā)人員更加專(zhuān)注于業(yè)務(wù)本身。在算法方面，自動(dòng)化控制技術(shù)已經(jīng)較為成熟，人工智能算法在科研方面取得了顯著(zhù)進(jìn)步，并且持續迭代快速發(fā)展。計算機視覺(jué)、自然語(yǔ)言處理、時(shí)間序列分析、AIGC等技術(shù)在消費領(lǐng)域得到了廣泛應用，并產(chǎn)生了巨大的社會(huì )效益。隨著(zhù)人工智能持續火熱，人工智能技術(shù)迅速普及，大量人工智能技術(shù)型人才得到了補充，為工業(yè)智能的普及提供了堅實(shí)的人員基礎。

由以上可知，流程行業(yè)無(wú)論從市場(chǎng)需求側還是技術(shù)供給側已經(jīng)具備了由自動(dòng)化、數字化向智能化轉型的條件，具有廣闊的發(fā)展前景。

2　流程行業(yè)智能化升級面臨的挑戰

目前，工業(yè)智能在流程行業(yè)普及程度相對較慢，大多在細分領(lǐng)域有一定應用，但各領(lǐng)域之間的應用尚未實(shí)現有效整合，在功能上基本處于“錦上添花”，而少有解決用戶(hù)痛點(diǎn)的“雪中送炭”的應用場(chǎng)景。綜合來(lái)看，工業(yè)智能在流程行業(yè)的推廣還面臨著(zhù)數據、算法、異構集成、工程化及人才建設等多方面的挑戰。

2.1　數據層面-多模態(tài)數據尚未有效利用

目前，大部分流程行業(yè)的工業(yè)智能應用采用單一來(lái)源數據，其單模態(tài)數據承載信息有限，難以滿(mǎn)足應用場(chǎng)景對功能及可靠性的需求。流程行業(yè)生產(chǎn)控制具有一定的復雜性，需要有豐富經(jīng)驗的工作人員綜合多種信息才能對流程生產(chǎn)工況做出較準確的判斷，進(jìn)而做出相對合理的決策。然而，基于單一數據源的工業(yè)智能往往由于自身的限制，難以達到更高效果。例如，現有回轉設備診斷大多采用振動(dòng)/聲音場(chǎng)景，但局限于傳感器電池限制，采樣數據間隔只能以小時(shí)、天為單位，且需要專(zhuān)家判斷輔助，這使得設備異常的實(shí)時(shí)性難以提高。雖然基于DCS能達到較高的自控率，但對于個(gè)別生產(chǎn)環(huán)節，仍然需要操作人員對設備、環(huán)境及產(chǎn)品品質(zhì)觀(guān)察才能做出控制決策。

流程行業(yè)的企業(yè)不僅在生產(chǎn)過(guò)程中產(chǎn)生了大量動(dòng)態(tài)數據，而且在流程行業(yè)工程項目建設過(guò)程中以及大量專(zhuān)家及熟練操作工人也積累了大量靜態(tài)數據。這些數據本身帶有大量關(guān)于設備、工藝、生產(chǎn)、操作經(jīng)驗等的先驗信息，但目前并沒(méi)有得到充分且有效的融合利用，導致工業(yè)智能水平難以進(jìn)一步提升。

2.2　算法層面-現有智能算法未能完全適應工業(yè)場(chǎng)景

人工智能技術(shù)雖然已經(jīng)得到了飛速發(fā)展，但相對于在消費場(chǎng)景的廣泛應用，它面對流程行業(yè)工業(yè)應用場(chǎng)景卻表現出明顯的水土不服。其主要原因為流程工業(yè)應用對智能算法具有十分嚴格的要求，主要表現在以下幾個(gè)方面：

（1）數據依賴(lài)問(wèn)題

以神經(jīng)網(wǎng)絡(luò )為代表的聯(lián)結主義類(lèi)型的人工智能技術(shù)對工業(yè)數據依賴(lài)，訓練較為合格的模型需要包含各種工況標注且均衡的數據，并根據數據特征合理調整模型參數，容易造成欠擬合和過(guò)擬合現象。在實(shí)際工業(yè)場(chǎng)景中難以獲取帶有標注的異常數據以及覆蓋各個(gè)工況且均衡的數據。在不滿(mǎn)足這些前提條件的情況下，基于數據驅動(dòng)的智能算法難以滿(mǎn)足工業(yè)場(chǎng)景需要。

（2）實(shí)時(shí)性/確定性問(wèn)題

在生產(chǎn)過(guò)程中，控制或決策要求算法具有實(shí)時(shí)性及確定性，即對確定的輸入條件、算法需要在規定時(shí)間內輸出確定的結果。大部分智能算法與效果模型參數相關(guān)，復雜算法往往意味著(zhù)更大參數以及計算量，導致無(wú)法在要求時(shí)間內完成。在具有迭代優(yōu)化的算法中，實(shí)時(shí)性更是難以保證。大部分智能算法輸出的并非是確定數值，而是具有一定置信度的數值，或者是具有一定置信度的范圍。這對現有實(shí)時(shí)性/確定性的算法自動(dòng)化控制算法顯得十分格格不入，當這種置信度較低時(shí)，會(huì )產(chǎn)生較大不確定性及風(fēng)險，進(jìn)而影響整個(gè)系統的可靠性。

（3）適應性問(wèn)題

基于數據驅動(dòng)的智能算法一般只適用于具體個(gè)例場(chǎng)景，難以遷移適用同類(lèi)場(chǎng)景?；跀祿寗?dòng)的智能算法對數據十分敏感，同類(lèi)但不同個(gè)體間均存在不同程度的差異，如環(huán)境、人員操作習慣、設備運行狀態(tài)等均會(huì )造成不同的影響。這些差異在黑盒不可見(jiàn)情況下難以人為干預和調整，只能針對每一個(gè)具體個(gè)例重新訓練模型。在流程行業(yè)場(chǎng)景中，大多工藝復雜且設備數量較大，導致基于數據驅動(dòng)的智能算法成本較高，難以工程化大面積推廣。

（4）可解釋性問(wèn)題

流程行業(yè)非常注重生產(chǎn)安全，在關(guān)鍵環(huán)節進(jìn)行操作時(shí)需要較明確的依據，且需要專(zhuān)業(yè)人員負責把控。模型是否具較清晰的可解釋性，是模型推理結果是否被采信的主要前提。但目前以神經(jīng)網(wǎng)絡(luò )為主的數據驅動(dòng)模型，其內部基本為黑盒，并涉及到重大生產(chǎn)安全場(chǎng)合，追蹤與溯源困難，且難以實(shí)現安全生產(chǎn)，難以在關(guān)鍵控制或決策中被采用?；跀祿寗?dòng)的模型的可解釋性作為重要研究方向取得了一定成果，但仍然難以滿(mǎn)足現有流程行業(yè)關(guān)鍵領(lǐng)域的要求。

2.3　軟硬件層面-模型異構集成成本高

現有的工業(yè)智能應用大多面向垂直領(lǐng)域實(shí)現單一功能，其實(shí)現技術(shù)各不相同且進(jìn)行深度封裝，使得不同應用在軟件技術(shù)實(shí)現與硬件部署均具有較大的差異。大多數智能應用采用API方式，雖然在開(kāi)發(fā)層面具有一定的靈活性，但在工程化實(shí)現時(shí)還需要開(kāi)發(fā)人員進(jìn)行代碼編寫(xiě)，在集成時(shí)還需要針對各個(gè)不同的定制化開(kāi)發(fā)接口，導致集成成本高昂，難以實(shí)現更高層次的智能應用。

在流程行業(yè)實(shí)現不同層面的異構算法在軟硬件層面均有較大差異，給實(shí)現異構算法層面的集成帶來(lái)了困難。硬件層面差別較大，如資源有限的嵌入式控制器、適合復雜運算的服務(wù)器以及支持并行運算的GPU、AI芯片等硬件設備。軟件層面不同專(zhuān)業(yè)算法也包括運行環(huán)境，操作系統、驅動(dòng)程序、編程語(yǔ)言、編譯器/解釋器、語(yǔ)言環(huán)境、數據通信、調用接口、運行環(huán)境等均有較大差異。

2.4　工程化層面-工程化方式差異較大

人工智能技術(shù)與工業(yè)自動(dòng)化技術(shù)在解決實(shí)際問(wèn)題的工程化方面存在較大差異，使得在已有自動(dòng)化工程師習慣及經(jīng)驗基礎上，實(shí)施智能化升級具有較大難度。人工智能技術(shù)與自動(dòng)化技術(shù)在工程化方面的差異如表1所示。

表1 工業(yè)自動(dòng)化技術(shù)與人工智能技術(shù)在工程化方面對比

2.5　人員層面-跨領(lǐng)域人員稀缺，跨域協(xié)作缺乏支撐

為了完全理解和充分利用工業(yè)智能技術(shù)，系統設計及開(kāi)發(fā)人員不僅需要具備深入的工程學(xué)、控制理論、數據科學(xué)和機器學(xué)習等多領(lǐng)域的知識，還需要熟悉生產(chǎn)工藝及痛點(diǎn)。這樣的跨領(lǐng)域人員是難以培養且稀缺的。隨著(zhù)技術(shù)的快速發(fā)展，設計開(kāi)發(fā)人員需要投入時(shí)間、資源技更新技能才能趕上技術(shù)及應用。另外，企業(yè)員工可能因為對新技術(shù)不熟悉和擔憂(yōu)對工作有影響而對其產(chǎn)生抵觸。這需要企業(yè)進(jìn)行培訓和文化變革，以確保員工接受并采納新技術(shù)。操作人員和維護人員也需要接受專(zhuān)業(yè)培訓，對這些系統有了深入的了解才能有效地進(jìn)行智能工具。

3　多模態(tài)異構算法編排工具解決方案

支持多模態(tài)數據處理能力以及異構算法運行的工業(yè)智能算法編排工具針對以上問(wèn)題提供了解決方案，具體分析如下。

3.1　多模態(tài)信息接入、處理及融合能力

單模態(tài)數據攜帶的信息有限，在實(shí)現單一簡(jiǎn)單應用時(shí)尚能滿(mǎn)足基本功能要求，但在處理結果時(shí)仍然存在較大不確定性，尤其在流程行業(yè)復雜應用場(chǎng)景中，各部分功能強耦合的情況下，計算結果的不確定性累積放大進(jìn)而造成系統風(fēng)險失控而不可用。

多模態(tài)數據可以較全面地反映被監控對象信息，再結合不同模態(tài)信息的特點(diǎn)進(jìn)行有機整合，有效降低了不確定性。如DCS數據控制較為成熟，具有較高的準確性；視覺(jué)/聲音信息雖然有較高不確定性，但與人類(lèi)感覺(jué)相似，方便專(zhuān)家依據經(jīng)驗進(jìn)行軟件轉化。另外，氣體檢測、激光雷達、超聲波等新技術(shù)作為人類(lèi)感官功能的延伸，其數據也方便理解并處理使用，提升了系統的智能化水平。

在通用人工智能領(lǐng)域，多模態(tài)信息更多采用神經(jīng)網(wǎng)絡(luò )進(jìn)行融合，在針對特定領(lǐng)域融合時(shí)需要大量數據、算力及人工成本進(jìn)行訓練。另外，精度難以滿(mǎn)足工業(yè)控制級要求，在復雜工業(yè)應用場(chǎng)景難以工程化實(shí)現。多模態(tài)數據異構算法編排工具是應對流程行業(yè)復雜應用場(chǎng)景需求，實(shí)現靈活易用、成本低、可解釋性強的多模態(tài)信息融合的有效解決途徑。

表2 工業(yè)生產(chǎn)中數據的形式、內容及普遍性

3.2　支持不同異構算法運行環(huán)境

單獨使用人工智能算法難以滿(mǎn)足復雜應用場(chǎng)景要求，需要結合機理、專(zhuān)家經(jīng)驗以及數據驅動(dòng)智能算法的優(yōu)勢來(lái)解決問(wèn)題。

不同的算法調用不同的軟件邏輯和硬件資源，如硬件包括CPU、內存、GPU算力等，軟件包括操作系統、運行環(huán)境、硬件驅動(dòng)、語(yǔ)言編譯及解釋器等，具有部分軟件存在沖突，現有虛擬化、容器化技術(shù)以及IT技術(shù)為不同異構算法運行環(huán)境提供了條件，以此不同領(lǐng)域的算法也逐漸進(jìn)行標準化。這些算法可以對不同模態(tài)的數據進(jìn)行處理及融合。

表3 工業(yè)控制領(lǐng)域常用算法及運行形式

3.3　機理與數據驅動(dòng)、專(zhuān)家經(jīng)驗混合編排能力

在應對流程行業(yè)復雜場(chǎng)景時(shí)，單一類(lèi)型的模型由于自身的劣勢難以滿(mǎn)足項目要求，需要不同異構模型根據其優(yōu)點(diǎn)相互補充以達到更好效果。在實(shí)際應用中除了數據通信外，針對不同模型集成，還需要對數據進(jìn)行必要的數據處理、運算、不確定性處理以及生產(chǎn)過(guò)程邏輯保護等。

表4 不同類(lèi)型模型的優(yōu)缺點(diǎn)

多模態(tài)異構算法編排工具應支持機理、數據驅動(dòng)及專(zhuān)家規則等標準形式的模型以算法為單位進(jìn)行靈活編排，充分有效地利用各自模型的優(yōu)勢，同時(shí)應支持對數據進(jìn)行處理、加工及流向控制，應支持不同周期及事件觸發(fā)驅動(dòng)方式，以滿(mǎn)足工程師對不同工程項目的定制需求。異構模型混合排序可以支持不同分層控制策略、安全保護機制、可靠性設計、動(dòng)態(tài)切換等方式。

3.4　符合工程師習慣的功能塊組態(tài)方式

傳統的DCS控制系統項目由DCS工程師基本采用符合IEC61131-3的LD/CFC/FDB/SFC等圖形化語(yǔ)言組態(tài)，一方面降低了基于文本的編程語(yǔ)言的學(xué)習成本，另一方面在保證工程配置靈活性的同時(shí)完成了控制邏輯的編程、調試和部署。此種方式已經(jīng)深入工程項目生命周期的設計、實(shí)施、運行及維護的工程師習慣。因此，在進(jìn)行智能化升級推廣時(shí)，其主要的集成開(kāi)發(fā)及編排工具應在滿(mǎn)足工程師習慣的基礎上實(shí)現升級及擴展功能，同時(shí)應支持在線(xiàn)調試，所見(jiàn)即所得，縮短調試實(shí)時(shí)周期，以減少工業(yè)智能升級的成本與阻力。

3.5　促進(jìn)不同人員分工協(xié)作

多模態(tài)異構算法編排工具支持將復雜方案進(jìn)行模塊化拆分，不同領(lǐng)域的專(zhuān)家專(zhuān)注于專(zhuān)業(yè)特長(cháng)，各個(gè)模塊可以有相同功能算法，可靈活替換并快速驗證效果。工具支持標準化模型導入及管理，其最大化復用了現有各領(lǐng)域先進(jìn)成果，促進(jìn)了不同領(lǐng)域人員跨時(shí)間和跨地域進(jìn)行協(xié)作，促進(jìn)了模型成果的流通及工業(yè)算法模型生態(tài)的形成。

4　多模態(tài)異構算法編排工具應用舉例

4.1　智能優(yōu)化控制應用場(chǎng)景

智能控制是工程控制與智能算法的有機組成，其中控制算法可以實(shí)現自適應、自學(xué)習等復合，并可在控制中將每個(gè)控制部分進(jìn)行分解。

控制理論將各個(gè)控制算法分成不同功能模塊，如軟測量、過(guò)程模型、優(yōu)化模型、評估算法等，這些模塊可根據需要進(jìn)行同類(lèi)替換和調試，以達到最佳效果。因此，在控制過(guò)程中由于工具支持模型設置觸發(fā)方式，可根據重要性以及算法運行時(shí)間進(jìn)行調整。為了確保底層控制的穩定性和準確性，制定不同的分層控制策略。同時(shí)，利用功能框圖形式，方便工程人員對現有主要工藝參數進(jìn)行必要的邏輯保護。由于各個(gè)功能算法不同的服務(wù)，可以制定不同的可靠性設計。由于不同類(lèi)型的功能模型服務(wù)獨立運行，可保證故障擴散，根據不同策略實(shí)現恢復機制，提高了控制系統的可用性。

圖1 智能集成優(yōu)化控制應用場(chǎng)景

在操作優(yōu)化層面，如圖2所示，數據驅動(dòng)模型具有一定優(yōu)勢，它可以根據歷史最優(yōu)操作情況進(jìn)行匹配，但由于其前提條件為處于穩態(tài)的歷史操作，因此具有一定局限性。配合優(yōu)化控制場(chǎng)景，它可以較好地平衡效果性與實(shí)時(shí)性。

圖2基于數據驅動(dòng)的操作優(yōu)化控制應用場(chǎng)景

4.2　設備異常檢測場(chǎng)景

基于設備振動(dòng)、視覺(jué)以及DCS數據設備工藝參數設備預測性診斷，提高了預測準確率。它利用多元數據提高了預測準確性，針對設備預測性維護方面可以實(shí)現多模態(tài)進(jìn)行處理“望、聞、問(wèn)、切”綜合進(jìn)行診斷提高了其可靠性。其中“望”為視覺(jué)檢測、紅外熱成像、激光傳感器等光學(xué)外在檢測，其優(yōu)點(diǎn)是監測范圍廣、可解釋性好、檢測周期可以達到亞秒級?！奥劇敝饕捎谜駝?dòng)和聲音信號處理實(shí)現智能判別進(jìn)行識別，大多采用無(wú)線(xiàn)傳感器，其具有低功耗的特點(diǎn)，檢測周期較大，一般為數小時(shí)?！皢?wèn)”大多關(guān)于設備的運維數據及設備資料，其運算周期較長(cháng)，需要借助歷史庫及知識庫進(jìn)行智能算法分析，檢測周期以天為單位?！扒小崩肈CS實(shí)時(shí)運行重要點(diǎn)項對設備進(jìn)行分析，檢測周期為秒級。

多模態(tài)算法工具可以將獨立診斷檢測結果進(jìn)行整合，從而提高了檢測的準確率，同時(shí)可制定策略彌補周期上的不同步，這對不同識別結果組合制定不同的處置策略，如在高確定性時(shí)可觸發(fā)報警甚至DCS動(dòng)作。此種應用場(chǎng)景可以將不同領(lǐng)域專(zhuān)家進(jìn)行分工，處理策略更適合工藝專(zhuān)家，類(lèi)似功能塊組態(tài)方式具有較好的可擴展性、可解釋性及可維護性，并大大提高了檢測的可靠性。

圖3 多模態(tài)設備故障檢測算法示意圖

由圖3可知，各單模態(tài)數據檢測結果的準確性并不高，但由于不同模態(tài)數據的檢測相對獨立，綜合設備的檢測精度能提高至1-（1-80%）（1-85%）（1-73%）（1-65%）=99.7165%，可以作為決策的較為可靠的參考依據。同理，靈活的組態(tài)工具處理方式可以將專(zhuān)家經(jīng)驗軟件轉化，實(shí)現對設備故障類(lèi)型的精度檢測。

4.3　多模態(tài)數據分析控制閉環(huán)應用場(chǎng)景

流程行業(yè)應用場(chǎng)景通常面臨長(cháng)時(shí)滯、多變量、強耦合、非線(xiàn)性等問(wèn)題，常規自動(dòng)化技術(shù)難以直觀(guān)處理其物性狀態(tài)，眾多場(chǎng)景不僅需要經(jīng)驗人員通過(guò)感官判斷來(lái)進(jìn)行控制調整，還需要人在環(huán)路進(jìn)行控制參數調整以達到較優(yōu)的效果。由于人無(wú)法進(jìn)行連續工作，而采用間歇檢查方式，難以達到調節相對滯后，且調節效果不穩定、勞動(dòng)強度大，因此生產(chǎn)效率難以提高，專(zhuān)業(yè)人員經(jīng)驗難以傳承。

在離散制造行業(yè)，由于其生產(chǎn)處理功能相對簡(jiǎn)單、范圍有限，且光源環(huán)境等相對理想且穩定，因此以視覺(jué)為控制環(huán)路生產(chǎn)線(xiàn)得到了廣泛應用。但在流程行業(yè)復雜應用場(chǎng)景，其范圍大、生產(chǎn)環(huán)境惡劣，且光照不穩定，傳統圖像處理方式難以適應復雜應用場(chǎng)景。人工智能技術(shù)可以較好地解決部分傳統圖像處理算法的適應性問(wèn)題。行業(yè)專(zhuān)家可以結合智能識別結果和現有自動(dòng)化系統采集的數據，通過(guò)多模態(tài)組態(tài)工具制定參數調整策略以及保護邏輯。由于智能識別結果仍然存在不確定性和風(fēng)險，策略組態(tài)允許過(guò)濾異常結果以及參數調整保護邏輯，保證了參數調整結果不低于自動(dòng)化控制水平，有效將復雜場(chǎng)景進(jìn)行了工程分解，有效控制了不確定性和風(fēng)險，具有良好的可解釋性，不僅方便了不同領(lǐng)域專(zhuān)家分工協(xié)作，也方便了知識經(jīng)驗的定量化繼承及持續優(yōu)化。

在流程行業(yè)有多重應用場(chǎng)景，包括冶金行業(yè)中球團礦制備、垃圾發(fā)電爐膛火焰監測、制藥行業(yè)生產(chǎn)監控等場(chǎng)景，具有較為廣泛的應用前景。

圖4 球團礦制備智能視覺(jué)應用示意圖

5   總結與展望

多模態(tài)工業(yè)數據可以解決現有單模態(tài)信息的不可靠性、不可解釋性、不確定性等問(wèn)題，它支持異構算法運行的工具，不僅能夠有效將現有各領(lǐng)域成果進(jìn)行集成，包括控制計算、專(zhuān)家知識、優(yōu)化算法等，還能夠有效利用現有技術(shù)成果，降低復雜性，有利于不同專(zhuān)業(yè)人員進(jìn)行分工協(xié)作，最大程度復用現有成果。多模態(tài)異構算法組態(tài)工具以流程行業(yè)生產(chǎn)過(guò)程控制為基礎，很大程度上解決了工業(yè)智能應用落地在數據、算法、異構集成、工程化、人才等方面的挑戰，加速了人工智能向工業(yè)智能的轉化，也推動(dòng)了流程行業(yè)智能化水平的快速提升。

作者簡(jiǎn)介：

李　戎（1975-），高級工程師，現就職于杭州和利時(shí)自動(dòng)化有限公司，從事智能工廠(chǎng)應用及智能工廠(chǎng)建設工作。

孫繼超（1983-），高級工程師，現就職于杭州和利時(shí)自動(dòng)化有限公司，從事智能工廠(chǎng)相關(guān)技術(shù)及應用研究工作。

參考文獻：

[1] 王飛躍, 陳俊龍. 智能控制方法與應用(上冊)[M]. 北京: 中國科學(xué)技術(shù)出版社, 2020.

[2] 王飛躍, 陳俊龍. 智能控制方法與應用(下冊)[M]. 北京: 中國科學(xué)技術(shù)出版社, 2020.

[3] 潘泉. 多源信息融合理論及應用[M]. 北京: 清華大學(xué)出版社, 2013.

[4] 韓崇昭, 朱洪艷, 段戰勝. 多源信息融合(第3版)[M]. 北京: 清華大學(xué)出版社, 2022.

摘自《自動(dòng)化博覽》2024年3月刊