日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

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

★李戎，孫繼超（杭州和利時自動化有限公司，陜西西安710075）

關(guān)鍵詞：數(shù)據(jù)模態(tài)；多模態(tài)數(shù)據(jù)融合；智能優(yōu)化控制；多模態(tài)數(shù)據(jù)閉環(huán)控制

在市場競爭日益激烈和技術(shù)發(fā)展的雙重推動下，工業(yè)自動化正經(jīng)歷著從傳統(tǒng)模式向數(shù)字化和智能化的深刻轉(zhuǎn)變。這一轉(zhuǎn)變被廣泛認為是工業(yè)領(lǐng)域未來發(fā)展的主要趨勢，有望在提升生產(chǎn)效率、降低運營成本、提高產(chǎn)品質(zhì)量以及創(chuàng)造更加可持續(xù)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(guī)模大、生產(chǎn)工藝復(fù)雜等特點，涵蓋了工程設(shè)計、實施、運行、維護等多個方面。特別是在工業(yè)控制領(lǐng)域，面臨著大時滯、非線性、多變量、強耦合、參數(shù)時變等復(fù)雜特點，建立準(zhǔn)確的機理模型難度較大，因此傳統(tǒng)的自動化技術(shù)在該領(lǐng)域的進步空間相對有限。

隨著人工智能和機器學(xué)習(xí)的快速發(fā)展，工業(yè)自動化正逐漸注入智能元素。通過建立數(shù)據(jù)驅(qū)動的模型和算法，工廠能夠?qū)崿F(xiàn)自主決策、優(yōu)化控制和故障預(yù)測等功能。智能化工業(yè)自動化系統(tǒng)能夠根據(jù)不同情景和需求做出靈活的反應(yīng)，并能夠在持續(xù)學(xué)習(xí)和優(yōu)化自身性能的過程中實現(xiàn)更高水平的自動化。

這場變革為工業(yè)自動化開辟了新的前景，為企業(yè)提供了更靈活、更高效、可持續(xù)的解決方案。隨著技術(shù)的不斷演進，工業(yè)自動化有望迎來更加智能、創(chuàng)新和可持續(xù)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)用戶面對日益激烈的市場競爭，對“節(jié)能、減排、降本、增效”的需求十分迫切。同時，客戶需求變得更加多樣化，個性化生產(chǎn)和及時交付需求上升，這要求更靈活的生產(chǎn)方式。在政策引導(dǎo)和實際需求推動下，許多工業(yè)客戶近年來已通過升級改造達到了較高的自動化水平，并建立了統(tǒng)一的數(shù)據(jù)平臺，完成了數(shù)字化轉(zhuǎn)型，奠定了自動化和數(shù)字化基礎(chǔ)。

隨著技術(shù)的進步以及國產(chǎn)硬件廠商技術(shù)的突破，基礎(chǔ)硬件成本降低，包括傳感器、CPU、GPU、AI芯片、存儲及通信設(shè)備等。智能儀表、智能控制器等先進的硬件設(shè)備不斷應(yīng)用到生產(chǎn)過程，為流程工業(yè)智能化提供了硬件基礎(chǔ)。同時，軟件技術(shù)發(fā)展迅速，包括操作系統(tǒng)、虛擬化、容器化、數(shù)據(jù)庫、中間件、Web等均有標(biāo)準(zhǔn)化的產(chǎn)品及開源組件，極大地降低了軟件開發(fā)成本，使開發(fā)人員更加專注于業(yè)務(wù)本身。在算法方面，自動化控制技術(shù)已經(jīng)較為成熟，人工智能算法在科研方面取得了顯著進步，并且持續(xù)迭代快速發(fā)展。計算機視覺、自然語言處理、時間序列分析、AIGC等技術(shù)在消費領(lǐng)域得到了廣泛應(yīng)用，并產(chǎn)生了巨大的社會效益。隨著人工智能持續(xù)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的人員基礎(chǔ)。

由以上可知，流程行業(yè)無論從市場需求側(cè)還是技術(shù)供給側(cè)已經(jīng)具備了由自動化、數(shù)字化向智能化轉(zhuǎn)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(zhàn)

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(yīng)用，但各領(lǐng)域之間的應(yīng)用尚未實現(xiàn)有效整合，在功能上基本處于“錦上添花”，而少有解決用戶痛點的“雪中送炭”的應(yīng)用場景。綜合來看，工業(yè)智能在流程行業(yè)的推廣還面臨著數(shù)據(jù)、算法、異構(gòu)集成、工程化及人才建設(shè)等多方面的挑戰(zhàn)。

2.1　數(shù)據(jù)層面-多模態(tài)數(shù)據(jù)尚未有效利用

目前，大部分流程行業(yè)的工業(yè)智能應(yīng)用采用單一來源數(shù)據(jù)，其單模態(tài)數(shù)據(jù)承載信息有限，難以滿足應(yīng)用場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(fù)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(zhǔn)確的判斷，進而做出相對合理的決策。然而，基于單一數(shù)據(jù)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(xiàn)有回轉(zhuǎn)設(shè)備診斷大多采用振動/聲音場景，但局限于傳感器電池限制，采樣數(shù)據(jù)間隔只能以小時、天為單位，且需要專家判斷輔助，這使得設(shè)備異常的實時性難以提高。雖然基于DCS能達到較高的自控率，但對于個別生產(chǎn)環(huán)節(jié)，仍然需要操作人員對設(shè)備、環(huán)境及產(chǎn)品品質(zhì)觀察才能做出控制決策。

流程行業(yè)的企業(yè)不僅在生產(chǎn)過程中產(chǎn)生了大量動態(tài)數(shù)據(jù)，而且在流程行業(yè)工程項目建設(shè)過程中以及大量專家及熟練操作工人也積累了大量靜態(tài)數(shù)據(jù)。這些數(shù)據(jù)本身帶有大量關(guān)于設(shè)備、工藝、生產(chǎn)、操作經(jīng)驗等的先驗信息，但目前并沒有得到充分且有效的融合利用，導(dǎo)致工業(yè)智能水平難以進一步提升。

2.2　算法層面-現(xiàn)有智能算法未能完全適應(yīng)工業(yè)場景

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

（1）數(shù)據(jù)依賴問題

以神經(jīng)網(wǎng)絡(luò)為代表的聯(lián)結(jié)主義類型的人工智能技術(shù)對工業(yè)數(shù)據(jù)依賴，訓(xùn)練較為合格的模型需要包含各種工況標(biāo)注且均衡的數(shù)據(jù)，并根據(jù)數(shù)據(jù)特征合理調(diào)整模型參數(shù)，容易造成欠擬合和過擬合現(xiàn)象。在實際工業(yè)場景中難以獲取帶有標(biāo)注的異常數(shù)據(jù)以及覆蓋各個工況且均衡的數(shù)據(jù)。在不滿足這些前提條件的情況下，基于數(shù)據(jù)驅(qū)動的智能算法難以滿足工業(yè)場景需要。

（2）實時性/確定性問題

在生產(chǎn)過程中，控制或決策要求算法具有實時性及確定性，即對確定的輸入條件、算法需要在規(guī)定時間內(nèi)輸出確定的結(jié)果。大部分智能算法與效果模型參數(shù)相關(guān)，復(fù)雜算法往往意味著更大參數(shù)以及計算量，導(dǎo)致無法在要求時間內(nèi)完成。在具有迭代優(yōu)化的算法中，實時性更是難以保證。大部分智能算法輸出的并非是確定數(shù)值，而是具有一定置信度的數(shù)值，或者是具有一定置信度的范圍。這對現(xiàn)有實時性/確定性的算法自動化控制算法顯得十分格格不入，當(dāng)這種置信度較低時，會產(chǎn)生較大不確定性及風(fēng)險，進而影響整個系統(tǒng)的可靠性。

（3）適應(yīng)性問題

基于數(shù)據(jù)驅(qū)動的智能算法一般只適用于具體個例場景，難以遷移適用同類場景。基于數(shù)據(jù)驅(qū)動的智能算法對數(shù)據(jù)十分敏感，同類但不同個體間均存在不同程度的差異，如環(huán)境、人員操作習(xí)慣、設(shè)備運行狀態(tài)等均會造成不同的影響。這些差異在黑盒不可見情況下難以人為干預(yù)和調(diào)整，只能針對每一個具體個例重新訓(xùn)練模型。在流程行業(yè)場景中，大多工藝復(fù)雜且設(shè)備數(shù)量較大，導(dǎo)致基于數(shù)據(jù)驅(qū)動的智能算法成本較高，難以工程化大面積推廣。

（4）可解釋性問題

流程行業(yè)非常注重生產(chǎn)安全，在關(guān)鍵環(huán)節(jié)進行操作時需要較明確的依據(jù)，且需要專業(yè)人員負責(zé)把控。模型是否具較清晰的可解釋性，是模型推理結(jié)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(shù)據(jù)驅(qū)動模型，其內(nèi)部基本為黑盒，并涉及到重大生產(chǎn)安全場合，追蹤與溯源困難，且難以實現(xiàn)安全生產(chǎn)，難以在關(guān)鍵控制或決策中被采用。基于數(shù)據(jù)驅(qū)動的模型的可解釋性作為重要研究方向取得了一定成果，但仍然難以滿足現(xiàn)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(gòu)集成成本高

現(xiàn)有的工業(yè)智能應(yīng)用大多面向垂直領(lǐng)域?qū)崿F(xiàn)單一功能，其實現(xiàn)技術(shù)各不相同且進行深度封裝，使得不同應(yīng)用在軟件技術(shù)實現(xiàn)與硬件部署均具有較大的差異。大多數(shù)智能應(yīng)用采用API方式，雖然在開發(fā)層面具有一定的靈活性，但在工程化實現(xiàn)時還需要開發(fā)人員進行代碼編寫，在集成時還需要針對各個不同的定制化開發(fā)接口，導(dǎo)致集成成本高昂，難以實現(xiàn)更高層次的智能應(yīng)用。

在流程行業(yè)實現(xiàn)不同層面的異構(gòu)算法在軟硬件層面均有較大差異，給實現(xiàn)異構(gòu)算法層面的集成帶來了困難。硬件層面差別較大，如資源有限的嵌入式控制器、適合復(fù)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(shè)備。軟件層面不同專業(yè)算法也包括運行環(huán)境，操作系統(tǒng)、驅(qū)動程序、編程語言、編譯器/解釋器、語言環(huán)境、數(shù)據(jù)通信、調(diào)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)自動化技術(shù)在解決實際問題的工程化方面存在較大差異，使得在已有自動化工程師習(xí)慣及經(jīng)驗基礎(chǔ)上，實施智能化升級具有較大難度。人工智能技術(shù)與自動化技術(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(tǒng)設(shè)計及開發(fā)人員不僅需要具備深入的工程學(xué)、控制理論、數(shù)據(jù)科學(xué)和機器學(xué)習(xí)等多領(lǐng)域的知識，還需要熟悉生產(chǎn)工藝及痛點。這樣的跨領(lǐng)域人員是難以培養(yǎng)且稀缺的。隨著技術(shù)的快速發(fā)展，設(shè)計開發(fā)人員需要投入時間、資源技更新技能才能趕上技術(shù)及應(yīng)用。另外，企業(yè)員工可能因為對新技術(shù)不熟悉和擔(dān)憂對工作有影響而對其產(chǎn)生抵觸。這需要企業(yè)進行培訓(xùn)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業(yè)培訓(xùn)，對這些系統(tǒng)有了深入的了解才能有效地進行智能工具。

3　多模態(tài)異構(gòu)算法編排工具解決方案

支持多模態(tài)數(shù)據(jù)處理能力以及異構(gòu)算法運行的工業(yè)智能算法編排工具針對以上問題提供了解決方案，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(shù)據(jù)攜帶的信息有限，在實現(xiàn)單一簡單應(yīng)用時尚能滿足基本功能要求，但在處理結(jié)果時仍然存在較大不確定性，尤其在流程行業(yè)復(fù)雜應(yīng)用場景中，各部分功能強耦合的情況下，計算結(jié)果的不確定性累積放大進而造成系統(tǒng)風(fēng)險失控而不可用。

多模態(tài)數(shù)據(jù)可以較全面地反映被監(jiān)控對象信息，再結(jié)合不同模態(tài)信息的特點進行有機整合，有效降低了不確定性。如DCS數(shù)據(jù)控制較為成熟，具有較高的準(zhǔn)確性；視覺/聲音信息雖然有較高不確定性，但與人類感覺相似，方便專家依據(jù)經(jīng)驗進行軟件轉(zhuǎn)化。另外，氣體檢測、激光雷達、超聲波等新技術(shù)作為人類感官功能的延伸，其數(shù)據(jù)也方便理解并處理使用，提升了系統(tǒng)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)進行融合，在針對特定領(lǐng)域融合時需要大量數(shù)據(jù)、算力及人工成本進行訓(xùn)練。另外，精度難以滿足工業(yè)控制級要求，在復(fù)雜工業(yè)應(yīng)用場景難以工程化實現(xiàn)。多模態(tài)數(shù)據(jù)異構(gòu)算法編排工具是應(yīng)對流程行業(yè)復(fù)雜應(yīng)用場景需求，實現(xiàn)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(shù)據(jù)的形式、內(nèi)容及普遍性

3.2　支持不同異構(gòu)算法運行環(huán)境

單獨使用人工智能算法難以滿足復(fù)雜應(yīng)用場景要求，需要結(jié)合機理、專家經(jīng)驗以及數(shù)據(jù)驅(qū)動智能算法的優(yōu)勢來解決問題。

不同的算法調(diào)用不同的軟件邏輯和硬件資源，如硬件包括CPU、內(nèi)存、GPU算力等，軟件包括操作系統(tǒng)、運行環(huán)境、硬件驅(qū)動、語言編譯及解釋器等，具有部分軟件存在沖突，現(xiàn)有虛擬化、容器化技術(shù)以及IT技術(shù)為不同異構(gòu)算法運行環(huán)境提供了條件，以此不同領(lǐng)域的算法也逐漸進行標(biāo)準(zhǔn)化。這些算法可以對不同模態(tài)的數(shù)據(jù)進行處理及融合。

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(shù)據(jù)驅(qū)動、專家經(jīng)驗混合編排能力

在應(yīng)對流程行業(yè)復(fù)雜場景時，單一類型的模型由于自身的劣勢難以滿足項目要求，需要不同異構(gòu)模型根據(jù)其優(yōu)點相互補充以達到更好效果。在實際應(yīng)用中除了數(shù)據(jù)通信外，針對不同模型集成，還需要對數(shù)據(jù)進行必要的數(shù)據(jù)處理、運算、不確定性處理以及生產(chǎn)過程邏輯保護等。

表4 不同類型模型的優(yōu)缺點

多模態(tài)異構(gòu)算法編排工具應(yīng)支持機理、數(shù)據(jù)驅(qū)動及專家規(guī)則等標(biāo)準(zhǔn)形式的模型以算法為單位進行靈活編排，充分有效地利用各自模型的優(yōu)勢，同時應(yīng)支持對數(shù)據(jù)進行處理、加工及流向控制，應(yīng)支持不同周期及事件觸發(fā)驅(qū)動方式，以滿足工程師對不同工程項目的定制需求。異構(gòu)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(shè)計、動態(tài)切換等方式。

3.4　符合工程師習(xí)慣的功能塊組態(tài)方式

傳統(tǒng)的DCS控制系統(tǒng)項目由DCS工程師基本采用符合IEC61131-3的LD/CFC/FDB/SFC等圖形化語言組態(tài)，一方面降低了基于文本的編程語言的學(xué)習(xí)成本，另一方面在保證工程配置靈活性的同時完成了控制邏輯的編程、調(diào)試和部署。此種方式已經(jīng)深入工程項目生命周期的設(shè)計、實施、運行及維護的工程師習(xí)慣。因此，在進行智能化升級推廣時，其主要的集成開發(fā)及編排工具應(yīng)在滿足工程師習(xí)慣的基礎(chǔ)上實現(xiàn)升級及擴展功能，同時應(yīng)支持在線調(diào)試，所見即所得，縮短調(diào)試實時周期，以減少工業(yè)智能升級的成本與阻力。

3.5　促進不同人員分工協(xié)作

多模態(tài)異構(gòu)算法編排工具支持將復(fù)雜方案進行模塊化拆分，不同領(lǐng)域的專家專注于專業(yè)特長，各個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(biāo)準(zhǔn)化模型導(dǎo)入及管理，其最大化復(fù)用了現(xiàn)有各領(lǐng)域先進成果，促進了不同領(lǐng)域人員跨時間和跨地域進行協(xié)作，促進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(gòu)算法編排工具應(yīng)用舉例

4.1　智能優(yōu)化控制應(yīng)用場景

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現(xiàn)自適應(yīng)、自學(xué)習(xí)等復(fù)合，并可在控制中將每個控制部分進行分解。

控制理論將各個控制算法分成不同功能模塊，如軟測量、過程模型、優(yōu)化模型、評估算法等，這些模塊可根據(jù)需要進行同類替換和調(diào)試，以達到最佳效果。因此，在控制過程中由于工具支持模型設(shè)置觸發(fā)方式，可根據(jù)重要性以及算法運行時間進行調(diào)整。為了確保底層控制的穩(wěn)定性和準(zhǔn)確性，制定不同的分層控制策略。同時，利用功能框圖形式，方便工程人員對現(xiàn)有主要工藝參數(shù)進行必要的邏輯保護。由于各個功能算法不同的服務(wù)，可以制定不同的可靠性設(shè)計。由于不同類型的功能模型服務(wù)獨立運行，可保證故障擴散，根據(jù)不同策略實現(xiàn)恢復(fù)機制，提高了控制系統(tǒng)的可用性。

圖1 智能集成優(yōu)化控制應(yīng)用場景

在操作優(yōu)化層面，如圖2所示，數(shù)據(jù)驅(qū)動模型具有一定優(yōu)勢，它可以根據(jù)歷史最優(yōu)操作情況進行匹配，但由于其前提條件為處于穩(wěn)態(tài)的歷史操作，因此具有一定局限性。配合優(yōu)化控制場景，它可以較好地平衡效果性與實時性。

圖2基于數(shù)據(jù)驅(qū)動的操作優(yōu)化控制應(yīng)用場景

4.2　設(shè)備異常檢測場景

基于設(shè)備振動、視覺以及DCS數(shù)據(jù)設(shè)備工藝參數(shù)設(shè)備預(yù)測性診斷，提高了預(yù)測準(zhǔn)確率。它利用多元數(shù)據(jù)提高了預(yù)測準(zhǔn)確性，針對設(shè)備預(yù)測性維護方面可以實現(xiàn)多模態(tài)進行處理“望、聞、問、切”綜合進行診斷提高了其可靠性。其中“望”為視覺檢測、紅外熱成像、激光傳感器等光學(xué)外在檢測，其優(yōu)點是監(jiān)測范圍廣、可解釋性好、檢測周期可以達到亞秒級。“聞”主要采用振動和聲音信號處理實現(xiàn)智能判別進行識別，大多采用無線傳感器，其具有低功耗的特點，檢測周期較大，一般為數(shù)小時。“問”大多關(guān)于設(shè)備的運維數(shù)據(jù)及設(shè)備資料，其運算周期較長，需要借助歷史庫及知識庫進行智能算法分析，檢測周期以天為單位。“切”利用DCS實時運行重要點項對設(shè)備進行分析，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(jié)果進行整合，從而提高了檢測的準(zhǔn)確率，同時可制定策略彌補周期上的不同步，這對不同識別結(jié)果組合制定不同的處置策略，如在高確定性時可觸發(fā)報警甚至DCS動作。此種應(yīng)用場景可以將不同領(lǐng)域?qū)＜疫M行分工，處理策略更適合工藝專家，類似功能塊組態(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(shè)備故障檢測算法示意圖

由圖3可知，各單模態(tài)數(shù)據(jù)檢測結(jié)果的準(zhǔn)確性并不高，但由于不同模態(tài)數(shù)據(jù)的檢測相對獨立，綜合設(shè)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(jù)。同理，靈活的組態(tài)工具處理方式可以將專家經(jīng)驗軟件轉(zhuǎn)化，實現(xiàn)對設(shè)備故障類型的精度檢測。

4.3　多模態(tài)數(shù)據(jù)分析控制閉環(huán)應(yīng)用場景

流程行業(yè)應(yīng)用場景通常面臨長時滯、多變量、強耦合、非線性等問題，常規(guī)自動化技術(shù)難以直觀處理其物性狀態(tài)，眾多場景不僅需要經(jīng)驗人員通過感官判斷來進行控制調(diào)整，還需要人在環(huán)路進行控制參數(shù)調(diào)整以達到較優(yōu)的效果。由于人無法進行連續(xù)工作，而采用間歇檢查方式，難以達到調(diào)節(jié)相對滯后，且調(diào)節(jié)效果不穩(wěn)定、勞動強度大，因此生產(chǎn)效率難以提高，專業(yè)人員經(jīng)驗難以傳承。

在離散制造行業(yè)，由于其生產(chǎn)處理功能相對簡單、范圍有限，且光源環(huán)境等相對理想且穩(wěn)定，因此以視覺為控制環(huán)路生產(chǎn)線得到了廣泛應(yīng)用。但在流程行業(yè)復(fù)雜應(yīng)用場景，其范圍大、生產(chǎn)環(huán)境惡劣，且光照不穩(wěn)定，傳統(tǒng)圖像處理方式難以適應(yīng)復(fù)雜應(yīng)用場景。人工智能技術(shù)可以較好地解決部分傳統(tǒng)圖像處理算法的適應(yīng)性問題。行業(yè)專家可以結(jié)合智能識別結(jié)果和現(xiàn)有自動化系統(tǒng)采集的數(shù)據(jù)，通過多模態(tài)組態(tài)工具制定參數(shù)調(diào)整策略以及保護邏輯。由于智能識別結(jié)果仍然存在不確定性和風(fēng)險，策略組態(tài)允許過濾異常結(jié)果以及參數(shù)調(diào)整保護邏輯，保證了參數(shù)調(diào)整結(jié)果不低于自動化控制水平，有效將復(fù)雜場景進行了工程分解，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?qū)＜曳止f(xié)作，也方便了知識經(jīng)驗的定量化繼承及持續(xù)優(yōu)化。

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

圖4 球團礦制備智能視覺應(yīng)用示意圖

5   總結(jié)與展望

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

作者簡介：

李　戎（1975-），高級工程師，現(xiàn)就職于杭州和利時自動化有限公司，從事智能工廠應(yīng)用及智能工廠建設(shè)工作。

孫繼超（1983-），高級工程師，現(xiàn)就職于杭州和利時自動化有限公司，從事智能工廠相關(guān)技術(shù)及應(yīng)用研究工作。

參考文獻：

[1] 王飛躍, 陳俊龍. 智能控制方法與應(yīng)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(yīng)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(yīng)用[M]. 北京: 清華大學(xué)出版社, 2013.

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

摘自《自動化博覽》2024年3月刊