摘要 本文在分析工业控制技术在工业革命中的作用和工业过程控制现状与存在问题的基础上,提出了工业过程控制智能化的涵义、发展方向和面临的挑战.通过基于新一代信息技术的工业过程智能控制方法和抗商用5G随机时延控制实验案例表明,将工业人工智能、工业互联网等新一代信息技术与工业控制技术紧密融合与协同为发展工业过程控制智能化开辟了新途径.最后,提出了工业过程控制智能化的主要研究方向和研究思路.

关键词 过程控制; 智能控制; 强化学习; 数字孪生; 自优化; process control; intelligent control; reinforcement learning; digital twin; self-optimization

摘要 生产调度智能决策是实现我国流程工业智能制造的关键环节.在人工智能和知识赋能的时代背景下,数学优化和数据科学技术的迅猛发展深刻改变了流程调度的决策范式.本文在流程智能制造背景下,以典型调度决策链视角,围绕过程调度模型的虚实映射、融合工业知识的快速寻优和突发多源干扰的动态响应3个环节,概述了工业应用调度决策优化的关键问题和研究难点,并对相关研究成果进行了系统性的回顾,提出了知识融合的数智化流程调度软件框架,并结合原油调度智能优化案例进行说明.最后,结合当前技术的发展现状,对新一代智能调度技术和软件的研究进行了展望.

关键词 流程工业; 智能制造; 调度优化; 工业软件; process industry; smart manufacturing; scheduling optimization; industrial software

摘要 大语言模型近年来受到广泛关注,并逐步发展为材料科学领域的重要研究工具.相较于传统机器学习方法,大语言模型能够实现材料科学领域多种任务协同处理,进行跨模态语义理解,并实现全流程智能化覆盖.本文系统梳理了大语言模型在材料领域知识增强、多模态数据融合以及工具协同调用方向的最新进展,阐述了大语言模型推动材料研发流程从局部智能化向全流程智能化的技术演进.本文进一步探讨大语言模型应用于材料领域面临的核心挑战,包括领域特定知识深度与指令泛化能力的平衡机制、跨模态语义精确对齐方法、工具调用精确度与模型自学习能力的提升策略,以及学术研究与工业界需求间的矛盾,最终为构建材料科学专用大语言模型的技术创新与应用落地提供了理论框架和发展建议.

关键词 大语言模型; 材料科学; 多模态; 智能体; large language model; materials science; multimodal; agent

摘要 有杆泵抽油系统工况的精准识别对提升运行效率、实现节能降耗以及保障安全生产具有重要意义.传统工况识别方法主要依赖专家经验,人工提取特征,效率低且主观性强.深度学习技术虽然在一定程度上提升了识别精度和效率,但在复杂工况识别方面仍存在局限性,且其“黑箱”特性导致模型内部机制难以直观理解,可解释性差.本文提出了一种基于迁移学习和改进EfficientNetB3的有杆泵抽油系统工况自动识别方法和基于边缘强化梯度加权类激活映射的模型可解释性分析方法,在显著提升工况识别精度的同时,有效增强了模型的可解释性.利用油田现场采集的真实示功图数据进行实验验证,并与目前具有代表性的深度学习方法进行了系统性对比.实验结果表明,本文所提出的方法能够实现有杆泵抽油系统工况的高精度识别,精准捕捉示功图的关键特征区域,为工况识别模型提供细粒度解释.

关键词 有杆泵抽油系统; 工况识别; 示功图; 迁移学习; 可解释性; sucker-rod pumping systems; working condition recognition; dynamometer card; transfer learning; interpretability

摘要 随着电力系统智能化转型,大量物联网设备被引入,这在带来便利的同时也引入了网络攻击问题,且大量新能源的并网导致电力系统的状态变化更加多样、频繁,对状态估计的鲁棒性和快速性提出了更高的要求.然而,目前状态估计(state estimation, SE)方法更多关注估计精度提升,忽略了状态估计的计算速度和鲁棒性.为解决上述问题,本文提出了一种快速、鲁棒、精确、安全的SE方案,其由攻击检测器、数据重构器和状态估计器串行组成.首先,本文提出了一种鲁棒的攻击检测器,即使电网拓扑变化也能够精确检测攻击数据.其次,本文提出了一种鲁棒的数据重构器,其能够精确、鲁棒地将攻击数据清洗为正常数据,从而保证数据的可用性.此外,本文提出了一种基于图形处理单元的快速、鲁棒的状态估计器,结合考虑稀疏存储和重排序等方法,进一步加快SE计算.最后,本文进行了大量实验证明了上述方案的可行性和鲁棒性.

关键词 电力系统状态估计; 攻击检测; 并行计算; 图形处理单元; power system state estimation; attack detection; parallel computing; graphics processing unit

摘要 航空发动机是飞行设备的心脏,其涡轮叶片的缺陷检测对保障航空航天的安全至关重要.现有的深度学习方案通常需要大量计算资源,并且无法满足精准快速的检测需求.为了解决以上挑战,本文提出了基于网络架构搜索的多尺度高低频特征聚合分割方法 (multi-scale separate-frequency feature aggregation segmentation method, MSFA),并将其部署到自动化质检系统中.首先,本文针对航空发动机涡轮叶片的复杂缺陷设计了一个自适应知识图谱驱动的轻量搜索空间,以动态搜索网络的配置,通过通道数量与卷积核大小双最优构建本文的轻量化模型.其次,本文开发了高分辨率残差模块来引导缺陷分割过程,在保证精度的前提下实现高效的缺陷检测.最后,本文构建了高低频信息分离方法,来选择性地融合纹理信息以获得缺陷的重要特征,利用多尺度特征融合来聚合不同语义层级的缺陷信息.实验结果表明, MSFA在航发叶片分割任务中以5.73M的参数量实现了75.04%的交并比,与目前最先进的方法相比提升了7.42%,并保持实时级推理效率.此外,本文将其部署到一套多过程的自动化质检系统中,涵盖自动上下料、智能全覆盖成像、缺陷精准检测、误检检出和缺陷综合评估5个部分,解决了工业场景中航发叶片高速、精准检测的难题,全自动化的过程实现了高效的缺陷检测.

关键词 神经网络架构搜索; 航空发动机涡轮叶片; 缺陷检测; 轻量化模型; 实时语义分割; neural architecture search; aero-engine turbine blades; defect detection; lightweight model; real-time semantic segmentation

摘要 现代智能制造产线集成化程度高,产线设备结构和功能复杂,工艺流程存在耦合性,导致故障隔离定位困难,易产生故障传播风险并威胁产线安全稳定高效运行.故障根因诊断旨在基于产线实时状态信息,通过准确识别故障传播路径与源头,提升产线和关键设备的系统可靠性,提高生产运行效率.然而,现有方法多局限于因果相关性分析,缺乏深层次的因果推理能力,难以揭示故障后状态变量之间真实的因果关系,限制了故障传播分析与根因诊断的可信度.为此,本文提出一种基于深度因果推理的故障根因诊断方法 (deep causal inference-based root cause diagnosis, DCIRCD).该方法首先通过结构因果模型(structural causal model, SCM)构建监测变量间的因果关系,结合干预与反事实推理实现因果推理的3个层级,提升了监测变量状态变化的因果解释性.特别地,通过引入孪生网络简化反事实推理过程,将其转化为关联因果模型上的贝叶斯推断(Bayesian inference, BI),降低了计算复杂度.所提方法在航空机载叶轮制造产线上进行了可行性与有效性验证,基于产线的状态报警数据,DCIRCD方法能够准确诊断故障根因,其结论与历史维修记录和系统机理相符.

关键词 因果推理; 反事实推理; 故障根因诊断; 孪生网络; causal inference; counterfactual inference; fault root cause diagnosis; twin networks

摘要 随着工业智能系统的快速发展以及能源互联网的广泛应用,工业软件在支持多节点协同计算和解决复杂优化问题中发挥了关键作用.然而,能源互联网的分布式、多节点自治特点以及复杂网络结构和实时动态调控需求,对工业软件的实时性、收敛速率和适用范围提出了更高要求.这些要求迫切需要设计高效的分布式优化算法作为工业软件的核心支撑.因此,本文研究了时变通信拓扑下的分布式非凸复合优化问题,其中全局目标函数由光滑的非凸部分和非光滑的凸部分组成.所提出的算法利用逐次凸逼近(successive convex approximation, SCA)技术与梯度跟踪机制,并引入类Nesterov动量项以调整每次迭代的更新方向,从而进一步提升算法的收敛速率.理论证明了当动量参数低于设定的上界时,所提算法在固定步长条件下能够渐近收敛至所研究问题的平衡点集.数值仿真实验进一步验证了算法的有效性.

关键词 工业软件; 分布式非凸优化; 复合优化; 类Nesterov加速方法; industrial software; distributed non-convex optimization; composite optimization; Nesterov-like acceleration method

摘要 为保障直流微电网的安全运行,需要通过分布式控制方法实现负荷功率的合理分配并维持母线电压的稳定.以往的分布式控制设计与分析往往基于连续时间系统模型.然而,对于现代控制系统,大多数控制方法尤其是系统级方法都是通过数字控制器和数字通信实现的.为避免连续时间控制策略在离散数字控制系统中实现时可能导致的不稳定现象,本研究基于离散时间(discrete-time, DT)直流微电网模型,提出了一种分布式DT控制方法,实现了比例负荷功率分配和加权几何平均电压调节.此外,为应对分布式控制器间信息交互可能导致的网络拥堵问题,本研究引入了周期事件触发(periodic event-triggered, PET)机制,在维持控制效果的同时,降低了对通信网络的通信资源需求.由于该触发条件仅在离散时刻检测,因此可以从本质上避免Zeno现象.进而,利用Lyapunov稳定性分析方法与LaSalle不变集原理,本研究从理论上证明了闭环系统可渐近收敛至平衡点.最后,通过Simscape Electrical软件对所提出的分布式控制方法进行了仿真测试,验证了其有效性以及在非理想通信网络情况下的鲁棒性.

关键词 直流微电网; 负荷功率分配; 母线电压调节; 离散时间控制; 周期事件触发控制; DC microgrid; load power sharing; bus voltage regulation; discrete-time control; periodic event-triggered control

摘要 高端装备制造中的排产问题往往涉及复杂的生产流程,且动态变化的工艺路径与资源状态进一步增加了排产的难度.现有的集成工艺规划与车间调度(integrated process planning and shop scheduling, IPPS)方法,通常基于工艺路径与资源状态不变的假设,利用工艺特征表、工艺网络图等静态模型进行优化求解,难以在复杂动态的环境中高效地获得最优解.本文创新性地提出了一种基于元排产的双迭代式IPPS计算框架.该框架基于生产全要素信息构建元排产模型,作为排产过程的数字孪生,以描述复杂任务的动态执行过程,并针对路径变化提出了元排产驱动的工艺网络图迭代生成机制,实现排产模型的演化能力,进而,针对资源状态变化,建立了基于资源时分状态视图的求解模式,并通过变粒度求解、粗求解精化及资源冲突检测与消解策略提高解的可复用性,降低了求解成本,实现排产问题的可计算性,从而提供了实际复杂制造中动态排产问题的完整解决方案.本研究通过大型民用飞机构件制造案例分析与实验,验证了该方法在提高生产计划可行性和降低计算成本方面的显著优势,对构建智能排产系统、发展先进装备制造具有重要的实际应用价值.

关键词 复杂制造; 动态排产; 滚动窗口; 变粒度; 冲突检测与消解; complex manufacturing; dynamic scheduling; rolling window; variable granularity; conflict detection and resolution

摘要 工业具身智能作为新一代人工智能的热点发展方向,可通过融合多模态大模型对世界的认知能力,驱动工业世界中的物理实体(如各类工业机器)实现“感知–决策–执行”的端到端闭环智能系统,从而为未来智能制造的实现提供重要支撑.然而,工业界各类复杂的应用场景具有操作对象多变性、操作任务多样性等特点,工业场景构建以及数据采集成本高昂,造成工业具身世界模型的训练场景与数据极度匮乏,成为该方向发展的瓶颈挑战.为此,本文提出了“数字族谱”的全新概念,并定义了基于数字族谱DG-DNA基因的生成机制.基于DG-DNA,能够生成从多样零件到多型产品的多代演化产品数字族谱,也能够生成各制造阶段中包含不同设备及环境配置的多样生产空间数字族谱.基于此可构建支撑工业具身智能世界模型训练的场景与数据,以驱动更具操作对象泛化性与空间适应性的工业具身智能的实现.首先,提出了数字族谱的定义与概念内涵;其次,提出了数字族谱系统体系架构;同时,提出了数字族谱的生成构建方法;然后,阐述了面向产品全生命周期的数字族谱典型应用场景,并给出了一个基于数字族谱DG-VAE生成方法的工业零件定制化创新设计应用案例;最后,探讨和展望了数字族谱未来的研究方向和在其他领域的应用延伸.本文为工业具身智能世界模型以及大规模高质量数据训练场的构建提供了一种新的思路与方法,为数字族谱这一全新概念的开创与发展,提供基础理论、关键技术和行业应用的全面指导.

关键词 数字族谱; 具身智能; 数字族谱DNA; 工业大模型; 多模态大模型; 世界模型; 空间智能; 生成式人工智能; 工业智能体; 智能制造; 数字孪生; digital genealogy; embodied intelligence; digital genealogy DNA; industrial foundation model; multimodal foundation model; world model; spatial intelligence; generative artificial intelligence; industrial agent; smart manufacturing; digital twin

摘要 模型库是高端工业软件的核心组件.“无免费午餐”定理证明没有一种模型能在所有场景中表现良好,根据对象特性确定合适的模型至关重要.然而,常见的模型选择过程繁琐,需要逐一训练候选模型,并根据性能评估来确定最佳模型,这需要大量的标签信息和计算资源.本研究的重点是通过不依赖逐一实验和评估的方式,快速为无标签的目标数据选择合适的模型,提高工业软件模型库对各种工业对象快速支撑和规模应用的能力.本文首次将电子商务推荐系统的理念引入工业领域,提出了工业模型推荐系统的概念,指出并解决了构建工业模型推荐系统的主要挑战,即工业时序数据缺乏直观推荐特征.具体地,本文提出了一套推荐特征挖掘方法,其能够从工业时间序列数据中挖掘与设备无关但与监控性能相关的特征.其次,设计了基于宽度学习和大语言模型的双通路模型推荐方法,其能够建立特征和监控模型性能之间的映射关系,且能够综合多种评价维度给出推荐结果.此外,构建了一套工业模型推荐系统,包括数据集、特征和模型,为工业时间序列监测任务的模型推荐领域提供了一个基准.通过大量实验验证,展示了工业模型推荐的可行性以及本文方法的有效性.

关键词 过程监测; 模型自动选择; 模型推荐方法; 宽度学习系统; 大语言模型; process monitoring; automatic model selection; model recommendation method; broad learning system; large language models

摘要 流程工业智能工厂在精益化运行方面已取得显著成效,但在数据透明化程度、核心工业软件之间信息互通以及分析结果深度洞察等方面仍面临瓶颈.为了解决这些挑战并建设从自主运行到自主优化的新型流程工业智能工厂,本文探讨了将流程工业智能工厂的核心工业软件与新一代人工智能的大模型技术结合的新路径.基于此,本文提出了工业大模型赋能的新型流程工业智能工厂核心工业软件体系.该体系构建了基于大语言模型的工业大模型,其架构分为模型底座层、公共能力层和业务应用层.其中,公共能力层提供时序数据、图像数据、文本数据等多模态处理能力,业务应用层则结合具体业务场景开发了多种类型的智能体,包括图表智能体、低代码智能体、感知智能体、分析智能体、诊断智能体、决策优化智能体和控制智能体.这些智能体能够准确执行人类通过自然语言发出的各项任务,并通过组合调用公共能力层的能力来处理数据和知识.这种新型体系旨在提高核心工业软件的数据透明化程度、实现更完善的信息互通和利用,并提供更具价值的营运分析结果.本文以比例–积分–微分控制(proportional-integral-derivative control, PID)性能评估与整定系统为例,展示了工业大模型赋能核心工业软件的应用效果.在此示例中,分析智能体负责整体调度,协调感知智能体获取数据、图表智能体进行绘制、诊断智能体分析原因以及控制智能体提供参数优化方案,各智能体通过事件总线实现松耦合交互.这证明了通过智能体之间的协同作用,能够提升工业数据的透明化和工业场景的智能化水平.

关键词 流程工业; 智能工厂; 新型核心工业软件; 工业大模型; process industry; smart factory; new core industrial software; industrial large model