关于机器学习与工业智能，这些观点不容错过！

2018 CUHK Shenzhen-TBSI机器学习与工业智能国际论坛，这场汇聚全球一流工程、自动控制等专业教授的论坛，究竟讨论了些什么，又带来了怎样新鲜的成果呢？让我们来快速盘点一下，在工业智能、智能制造、智能操作和控制、工业物联网、不确定性处理，以及机器学习领域知识整合方面的最新观点。

郑立中

麻省理工学院电气与计算机科学系教授

演讲主题：在神经网络中连接数据和专业领域知识（Connect Data with Domain Knowledge in Neural Networks ）

演讲精华：神经网络的能力源于它是一种非常通用的，几乎是“盲目”的工具，可以直接从数据中提取有用的信息。与传统的数据分析方法不同，它不假设任何数据统计模型，结构，关系或约束的知识，但试图使用通用的网络结构来学习和表示所有类型的模型。另一方面，如果我们对模型有一些了解，原则上我们应该能够使推理算法更有效率。

我们该如何调整神经网络的结构以反映我们对统计模型和数据结构的了解？这是本次演讲的主题。从概念上讲，我们需要确定在学习过程中神经网络内部发生了什么，找出正在计算的统计量以及它们如何存储在网络中。为此，我们制定了新的问题称为“通用特征选择”，我们需要从高维数据中选取低维特征用来解决一个系列的推理问题。我们解决了这个问题，并证明了解决方案与一些信息论和统计学中的概念紧密相关，比如HGR相关和公共信息，以及一些学习算法如PCA，CCA，矩阵分解，神经网络，能隐含地解决同样的问题。然后，我们展示了对神经网络的理论上的理解如何帮助我们建立性能上限并更系统地设计网络参数;并在新网络结构的设计中包含特定知识。

Sigurd Skogestad

挪威科技大学 全职教授

演讲主题：流程优化的代理模型（Surrogate Models for Process Optimization）

演讲精华：使用商业模拟器的过程优化是耗时且不可靠的。我们通过仿真生成替代模型，因为模拟是耗时的，所以减少模拟次数（“样本”）非常重要。 替代模型与精确的物料平衡相结合，以避免替代模型需要“学习”物料守恒。 为了使替代模型覆盖相关的操作条件（通常意味着避免强非线性区域），选择适当的自变量是很重要的，这里我们使用控制理论中的思想，包括自我优化控制。 这项工作是基于Julian Straus（2018）的博士论文。

Rolf Findeisen

德国马格德堡大学系统理论与自动控制实验室教授兼主任

演讲主题：对联网自治系统的预测、学习支持控制（Predictive, Learning Supported Control for Connected Autonomous Systems）

演讲精华：由于通信和信息技术系统的快速发展，系统越来越多地与相邻系统或云端系统交换信息。 例如智能电网，生产系统或多模式运输系统。虽然系统互联提供了许多诱人的可能性，但它们也存在一些挑战，比如什么是合适的可扩展控制和监控技术，可以促进自治、即插即用操作并同时实现全局最优；如何将这些方法与机器学习相结合来应对不确定性。 我们提出了基于协议的预测控制策略，它支持复杂系统的模块化设计，这有利于系统的分层和分散自主操作。

高福荣 香港科技大学讲座教授、

博士生导师，浙江大学求是教授，

演讲主题：智能制造工厂研究面临的挑战和机遇（Smart Manufacturing Plant Research Challenges and Opportunities）

演讲精华：一个常规的工厂是由一些生产线组成的，每条生产线由多个设备组合而成。每个设备由不同的制造商提供。产品的改变需要这些设备的重新整合。在现代通信使得大型工业数据日益普及的今天，对于控制/自动化研究人员来说，他们正在面临着一些开放的挑战和机遇。对于研究界和教育界如何利用这一优势来应对制造业挑战，演讲者希望以热塑性塑料注塑成型为例来说明和讨论智能制造工厂面临的挑战和机遇。

S. Joe Qin

自动控制专家，美国南加州大学Fluor讲席教授。

国际电机及电子工程师学会(IEEE)院士、国际自动控制联合会院士，现任香港中文大学（深圳）教授

演讲主题：用于操作和制造过程智能的高维数据分析（High Dimensional Data Analytics for Operations and Manufacturing Process Intelligence）

演讲精华：制造过程系统通过计算机控制系统从日常操作中收集和存储大量的数据。大量的数据为操作和控制系统的故障诊断提供了有价值的依据。然而，迄今为止的大多数控制理论和实践研究都集中在系统辨识上，其中数据是通过精心设计的实验收集的，或者是在假设正常过程模型被假定为可用的故障检测的情况下。在这些领域中发展良好的理论和缺乏反馈控制下的常规操作数据分析方法之间存在明显的差距。这些海量数据通常是动态的，但远未被完全开发。因此，需要理论和方法来分析这些数据，其中动态仅存在于高维测量空间的子空间中。

在本次讲座中，我们首先提供了基于隐变量建模方法和机器学习的过程数据分析的历史观点，以及在常规操作下从测量数据中提取期望的组件或特征的目标。然后将这些方法扩展到建模高维动态时间序列数据，以提取动态潜变量。不同于仅对提取的分量最大化方差的主成分分析，动态潜变量方法从其过去值提取最佳预测的动态分量。我们展示了一个工业案例研究如何有效地模拟真实的过程数据。使用这些动态方法提取过程操作和控制的特征，从而引出关于工艺数据对于制造过程的故障诊断、诊断和有效控制的新视角。

Jin Wang 

美国奥本大学化学工程系教授

演讲主题：智能制造大数据分析面临的挑战和机遇：我们从支持物联网的制造技术试验台（MTT）中学到了什么（Challenges and Opportunities in Big Data Analytics for Smart Manufacturing: What We Learned from IoT-enabled Manufacturing Technology Test Beds (MTTs)）

演讲精华：从消费者服务和产品行业开始，物联网（IOT）技术在各个行业引起了越来越多的兴趣。尽管工业物联网仍处于起步阶段，但包括医疗保健库存和供应链管理、运输、工作场所和家庭支持、安全和监视等各个行业在内的相关许多应用正在逐步开发和部署。由于IOT传感器通常比传统传感器便宜得多，更小，因此有可能用大量传感器来检测制造系统。前提是，从IOT传感器收集的大数据可以用于提取工业智能和推进制造业。因此，大数据分析，特别是数据驱动的统计过程监控（SPM）预计将显著促进智能制造的进步。然而，这种类型的物联网应用并没有引起学术界和工业界的广泛关注。一个可能的原因是这样的应用的好处还没有被认可或测试。在这篇文章中，我们简要回顾了现有的物联网智能制造的最新技术，并提出了两个IOT使能制造技术试验台（MTT），现有两个IOT使能制造技术试验台（MTT），探讨IOT传感器的制造潜力，了解IOT传感器产生的数据特征。此外，我们还讨论了与大数据分析相关的潜力和挑战。提出了面向物联网的智能制造系统，并提出了基于统计模式分析（SPA）的框架作为智能制造的有前途的SPM工具。

Sirish L. Shah

加拿大阿尔伯塔大学名誉教授

加拿大工程学院和加拿大化学研究所研究员

演讲主题：流程行业的大数据和分析：不仅仅是炒作？（Big Data and Analytics in the Process Industry: More than just hype?）

演讲精华：流程行业中拥有多年来保存的所有类型的数据：传感器数据（主要是数字数据），具有操作的二值警报数据（分类数据），去“导航”流程在期望的条件下去操作，以及识别和监控应用于高级控制流程模型。除此之外，包括有关流程拓扑信息去捕获过程中的材料和信息流路径也很重要。来自这些不同流程的数据源的信息融合是设计用于自主过程操作的智能分析平台策略的关键步骤。本次研讨会的目的是介绍关于我们预测性监测和最佳自主或半自动流程操作的相关实验结果和方法。

Jay H. Lee

韩国先进科技学院，化学和生物分子工程专业，教授

演讲主题：通过结合强化学习和数学规划最优化多尺度决策（OptimalMulti-scale Decision-Making by Combining / Reinforcement Learning andMathematical Programming）

演讲精华：一般而言，顺序控制决策过程，如控制系统，采取闭环系统，观察由所采取的决策和不确定性所导致的动态随机环境的响应。这种动态随机决策问题存在于工业和制造系统、机器人、金融应用、医疗应用、计算和通信、游戏和电力系统等领域。在一些应用中，决策过程发生在多个时间尺度的不同级别上，这被称为多尺度决策问题。例如，在过程系统工程共同体所采用的标准决策层次中，高层次的战略或规划问题提供了一组较长时间尺度上的决策（例如，目标、设定点），然后将其作为输入，输入到较低级别的操作子问题（例如，调度，控制），目的是在更快的时间尺度上获得完整的执行解决方案。本研究着重于具有不同时间尺度的决策层之间的联系。通过解决不同层次之间的不一致性，决策过程边界的扩展可以提供更加健全和灵活的管理和控制策略。为此，强化学习（RL）能够通过与环境的相互作用不断改进决策策略，并以相互补充的方式与传统的数学规划相结合，因为每种方法的优缺点是与决策层次中的高级别或低级别的特征相关的。本文提出了可再生微电网网络和炼油厂管理的实际例子，来阐释上述方法，并给出了基准案例研究的数值结果。

Dominique Bonvin

瑞士洛桑联邦理工学院自动控制专业教授

演讲主题：通过修饰符适应和高斯过程对不确定过程系统的实时优化（Real-Time Optimization of Uncertain Process Systems via Modifier Adaptation and Gaussian Processes）

演讲精华：在静态实时优化的背景下， 测量的使用允许以工厂模型不匹配和干扰的形式处理不确定性。修饰适应（MA）是基于测量的方案，使用对模型成本和约束函数的一阶校正，以便在收敛时实现工厂模型最优性。然而，一阶校正主要依赖于工厂模型梯度的估计，这通常需要耗费大量工厂模型实验。本文提出通过MA实现实时优化，但使用递归高斯过程来表示工厂模型不匹配性并估计工厂模型梯度。通过这种方式，可以（1）减弱噪声测量的影响，（2）通过有限差分方案和额外的工厂实验来避免工厂模型梯度估计。我们使用稳态优化数据来构建高斯过程回归函数。通过Williams-Otto反应堆问题的约束变体说明了所提出的方案的效率。

Bhushan Gopaluni

加拿大不列颠哥伦比亚大学化学与生物工程系本科研究教授兼副主任

演讲主题：对过程控制的深度强化学习：机会和挑战（Deep Reinforcement Learning for Process Control: Opportunities and Challenges）

演讲精华：设计控制器的传统方法涉及广泛的数据收集，数学模型的开发以及最终设计适当的控制器。该方法可能相当耗时并且需要频繁地维护模型以响应过程条件的变化。对于非线性，高维和随机的复杂系统，控制器设计和模型维护没有很好的解决方案。我们提出了一种算法，该算法使用强化学习来训练深度神经网络以学习最优控制策略。强化学习的关键挑战之一是学习过程通常需要大量的数据，这些数据在实践中很难从物理过程中获得。为了解决这个问题，我们的算法从过程观察的分布中抽样，并使用离线设计的模型预测控制器（MPC）来做预测。该算法将过程观察映射到控制策略，并且学习过程由MPC的输出引导。引导式策略搜索可降低训练数据的要求。这种设计控制器的方法有几个优点：（1）减少训练数据集的大小（2）不需要显式模型（3）不需要明确的控制方法（4）模型维护由强化学习算法处理（5）该算法适用于复杂的多维非线性过程。

Jong Min Lee

韩国首尔国立大学（SNU）

化学和生物工程学院副教授，

工程发展研究中心（EDRC）主任

演讲主题：基于模型的深度强化学习化学过程的随机控制：最新进展和未来方向（Model-based Deep Reinforcement Learning for Stochastic Control of Chemical Processes: Recent Advances and Future Directions）

演讲精华：在动态优化问题的方法中，由于“维数诅咒”，动态规划（DP）被认为是不切实际的。尽管如此，DP在存在不确定性的情况下提供闭环最优解，并且没有在线计算负担。因此，旨在获得DP的近似解的强化学习（RL）已经在各个领域中被广泛研究。RL的最新进展是植根两个无关的特点：第一，深层神经网络的发展（DNNS）通过自动提取域的特征，二是算法不需要结构启用的高维非线性函数逼近系统和成本。虽然无模型设置可以成功应用于允许大量试错数据采集的领域，例如游戏和机器人，但这种试错法不能应用于流程操作。因此，应该利用知识模型来提高数据效率。在此，该演示文稿介绍了基于模型的RL。我们为有限时域跟踪问题演示了基于模型的RL的合适公式。简要回顾了经典DP，RL的最新进展，并讨论了未来的研究方向。

文：王勇、关鸣悦

编辑：马小帅