大量的研究和應用偏向與大數(shù)據(jù)和市場營銷，而我們希望回歸制造業(yè)本身，聊一聊如何將人工智能應用于過程工業(yè)的核心領域：過程控制。
過程控制數(shù)據(jù)分析與PCA
過程控制或質(zhì)量控制是監(jiān)控和調(diào)整工業(yè)制造過程以保持預期生產(chǎn)結(jié)果、優(yōu)化生產(chǎn)效率的實踐。
也許你不熟悉制造業(yè)，沒關系，你很可能聽說過六西格瑪。六西格瑪最初是制造業(yè)使用統(tǒng)計技術(shù)進行質(zhì)量控制和過程改進的一套工具。
直至今天，過程工程師們?nèi)匀辉谑褂靡粤鞲瘳敒榇淼牡慕y(tǒng)計過程控制(Statistical Process Control，SPC)監(jiān)控制造過程的許多樣本，例如芯片制造過程中測量的關鍵尺寸、化學反應器內(nèi)的溫度等。工程師們在控制圖(controlchart)中通過可視化來研究生產(chǎn)過程的能力(ProcessCapability)，并從統(tǒng)計學角度分析樣本，使用均值、標準差/也就是西格瑪，以及低于下閾值或高于上閾值的估計概率。
Process Capability
mu—Sample mean
sigma—Sample standard deviation
Pl—Estimated probability of being below Lower
Pu—Estimated probability of being above Upper
Cp—(U-L)/(6*sigma)
Cpl—(mu-L)./(3.*sigma)
Cpu—(U-mu)./(3.*sigma)
Cpk—min(Cpl,Cpu)
(p.s.MATLAB提供易用的過程控制分析工具，但統(tǒng)計過程控制也有其局限性：不能測量太多的變量，不能識別問題的來源，不能確定解決方案，典型的SPC分析需要專家等。
那么，人工智能能否幫助突破統(tǒng)計過程控制的這些限制嗎？答案是肯定的。機器學習技術(shù)可以補能傳統(tǒng)的統(tǒng)計過程控制。原因是：過程數(shù)據(jù)通常涉及來自不同來源的大量變量，這通常比大量觀測更難處理。
如何確定需要關注的主要變量是什么？它們對這個過程有什么影響？以及如何控制這些變量，以便始終如一地實現(xiàn)高質(zhì)量并保持低成本？
而機器學習可以幫助處理大量變量。例如，主成分分析(PCA)和潛在結(jié)構(gòu)投影(PLS)非常適合分析和理解過程數(shù)據(jù)。這些算法通過探索變量之間的相關性來識別重要因素，幫助我們優(yōu)化流程并找到最佳操作參數(shù)。
機器學習還可以從歷史數(shù)據(jù)中學習，適用于處理分類、回歸、識別非線性模式和異常檢測等任務。
2、利用SVM進行過程監(jiān)控
在電解銅生產(chǎn)過程中，一年內(nèi)每天測量兩個銅樣品，并記錄八種金屬雜質(zhì)(Ag/銀、Ni/鎳、Pb/鉛、Bi/鉍、Sb/銻、As/砷、Te/碲、Se/硒)的水平。
我們可以應用控制圖，通過評估過程可變性來監(jiān)測和改進產(chǎn)品或過程。
識別過程異常的一種更強大的方法是應用無監(jiān)督異常檢測，例如OneClassSVM。無監(jiān)督方法不需要標記異常，但您需要了解異常發(fā)生的頻率。
下圖為OneClassSVM檢測四種金屬雜質(zhì)的結(jié)果：
這種方法也可以方便地擴展為針對流式數(shù)據(jù)的增量學習模型，使用MATLAB統(tǒng)計和機器學習工具箱提供的incrementalOneClassSVM模型對動態(tài)采集的數(shù)據(jù)進行分析和異常檢測。
Mdl=incrementalOneClassSVM();
[Mdl,isAnom,scores]=fit(Mdl,Xtrain);
3、MATLAB低代碼工具幫助你快速開始AI開發(fā)
對于制造業(yè)的工程師和領域?qū)＜襾碚f，在使用AI這種新型技術(shù)工具時，并不希望有過高的門檻，例如人工智能背景知識、編程技能等。
MATLAB為領域?qū)＜覀兲峁┝艘粋€端到端的低代碼開發(fā)工作流程，從數(shù)據(jù)準備、人工智能建模到系統(tǒng)仿真和部署。你可以快速開始使用現(xiàn)成的人工智能算法，使用低代碼應用程序標記數(shù)據(jù)，配置和訓練人工智能模型。
根據(jù)數(shù)據(jù)和任務復雜度，可以在機器學習模型或深度神經(jīng)網(wǎng)絡之間選擇合適的方法，對于過程控制中所使用的結(jié)構(gòu)化數(shù)據(jù)，機器學習方法能夠提供訓練過程相對快捷且部署難度低的模型。
以機器學習為例，讓我們詳細介紹一下工作流程和常用工具：
首先，我們需要將數(shù)據(jù)導入MATLAB工作區(qū)，如果數(shù)據(jù)集太大無法直接導入內(nèi)存，可以使用數(shù)據(jù)存儲對象Datastore索引存儲在本地或遠程文件系統(tǒng)中的數(shù)據(jù)，并增量式地讀取數(shù)據(jù)片段。
在開始構(gòu)建任何模型之前，很重要的一步是數(shù)據(jù)探查，了解數(shù)據(jù)結(jié)構(gòu)、對感興趣變量進行可視化、查看數(shù)據(jù)分布，必要時，清除缺失值或異常值，進行標準化處理，在MATLAB中使用LiveTasks或dataCleaner應用程序可交互式地執(zhí)行此步驟。
接下來，提取并選擇合適的特征以供模型學習很重要，這取決于具體應用，這一步驟可能需要圖像或信號處理技術(shù)以及統(tǒng)計分析等方法。
一旦數(shù)據(jù)集或特征準備就緒，您就可以使用交互式應用程序(如分類學習器或回歸學習器應用程序)并行訓練和比較模型。
為了更有效地建立模型，我們可以使用AutoML并結(jié)合小波散射來自動提取性能特征，優(yōu)化超參數(shù)以選擇最佳模型。
最后，可以使用Simulink對模型進行測試，并使用自動代碼生成工具，將模型部署到目標硬件?；蛘邔τ趦?nèi)存或計算密集型模型，可以在云端訓練模型并部署。
作為這些工具的補充，MATLAB提供了更多其他交互式應用程序。
例如，在數(shù)據(jù)準備過程中，您可以使用不同的數(shù)據(jù)標注應用程序來處理不同類型的數(shù)據(jù)，包括圖像、視頻、信號、點云等。
使用診斷特征設計器應用程序，您可以提取統(tǒng)計和頻譜特征，并按照重要性對特征進行排序。
進入建模階段后，除了機器學習應用程序，我們還可以使用深度網(wǎng)絡設計器構(gòu)建神經(jīng)網(wǎng)絡，并使用實驗管理器執(zhí)行超參數(shù)優(yōu)化。
此外，還有更多的領域應用程序可供您探索和利用，以加快人工智能驅(qū)動的系統(tǒng)設計。
交互式應用程序可以簡化工作流程，但算法或模型選擇可能需要反復迭代試錯。
4、先進過程控制與MPC
在分析了制造過程后，我們需要將觀察結(jié)果有效地反饋并控制生產(chǎn)過程，這至關重要。模型預測控制(MPC)是許多工業(yè)制造應用中先進過程控制(APC)的成熟技術(shù)。
連續(xù)反應器動力學在反應堆溫度變化方面具有很強的非線性，并且在從一種操作條件過渡到另一種操作條件的過程中可能是開環(huán)不穩(wěn)定的。在特定工作條件下設計的單個MPC控制器無法在寬工作范圍內(nèi)提供令人滿意的控制性能。
在Simulink中實現(xiàn)非線性連續(xù)攪拌釜式反應器CSTR的自適應MPC控制：
控制器性能根據(jù)設定值跟蹤和干擾抑制進行驗證。反應器濃度CA設定點從原始的8.57(低轉(zhuǎn)化率)過渡到2(高轉(zhuǎn)化率)kmol/m^3。在過渡過程中，反應器首先變得不穩(wěn)定，然后再次穩(wěn)定(見上側(cè)極點圖)。
5、人工智能改進MPC
MPC通過識別工廠的模型，以預測工廠的未來行為。它還結(jié)合了一個優(yōu)化器，確保預測的輸出跟蹤所需的參考。
MPC的一個顯著優(yōu)點是它能夠處理MIMO系統(tǒng)以及非線性系統(tǒng)。
人工智能也擅長處理估計預測和非線性這兩個問題，很自然地想要聯(lián)合使用AI和MPC以期望獲得更好的系統(tǒng)性能。
聯(lián)合使用MPC+人工智能有不同的方案。
一種方案是利用人工智能來擬合控制對象模型，如基于神經(jīng)網(wǎng)絡的狀態(tài)空間模型(NeuralStateSpaceModel)。該訓練后的模型將用作MPC控制器內(nèi)的預測模型。
AI-based prediction model inside MPC
另一種方案，您可以通過訓練強化學習智能體模仿非線性MPC控制器的行為，從而用智能體策略替代非線性MPC，降低部署到硬件的難度，同時提高計算效率。
Reinforcement learning agent imitate MPC
小結(jié)
制造業(yè)正朝著智能化、高端化、綠色化的方向轉(zhuǎn)型升級，而人工智能是其中重要的科學技術(shù)生產(chǎn)力。利用MATLAB低代碼AI開發(fā)平臺，來自制造業(yè)一線的過程控制工程師和專家能夠更大的發(fā)揮其專業(yè)經(jīng)驗，更快更好地落地人工智能技術(shù)，使得公司與員工和諧進步。
