四、科学挑战与关键技术

流程工业生产全流程的智能化对自动化科学技术中基于数学模型或因果数据的建模、控制和优化提出了挑战。工业人工智能和工业互联网为流程工业提供了实现整个生产过程智能化的新方法和新技术。

虽然工业人工智能的定义尚不明确且随着时间的推移而发生变化，但工业人工智能研究及其应用的核心目标是实现当前工业生产活动中知识工作的自动化和智能化，从而显著提高经济和社会效益。这些活动包括生产和过程设计、运行管理和决策过程，制造过程和运营管理控制——目前依赖于人类感知、认知、分析决策能力、经验和知识的活动。

工业人工智能主要是利用工业大数据，开发用于工况识别、预测以及决策的人工智能算法和人工智能系统；并设计用于智能决策和智能化管控系统的软件，以补充和提高知识工作者在生产和设计过程中的能力。此外，人工智能算法、运算能力和人机交互也是不容忽视的问题。

工业互联网的出现，大数据、CPS、互联网等信息技术的发展，以及对先进制造和智能制造的重大需求。2012年10 月，美国通用电气在题为“Industrial Internet: Pushingthe Boundaries of Minds and Machines”白皮书中提出了工业互联网的概念。2011 年1 月，德国工业科学研究联盟提出工业4.0 战略。2011 年11 月，工业4.0 战略被列入《2020 年高新科技战略》。近期，美国和德国都制定了结合人工智能技术发展工业互联网的战略。2019 年10 月18日，国家主席xijinping向在辽宁省沈阳市举行的工业互联网全球峰会开幕式致贺信，xijinping在信中表示：当前，全球新一轮科技革命和产业革命加速发展，工业互联网技术不断突破，为各国经济创新发展注入了新动能，也为促进全球产业融合发展提供了新机遇。中国高度重视工业互联网创新发展，愿同国际社会一道，持续提升工业互联网创新能力，推动工业化与信息化在更广范围、更深程度、更高水平上实现融合发展。这一声明指明了中国工业互联网高质量发展的方向。要使工业互联网成为推动我国制造业高质量发展的强大动力，开展工业互联网高质量发展的模式和路径研究至关重要。

结合我国流程工业发展现状，数字化、网络化、智能化需求以及工业人工智能和工业互联网的发展目标，我们提出需要解决以下科学问题：

（1）基于动态系统建模与深度学习相结合的复杂工况识别与反馈控制；

（2）基于机理分析与工业大数据分析相结合的动态特性、运行、决策知识挖掘；

（3）基于预测、反馈和强化学习相结合的人机协同优化决策；

（4）多冲突目标、多约束、多时间尺度的智能优化决策与控制一体化技术。

为了解决这些科学问题，有必要采用CPS 和会聚研究的思想。会聚研究是一种以问题驱动为特征的新的研究范式和思维方式。会聚研究解决的问题是具有挑战性的科学研究问题或涉及社会需求的重大挑战，需要跨学科的合作研究。为了解决这些复杂的问题，需要各学科进行交叉学习，以达到各学科共同创新的新框架。将科学的方法以及技术相融合是解决该难题的zuijia策略。团队科学正在成为一种更典型的研究模式。

为此，我们提出以下亟待解决的关键技术：

（1）复杂工业环境下运行工况的多尺度多源信息的智能感知与识别；

（2）复杂工业环境下基于5G 的多尺度多源信息快速可靠的传输技术；

（3）系统辨识与深度学习相结合的复杂工业系统智能建模、数字孪生与可视化技术；

（4）关键工艺参数和生产指标的预测与追溯；

（5）复杂工业系统的智能自主控制技术；

（6）人机合作的智能优化决策方法；

（7）智能优化决策与控制一体化技术；

（8）“端-边-云”协同实现工业人工智能算法的技术。