人工智能系统的核心技术 人工智能和网络物理系统

现代社会生活在一个范式变化的时代。在某种程度上，这些变化是由新技术推动的，这些新技术提供了高性能计算能力，可以创建复杂的人工智能系统。这些发展正在催生新的网络系统，其中不断生成的数据被用于构建用于在系统内执行专门任务的人工智能模型。

技术进步导致现代社会的几个范式转变。这些进步导致了极快的计算能力、全球范围内近乎即时的信息交换、海量数据生成、云数据存储系统等。它们还导致了新型网络系统的出现，其中系统生成的数据管道用于执行专门任务。

例如，一些国家采用人工智能(AI)模型，利用街道上的视频安全成像来识别罪犯或潜在犯罪。这些新的进步仍然是最近的，并且具有在人类社会中创造重大变化的巨大潜力。

这些新技术使该行业处于激烈革新的全球化背景下，系统的性能不仅受到其孤立操作的影响，还受到消费者需求、环境、社会、政治和全球金融状况的影响。

在这种情况下，有必要让一个行业能够快速响应、适应和重新配置自身，同时不断优化和控制其流程。这些需求开始超出人类同时有效应对和迅速应对所有这些情况的能力。

在此背景下，分布式计算、通信和嵌入式系统的当前进展被视为提出一种新型分布式、大规模、协作和灵活的自动化系统的机会，称为信息物理系统（CPS）。CPS通常被定义为由集成到网络和计算系统中的物理过程组成的系统。

CPS是一个复杂的架构，包含多个工程级别，与物理过程集成并协同工作。

鉴于上述搜索结果，可以注意到CPS结构的重要性正在上升，不仅在研究中，而且在工业中也是如此。这也可以在政府层面看到，在那里可以看到明确的议程，重点是发展CPS以解决现代社会问题。如图1为信息物理系统的总体结构。

图1 信息物理系统的总体结构

可以预见，通过将新的工业4.0技术在物理系统上进行简洁的集成，将有可能开发出更高效、更安全、更环保、更具竞争力的系统。Park（2017）将上述潜力总结为：“世界经济多年来一直面临经济低增长。”

许多专家一致认为，开放、融合、通过新兴技术（如物联网、大数据和人工智能）创造新的市场需求等概念，可以解决当前全球范围内的经济危机”，从而促成一系列的社会、环境和政治利益。

网络物理系统被呈现为一个新的研究领域，它在多个知识领域之间进行拦截：工程、自动化、信息学和计算机科学。参考的工作指出了对新的跨学科工程方法的日益增长的需求，这在当今的大学中是不可能找到的。

CPS是一个新兴的研究领域，因此，它的各个方面仍在开发中。

为了将其潜力融入到现有系统中，已经开发了解决人类和CPS的简洁集成的研究。然而，这些系统的障碍即仍然有人类可以更好地执行的任务。如图2为显示搜索关键词“信息物理系统”、“化学工程”和“人工智能”之间关系的维恩图。

图2 “信息物理系统”、“化学工程”和“人工智能”之间关系的维恩图

人工智能可以为系统提供一项基本能力：认知，它允许对系统组件和系统数据之间的复杂行为和交互进行建模、表示和学习。这可以通过对AI模型进行有监督或无监督的训练来执行这些特定任务来实现。

此外，人工智能模型能够不断地从系统中学习，赋予CPS自适应能力。因此，对大规模人工智能网络的开发和集成的研究需求越来越大。重要的是要注意，这些评论指的是在CPS的上层应用AI来执行人工任务。

因此，通过人工智能，化工单元可以垂直整合自身的多个管理级别，与CPS结构进行通信并自主执行管理任务。正如由于汽车行业最近的发展，自动驾驶运输系统，可以在减少人工协助的情况下自行操作的系统的想法在过去几年变得流行起来。

这一概念基于强大的自主可控性和自主亲切性，其要求是模块化、离散性、功能平等、数据共享、情境意识和自我管理。

物联网 (IoT)向AI协调的大规模CPS概念迈出了有利的一步。

工业物联网网络已经提供了一个由相互关联的计算设备组成的广泛网络，信息在其中不断交换并实时提供。因此，物联网可以为人工智能模型提供必要的社会环境，以交流经验和信息，并在它们的协调下管理系统。

此外，动态系统的AI识别仍然是一个悬而未决的问题。动态AI是化学工程动态系统最重要的表示之一，这些系统通常是高度非线性的，具有高稳定时间并且需要考虑其未来状态的频繁干预。

在这种情况下最合适的方法是递归神经网络(RNN)。在RNN技术中，深度神经网络(DNN)因其成功应用于解决多个领域的问题而备受瞩目。然而，在过程工程领域缺乏新的研究，以利用 DNN 的潜力解决该领域的一系列问题。

深度学习在化学工程过程领域尚未找到很多应用。尽管AI/深度神经网络(DNN)领域目前正在持续增长，但其解决系统动力学问题的能力仍在开发中。此外，来自分布式人工智能的技术也是开发大规模认知CPS所需的自我管理、协作和虚拟化能力的使能技术。

在化学工业中，过程控制和优化是始终需要解决的基本问题。没有它们，即使是最基本的手动控制和目视检查，流程也无法运行。应用于化学工业的控制系统和优化文献是可靠的，随着时间的推移，可以找到这些主题的一些发展。

对这些主题进行修订不是这项工作的目标；然而，由于它们在化学工业中发挥着重要作用，因此在该领域的任何进一步发展中都应解决这些问题。因此，它们在这里作为设想的CPS的构建块呈现。

在工业 4.0 环境中，系统必须能够尽快适应变化，确保在每组不同的情况下都能实现最佳场景。为实现这一目标，必须设计先进的控制和优化策略，以满足复杂过程的精确预测和可表示性之间的平衡。如图3为工业发展历程。

图3 工业发展历程

由于CPS的复杂性和动态性，PID（比例-积分-微分控制器）等传统过程控制工具无法满足其需求。因此，必须开发更先进的控制策略。模型预测控制(MPC)被认为是复杂工业系统中应用的标准方法。

然而，有几个问题阻碍了NMPC技术的实际实施，例如缺乏系统调整控制参数的策略和限制条件以保证闭环系统的稳定性和可行性。

此外，这些方法的实施需要大量的计算工作。因此，预计研究工作将集中在制定NMPC战略以克服上述挑战。这些策略应该能够保证闭环稳定性，NMPC控制法则考虑自适应和主动学习公式，为NMPC策略生成数据驱动方案。

因此，复杂过程的优化是一项非常复杂的任务。由于多个过程变量之间的高度复杂的动力学和相互作用，在化学过程中可以观察到一个适当的例子。

深度强化学习是一种策略，具有制定实时优化策略的潜力，可以在系统生命周期内逐渐学习。实施这些优化架构存在相关风险，主要风险是它们带来的计算负担增加。同样，为了控制策略，需要考虑在计算负担和CPS的准确表示之间取得平衡。

虚拟克隆中完整CPS的数字化创建了一个虚拟实体，它是网络和物理系统的镜像，可以成为系统开发、优化和监控的有用工具。允许存在完整的网络物理系统的虚拟副本可能会导致多种可能性。

这一点涉及在简洁的虚拟环境中虚拟化信息物理系统的能力，可用于对物理环境进行实时评估，不断从中学习，并提供有关真实场景的可靠和精确信息。

此过程称为孪生过程或数字孪生的构建。这个想法最初是由NASA的Michael Grieves和John Vickers提出的，在过去十年中，NASA是最早利用数字孪生概念并将其应用于太空探索任务的组织之一。数字孪生被认为是新工业革命的一项基本技术。

例如，通过数字孪生，如图4所示为数字孪生示意图，可以实时模拟和模拟信息物理系统行为。数字孪生可能是为系统的稳健性提供重要工具的关键技术。通过孪生，系统可以评估和预测物理系统的行为，同时不损害物理系统的运行，制定应对世界动态的策略。

此外，不仅可以建造一个双胞胎，还可以建造多个。每个双胞胎都可以作为基准参考，系统将能够检查CPS级别并验证可能的故障、故障甚至数字威胁。

总之，数字双胞胎可以作为系统的虚拟和可靠的实验室，通过它可以识别新的操作模式，计划和安排维护，预测、诊断和隔离故障，不断提高系统效率。

双胞胎可以耦合到上层人工智能模型。通过这种方式，这个更高的AI级别可以利用双胞胎的潜力，利用有关系统的可靠信息来执行自主评估。

图4 数字孪生示意图

数字孪生在大规模和复杂的网络物理认知系统的出现中发挥着重要作用。基于这项技术，可以在不需要物理系统的情况下精确可靠地探索多种场景。这是一项突破性技术，因为它将用户从重要的传统限制中解放出来。

化学工业处于全球化的大环境下，其工艺性能不仅受到工厂运营和消费者需求的影响，还受到环境、社会、政治和全球金融状况的影响。

当前的社会动态要求一个行业能够快速响应外部变化，以保护自己免受虚拟威胁（即重新配置自身的灵活性），同时不断优化和控制其流程。如前所述，这些需求开始超出人类的能力。

可以预见，通过将新的工业4.0技术简洁地集成到物理系统上，将有可能开发出更高效、更安全、更环保、更具竞争力的系统。2016年达沃斯论坛清楚地表明了这些新技术的颠覆性。

因此，在化学工业中部署CPS是应对此类行业当前和未来挑战的独特机会。人工智能技术通常用于化学工业来解决一些日常基础问题，例如软传感、建模和控制，另一方面，这种应用仅限于人工智能的传统工具，如前馈神经网络和模糊逻辑。

如今，智能系统是人工智能工具发展的主要驱动力。然而，如前所述，这些驱动器主要在计算机科学和机械工程领域。因此，化学工程越来越需要将AI领域的新成果转化为化学系统工具。

如图5为单塔脱氮装置的工艺流程图，以及该工艺可能的局部CPS和由AI提供支持并与外部环境连接的整体CPS的示意图。

图5 单塔脱氮装置的工艺流程图

寻找高性能生产系统作为一种更高效、更经济的生产方式，是应对人口增长带来的这些挑战的必要步骤，因此产品需求也在增长。因此，生产系统需要能够确保必要的规模以满足需求。

2030年可持续发展议程明确表达了消费和生产急剧变化的迫切需要。一些作者指出，对更高效和可持续生产系统的需求是人类未来面临的最关键挑战。因此，在化学工业背景下，迫切需要从化学过程系统和化工厂高效管理的角度来解决这个问题。

在这种情况下，很明显，人工智能认知支持的CPS系统的未来潜力不仅在化学工业中，而且在整个社会中都有。

现代工业发现自己处于激烈革新的范例中，其问题涉及物理空间与工业4.0技术的整合。

现代社会的动态正在推动人类朝着越来越需要具有认知能力的复杂CPS的方向发展，这赋予了这些系统自主权，而无需人为干预。有可能瞥见一场新的工业革命，这场革命将有助于将人类从机械的、重复的、压力大的任务中解放出来，甚至是决策任务。

参考文献：

Oliveira, L.M.C.; Dias, R.; Rebello, C.M.; Martins, M.A.F.; Rodrigues, A.E.; Ribeiro, A.M.; Nogueira, I.B.R. Artificial Intelligence and Cyber-Physical Systems: A Review and Perspectives for the Future in the Chemical Industry.AI2021, 2, 429-443. https://doi.org/10.3390/ai2030027