針對冶金等復雜工業建模過程中存在數據不足和算法冷啟動的問題，沈陽自動化所數字工廠研究室科研團隊提出了一種基于動態遷移學習的、在有限數據量下的工業過程時間序列預測方法，該方法以提高多步時序預測精度、降低計算成本為目標，建立了復雜工業場景下的預測模型，提高了工業時序數據預測的準確性、高效性。相關成果已發表在中科院一區Top期刊IEEE Transactions on Industrial Informatics上。
 

　　工業時間序列作為一種響應生產過程信息的數據，可以對其進行分析和預測，從而對工業生產過程進行有效監控。由于工作條件復雜、數據采集環境變化和設備運行時間短，現有數據驅動的工業時間序列預測算法的精度受到很大限制。
 

　　為應對上述挑戰，研究團隊提出了一種基于動態遷移學習的工業過程時間序列預測方法。該方法通過有效地利用類似設備或工況的歷史數據，建立預測模型。科研人員將歷史數據分成多批，根據每批歷史數據與當前時刻有限目標數據的分布距離，建立具有動態最大平均差損失的多源遷移學習框架。該框架還結合多任務學習方法，建立了工業過程在線學習的多步預測模型。科研人員在太陽能發電預測和加熱爐溫度預測兩個數據集上的實驗驗證了該方法的有效性。
 

　　近年來，數字工廠研究室大數據課題組致力于在工業領域開展人工智能、機器學習等方向的研究與應用工作，先后承擔了國家重點研發計劃、國家自然科學基金重點項目、遼寧省重點研發計劃等，在工業過程預測、故障診斷、智能優化控制和工業大數據中臺等方面取得了多項突破成果，在煙草、車企、冶金和礦山等行業得到了示范性驗證。
 

工業時間序列預測框架
 

　　該研究得到了國家自然科學基金、遼寧省重點研發計劃的支持。(數字工廠研究室)