流程工业大模型——挑战与机遇

任磊 ,  王海腾 ,  王宇清 ,  黄科科 ,  王力翚 ,  李伯虎

工程(英文) ›› 2025, Vol. 52 ›› Issue (9) : 58 -64.

PDF (2496KB)
工程(英文) ›› 2025, Vol. 52 ›› Issue (9) : 58 -64. DOI: 10.1016/j.eng.2025.03.023
研究论文

流程工业大模型——挑战与机遇

作者信息 +

Foundation Models for the Process Industry: Challenges and Opportunities

Author information +
文章历史 +
PDF (2555K)

摘要

随着通用大模型,如ChatGPT等的出现,研究者对其在流程工业中的潜在应用表现出浓厚兴趣。本文系统梳理了大模型在流程工业应用中所面临的挑战与机遇,涵盖其框架、核心应用及未来发展前景。具体而言,首先,本文提出了面向流程工业的大模型框架;其次,文中总结了工业大模型的关键能力及其实际应用场景;最后,文中指出了未来的研究方向以及当前在流程工业中应用大模型所面临的若干未解问题。

Abstract

With the emergence of general foundational models, such as Chat Generative Pre-trained Transformer (ChatGPT), researchers have shown considerable interest in the potential applications of foundation models in the process industry. This paper provides a comprehensive overview of the challenges and opportunities presented by the use of foundation models in the process industry, including the frameworks, core applications, and future prospects. First, this paper proposes a framework for foundation models for the process industry. Second, it summarizes the key capabilities of industrial foundation models and their practical applications. Finally, it highlights future research directions and identifies unresolved open issues related to the use of foundation models in the process industry.

Graphical abstract

关键词

工业大模型 / 流程制造 / 生成式人工智能 / 具身智能 / 智能制造

Key words

Industrial foundation model / Process manufacturing / Artificial intelligence-generated content / Embodied intelligence / Intelligent manufacturing

引用本文

引用格式 ▾
任磊,王海腾,王宇清,黄科科,王力翚,李伯虎. 流程工业大模型——挑战与机遇[J]. 工程(英文), 2025, 52(9): 58-64 DOI:10.1016/j.eng.2025.03.023

登录浏览全文

4963

注册一个新账户 忘记密码

1 挑战

流程工业是现代工业体系的重要组成部分[1],涵盖了石油化工、化学工业、钢铁以及有色金属冶炼等领域[2],主要以连续化或大规模生产过程为主。该行业在自然资源的利用、全球环境保护以及人类健康保障等方面具有重要意义。融合大数据与人工智能(artificial intelligence, AI)技术的智能制造,已成为提升流程工业核心竞争力的关键战略[3],也是各国提升生产效率与资源利用率的重要举措,更是迈向工业5.0的关键路径。

近年来,得益于其卓越的生成与交互能力,新一代人工智能技术及通用大模型(如GPT [4])在多模态数据处理方面取得了显著进展,包括文本[5]、图像[6]及视频数据[7]。通用大模型在法律[8]、医疗[9]和教育[10]等多个领域已展现出广泛的应用前景和潜力。在工业领域,通用大模型的初步应用主要集中在离散制造行业,例如,西门子已将大模型用于生成可编程逻辑控制器(programmable logic controller, PLC)代码[11],OpenAI等公司则开发了基于大模型的制造机器人[12],这些技术被视为实现通用人工智能(artificial general intelligence, AGI)过程中的里程碑成果。学术界与工业界对构建面向流程工业的工业大模型寄予厚望[13‒14]。然而,流程工业的高度复杂性以及通用大模型在技术层面的局限,使得构建适用于该场景的大模型面临诸多挑战。

1.1 流程工业中的挑战

流程工业具有高度复杂的机理过程、高不确定性的反应动力学及多工序并行制造的特征,且其生产过程通常是连续性且不可中断的。这些特性导致建模与控制难度较大,进而阻碍了研发与优化的进程。其主要挑战体现在以下几个方面。

(1)深层机理建模难:流程工业中的制造过程通常涉及热力学、化学反应动力学、流体力学等复杂的物理与化学机制。这些反应过程高度非线性且相互耦合,导致难以通过简单的数学模型或经验公式准确刻画过程参数之间的交互关系。现有建模方法难以全面表达制造过程中各类反应之间的复杂关联性,进而限制了对底层机理的精准建模能力。

(2)过程控制精度要求高:流程生产过程中存在多种不确定性。例如,在有色金属冶炼过程中,温度、压力、浓度或组分比的微小波动都可能显著影响最终产品质量。同时,该行业具有原材料变化频繁、反应条件动态变化等特征,而生产过程却需保持持续稳定运行。随着反应过程不断演化,亟须依赖模型实现对关键参数的实时、精确控制。总体而言,这些过程中的不确定性、动态性和连续性,使得实现制造过程的智能自主精密控制面临严峻挑战。

(3)全流程协同优化难度大:流程工业往往涉及多个生产环节,环节之间存在复杂的相互依赖关系。不同单元工序的参数与反应过程互为影响,某一阶段参数的微小变化可能引发链式反应,影响后续环节。要实现全流程的协同优化,需同时考虑多个加工阶段间的耦合关系,并在此基础上提升整体生产效率。然而,这对建模与优化算法的综合性能提出了极高要求,构成全流程协同优化的主要技术瓶颈。

(4)新材料工艺研发效率低:新材料或新工艺的研发往往需要大量实验来验证其可行性与性能。例如,在开发新型电池材料的过程中,通常需合成数百甚至数千种候选材料,并对每一种材料的电化学性能进行实验测试。此过程不仅耗费大量人力和物力资源,还涉及复杂的实验设计、数据分析与结果验证环节,导致新材料和新工艺的研发周期长、成本高,整体效率较低。

1.2 当前大模型在流程工业中的局限性

现有大模型在技术上的内在缺陷,使其在流程工业中的应用面临重大挑战,具体表现如下。

(1)大规模泛化能力不足:流程工业大模型需要能够处理来自不同工艺、设备及生产条件的数据,适用于多个行业的应用场景。由于每个行业拥有独特的生产流程与工艺特征,当面临新型生产条件或行业差异显著的应用场景时,通用大模型往往难以泛化工业物理化学知识,难以适应复杂多变的流程制造场景。

(2)可信性、可靠性与可解释性差:流程工业对模型的可信度、可靠性及可解释性要求极高。流程生产过程常涉及复杂的物理化学反应,若模型出现预测错误或决策失误,可能引发严重的生产事故或产品质量问题。由于大模型的底层架构通常为概率性输出,难以保障其可信性并解释其预测或决策的依据。

(3)灾难性遗忘问题:流程工业常常面临新的工况与新工艺场景,因此大模型必须具备持续学习能力。但现有大模型在吸收新知识时,往往出现“灾难性遗忘”现象,即原有知识被覆盖,导致其在长期生产支持中效果不稳定。

综上所述,当前通用大模型难以胜任流程工业在建模、控制与优化等方面的复杂需求。因此,工业大模型不应被视为通用大模型的直接应用,而应通过对新型基础理论与关键技术的深入研究,构建面向流程工业的新一代大模型。为此,本文提出一种流程工业大模型框架——ProcessFM,该框架包括资源层、基座层、适配层与应用层四个层次。在此基础上,进一步总结流程工业大模型应具备的六大核心能力:机理认知、知识问答、仿真生成、过程控制、优化决策、科学发现,并结合具体应用场景对其进行示例说明。最后,本文还探讨了未来研究方向及流程工业大模型面临的关键科学问题,旨在推动流程工业的智能化发展。

2 流程工业大模型框架

本文提出了名为ProcessFM的流程工业大模型框架。该框架包括四个核心层次:资源层、基座层、适配层与应用层,如图1所示。

2.1 资源层

资源层是流程工业大模型的底层支撑,主要包含三个核心要素:流程工业数据、流程工业机理与知识资源、计算资源。

(1)流程工业数据:流程工业具有多种类型的数据,如传感器信号(温度、压力、流量等)[15]、图像[16]、机床指令、工业文档(工艺说明书、操作规程、化学组成说明等)以及计算机辅助工程文件[17]。数据资源是训练大模型的基础。为了应对数据稀缺的问题,可通过工业数据生成方法[18]提升数据的多样性与扩大覆盖面。

(2)机理与知识资源:流程工业涉及复杂的化学反应与物理变化,模型需嵌入相关机制与知识资源。这些机制包括化学反应方程、热力学机制、过程机理等;知识资源则包括工艺文件、技术规范、材料属性等工业知识。

(3)计算资源:流程工业生产过程连续、不可中断,对计算资源与实时推理能力提出高要求。当前主要分为云计算与边缘计算两类:前者主要用于模型训练与大规模数据处理,后者用于现场实时推理与控制。

2.2 基座层

基座层为构建工业大模型提供关键支撑,作为涵盖模型训练、微调与推理的完整工具链,提升模型在下游工业任务中的开发与部署效率,加速工业大模型的研发与应用进程。其关键技术包括:工业多模态预训练、工业机理内嵌微调以及人-智能体-社会物理信息系统(Cyber-Physical-Social System, CPSS)协同决策机制。

工业多模态预训练的目标在于通过预训练方法,使模型能够在关键工业任务中实现良好的泛化能力,并高效处理多模态工业数据[19]。首先,针对多源工业数据开展自监督预训练,分别训练各模态的编码器与生成器,用于提取高质量的特征表示;随后,通过跨模态对齐,实现不同模态数据在统一语义空间内的一致性;最后,利用多模态融合方法整合各模态特征,使模型具备对多模态工业数据的有效理解与输出能力。

工业机理内嵌微调的目标是将工业领域的专业知识与机制嵌入模型中,从而提升其在复杂真实场景下的任务表现能力以及对人类指令的响应能力。具体方法包括:引入工业知识图谱[4],将工业机理方程嵌入模型损失函数中[20],以及采用基于指令的微调技术,实现模型对工业机理的深度融合与学习。

人-智能体-CPSS协同决策机制在流程工业中具有重要意义。通过在工业大模型基础上增强工业智能体的感知、记忆、规划与执行能力,使其具备对CPSS的主动感知与管理能力,从而实现复杂生产环境下的实时监测与控制策略的动态调整。这一机制有助于推动流程工业生产与管理的智能化、高效化发展。

2.3 适配层

在工业大模型框架中,适配层通过面向具体任务与行业场景的微调操作,提升模型的应用能力,主要包括工业任务适配与行业领域适配两个方面。

在工业任务适配方面,通过针对性调优,使工业大模型演化为面向特定任务的任务导向模型,具备如下六类能力:机理认知模型、知识问答模型、仿真生成模型、过程控制模型、优化决策模型以及科学发现模型。

在行业领域适配方面,为进一步提升模型在电力、冶金、石化、钢铁等行业中的适用性,需要结合行业数据后训练与行业知识内化微调进行强化。其中,行业后训练用于在特定行业数据上进一步精化工业大模型,从而缓解“幻觉”现象[21];而行业知识内化微调则侧重于将行业专有的知识与数据深度嵌入模型体系,增强其对行业知识的理解与表达能力。

2.4 应用层

应用层是流程工业大模型在服务端的体现,代表其在具体工业场景中的落地与实用能力。如图2所示,工业大模型的核心能力包括:机理认知、知识问答、仿真生成、过程控制、优化决策以及科学发现。在实际应用中,用户可根据具体场景需求,灵活选用任务导向模型或行业领域模型,构建具备专业能力的工业智能体。与传统工业模型相比,此类智能体具备更强的工业环境感知能力,能够自主进行规划决策,并具备控制与调用CPSS的能力,从而实现与用户及工业CPSS系统的高效协同,显著提升其在专业工业场景中的应用效果。

总体而言,工业大模型在工业领域中发挥着关键作用,主要体现在以下几个方面:支持专业知识问答处理、助力复杂工业机制的深入理解与分析、优化生产过程中的决策制定、实现反应过程的精准控制、自动生成工业内容与模拟结果,并辅助新材料与新工艺的发现。

3 应用

3.1 机理认知

机理认知指对流程工业底层物理与化学机制的认知能力,是理解复杂工业系统的基础[22]。工业大模型能够融合已有的机理知识、工业数据以及复杂的物理-化学反应机制,具备从历史数据与理论机理中挖掘参数关系和工艺规律的能力,从而为工艺优化与系统改进提供有力支撑。通过学习历史数据与相关机理理论,大模型可以揭示关键变量之间的关系,帮助工程师优化操作条件。例如,模型可学习化学反应动力学原理,预测影响反应速率、产物质量和产率的因素,从而为工程师推理出原料浓度、反应温度、pH值等变量的最优区间,提升产线运行效率。

3.2 知识问答

流程工业领域涉及大量专业、复杂的知识[23]。知识问答能力体现为大模型提供相关专业技术知识的能力,为工程师与操作人员在生产过程中快速解答技术问题。通过集成并学习大量文献资料、实验数据与工艺知识库,模型可以对工程师提出的问题提供精准、专业的答案,显著缩短决策时间。进一步地,通过引入“人在环路”(human-in-the-loop)反馈机制,模型能够持续适应工业标准的演进,提供更精准、上下文相关的指导。例如,若生产过程中出现异常情况,工程师可向模型提问,模型将基于历史经验与当前工艺参数迅速生成可能原因列表,辅助问题定位。

3.3 仿真生成

仿真生成是指工业大模型构建高精度仿真模型进而对复杂反应过程进行全面分析与模拟的能力。依托其强大的学习与预测能力,模型可在不同工况条件下生成多种工艺仿真结果,辅助工程师在实施前预评估工艺调整效果,规避实验过程中可能出现的风险。工程师可使用大模型生成不同工况下的仿真结果,以评估调整方案的效果。例如,模型可用于预测不同操作条件下的产品质量,辅助确定最优参数组合。同时,通过输入控制策略与参数条件,模型可输出关键物理场(如温度场、磁场)的分布模拟结果,支持生产过程的可视化监控。

3.4 过程控制

过程控制能力体现为大模型对关键过程参数的实时监测与调节能力,确保工艺运行的稳定性与一致性。模型可通过实时数据分析,动态调整控制策略,应对生产过程中的波动与不确定性。例如,在连续生产过程中,模型可持续监测温度、压力、流量等关键指标,自动反馈并调整控制变量,避免产品质量波动。同时,模型可根据当前状态输出推荐调整方案供操作人员参考。模型在微调阶段还可嵌入运行安全约束,确保其输出建议始终在温度、压力、流量等设定安全阈值内,保障工艺安全。

3.5 优化决策

优化与决策能力是指工业大模型在多变量、多目标条件下实现全局优化的能力。通过集成企业资源计划(ERP)等系统,大模型能够在海量数据和复杂约束中识别出最优的生产方案,实现经济效益和资源利用的最大化。例如,在流程工业中的原材料采购与库存管理场景中,大模型可以综合考虑原材料价格波动、供应链稳定性、生产需求与库存成本等多种因素,制定出最优的采购与库存策略。这不仅有助于保障生产的连续性与效率,还能降低原料成本和库存压力,提升整体运营效率与市场响应能力。此外,构建一个融合具体决策场景与行业知识的提示词库(prompt library),对于有效微调模型并使其输出结果更贴合实际应用至关重要。

3.6 科学发现

科学发现能力体现为大模型支持新材料、新工艺与新产品开发的能力。通过分析大量实验数据与过程参数,模型可辅助研究人员发现潜在的科学规律、新材料性能或创新工艺路径,加速技术突破。例如,在新材料性能预测方面,模型可结合历史数据与机理知识,预测材料在实际应用中的表现,识别潜在的合成路径,从而缩短研发周期、提升效率、降低实验成本。此外,模型还能结合已有知识,提出具有创新性的实验设计方案,在控制多变量条件下快速迭代实验,提高研发成功率。

4 未来发展方向

4.1 工业多模态数据与机理的联合表征

流程工业的生产过程高度复杂,融合了物理、化学、力学等多学科知识,涉及的工业数据类型多样,如传感器数据、图像、文本等,各数据模态之间具有强耦合特性。当前模型面临的关键挑战是如何在理解这些多模态数据的同时,对显性与隐性的工业机理进行准确建模。未来,流程工业大模型需具备跨模态分析能力,在统一特征空间中联合表示多源数据与工业机制,并在此基础上实现高效推理,为建模、控制与优化任务提供理论支撑。

4.2 具有机理约束的多目标过程控制

流程工业中的控制目标往往相互冲突,例如,在提高产率的同时降低能耗,或在控制排放的同时保障产品质量。因此,大模型需要在复杂的约束条件下实现多目标控制与最优决策。但这些约束本身的复杂性使得多目标优化在模型设计与实际应用中成为一项重大挑战[24]。为此,未来应引入高精度物理化学仿真技术与动态工艺自适应技术,结合分子动力学模拟等理论模型,深入理解和建模实际生产过程。同时,可通过增量学习、元学习等算法,赋予模型动态调整与自适应能力,使其在不断变化的数据环境中持续优化控制策略,保持稳定性能。

4.3 可解释的优化与决策机制

流程工业的高风险与高成本特性决定了决策过程需具备较高的透明度。然而,现有大模型多数为“黑箱”结构,缺乏可解释性,限制了其在工业场景中的可信应用[25]。未来应聚焦于提升大模型的可解释性,例如,通过集成可解释机器学习技术,解析模型输出的逻辑与依据,从而增强决策过程的透明度与可控性。相关研究还可扩展推理机制,以更好契合工业流程的实际需求,涵盖多变量依赖、序贯决策以及特定工艺约束等复杂工业场景。可进一步结合工业专家知识与反馈机制,构建“人机协同决策”系统,使用户能够对模型决策进行质疑、调整与修正,提升模型的可信度与实用性。

4.4 面向边缘设备的轻量化工业大模型

在边缘计算或嵌入式设备部署大模型的场景中,受限于存储、算力与能耗等资源,模型需具备轻量化、高效运行的特性,且必须在保障实时性能的同时保持较高的预测精度。未来可通过模型压缩技术[26‒27](如量化、剪枝、知识蒸馏)实现复杂度与资源占用的最小化。例如,参数量化可降低模型计算需求,剪枝技术可移除冗余结构,在保持模型性能的同时简化其结构。此外,发展适用于AI模型的专用硬件,也将进一步提升模型在边缘侧的处理效率。

4.5 面向新工艺与新材料的生成式模型

现有流程工业模型在材料设计环节仍面临显式与隐式约束不足、材料稳定性预测能力弱等问题,这限制了其在关键领域的适用性。为突破这一瓶颈,未来可引入多维度约束优化算法,提升模型对材料性能的预测准确性。同时,模型可结合自动化合成平台进行闭环反馈与调整,提高材料合成的成功率。在稳定性分析方面,通过结合分子动力学与其他物理机制,精细刻画材料微观结构,识别潜在缺陷与能量不稳定点,提前规避材料失效风险,最终提升材料生成的可行性与实用性,加速流程工业中新材料、新工艺的迭代发展。

参考文献

[1]

Qian F, Zhong W, Du W. Fundamental theories and key technologies for smart and optimal manufacturing in process industry. Engineering 2017;3(2):154‒60. . 10.1016/j.eng.2017.02.011

[2]

Yang T, Yi X, Lu S, Johansson KH, Chai T. Intelligent manufacturing for process industry driven by industrial artificial intelligence. Engineering 2021;7(9):1224‒30. . 10.1016/j.eng.2021.04.023

[3]

Qian F. The future of smart process manufacturing. Engineering 2023;22:20‒2. . 10.1016/j.eng.2022.04.029

[4]

Achiam J, Adler S, Agarwal S, Ahmad L, Akkaya I, Aleman FL, et al.; OpenAI. GPT-4 technical report. 2023. arXiv:

[5]

Wu T, He S, Liu J, Sun S, Liu K, Han QL, et al. A brief overview of ChatGPT: the history, status quo and potential future development. IEEE/CAA J Automatica Sin 2023;10(5):1122‒36. . 10.1109/jas.2023.123618

[6]

Rombach R, Blattmann A, Lorenz D, Esser P, Ommer B. High-resolution image synthesis with latent diffusion models. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition; 2022 Jun 19‒24; OrleansNew, LA, USA. Piscataway: IEEE; 2022. p. 10684‒95. . 10.1109/cvpr52688.2022.01042

[7]

Yang R, Srivastava P, Mandt S. Diffusion probabilistic modeling for video generation. Entropy 2023;25(10):1469. . 10.3390/e25101469

[8]

Guha N, Nyarko J, Ho DE, Ré C, Chilton A, Narayana A, et al. LegalBench: a collaboratively built benchmark for measuring legal reasoning in large language models. In: Oh A, Naumann T, Globerson A, Saenko K, Hardt M, Levine S, editors. Advances in neural information processing systems 36; 2023 Dec 10‒16; New Orleans, LA, USA. New York City: Curran Associates, Inc.; 2023. p. 44123‒279. . 10.52202/075280-1915

[9]

Moor M, Banerjee O, Abad ZSH, Krumholz HM, Leskovec J, Topol EJ, et al. Foundation models for generalist medical artificial intelligence. Nature 2023;616(7956):259‒65. . 10.1038/s41586-023-05881-4

[10]

Tsai ML, Ong CW, Chen CL. Exploring the use of large language models (LLMs) in chemical engineering education: building core course problem models with Chat-GPT. Educ Chem Engineers 2023;44:71‒95. . 10.1016/j.ece.2023.05.001

[11]

Fakih M, Dharmaji R, Moghaddas Y, Araya GQ, Ogundare O, Faruque MA. LLM4PLC: harnessing large language models for verifiable programming of PLCs in industrial control systems. In: Proceedings of the 46th International Conference on Software Engineering: Software Engineering in Practice; 2024 Apr 14‒20; Lisbon, Portugal. New York City: Association for Computing Machinery; 2024. p. 192‒203. . 10.1145/3639477.3639743

[12]

figure.ai [Internet]. Sunnyvale: Figure AI, Inc.; c2024 [cited 2024 Aug 01]. Available from:

[13]

Ren L, Wang H, Dong J, Jia Z, Li S, Wang Y, et al. Industrial foundation model: architecture, key technologies, and typical applications. Sci Sin Inform 2024;54(11):2606‒22. . 10.1360/ssi-2024-0185

[14]

Ren L, Wang H, Dong J, Jia Z, Li S, Wang Y, et al. Industrial foundation model. IEEE Trans Cybern 2025;55(5):2286‒301. . 10.1109/tcyb.2025.3527632

[15]

Zhang Y, Tang Q, Zhang Y, Wang J, Stimming U, Lee AA. Identifying degradation patterns of lithiumion batteries from impedance spectroscopy using machine learning. Nat Commun 2020;11:1706. . 10.1038/s41467-020-15235-7

[16]

Singh AK, Swarup A, Agarwal A, Singh D. Vision based rail track extraction and monitoring through drone imagery. ICT Exp 2019;5(4):250‒5. . 10.1016/j.icte.2017.11.010

[17]

Koch S, Matveev A, Jiang Z, Williams F, Artemov A, Burnaev E, et al. ABC: a big CAD model dataset for geometric deep learning. In: Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition; 2019 Jun 15‒20; LongBeach, CA, USA. Piscataway: IEEE; 2023. p. 9601‒11. . 10.1109/cvpr.2019.00983

[18]

Ren L, Wang H, Laili Y. Diff-MTS: temporal-augmented conditional diffusion based AIGC for industrial time series toward the large model era. IEEE Trans Cybern 2024;54(12):7187‒97. . 10.1109/tcyb.2024.3462500

[19]

Bugliarello E, Cotterell R, Okazaki N, Elliott D. Multimodal pretraining unmasked: a meta-analysis and a unified framework of vision-and-language BERTs. Trans Assoc Comput Linguist 2021;9:978‒94. . 10.1162/tacl_a_00408

[20]

Xiong J, Fink O, Zhou J, Ma Y. Controlled physics-informed data generation for deep learning-based remaining useful life prediction under unseen operation conditions. Mech Syst Signal Process 2023;197:110359. . 10.1016/j.ymssp.2023.110359

[21]

Liu P, Yuan W, Fu J, Jiang Z, Hayashi H, Neubig G. Pre-train, prompt, and predict: a systematic survey of prompting methods in natural language processing. ACM Comput Surv 2023;55(9):1‒35. . 10.1145/3560815

[22]

Xu W, Wang Y, Zhang D, Yang Z, Yuan Z, Lin Y, et al. Transparent AI-assisted chemical engineering process: machine learning modeling and multi-objective optimization for integrating process data and molecular-level reaction mechanisms. J Clean Prod 2024;448:141412. . 10.1016/j.jclepro.2024.141412

[23]

Wu Z, Liang C. A review and prospects of manufacturing process knowledge acquisition, representation, and application. Machines 2024;12(6):416. . 10.3390/machines12060416

[24]

Ren L, Dong J, Liu S, Zhang L, Wang L. Embodied intelligence toward future smart manufacturing in the era of AI foundation model. IEEE/ASME Trans Mechatron. In press. . 10.1109/tmech.2024.3456250

[25]

Ren L, Jia Z, Laili Y, Huang D. Deep learning for time-series prediction in IIoT: progress, challenges, and prospects. IEEE Trans Neural Netw Learn Syst 2024;35(11):15072‒91. . 10.1109/tnnls.2023.3291371

[26]

Ren L, Wang H, Mo T, Yang LT. A lightweight group transformer-based time series reduction network for edge intelligence and its application in industrial RUL prediction. IEEE Trans Neural Netw Learn Syst 2024;36(2):3720‒4379. . 10.1109/tnnls.2023.3347227

[27]

Yang C, Wang Y, Lan S, Wang L, Shen W, Huang GQ. Cloud‒edge‒device collaboration mechanisms of deep learning models for smart robots in mass personalization. Robot Comput-Integr Manuf 2022;77:102351. . 10.1016/j.rcim.2022.102351

AI Summary AI Mindmap
PDF (2496KB)

17231

访问

0

被引

详细

导航
相关文章

AI思维导图

/

〈 〉