一种基于深度信任网络的过程监控新方法，现已发表为研究论文。

简介：
近年来，深度学习技术在过程监控、故障诊断、模式识别以及图像分类等领域得到了广泛的应用。在工业控制系统中，大量过程系统亟需矿石高级控制技术的支持。对于许多液体产品而言，在绝大多数生产环境中，灌装错误控制构成一个至关重要但同时也极具挑战性的问题。这一控制难题的核心挑战在于不可控的环境因素、现代制造工厂中产品的高度多样性，以及为复杂的反馈控制方案而设定的有限预算等诸多限制。为了设计一种能够大规模复制且成本较低的解决方案，本文提出了一种基于数据驱动的方法，通过采用即时深度信任网络（JIT-DBN）来弥补灌装错误。该方法旨在利用历史数据构建本地DBN模型，并综合考量流体粘度、填充温度以及其他诸多影响因素，从而为填充过程提供最佳的停止时间建议。此外，本文还进一步阐述了所提出的方法的实施框架设计。该框架充分利用了边缘计算和云平台的优势，从而构建出一种具有可扩展性的解决方案，它不仅保证了卓越的计算效率，而且能够出色地适应高度多样化的产品需求。在实际验证实验中，所提出的方法及其所提出的实施框架均在大规模的真实灌装生产线中进行了测试。实验结果表明，该方法能够显著降低平均灌装误差和灌装过程中的不确定性。