基于迁移学习的炉温预测框架
　　冶金行业一直是我国工业的能源消耗大户，是推进节能降耗的重点行业。高炉热风炉和加热炉等装置是节能降耗的关键环节，因此，其燃烧控制与优化问题一直是国内外专家****研究和关注的重点。
　　中国科学院沈阳自动化研究所科研团队以加热炉的优化控制为切入点，提出了一种基于迁移学习的加热炉炉温预测算法。实现加热炉的优化控制，首先要克服加热炉生产过程中原料来源多样、生产条件多变、工况波动频繁等难题，对加热炉各个加热区的温度精准预测。同时，还需要满足工况对实时性的要求，对预测算法的计算效率和计算时间等性能指标提出了更高的要求。
　　为了应对这些挑战，研究团队设计了基于时间卷积网络和迁移学习技术的多区炉温预测框架，并通过生成对抗网络来提升预测精度，建立了实时的炉温预测模型。实例研究表明，团队所提出的基于迁移学习的炉温预测框架在每个加热区快速建模的基础上都能极大提升预测精度。相关学术成果已经发表于Sensors，也为人工智能技术应用于冶金行业加热炉能耗优化控制提供了新方法。
　　近年来，数字工厂研究室依托中科云翼工业互联网平台开展了基于工业大数据的人工智能方法研究，取得了一系列高水平研究成果，为人工智能和大数据技术与制造工艺的深度融合提供了理论方法和技术支撑。（数字工厂研究室）