项目目标

陶瓷产线智能管理与分析平台中针对信息系统和控制系统进行设计及优化：

1. 信息系统中，设计更加有弹性、扩展性的边缘-云的通信方式，设计在云端高效可靠的分布式机器学习系统，利用闲置的边缘平台的计算资源加快学习任务的执行，以及量化或压缩学习得来的知识模型以减轻边缘控制单位的存储及计算负担。
2. 控制系统中，根据从数据中提取的系统的动态模型及能耗模型，设计最优的控制策略，以保证产品质量的前提下最小化产线能耗。

项目背景

高效可靠的信息及控制系统是这个项目能够帮助企业提升效率、降低成本的关键。只有信息系统及时地将数据上传至云端，云端的计算系统快速的而准确的对海量的分布式数据完成分析，产生的模型才会对正在进行的陶瓷生产具备指导意义。其次，只有通过优化控制系统才能将从数据中获得的指导意见转化为实实在在的品质提升及能耗降低。然而在目前的陶瓷生产以及更广泛的工业制造的环境中实现这一套系统面临着诸多挑战。

项目特色和创新点

1. 根据温度历史数据，可建立优化模型，得到最佳温度控制PID调节参数，使用在反向控制系统中使生产更加稳定，能耗更低。
2. 烧成制度以制度文件的形式保存，用户只需调用制度文件，一键即可设定所有参数，避免人工操作误差，提高效率。
3. 自动化识别烧成参数相关区段的时间长短。
4. 基于标签化的报表系统，保证分析既有输出、配置化的输出展示及设备到数据到分析到展示的全线疏通。

项目成果

成果1:针对窑尾数据采集实际问题，提供了初步的实现方案。方案总体通过html网页上传相关数据，后端通过django框架实现，将输入的现场数据传入MySQL数据库。从而实现相关数据的人工采集并传入相关数据库。现场PC即可实现上述功能。同时，后期扩展可将数据库更换为其它工业数据库，以便将其它传感器数据汇入，从而实现整体数据的展示和后续应用。可通过Grafana或其它平台实现对相关数据的直观展示。该方案具体框图如下：

成果2:针对陶瓷表面缺陷检测提出一套基于动态联邦持续学习（Dynamic Federated Continual Learning）的云端分布式学习系统，从而实现对多陶瓷生产线的云端学习，减少相关人力，提高生产效率，并保证相关企业生产线的数据安全。不同陶瓷生产商所生产的陶瓷产品虽不同但整体工艺及成品表面缺陷类似，整合这些数据所训练的模型将具有一定的泛用性。但由于成品数据涉及相关生产企业核心数据隐私，很难实现数据信息的交流与整合，联合建模需要跨越重重壁垒。本课题基于联邦持续学习的陶瓷表面缺陷检测系统将解决上述问题，其基本方案框图如下：

在该算法框图中，各数据持有方通过YOLO算法实现对本地数据的训练计算，所得数据将传输至云端服务器，云端服务器得到用户传回的计算数据后更新服务器端的陶瓷表面缺陷检测模型，由于在此过程中陶瓷生产线数据都存储在本地并未进行直接传输，极大的保证了各生产线数据持有方的数据安全。此外，当前算法框架为后续研究内容奠定了整体研究方向。在后续的研究当中，将深入结合联邦持续性学习与元学习的相关技术特点，实现针对多产线实时加入的动态联邦持续性学习，同时保证各生产线本地模型的模型异构性，确保各生产线本地模型能实现对陶瓷表面缺陷的精准检测。

成果3:控制系统方面，通过利用输入输出传递函数模型得到了陶瓷窑炉的动态模型，并将其转换为了状态空间模型。状态空间向量由炉内各采样位置的温度数据点组成。该动态模型通过捕捉窑炉内部温度变化，为后续控制算法优化提供基础，从而实现对加热器输入量的控制。同时，该模型为通用模型，可适用不同规格尺寸的窑炉。