PLSaoNET模型示意图

流程工业智能制造的实现依赖于对生产过程中关键参数的实时精准感知。然而，工业现场普遍面临标注样本稀缺、噪声干扰强、非线性关系复杂等挑战。传统偏最小二乘（PLS）统计方法可解释性强但仅能拟合线性关系，而神经网络虽拟合能力强大，却因黑箱本质与过拟合风险，难以在流程工业现场真正落地。

针对该问题，中国科学院沈阳自动化研究所工业控制网络与系统研究室LIBS团队提出了偏最小二乘辅助优化网络PLSaoNET。该方法利用PLS统计模型为神经网络提供具有明确物理意义的初始化权重，使网络训练从盲目搜索转变为有方向的优化，在小样本条件下实现了高精度、可解释的非线性网络建模。

研究团队在两个典型工业场景中对所提方法进行了严格验证：基于激光诱导击穿光谱（LIBS）技术的铁精矿浆品位在线监测，以及基于近红外光谱（NIR）的柴油品质评估。结果显示，PLSaoNET展现出最优的建模精度和泛化性能，并进一步通过可视化隐藏层权重揭示了PLSaoNET获得最优结果的本质。

目前，该方法已部署于选矿厂LIBS矿浆成分分析仪，实现铁精矿品位在线实时监测，为复杂工业场景下的智能感知提供了可靠技术支撑。

相关成果以PLSaoNET: A Generalized ANN Model Under PLS Statistical Constraints for Industrial Sensing为题，发表于中国工程院院刊Engineering。该研究得到了国家自然科学基金及辽宁辽河实验室研究项目的支持。（工业控制网络与系统研究室）