第 13 期 | 迁移学习与工业小样本跨工况、跨装置的模型复用新建产线没有历史数据、小装置攒不够训练样本、原料切换后老模型失效——工业 AI 的大量项目卡在小样本困局。迁移学习的思想是不从零开始把别处学到的知识搬过来。本期讲解工业迁移学习的方法体系、适用边界与防负迁移的红线。一、迁移学习的工业问题图谱 ️工业迁移三大场景跨工况迁移:原料切换/负荷变化后老工况模型适配新工况跨装置迁移:大高炉模型→小高炉1号产线→2号产线跨任务迁移:炉温预测模型→炉况诊断的预训练底座正式定义源域 Ds有数据/有标签上学到的知识帮助目标域 Dt数据稀缺的学习任务。关键是源域与目标域相关但不相同——完全相同不需要迁移完全不同则无法迁移。二、迁移方法的四个层次 层次 1样本迁移Instance Transfer从源域样本中挑出与目标域相似的样本加权复用。代表方法TrAdaBoost源域样本与目标域联合训练对目标域预测差的源样本降权工业实例原料切换后从历史数据中筛选原料成分相近的时期样本加权参与新模型训练。层次 2特征迁移Feature Transfer学习源域与目标域共享的特征表示空间。代表方法迁移成分分析TCA、领域对抗网络DANN——通过分布对齐损失使两个域在特征空间看起来一样工业实例两座高炉的传感器配置不同但可将各自数据映射到共享的工况语义空间热状态、透气性水平在语义层复用模型。层次 3参数迁移Parameter Transfer / Fine-tuning源域训练模型参数作为目标域的初始化再用少量目标域数据微调——深度学习时代最主流的迁移范式源域: 大高炉10万样本预训练学习通用冶炼动态模型参数迁移目标域: 小高炉2000样本微调冻结底层 只调上层对比从零训练:同等精度所需样本降低1-2个数量级微调策略冻结底层通用规律基本的物理动态模式只训练上层装置个性——装置规模差异越大冻结层数越多。层次 4关系迁移Relational Transfer迁移知识间的结构关系如规则库、知识图谱而非数据或参数。工业实例将 A 厂的专家规则库映射到 B 厂阈值按设备参数缩放再本地化修正——规则迁移比数据迁移更依赖专家介入。三、跨装置迁移的特殊性物理缩放 工业装置间的差异本质是物理尺度差异迁移必须尊重相似理论差异维度迁移处理方式装置容积/产能用无量纲数归一单位炉容风量、利用系数传感器配置公共变量对齐独有变量舍弃或重建原料结构原料质量特征显式输入让模型学以原料为条件操作习惯操作制度特征化作为工况上下文输入核心技巧——归一化迁移将原始物理量转换为无量纲的特征如透气性指数、热负荷强度后再迁移。无量纲特征在不同尺度装置间具有更好的可迁移性这是第 5 期物理衍生特征价值的又一体现。四、负迁移迁移的红线 ⚠️迁移不是免费的午餐——源域与目标域差异过大时迁移的知识不但无益反而有害负迁移。是否是否迁移可行性评估域间距离度量:特征分布的MMD/PSI距离距离可接受?小规模试点:目标域20%数据微调验证是否优于从零训练放弃迁移或先做事例筛选/特征对齐优于从零?全量迁移实施回退: 仅用源域预训练作正则化初始化负迁移的典型场景炼钢转炉的模型迁往高炉工艺本质不同、湿法工艺数据迁往干法工艺——域间机理差异超越了数据分布对齐的补偿能力。迁移前先问机理相似性再谈数据相似性。五、工业迁移的决策清单 ✅机理相似性审查源与目标工艺是否同族同族装置→可迁跨工艺→慎迁公共特征盘点两域共有变量是否覆盖核心工艺量归一化方案是否已做无量纲化与分布对齐小规模验证是否用目标域 20% 数据验证了迁移增益回退预案迁移失效时是否可无损回退到本地模型六、前沿基础模型思路对迁移的启示 大模型时代的预训练→微调范式为工业迁移提供了终局想象时序基础模型在数百个工业装置的时序数据上预训练通用表征新装置零样本/少样本即可用工业界与学术界均在探索物理预训练用仿真器生成海量物理合理数据预训练真实数据微调——仿真到真实的迁移Sim2Real绕开真实数据稀缺联邦学习多企业数据不出厂、联合训练共享模型——解决跨企业迁移的数据主权问题。这些方向尚处早期但迁移是工业 AI 规模化的必由之路这一判断已成共识。 本期小结工业迁移三大场景跨工况、跨装置、跨任务方法四层次样本、特征、参数、关系参数微调是主流范式冻结通用层、训练个性层样本需求降 1~2 个数量级跨装置迁移的核心是物理缩放无量纲化特征的可迁移性最好负迁移红线机理不相似不迁移小规模验证先行回退预案必备前沿方向时序基础模型、Sim2Real、联邦学习。下期预告第 14 期进入决策智能的殿堂——强化学习导论马尔可夫决策过程、探索与利用的权衡、以及工业控制中 RL 的现实定位。作者高炉炼铁智能化技术研究者专注钢铁冶金与人工智能 交叉领域。 如果觉得有帮助请点赞、收藏、转发版权归作者所有未经许可请勿抄袭套用商用(或其它具有利益性行为)。 关注专栏不错过后续精彩内容