2.      状态场瞬时策略

在机器学习技术之上，建立产线状态场集合所对应产线操控指令集合的操控数据库。同时，产线工艺人员再对操控数据库进行人工的完善、补充。试图通过状态场集合与产线操控指令集合的矩阵，达到最优控制效果。

这种方式，似乎填补了机器学习的一些缺陷，但又带来了更严重的技术瓶颈。由于判断产线的控制策略在大多数情况下，需要更多产线传感数据的组合。假定影响操控策略的数据测控点个数为m。每个数据测控点的数据范围【x，y】，数据刻度h。这样通过数学计算，状态场操控策略库的记录条数几乎是一个天文数字！

首先，人工完善与确认的工作量几乎计算不出来。其次，计算机运行过程中，从数据库中查找对应的执行指令消耗时间过长，执行效率根本确保不了。很多产线需要在200ms之内必须做出反馈，执行效率达不到，很容易造成产线崩溃，后果不堪设想。 所以，这种控制策略，仅仅可用于状态场超级简单的应用场景中，只要操控状态场参与运算的参数稍微多一点，系统就根本无法实施下去。

3.      辅助操控指令

把生产产线的数据，通过互联网，随时发送到云端数据服务器上，或者发送到本地数据服务器上。

无论发送到云端，或者到本地数据服务器上，均是希望通过数据服务器动态计算出中控操作工可能需要作出的操控策略、操控指令。然后，再把计算出来的操控产线的指令回传到中控室，中控室操作工可以随时参考计算机运算的结果。

此种技术策略不直接向DCS系统发送操控指令，而是给中控操作工发送操控指令建议。 这种技术路线，看起来挺美，但实际上却是无形中给中控操作工增加了工作量。操作工不仅要盯紧DCS系统的数据变化，还要随时看数据服务器发过来的建议操控策略。从实际来看，没有一个中控操作工会对这个技术路线感兴趣。没有解决智能化控制问题，同时又增加的操作工的工作量，而且很可能数据服务器运算出来的操控指令还不如操作工的经验更好。必然导致中控操作工对此技术路线毫无兴趣，变成一个可以展示的摆设。

4.      机器学习模式的工业大脑

在辅助操控指令技术路线的基础之上，数据服务器通过OPC协议，直接对接DCS系统，直接向DCS系统发送设备执行操控指令。产线运行数以千计、数以万计的传感数据全部由工业大脑接收，工业大脑通过大数据模型的计算，得到产线调节指令，并将调节指令提供给DCS系统。工业大脑有可能在云端，也可能在产线本地。也可能多条产线的数据全部接入工业大脑。通过更多产线的大数据计算，试图找到逼近最优的实时操控策略。这种技术路线肯定向前迈了一大步。至少减轻了中控操作工的工作量。

但由于数据服务器运算的内核还是机器学习、机器积累、历史循迹、历史寻优策略，基于机器学习模式的工业大脑计算出来的操控指令依然无法达到较好效果。

即使同时建造的生产产线，同时开工生产，产线设备特性通过DCS系统的数据展现大概率也会不同。所以，把更多产线的数据集中到工业大脑一台服务器中进行所谓的大数据计算，在即时操控指令的计算、推理上，没有什么作用。 这种做法，针对产线工艺宏观优化策略或许能起到很好的作用，也或许能起到优化工艺参数的长远目的，但是，对于产线的即时操控策略却没有任何意义。

5.      云技术

采用云方式来进行产线的操控指令计算，并通过云向产线发送智能化操控指令，这种技术路线彻底打破了生产产线网络不能物理隔离的安全性要求。

云技术的采用，必然让DCS系统与互联网进行了数据双向通讯。互联网病毒、黑客攻击，成为DCS系统的最大威胁。

同时互联网光纤的传输通道怎么保证永远不掉线？怎么保证光纤永远不会出现断裂？若互联网通信出现问题，怎么及时通知产线中控室？ 这些问题若不能确保100%的解决，生产产线的安全早晚都要出问题，甚至出现非常严重的问题。