流程工業(yè)的智能制造

楊舒涵

摘 要：“中國制造2025”是我國制造業(yè)升級的國家大戰(zhàn)略。其技術(shù)核心是智能制造，智能化程度相當(dāng)于“德國工業(yè)4.0”水平?！爸袊圃?025”的重點領(lǐng)域既包含重大裝備的制造業(yè)，也包含新能源、新材料制造的流程工業(yè)。本文中建立復(fù)雜流程工業(yè)智能控制大數(shù)據(jù)模型實現(xiàn)[Si]的準(zhǔn)確預(yù)測控制即冶煉過程優(yōu)化與預(yù)測控制。我們進行了數(shù)據(jù)整理以初步探索各個量之間的關(guān)系，發(fā)現(xiàn)各變量之間沒有一個較好的函數(shù)關(guān)系，即不存在相關(guān)性較高的關(guān)系，所得函數(shù)預(yù)測性很差，該發(fā)現(xiàn)使我們進一步明確了建立數(shù)學(xué)模型的思路和方法：結(jié)合灰色預(yù)測和神經(jīng)網(wǎng)絡(luò)兩種算法，探究各變量之間存在的關(guān)系，實現(xiàn)對流程的成功控制。

關(guān)鍵詞：大數(shù)據(jù)模型 初步探索 灰色預(yù)測 神經(jīng)網(wǎng)絡(luò) 變量關(guān)系

中圖分類號：F40 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2018）02（b）-0100-02

流程工業(yè)中，鋼鐵冶金、石油化工等行業(yè)是代表性的國民經(jīng)濟支柱性產(chǎn)業(yè)。其生產(chǎn)過程的系統(tǒng)優(yōu)化與智能控制的目標(biāo)函數(shù)包括節(jié)能，優(yōu)質(zhì)，低耗，綠色環(huán)保等多目標(biāo)要求。為了實現(xiàn)這樣的優(yōu)化目標(biāo)，生產(chǎn)過程智能控制的關(guān)鍵技術(shù)就要從原來的反饋控制進一步升級為預(yù)測控制。即通過生產(chǎn)工藝大數(shù)據(jù)的信息物理系統(tǒng)（Cyber Physical System）建模，通過大數(shù)據(jù)挖掘，確定生產(chǎn)過程的最佳途徑與最佳參數(shù)控制范圍，預(yù)測性地動態(tài)調(diào)整生產(chǎn)過程控制，獲得最佳生產(chǎn)效果。

1 數(shù)據(jù)處理

根據(jù)背景和所查數(shù)據(jù)得出一些簡單結(jié)論并對模型進行部分構(gòu)建。

在高爐煉鐵的背景下，鐵礦石從上加入向下運動，而煤和空氣從下端加入向上運動。我們簡化模型合理假定鐵礦石到鐵水經(jīng)歷3個階段按照時間先后分為第一階段、第二階段、第三階段，各階段所處位置不同，進行的化學(xué)反應(yīng)不同，每階段均為兩個小時。

對數(shù)據(jù)進行處理：給出各時刻出爐鐵水含硫量所對應(yīng)的3個階段的鐵水含硅量（代表爐溫）和風(fēng)量和噴煤量同時列出；給出各時刻出爐鐵水，3個階段的鐵水含硅量（代表爐溫）單獨列出，用于討論兩者之間關(guān)系；對鐵水含硅量與風(fēng)量和噴煤量單獨列出，用于討論三者之間關(guān)系。

2 建立模型

2.1 選取樣本

由于神經(jīng)網(wǎng)路的特殊性，需要足夠多的訓(xùn)練集，我們將1000組數(shù)據(jù)均作為訓(xùn)練集，訓(xùn)練之后對這1000組再次進行預(yù)測檢驗。

2.2 初步探索

結(jié)合高爐煉鐵的基本原理歸納出如下兩個重要結(jié)論。

（1）可以影響高爐煉鐵的量較多，而我們只選取4個量進行討論，顯然存在大量的未知量對于我們的結(jié)果有一定影響，因此我們也無法通過控制變量得出較為準(zhǔn)確的函數(shù)關(guān)系，這啟發(fā)我們選用灰色預(yù)測和神經(jīng)網(wǎng)絡(luò)兩種算法來解決本題。（2）時間順序?qū)Ω郀t煉鐵結(jié)果的影響較為復(fù)雜，或許存在相互影響，即同時在爐中分別處于第一階段、第二階段、第三階段的3種鐵水，應(yīng)該存在復(fù)雜的相互影響，此種影響難以用簡單函數(shù)衡量。所以這也啟示我們使用灰色預(yù)測和神經(jīng)網(wǎng)絡(luò)兩種算法來解決問題。

2.3 灰色預(yù)測

在系統(tǒng)科學(xué)的研究中，由于內(nèi)外擾動的存在和認(rèn)識水平的局限，人們得到的信息往往帶有某種不確定性。隨著科學(xué)技術(shù)水平的發(fā)展和人類社會的進步，人們對系統(tǒng)不確定性的認(rèn)識逐步深化，不確定性系統(tǒng)的研究也日益深入。灰色系統(tǒng)理論便著重研究概率統(tǒng)計、模糊數(shù)學(xué)等所難以解決的“小樣本”“貧信息”不確定性問題，并依據(jù)信息覆蓋，通過從已知數(shù)據(jù)中生成、開發(fā)和提取有價值的信息，實現(xiàn)對事物運動規(guī)律的探索。另外，灰色系統(tǒng)理論對數(shù)據(jù)沒有什么特殊的要求和限制，應(yīng)用領(lǐng)域十分寬廣?；疑A(yù)測是灰色系統(tǒng)理論中的一個重要組成部分[1]。

2.4 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)由多個神經(jīng)元按照某種方式相互連接形成，靠網(wǎng)絡(luò)狀態(tài)對外部輸人信息的動態(tài)響應(yīng)來處理信息，網(wǎng)絡(luò)的信息分布式存儲于連接權(quán)系數(shù)中，使網(wǎng)絡(luò)具有很強的容錯性和魯棒性。神經(jīng)網(wǎng)絡(luò)的核心是結(jié)構(gòu)和算法，例如以結(jié)構(gòu)見長的pField網(wǎng)和以算法見長的BP（Back Propagation）網(wǎng)。同模糊邏輯系統(tǒng)相比，模糊邏輯系統(tǒng)是從宏觀功能上“軟”模擬人腦的邏輯思維機制，而神經(jīng)網(wǎng)絡(luò)是從微觀結(jié)構(gòu)上“硬”模擬人腦的經(jīng)驗思維機制；模糊邏輯系統(tǒng)的智能級別為推理級，而神經(jīng)網(wǎng)絡(luò)的智能級別為感知級。在數(shù)據(jù)挖掘中，神經(jīng)網(wǎng)絡(luò)主要用于獲取分類模式。但是由于神經(jīng)網(wǎng)絡(luò)分類方法獲取的模式隱含在網(wǎng)絡(luò)結(jié)構(gòu)中，而不是顯示地表達(dá)為規(guī)則，不容易被人們理解和解釋；另外要多次掃描訓(xùn)練數(shù)據(jù)，網(wǎng)絡(luò)的訓(xùn)練時間較長。因此與其他數(shù)據(jù)挖掘方法不同，神經(jīng)網(wǎng)絡(luò)用于數(shù)據(jù)挖掘，要解決好兩個關(guān)鍵問題：一是降低訓(xùn)練時間，二是挖掘結(jié)果的可理解性[2]。

3 結(jié)果展示

（1）數(shù)值預(yù)測的相對誤差大概為5%～10%。

（2）爐溫升降方向預(yù)測成功率=（1-0.0110）×100% =98.9%。

（3）爐溫升降方向預(yù)測成功率=（1-0.101）×100%=89.9%。

4 模型分析

4.1 模型優(yōu)勢

（1）通過主成分分析的經(jīng)驗型規(guī)律對于實際生產(chǎn)和深入研究都有一定的指導(dǎo)意義。（2）通過不同方法解決不同問題，更加具有針對性，解決問題的效果更好。整體分析：面向問題，建立整體的動態(tài)預(yù)測模型。優(yōu)點：考慮問題全面，較好地考慮了整體的變化規(guī)律，預(yù)測結(jié)果相對較為準(zhǔn)確。分層分析：面向問題，走向?qū)嶋H，對具體問題進行優(yōu)化，如何降低鐵水含硫量，得到高質(zhì)量的鐵水，如何控制噴煤量和風(fēng)量，爐溫會有怎樣的變化。優(yōu)點：較為清晰的給出了各個量之間的關(guān)系，對實際問題有一定的指導(dǎo)意義。（3）模型具有可成長性，獲得更多種類的數(shù)據(jù)，還有更大數(shù)量的數(shù)據(jù)，對于完善我們的模型有很大意義。

4.2 模型劣勢

（1）灰色預(yù)測主要用于短期的預(yù)測問題，在樣本數(shù)據(jù)較少時較好的預(yù)測結(jié)果。但它僅適用于指數(shù)型函數(shù)，不適合逼近其他復(fù)雜的非線性函數(shù)。（2）神經(jīng)網(wǎng)絡(luò)能預(yù)測無序、波動的時間序列，長期預(yù)測時，具有更好的預(yù)測優(yōu)勢。但是在樣本數(shù)據(jù)較少時，預(yù)測結(jié)果不理想[3]。

5 結(jié)語

對更多的數(shù)據(jù)進行對比分析，我們在給出的1000組數(shù)據(jù)中通過篩選之后，很難找到3個階段中有兩個階段相同或相似，控制變量后進行對比。我們發(fā)現(xiàn)在控制兩個階段之后所余數(shù)據(jù)往往不超過5組，甚至更少，這對我們控制變量進行分析帶來了巨大的困難，當(dāng)數(shù)據(jù)量上升到10000或者更多時，我們將有充足的數(shù)據(jù)進行對比，可以分析各階段對鐵水含硫量（鐵水質(zhì)量）等的影響，以及各階段相互影響的情況。

參考文獻(xiàn)

[1] 崔立志.灰色預(yù)測技術(shù)及其應(yīng)用研究[D].南京航空航天大學(xué)，2010.

[2] 孫增沂，張再興，鄧志東.智能控制理論與技術(shù)[M].北京：清華大學(xué)出版社，2011：125-140.

[3] 吳宛榮.基于改進灰色神經(jīng)網(wǎng)絡(luò)模型的頂板壓力預(yù)測研究[D].中國礦業(yè)大學(xué)，2014.