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.