一種基于數(shù)字孿生云平臺的煉鐵過程智能優(yōu)化服務(wù)

周恒, 楊春節(jié)*, 孫優(yōu)賢

The S tate Key Laboratory of Industrial Control Technology&College of Control S cience and Engineering, Zhejiang University, Hangzhou 310027, China

1.引言

煉鐵的制造工藝復(fù)雜，它能不斷地為其他行業(yè)提供基礎(chǔ)材料。煉鐵行業(yè)在原材料市場和能源市場都占據(jù)重要地位，其能源消費量占全球能源消費總量的10%以上。中國現(xiàn)今成為世界上最重要的鋼鐵供應(yīng)國，生產(chǎn)的鋼鐵占全球總產(chǎn)量的一半。因此通過技術(shù)創(chuàng)新實現(xiàn)該行業(yè)的節(jié)能減排至關(guān)重要[1]。

用于解決基于制鐵機制的轉(zhuǎn)換理論和反應(yīng)規(guī)則復(fù)雜性的傳統(tǒng)方法，在高爐的建模和優(yōu)化方面存在不足[2-3]。因此，研究人員仔細(xì)調(diào)查了煉鐵過程中的各種智能建模方法。為了突出黑箱建模的優(yōu)點，Chen 和Gao[4]提出了一種新的算法來提升高爐軟邊緣支撐向量機的透明度。Zhou 等[5]提出了一種基于遞歸學(xué)習(xí)的雙線性子空間識別算法，對具有非線性的隨時間變化的高爐進(jìn)行建模和控制。此外，Li 等[6]利用模糊分類器，通過預(yù)測金屬硅含量的發(fā)展趨勢，判斷產(chǎn)品質(zhì)量和熱狀態(tài)。為了獲得氣體的流量分布和優(yōu)化充電操作，Huang等[7]設(shè)計了一種基于高溫工業(yè)內(nèi)窺鏡的三維（3D）形貌測量方法來檢測高爐的爐料面。Li 等[8]隨后提出了一種智能的數(shù)據(jù)驅(qū)動優(yōu)化方案來確定高爐爐料面合適的分布位置。雖然這些方法都在一定程度上改善了高爐的運行，但整個煉鐵過程都需要一個結(jié)合了各種服務(wù)的云計算框架。

云計算為客戶提供計算機系統(tǒng)的按需服務(wù)、計算能力和數(shù)據(jù)存儲服務(wù)，而客戶不需要實際擁有相關(guān)對象[9]。大容量存儲設(shè)備、低成本計算機和高容量網(wǎng)絡(luò)的有效性促進(jìn)了云計算的發(fā)展，而硬件資源虛擬化、自主公用計算和服務(wù)導(dǎo)向式架構(gòu)的廣泛發(fā)展也為云服務(wù)的增長做出了貢獻(xiàn)[10]。事實上，許多公司已經(jīng)在云平臺上部署業(yè)務(wù)，這讓云服務(wù)滲透到我們工作和生活的方方面面。例如，Yelp廣告團(tuán)隊依賴預(yù)測模型來分析客戶與廣告互動的可能性。他們利用亞馬遜彈性MapReduce上的Apache Spack（一個統(tǒng)一的分布式內(nèi)存計算引擎）處理大數(shù)據(jù)和訓(xùn)練機器學(xué)習(xí)模型，這使得Yelp 的收入和廣告點擊率有所增加[11]。過去，12306（中國鐵路客戶服務(wù)中心）網(wǎng)站預(yù)訂系統(tǒng)總是在特定時間數(shù)據(jù)訪問量激增時崩潰。在春節(jié)期間，阿里云通過云計算處理余票的查詢訪問，有效地解決了這一瓶頸問題[12]。

隨著高集成和大規(guī)模制造工業(yè)的快速發(fā)展，傳統(tǒng)的方法在煉鐵過程中在建模和優(yōu)化方面十分受限。由于在操作中很難將相互沖突的目標(biāo)聯(lián)合起來，所以一個好的指示器總是會削弱另一個指示器的效果。為了同時優(yōu)化幾個目標(biāo)，我們使用遺傳算法（GA）中的加權(quán)方法將多目標(biāo)問題轉(zhuǎn)化為單目標(biāo)問題。此外，我們在GA中引入自適應(yīng)算法，以提高其搜索性能。在將GA 應(yīng)用于實際問題之前，我們有必要通過建模的方法來學(xué)習(xí)算法的物理特征。為了滿足對高精度和其他實時性要求，我們簡化了遞歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，將更新和重置門壓縮為單門來模擬煉鐵過程。因此，我們設(shè)計了一個基于分布式計算的云煉鐵廠的多目標(biāo)優(yōu)化框架，如圖1 所示。有了云上工廠的這個服務(wù)例子，與煉鐵工廠合作的學(xué)者和研究人員可以在世界任何地方為這個工廠工作。綜上所述，本文的主要貢獻(xiàn)可以簡要總結(jié)如下：

圖1.云上煉鐵高爐結(jié)構(gòu)示意圖。

（1）結(jié)合改進(jìn)的GA與遞歸神經(jīng)網(wǎng)絡(luò)，以優(yōu)化煉鐵過程中的多目標(biāo)問題。

（2）基于Rancher和Harbor框架構(gòu)建了數(shù)字孿生的云計算平臺。

（3）將混合多目標(biāo)模型作為一種優(yōu)化服務(wù)部署到云計算平臺上。

2.方法論

煉鐵廠在制造過程中通過可編程邏輯控制器、工業(yè)傳感器和局部指示器產(chǎn)生大量數(shù)據(jù)[13]。中國有數(shù)百家煉鐵廠和數(shù)千座高爐，這些工廠的數(shù)據(jù)量和計算需求遠(yuǎn)遠(yuǎn)超出了工廠的負(fù)擔(dān)能力。如果一個高爐每分鐘有數(shù)千個測量點可以采樣，它每天的總數(shù)據(jù)量可以高達(dá)1 TB。然而，這些工業(yè)大數(shù)據(jù)沒有得到充分的利用，反而給煉鐵廠造成負(fù)擔(dān)。盡管云服務(wù)和煉鐵工藝都各自取得了重大進(jìn)展，但很少有學(xué)術(shù)研究或工業(yè)應(yīng)用試圖將這兩者結(jié)合起來。因此，我們設(shè)計了一個基于分布式系統(tǒng)的云上工廠（圖2），充分利用這些工業(yè)大數(shù)據(jù)挖掘隱藏的信息。首先，暫時將過程數(shù)據(jù)存儲在煉鐵廠數(shù)據(jù)中心的本地服務(wù)器中。經(jīng)過一些必要的預(yù)處理和重新格式化后，干凈的數(shù)據(jù)將直接傳輸?shù)疥P(guān)系數(shù)據(jù)庫中。由于工廠的工業(yè)數(shù)據(jù)都備份在云數(shù)據(jù)庫中，所以不需要擴展其存儲設(shè)備容納不斷增加的數(shù)據(jù)量。然后，如果我們想修改算法或從云存儲中訓(xùn)練數(shù)據(jù)集，可以從本地服務(wù)器或云數(shù)據(jù)庫中提取樣本。

云煉鐵高爐由存儲層、框架層和服務(wù)層組成。存儲層通過云關(guān)系數(shù)據(jù)庫對來自制造系統(tǒng)的數(shù)據(jù)流進(jìn)行備份。計算框架層位于存儲層和服務(wù)層之間，包含一個基于深度學(xué)習(xí)和進(jìn)化算法的混合模型。此外，該計算集群是Apache Spark 的一個實例，與本地云服務(wù)提供商的虛擬機相互關(guān)聯(lián)。有了計算框架和存儲容量的支持，云上工廠能夠為高爐煉鐵過程提供多目標(biāo)優(yōu)化服務(wù)。最后，我們使用Apache Spark在虛擬機上部署多目標(biāo)優(yōu)化框架，為云上工廠提供云計算服務(wù)。工廠和學(xué)術(shù)界都可以從云煉鐵廠中獲益：煉鐵廠不需要存儲所有的生產(chǎn)數(shù)據(jù)，而學(xué)術(shù)研究人員可以在其他地方研究實際數(shù)據(jù)。通過使用Apache Spark和云計算，我們成功地將聚類、建模和優(yōu)化模型的多目標(biāo)優(yōu)化服務(wù)應(yīng)用到高爐煉鐵過程中。

圖2.云上工廠與實際工廠交互系統(tǒng)流程圖。

混合模型的集成將聚類、建模和優(yōu)化過程結(jié)合成一個不可分割的整體。在聚類分析預(yù)處理的基礎(chǔ)上，我們采用建模方法獲得了高爐煉鐵過程的動態(tài)信息。然后，優(yōu)化方法在臨界約束條件下可以尋找生產(chǎn)指標(biāo)的實時最優(yōu)解。因此，該優(yōu)化問題的目標(biāo)函數(shù)如下：

式中，w為權(quán)重矩陣；?和g為激活函數(shù)；dt為處置門；T為生成；F(x)是加權(quán)后的綜合適應(yīng)度函數(shù)；f(x)是單個優(yōu)化目標(biāo)的適應(yīng)度函數(shù)；x是輸入變量；h為神經(jīng)元隱含狀態(tài)。

聚類簇將對象的集合分為幾個組，其中屬于同一聚類簇的對象彼此之間比與其他聚類簇中的對象更相似[14-15]。它既是探索性數(shù)據(jù)挖掘的主要任務(wù)，也是用于機器學(xué)習(xí)統(tǒng)計分析的一般方法。一開始，我們利用高斯混合模型（GMM）將數(shù)據(jù)分到不同的聚類簇中，并選擇理想的數(shù)據(jù)集實現(xiàn)知識發(fā)現(xiàn)。高斯混合模型是一個基于分布的模型，它適用于包含一定數(shù)量的高斯函數(shù)的數(shù)據(jù)集[16-17]。高斯混合模型的概率密度函數(shù)列于如下公式中。

式中，k表示第k個聚類簇；μ為平均值；Σ為方差；p是概率密度函數(shù)；N是樣本個數(shù)；π為混合權(quán)重，π的和為1。

當(dāng)對煉鐵過程的原始數(shù)據(jù)進(jìn)行高斯混合模型聚類預(yù)處理時，有必要用智能方法重建煉鐵過程。在各種深度學(xué)習(xí)方法中，遞歸神經(jīng)網(wǎng)絡(luò)（RNN）在學(xué)習(xí)時間序列數(shù)據(jù)的物理特征方面表現(xiàn)出色[18-19]。然而，傳統(tǒng)的門控遞歸單元神經(jīng)網(wǎng)絡(luò)（GRU-RNN）的結(jié)構(gòu)有些復(fù)雜，不能滿足煉鐵工藝行業(yè)的高實時性要求[20]。因此，為煉鐵過程提出一個新的遞歸神經(jīng)網(wǎng)絡(luò)，它將GRU-RNN的更新和重置門簡化為一個單一的處置門[21]。處置門控循環(huán)單元（dGRU）的數(shù)學(xué)定義如公式（3）所示，以及圖3 為內(nèi)部體系結(jié)構(gòu)的可視化圖。

式中，激活狀態(tài)ht是待激活狀態(tài)和已激活狀態(tài)ht?1之間的線性插值。U和W是輸入變量和激活閾值的權(quán)重。Wd和Ud分別是重置門激活函數(shù)的權(quán)重和閾值。dt在歷史記憶ht?1和候選信息xt之間做出了妥協(xié)。在dGRU 中進(jìn)出單元的信息僅由一個門進(jìn)行操作，從而提高了計算效率。dGRU 的反向傳播將誤差在時間和空間上進(jìn)行反轉(zhuǎn)，以更新其參數(shù)。因此，時間t?1時的反向傳播誤差如公式（4）所示：

圖3.dGRU的內(nèi)部結(jié)構(gòu)。

式中，E為輸出估計值；net 為dGRU 網(wǎng)絡(luò)；δ為輸出誤差；l代表步長；d為重置門；代表候選狀態(tài)。內(nèi)部誤差δd,t和δh,t可以轉(zhuǎn)換為公式（5）中的表達(dá)式。

因此，用于更新dt和ht中的權(quán)值和閾值的梯度的原型如公式（6）所示。有了這種學(xué)習(xí)模式，dGRU 能夠在迭代過程中優(yōu)化其內(nèi)部結(jié)構(gòu)。

式中，ΔWd和ΔW是dt和候選激活狀態(tài)中輸入變量的權(quán)重；ΔUd和ΔU是dt和候選激活狀態(tài)中激活閾值的權(quán)重。

在進(jìn)化算法中，GA是解決組合優(yōu)化問題的全局優(yōu)化方法[22]。GA 的主要組成部分是編碼/解碼類型、適應(yīng)性函數(shù)、遺傳算子和控制參數(shù)。更具體地說，GA可以執(zhí)行以下任務(wù)：

?編碼優(yōu)化問題的解決方案；

?創(chuàng)建在第t代中包含N(t)編碼解決方案的總?cè)海?/p>

?建立能評估解決方案最優(yōu)解的適應(yīng)性函數(shù)；

?利用遺產(chǎn)算子創(chuàng)建新的后代種群；

?設(shè)置控制參數(shù)。

近年來，對GA的研究大多集中在概率分布、遺傳算子和染色體編碼上[23-24]。盡管種群規(guī)模在很大程度上影響了計算效率，卻很少受到關(guān)注。一般來說，種群規(guī)模與求解精度成正比，與計算效率成反比。為了解決這個問題，Koumousis 和Katsaras [25]提出了一種鋸齒狀的GA，它能周期性地增加和減少種群規(guī)模。為了同時保持準(zhǔn)確性和效率，我們設(shè)計了一種自適應(yīng)種群遺傳算法（SAP‐GA），該算法的種群規(guī)模能隨著適應(yīng)性函數(shù)解的變化而變化[26]。每一代種群的理想適應(yīng)性分布都應(yīng)該是正態(tài)分布，但由于遺傳算子的隨機性，這往往難以實現(xiàn)。實際分布到正態(tài)分布的偏差程度被定義為偏度（Sk），如公式（7）所示。

式中，fe為中位數(shù)；fˉ為平均值；σ為標(biāo)準(zhǔn)差。偏態(tài)分布與種群規(guī)模之間的關(guān)系如圖（4）所示，可用公式（8）解釋。

圖4.適應(yīng)性偏度與種群規(guī)模的對應(yīng)關(guān)系。N(t)+和N(t)?代表在進(jìn)化過程中種群的增減過程。

式中，Sk是適應(yīng)性偏度；N是種群規(guī)模；k是種群規(guī)模轉(zhuǎn)換區(qū)間的整數(shù)。至于SAPGA，Sk的上升趨勢代表了較優(yōu)解決方案的增加，導(dǎo)致需要增加新的候選方案以增加基因多樣性。Sk的下降趨勢表明存在大量較差的解決方案，為了保持SAPGA良好的搜索性能，需要將其排除。綜上所述，當(dāng)適應(yīng)性分布的偏度從負(fù)轉(zhuǎn)向正時，表明較優(yōu)解決方案的比例在增加，或者較差個體在減少，候選方案的適應(yīng)性需要調(diào)整回正態(tài)分布。

為了比較SAPGA 和標(biāo)準(zhǔn)遺傳算法（SGA）的性能，我們根據(jù)模式理論對表1中符號的解的適應(yīng)度進(jìn)行了理論分析。

表1 文中的符號列表

在進(jìn)化過程的后期，平均適應(yīng)度的增加導(dǎo)致種群規(guī)模的減少。T是SAPGA的種群變得小于SGA的種群的世代。因此，我們做出如下定義的引理。

Lemma:N(t)SAPGA=N(t)SGA-k,其中t>T。

由于變異和交叉的影響，候選i在模式h下產(chǎn)生的后代的預(yù)期數(shù)量如公式（9）所示，符號的定義如表1所示。

在第t代，模式h下n時刻的適應(yīng)度可以表示為公式（10）。

第t+1代模式h的預(yù)期平均適應(yīng)度由兩部分組成：一種是從種群繼承的原始解，沒有遭到破壞；另一種是重組操作產(chǎn)生的新解。

第t+ 1 代模式h下解的平均適應(yīng)度由公式（11）表示。

式中，q為符合模式定理的候選染色體；α=作為比較，公式（12）中給出了SGA中模式h下解的平均適應(yīng)度的相應(yīng)原型[27]。

式中，β=(1-pc)(1-pm)n。

很明顯，從公式（11）和（12）中可得，在模式h下，SAPGA比SGA具有更高的平均適應(yīng)度。因此，自適應(yīng)種群模式促使SAPGA具有更準(zhǔn)確的解決方案和更快的收斂速度。

3.實驗和結(jié)果

本節(jié)數(shù)據(jù)最初采集于一座工作空間為2650 m3的高爐。在上線前，需要驗證算法，我們通過從Oracle數(shù)據(jù)庫中采樣，從本地服務(wù)器中獲取數(shù)據(jù)集。由于數(shù)據(jù)質(zhì)量是確定數(shù)據(jù)源的重要問題之一，因此使用高斯混合模型將數(shù)據(jù)集分成不同的類別，剔除不滿足高數(shù)據(jù)質(zhì)量要求的數(shù)據(jù)集。如公式（14）所示，Calinski-Harabasz 指數(shù)[28]作為一種聚類評估函數(shù)，通常被用來確定聚類中心的最佳數(shù)量。較高的Calinski-Harabasz 指數(shù)代表更好的聚類性能，原因在于聚類內(nèi)部的協(xié)方差較小而聚類之間的協(xié)方差較大。因此，很容易確定圖5 中的最佳簇數(shù)為4。此外，煉鐵過程中存在三種工作模式：上升、下降和平穩(wěn)運行趨勢。

因此，實驗剔除了性能最差的簇以調(diào)整鐵的生產(chǎn)條件。

式中，k是樣本數(shù)；m是簇數(shù)；Bm是不同簇間的協(xié)方差矩陣；Wm是簇內(nèi)的協(xié)方差；tr是矩陣的軌跡。

圖5.高斯混合模型的簇個數(shù)與評價指標(biāo)之間的關(guān)系。

將從云數(shù)據(jù)庫中抽取的樣本分為4組。將硅含量和頂壓作為圖6中簇的橫縱坐標(biāo)軸。黃色團(tuán)簇在高頂壓中分布較廣，為高爐運行異常。為使?fàn)t頂氣壓力回收渦輪機高效工作，高爐爐頂壓力必須保持穩(wěn)定并在較小的范圍內(nèi)波動。因此，剔除數(shù)據(jù)集中在高頂壓中分布廣泛的集群，以提高數(shù)據(jù)質(zhì)量。

剔除不滿足條件的簇之后，dGRU由剩余的2000個樣本進(jìn)行驗證，其中20%劃分為測試數(shù)據(jù)集。深度神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)是滲透率指數(shù)、CO2、CO、煙氣指數(shù)、理論燃燒溫度、東北頂部溫度、西南頂部溫度、西北頂部溫度和東南頂部溫度。圖7中的數(shù)據(jù)表明，dGRU-RNN在跟隨輸出參數(shù)（包括硅含量、焦炭比和鐵產(chǎn)率）的變化趨勢方面具有出色的性能。實際數(shù)據(jù)和預(yù)測數(shù)據(jù)的對比表明，dGRU單元具有較高的精度和較快的收斂性。如表2中所示，硅含量的均方根誤差（RMSE）為0.025，意味著dGRU-RNN具有學(xué)習(xí)煉鐵過程物理動力學(xué)的非凡能力。

表2 預(yù)測數(shù)據(jù)與實際數(shù)據(jù)的比較

圖6.存在簇時四分量高斯混合模型的表示。

圖7.dGRU-RNN對多個煉鐵生產(chǎn)指標(biāo)的預(yù)測結(jié)果。

焦炭比的波動比硅含量和鐵產(chǎn)率似乎更平穩(wěn)。為了更直觀地理解模擬結(jié)果，預(yù)測的焦炭比及其相應(yīng)的誤差如圖8所示?？梢钥闯?，dGRU-RNN大部分時間都可以跟蹤焦炭比的變化趨勢，誤差很小。然而，在高焦炭比下的幾個主要錯誤表明，深度神經(jīng)網(wǎng)絡(luò)模型在遇到突然變化時可能會出現(xiàn)低精度。因此，dGRU在處理穩(wěn)定的工業(yè)過程（如高爐煉鐵）方面具有巨大潛力。

圖8.極軸上的焦炭比誤差條形圖。寬度代表預(yù)測的焦炭比，半徑是它們對應(yīng)的誤差。

SGA 存在許多變體，包括自適應(yīng)遺傳算法（AGA）和具有模擬退火突變概率的遺傳算法（SAMGA）[29-30]。實驗進(jìn)行了以單對象優(yōu)化為特征的4 個數(shù)值測試函數(shù)（圖9），以比較SAPGA和SGA以及其他GA變體的性能。從圖9 中可以發(fā)現(xiàn)測試函數(shù)（a）在(0,0)處具有最小值，測試函數(shù)（b）在(3, 0.5)處具有最小值，測試函數(shù)（c）在(π,π)處具有最小值，測試函數(shù)（d）分別在(3,2)、(?2.805,3.131)、(?3.779,?3.283)和(3.584,?1.848)處具有4個最小值。

4種GA變體對測試函數(shù)（d）的優(yōu)化過程如圖10所示，其中SAPGA 在搜索精度和收斂速度方面表現(xiàn)最為突出。SAPGA 可以在5 次迭代內(nèi)收斂到最優(yōu)，次數(shù)遠(yuǎn)少于其他GA。在某些情況下，SGA以及其他GA可能會陷入局部極限。然而，由于SAPGA自適應(yīng)方案，其在測試過程中很少出現(xiàn)陷入局部最優(yōu)的情況。適應(yīng)度偏度和種群規(guī)模的組合導(dǎo)致了一個典型的現(xiàn)象，即在進(jìn)化過程中解的數(shù)量會先增加然后減少，這有助于避免出現(xiàn)局部極值并提高計算效率。

為了獲得更直觀的優(yōu)化效果可視化，圖11 中通過將3D圖形轉(zhuǎn)換為2D平面，展示了測試函數(shù)（d）的優(yōu)化解。結(jié)果表明，SGA 在最后階段的最優(yōu)點附近具有最廣泛的種群分布。但是，SAPGA 具有高度集中的解，可以找到全部的4 個最佳點，表現(xiàn)出比其他GA 變體更好的性能。因此，在優(yōu)化單目標(biāo)優(yōu)化問題方面，SAPGA 比其他3 個典型的GA變體更加強大。

經(jīng)SAPGA 驗證后，與dGRU 合并以優(yōu)化實際煉鐵過程。對于高爐而言，由于生產(chǎn)條件不同，出入料順序可能會有很大差異。鐵質(zhì)硅含量和能耗焦炭比由現(xiàn)場工程師的操作水平?jīng)Q定，而鐵產(chǎn)率可以根據(jù)當(dāng)前和未來的市場情況動態(tài)變化。材料供應(yīng)商、鋼鐵生產(chǎn)商和鋼鐵客戶之間總是存在目標(biāo)沖突。因此，煉鐵廠依靠多目標(biāo)優(yōu)化算法來平衡這些相互矛盾的目標(biāo)至關(guān)重要。在將模型上傳到云上工廠系統(tǒng)之前，我們必須通過三個必要的步驟來驗證多目標(biāo)優(yōu)化算法。首先，應(yīng)用基于常規(guī)GRU-RNN 和SGA 的混合框架來優(yōu)化高爐工藝指標(biāo)。然后，改進(jìn)算法取代傳統(tǒng)算法，在時間和空間尺度上優(yōu)化煉鐵工藝。最后，將經(jīng)過驗證的dGRU-SAPGA 部署到獨立模式下的分布式計算系統(tǒng)Spark中。

圖9.GA變體的測試函數(shù)的3D圖。f是GA在每次進(jìn)化中的適應(yīng)度。

圖10.GA在測試函數(shù)上的適應(yīng)度迭代。

圖11.測試函數(shù)（d）的GA解分布在第20代終止。

考慮到GA的隨機性，每個測試重復(fù)100次。如圖12所示，Spark 系統(tǒng)在計算效率方面有著巨大的優(yōu)勢。dGRU-SAPGA在分布式系統(tǒng)的平均運行時間為0.04 s，遠(yuǎn)小于本地服務(wù)器的0.10 s。在本地測試期間，修改后的混合框架dGRU-SAPGA 的運行速度略快于GRU-SGA。但是，dGRU-SAPGA的異常值多于GRU-SGA，這意味著后一種算法比前一種算法更穩(wěn)定。

圖12.不同方法的多目標(biāo)優(yōu)化計算效率。

我們已經(jīng)將經(jīng)過驗證的混合框架dGRU-SAPGA 部署到云上工廠超過2 個月。如圖13 所示，鐵產(chǎn)率提高了1.29%，焦炭比降低了3.60%，硅含量平均降低了10.61%。

4.結(jié)論

一個高度集成的大型煉鐵工藝制造工廠需要及時的響應(yīng)和彈性的計算系統(tǒng)來應(yīng)對各種工作狀況。常規(guī)方法在煉鐵過程中受到限制。因此，本文提出了一種基于混合模型的分布式計算方法來優(yōu)化高爐煉鐵過程中的沖突目標(biāo)。在本地模式下，dGRU-SAPGA 在建模和優(yōu)化煉鐵過程方面表現(xiàn)出競爭優(yōu)勢?；谌津炞C，我們將Spark分配系統(tǒng)中的混合優(yōu)化框架應(yīng)用于廣西柳州鋼鐵集團(tuán)有限公司2號高爐。框架應(yīng)用兩個月后，高爐多項生產(chǎn)指標(biāo)明顯提高。但是，需要注意的是，對于煉鐵過程來說，僅靠多目標(biāo)優(yōu)化服務(wù)是不夠的。基于分布式計算的云上工廠還需要許多其他服務(wù)，包括智能檢測、數(shù)據(jù)融合、故障診斷和高級控制。

圖13.多目標(biāo)優(yōu)化服務(wù)在高爐云上工廠中的效果。

致謝

感謝國家自然科學(xué)基金（61933015）的支持。感謝廣西柳州鋼鐵集團(tuán)有限公司。感謝實驗室同事的辛苦付出。

Compliance with ethics guidelines

Heng Zhou, Chunjie Yang, and Youxian Sun declare that they have no conflict of interest or financial conflicts to disclose.