基于大数据与知识融合的钢铁制造/能源协同建模与优化

Steel industry is the pillar industry for the national economy, the social development and the state security. Due to its complex production process, high manufacturing cost and heavy pollution, the energy related scheduling, decision making and optimization in such a production process is still the key point for the national strategy and the enterprise benefits. How to use the industrial data combined with the knowledge works of scheduling and study the principle of the collaborative manufacturing process and energy system will is a challenging task in the fields of automatic control and practice. Based on such a background, this project considers the circumstances of manufacturing process and energy system, studies the production decision-making theory and design method based on industrial big data and knowledge fusion, and implement the application validation in a typical steel plant. The main research contents include: 1) the feature extraction and the relation recognition of manufacturing and energy based on data knowledge and manual knowledge fusion; 2) the collaborative modeling and its optimization algorithm for manufacturing and energy collaboration; 3) data and knowledge fusion based decision-making system implementation and its application validation. This project will establish the collaborative decision-making method based on industrial data and knowledge fusion, obtain a series of innovative theoretical and remarkable application outcomes, and benefit for the production level of steel enterprise in our country.

钢铁工业是国民经济、社会发展及国防建设的支柱产业。鉴于其流程复杂、成本高、污染严重等问题并存，与能源相关的调度、决策与优化工作依然是国家战略与企业发展的重中之重。如何充分利用大数据并融合知识型工作，研究制造与能源协同的优化决策机理，则是控制界和工业界面临的具有创新性和挑战性的课题。本项目以此为背景，综合考虑制造过程与能源系统的情况，研究钢铁基于大数据与知识深度融合的生产调度系统理论与设计方法，并在典型企业进行应用验证。主要研究内容有：数据知识与人工知识的协同特征提取与关系识别；制造/能源协同建模及其优化算法；基于数据与知识融合的生产决策系统实现及应用验证。本项目将建立基于工业大数据与知识融合的制造/能源协同建模与优化新方法，取得一批具有原创性的理论成果和明显成效的应用成果，为提升我国钢铁工业的优化决策水平做出贡献。

本项目以我国宝武集团湛江钢铁公司为背景，综合考虑制造过程与能源系统的情况，研究钢铁基于大数据与知识深度融合的生产调度系统理论与设计方法，并在典型企业进行应用验证。项目分别针对以下三个方面开展了深入的研究工作：a. 重点工序多尺度协同知识的特征提取与识别；b. 制造/能源协同的工序建模与优化算法设计；c. 验证系统开发及实施。针对重点工序多尺度协同知识的特征提取与识别，考虑到复杂工业环境常使采集的数据含缺失点从而造成训练集输出的不完整的情况，本项目完成了为了避免对缺失输出求解极大值而可能产生的数据驱动模型的过拟合问题，提出了基于变分推理的半监督稀疏贝叶斯回归模型。在面向工序基于信息粒的能源/制造多尺度预测方面，重点针对转炉炼钢生产过程建立的煤气回收粒度计算模型，混合协同模糊聚类模型，以水平、竖直结构表达煤气柜位及影响因素间相互关系。通过对聚类中心的区间化，将预测值在纵向上由点延伸为区间并进行优化，其间借助模糊推理、解模糊化等手段，最终得到针对转炉煤气系统的多输出长期区间预测结果。本项目针对钢铁制造过程和能源产消过程协同优化的问题，研究了一种基于强化学习的转炉煤气预测调度新方法，具有一定科学意义。该方法创新性地将人工经验，动态规划及生产计划相结合，提出一种基于事件驱动的两阶段值函数估计方法。课题组主要研究人员前往宝钢、湛江、首钢等能源中心，不断修正实验室研究与生产现场具体情况之间的差别，从而保证了模型建立、算法设计及其仿真实验的应用可靠性。依托本项目共发表SCI论文11篇，其中在国际控制技术顶级期刊IEEE会刊和IFAC汇刊CEP上发表4篇，1篇获2016年中国过程控制会议张仲俊优秀论文奖，1篇获2018年国际自动控制联合会冶金过程自动化会议（IFAC MMM）最佳青年论文奖。已申报国家发明专利4项（已公告），获软件著作权3项。在Springer出版英文专著一部“Data-Driven Prediction for Industrial Processes and Their Applications”。相关研究成果“冶金行业能源系统预测与优化调度技术及应用”获2018年中国自动化学会科技进步一等奖（项目负责人为第一完成人）。