数据、知识相融合的协同驱动建模方法及其在高炉过程中的应用

There are many problems in complex industrial processes, physics and life phenomena that cannot be tackled by a pure knowledge-based white-box model or a pure data-based black-box model. A possible solution to these problems is to construct a model combining data and knowledge. For this reason, this project serves to develop cooperative-driven modeling methods that can integrate data and knowledge. The main research issues in this project include: developing methods to mine knowledge hidden in industrial data and to express domain knowledge in a suitable form for the purpose of integrating them into data-based black-box models; developing optimization models that can integrate data and knowledge together with efficient solving algorithms; developing rules extraction algorithms from the cooperative-driven models to increase the transparency further, and also finishing the applications to iron and steel industry with high yields. This project will provide key techniques for developing cooperative-driven modeling methods, and contribute to the development of knowledge automation of iron and steel industry, the interdisciplinary of metallurgy and mathematics and the improvement of control level of blast furnace process.

复杂工业过程、物理和生命现象中的许多问题，都不能单纯用基于知识（机理知识、经验知识）的白箱模型或基于数据的黑箱模型加以准确描述，需要将两者相结合进行研究。鉴于此，本课题拟从黑箱模型透明化的角度─黑箱输入端集成知识，研究数据和知识相融合的协同驱动建模方法及应用，主要研究内容包括：研究数据中所蕴含知识的挖掘方法和领域知识的数学表达方法，以使各类知识能方便融入黑箱数据模型；研究基于数据和知识相融合的优化建模方法，以使模型能综合反映目标系统的数据和知识特性，并开发高效、保真的模型求解算法；研究数据和知识协同驱动模型的规则提取算法，进一步增加模型的透明性，并完成其在钢铁工业中的应用示范，取得明显应用成效。课题研究将为复杂工业过程建模的瓶颈问题提供关键的数值模拟技术和方法支撑，对于推动我国钢铁工业的知识自动化、促进数学与冶金学科的交叉融合、提高高炉炼铁过程的控制水平具有十分重要的战略意义。

复杂工业过程、物理和生命现象中的许多问题，都不能单纯用基于知识（机理知识、经验 .知识）的白箱模型或基于数据的黑箱模型加以准确描述，需要将两者相结合进行研究。鉴于此，本课题拟从黑箱模型透明化的角度─黑箱输入端集成知识，研究数据和知识相融合的协同驱动建模方法及应用，主要研究内容包括：研究数据中所蕴含知识的挖掘方法和领域知识的数学表达方法，以使各类知识能方便融入黑箱数据模型；研究基于数据和知识相融合的优化建模方法，以使模型能综合反映目标系统的数据和知识特性，并开发高效、保真的模型求解算法；研究数据和知识协同驱动模型的规则提取算法，进一步增加模型的透明性，并完成其在钢铁工业中的应用示范，取得明显应用成效。课题研究将为复杂工业过程建模的瓶颈问题提供关键的数值模拟技术和方法支撑，对于推动我国钢铁工业的知识自动化、促进数学与冶金学科的交叉融合、提高高炉炼铁过程的控制水平具有十分重要的战略意义。经过四年的研究，项目组已完成本课题所设定的研究目标，包括提出兼具黑箱和白箱优点的部分透明的soft-margin SVM模型，研究基于Mallows’Cp的迁徙学习算法，并从理论上证明了在一定条件下，基于Mallows'Cp的迁徙学习算法在精度和稳定性上要优于常用的Mallows'Cp规则;系统的研究了若干类化学反应网络系统的稳定性和稳定化；给出一种状态、输入均受干扰的随机端口哈密尔顿系统模型，并设计随机无源控制器用于其稳定化。