工業生產中的知識自動化決策系統

陳曉方　吳仁超　桂衛華

摘要：認為知識自動化是未來經濟發展的顛覆性技術，為解決工業生產決策問題提供了新途徑。以一類鋁電解生產企業的兩級智能決策系統為例，對知識自動化決策系統的實現進行了說明，并對其體系結構、知識庫構建、決策算法和分級決策系統的設計進行了簡要說明。知識自動化決策有望為中國工業企業實現兩化深度融合提供新的重要契機，可能產生深遠的技術影響。

關鍵詞： 知識型工作自動化；決策支持系統；知識庫；系統設計

Abstract： Knowledge automation is a disruptive technology in the future and can be a new solution for industrial production decisions problem. An example of a two-level intelligent decision system for aluminum reduction plants is introduced briefly with its structure design， knowledge base construction， decision algorithms and two-level decision system. Knowledge automation decision-making may provide new favorite opportunity for deep integration of informationization and industrialization and produce profound influence.

Key words： knowledge work automation； decision-making support system； knowledge base； system design

1 知識自動化的提出

古典經濟理論認為勞動力、土地和資本是經濟發展的關鍵動因，而現代經濟理論則更加看重人類知識的積累對于經濟增長的促進作用。知識自動化的提出很大程度上源于知識型工作自動化的啟示。2009—2010年，美國的帕羅奧多研究中心討論了關于“知識型工作的未來”，并指出2020年知識型工作自動化將成為工業自動化革命后的又一次革命。美國麥肯錫全球研究院指出，知識型工作自動化是指用計算機來自動執行之前只有人可以完成的知識型工作，該機構于2013年在《顛覆性技術：先進技術將改變生活、商業和全球經濟》報告中列舉了十二大改變經濟和未來的顛覆性技術，其中知識型工作自動化位列第2。2015年11月，麥肯錫全球研究院非正式發布了知識自動化技術對于職業、公司機構和未來工作的潛在影響的研究結果，圖1所示是收入高低與可自動化度的關聯圖，麥肯錫對將近800人的2 000技能工作進行了“可自動化性”評定，發現將近45%的工作能夠通過使用當前已有的科學技術被自動化，超過20%的CEO工作也是可以實現知識自動化的。通過對知識自動化在一些產業中轉變業務流程的潛力進行分析，發現收益通常是成本的3～10倍。

2016年1月，谷歌AlphaGo[1]在圍棋上取得的勝利被認為是人工智能發展的新里程碑。圍棋博弈這類復雜分析、精確判斷和創新決策的知識型工作在過去被認為只有圍棋手這樣的知識型工作者才能完成。AlphaGo的成功引起的巨大社會影響，事實上具有三重含義：知識自動化在技術愿景上的可能性；人們對于知識自動化的潛在渴望；知識自動本身具有顛覆性的科學和經濟意義。

在現代工業企業生產過程中，通過生產分工和自動化技術，體力型工作基本上已經被自動化系統和機器替代，但目前復雜工業生產過程中涉及分析、判斷、決策的工作大部分還是要依靠人來完成。將來，得益于計算技術、機器學習、自然的用戶接口和自動化技術的蓬勃發展，越來越多的知識型工作也可以通過自動化技術由機器來完成，從而為知識型工作自動化提供了可能。

從自動化發展的歷程來看，工業自動化經歷了機械自動化、電氣/儀表自動化、信息化幾個時代，知識在工業生產中的地位日益凸顯。知識自動化是工業自動化發展的新階段，是知識經濟時代特征和智能化趨勢在工業自動化領域的映射，是復雜生產過程中工業化信息化深度融合的必然結果，有望為各行業帶來革命性變化。

2 工業生產決策中的知識

自動化

中國已經是一個工業大國，但工業發展目前在資源、能源、環境方面受到嚴重制約，面臨著巨大的生產轉型升級壓力。如何依托智能化、信息化手段從將中國從工業大國發展成為智造強國是我們面臨的重大戰略課題。

2.1 知識型工作的地位

知識型工作在工業生產中起核心作用，現代大型工業生產中的決定性工作，例如：決策、計劃、調度、管理和操作等都是知識型工作[2]。處理這些工作時，知識型工作者需要統籌關聯與工作對應的多領域、多層次知識，在各自的工作崗位上利用自己掌握的專業知識完成決策等知識型工作。例如，在運行優化層，許多工業、企業操作參數的選擇設定以及流程的優化控制都依賴工程師完成控制指令決策等知識型工作。在計劃調度層，調度員需要統籌考慮人、機、物、能源等各種生產要素知識及其時間空間分布等相關知識，通過調度流程管理系統協調各層級部門之間的生產計劃，完成能源資源配置、生產進度、倉儲物流、工作排班、設備管理等知識型工作。在管理決策層，高級管理者的經營管理決策過程流程涉及企業內部的生產狀況、外部市場環境以及相關法規政策標準等，而董事會通過相關流程審批這一系列經營管理決策。

2.2 知識與決策系統

目前，隨著計算技術、機器學習、自然用戶接口和自動化技術的蓬勃發展，越來越多知識可以封裝到決策系統中，從而逐步形成一類蘊含知識的決策系統。許多國際知名的自動化系統供應商研發了蘊含有知識的模型、軟件和系統，有些已得到應用驗證。但是由于國際已有的知識決策系統的核心技術和算法的保密，以及難以完全適用解決中國特殊的工業生產問題，因此亟需提出針對中國現代工業生產所特有問題的知識決策系統。美國Honeywell公司在2002年推出了世界第一套的過程知識系統E-PKS，該系統是一個基于知識驅動應用的、規?？勺兊?、業務與制造智能平臺。2011年Honeywell公司陸續為流程工業推出了多種基于知識驅動應用的工業自動化應用軟件系統和服務，包括生產管理數據平臺Uniformance、生產執行系統Business、FLEX，以及先進控制與優化系統Profit、SuiteTM等，涉及化工、天然氣、生命科學等諸多領域。美國Aspentech公司推出的AspenDMC軟件運用框架式知識建立了流程知識模型，主要用于化工過程。德國西門子公司開發的SIMETALCIS VAIQ 計算機輔助質量控制系統包括生產系統、知識庫系統、知識發現系統，利用靈活的知識庫組件為冶金專家及工藝流程工程師提供有關生產和產品質量預測專門知識，通過詳細的過程和檢驗數據，促進冶金過程控制[3]的發展。法國ArcelormittalGent公司使用了統計過程控制（SPC）技術，該技術的核心特點是發現潛在數據知識。在長期的運行過程中，SPC技術通過定義與異常情況相關過程變量，將異常情況與過程變量聯系起來，可以快速診斷異常情況的根本原因，同時也可以促進系統內部的知識生成，從而提高生產力。美國Gensym公司開發了實時專家系統平臺G2。作為智能故障診斷系統，G2系統封裝了專家知識組件對象，運用的知識關聯的推理引擎能夠實時響應大量的外部數據和事件，目前已廣泛應用于石油化工、電力、航天、軍事等領域。這類蘊含知識的決策系統已經產生了一定影響，但還缺乏系統的知識自動化決策方法與技術體系。

決策是管理者在一定的條件下，運用科學的方法對解決問題的方案進行研究和選擇的全過程。決策支持系統的概念最初是由Scott等在1971年整合了管理行為的分類和決策類型的描述而提出的。決策支持系統在發展過程中可以分為兩條路線：第一條是從Sprague提出的2庫結構開始，逐漸發展到5個部件的4庫結構組成，包括人機接口（對話系統）、數據庫、模型庫、知識庫和方法庫；另一條由Bonczek等人提出的3系統結構，包括語言系統、問題處理系統、知識系統。傳統的決策支持系統（DSS）采用各種定量模型，對半結構化和非結構化決策問題提供支持，而群決策支持系統、分布式決策支持系統、智能決策支持系統已經成為熱門的研究方向。3I 決策支持系統（3IDSS），即智能型、交互式、集成化決策支持系統，也吸引了學者的關注。在近些年的發展中，DSS不斷與各種新技術融合，比如數據倉庫、聯機分析處理、機器學習、數據挖掘、云計算、大數據等，促進決策支持系統在不同方向上的深入研究[4-7]。不過決策系統在工業生產中的應用大多還只是針對工業、企業某些局部生產過程或者單一層級的決策問題來提供解決方案。

2.3 知識自動化決策

由于現代工業生產需要面對快速變化的市場需求、資源供應、環保排放等諸多因素的綜合挑戰，從而造成了工況變化更加復雜，再加上現代工業具有生產規模增加和產能集中的顯著趨勢，使得現代工業生產對知識型工作的要求也越來越嚴苛。目前云平臺、移動計算、物聯網、大數據的新技術的出現使得工業環境中數據種類和規模迅速增加，以往工業生產中的知識型工作者根據少量關鍵指標依賴經驗進行決策分析，現在面對新環境下海量的信息以個人有限的知識已經感到力不從心。過去人工的知識決策方式嚴重依賴個別高水平知識型工作者，而個別高水平知識型工作者的決策制訂具有主觀性和不一致性。在決策反應靈敏性和知識積累成本上人工決策也存在缺陷。因此工業生產過程中的知識型工作正面臨新的挑戰，只依賴知識型工作者是無法實現工業跨越式發展的。未來必須逐步擺脫對知識型工作者的傳統依賴，探索知識自動化以及知識自動化決策系統的解決之道。

知識自動化決策的實現當然離不開在人工智能領域已有的知識獲取、表示、關聯推理等大量研究積累。許多研究者在知識獲取方面提出了一系列方法，例如粗糙集[8]、決策樹[9-10]、神經網絡[11-12]、群智能算法[13-14]等。在知識表示方面，謂詞邏輯[15-16]、產生式規則[17]、語義網絡[18-19]等方法是主要的研究熱點。知識關聯推理方法主要有關聯規則[20-21]、案例推理[22-23]、語義推理、非精確推理等。這些方法對實現知識自動化決策有重要參考價值，但目前還缺少面向工業決策問題的從數據、知識到自動化決策的整體設計和技術方案。

3 知識自動化決策系統

3.1 問題分析

在設計構建面向工業生產的知識自動化決策系統時，應當基于知識自動化方法解決3個問題：局部點的知識自動化決策問題；基于知識的決策業務流程優化問題；知識自動化決策環境和支撐技術問題。解決這3個問題，就能夠保證利用知識高效完成局部決策的同時，盡可能地改善整體決策機制，可以使得工業生產的決策流程達到全局優化。知識自動化決策系統需要發現和解決生產、管理、調度流程中的關鍵決策點的決策問題，并從每個特定的決策流程以及其中涉及的知識型工作者出發，基于知識優化決策流程。各級決策調用的知識服務體系包括工業大數據支撐環境和知識表示、知識獲取、知識關聯/重組/推理等一系列知識自動化算法模型。

3.2 一類鋁電解生產知識自動化決策

系統的設計

以一類鋁電解生產企業的集團和分廠兩級智能決策系統設計為例，對知識自動化決策系統的實現進行說明，其體系結構示意如圖2所示。該系統的硬件體系主要包括工業生產過程智能感知的工業物聯網、企業級大數據中心、按需服務的集團級大數據云服務中心等，從而實現集團級/企業級生產計劃業務的無縫集成和協同工作。系統中信息類型主要有物流信息、原始數據流、決策信息流和知識信息，其中蘊含了從原始數據集成為大數據，從大數據中獲取知識，從知識實現決策的一系列關鍵環節。這些關鍵環節實現都離不開基于知識自動化決策支持環境。

鋁電解生產兩級智能決策系統設計采用“挖掘提取、歸一協同、模型計算、分級決策”的思想實現生產知識自動化決策，其內容主要包括以下幾個方面。

（1）體系架構和環境設計。在工業大數據和云網絡平臺的支持下，基于資源管理實現內容動態封裝，建立具有多維度和多粒度結構的決策知識庫，并根據認知推理和動態演化機制實現推理計算，據此形成集團級生產規劃決策能力和企業級生產計劃決策能力，使之成為具備知識自動化和集成化能力的全覆蓋式智能決策服務系統。為了使鋁電解集團/企業具有全新的感知、分析和優化決策能力，依托工業物聯網、企業級大數據中心、集團級大數據云服務中心等，在工業大數據環境下實現人與生產過程的高效協同，形成面向服務、透明和集成、按需使用的云制造決策支持平臺。

（2）基于知識獲取的知識庫構建。按照鋁電解的生產決策實際需要，在知識庫中將包含結構化和非結構化特征的知識有效組織起來，實現知識的壓縮和精煉化。通過研究多源/異構數據解碼與轉換、知識結構化、基于學習的數據性知識提取、經驗性領域知識提取方法等獲取知識的一致性表達。通過研究知識相似性度量、知識源可靠性和知識成熟度分析進行知識評價，并且標注其對于各種決策問題的知識關聯度，建立知識關系智能化標注。

（3）知識決策模型與算法的設計。通過基于學習的知識關系特征提取和基于領域知識的特征提取等方法，對模型中知識結構進行演化、校正，以適應知識關系的動態變化。對鋁電解生產分級決策系統來說，知識推理的結果需要針對不同推理計算對象進行識別和知識匹配。因此，知識推理核心就是構建以推理問題為導向的分層求解器。算法庫中還包含知識庫的實時更新算法和演化方法。

（4）依托知識推理機制和決策支持環境實現兩級決策系統。這需要從集團級和企業級兩個層面進行考慮。在集團級，實現基于知識自動化的集團級管理決策、經營決策、計劃決策、技術決策和生產決策，確定生產計劃；在企業級，需要根據下達的生產計劃實現基于知識的全流程智能決策，以生產計劃完成情況和生產指標為決策評價函數，優化配置人員與設備，優化調整生產系列總體技術方案，優化能源和原材料供應，實現快捷、高效與綠色生產。

4 結束語

隨著智能感知、云計算、大數據、工業互聯網等新興技術的快速發展，工業生產管理數據爆炸式增長，數據量已超出了人工決策和傳統決策支持系統處理的能力范圍，對現有決策方式在時效性、準確性、前瞻性、共享性等方面提出了新的挑戰。知識自動化是具有顛覆性的新技術，知識自動化決策有望為中國工業、企業實現轉型升級和兩化深度融合提供新的重要技術途徑，并可能產生深遠的技術影響。相關系統的研發對于形成適應中國工業生產實際的智能工廠建設方案具有重要價值。知識自動化決策是多學科交叉的研究課題，涉及工業過程控制、計算機應用、大數據與云計算、人工智能、決策支持系統等多個熱點領域知識，對多學科研究領域的拓寬、延伸和交匯將起到重要推動作用。

參考文獻

[1] SILVER D， HUANG A， MADDISON C J， et al. Mastering the Game of Go with Deep Neural Networks and Tree Search [J]. Nature， 2016， 529（7587）： 484-489

[2] 錢鋒. 以流程工業智能化助推“智造強國”. 聯合時報[N/OL]. http：//shszx. eastday. com/node2/node4810/node4851/node4852/u1ai95566. html

[3] AMARAL R R. A New SPC Tool in the Steelshop at ArcelorMittal Gent Designed to increase productivity [D]. Belguim： Ghent University， 2012

[4] WEN W， CHEN Y H， CHEN I C. A Knowledge-Based Decision Support System for Measuring Enterprise Performance [J]. Knowledge-Based Systems， 2008（21）： 148-163

[5] MUNOZ E， CAPON-GARCIA E， LAINEZ-AGUIRRE J M， et al. Using Mathematical Knowledge Management to Support Integrated Decision-Making in the Enterprise [J]. Computers and Chemical Engineering， 2014（66）： 139-150. DOI： 10.1016/j.compchemeng.2014.02.026

[6] ALALWAN J A， THOMAS M A， WEISTROFFER H R. Decision Support Capabilities of Enterprise Content Management Systems： An Empirical Investigation [J]. Decision Support Systems， 2014（68）： 39-48. DOI： 10.1016/j.dss.2014.09.002

[7] CHIOU S W. A Bi-Level Decision Support System for Uncertain Network Design with Equilibrium Flow [J]. Decision Support Systems， 2015（69）：50-58.DOI： 10.1016/j.dss.2014.12.004

[8] SHI F Q， SUN S Q， XU J. Employing Rough Sets and Association Rule Mining in KANSEI Knowledge Extraction [J]. Information Sciences， 2012（196）： 118-128. DOI： 10.1016/j.ins.2012.02.006

[9] BARROS R C， JASKOWIAK P A， CERRI R. et al. A Framework for Bottom-Up Induction of Oblique Decision Trees [J]. Neurocomputing， 2014（135）： 3-12. DOI： 10.1016/j.neucom.2013.01.067

[10] MANTAS C J， ABELLAN J. Credal-C4.5： Decision Tree Based on Imprecise Probabilities to Classify Moisy Data [J]. Expert Systems with Applications， 2014（41）： 4625-4637

[11] CHAN K Y， JIAN L. Identification of Significant Factors for Air Pollution Levels Using a Neural Network Based Knowledge Discovery System [J]. Neurocomputing， 2013（99）： 564-569. DOI： 10.1016/j.neucom.2012.06.003

[12] GUEERERO J I， LEON C， MONEDERO I， et al. Improving Knowledge-Based Systems with Statistical Techniques， Text Nining， and Neural Networks for Non-Technical Loss Detection [J]. Knowledge-Based Systems， 2014（71）： 376-388.DOI： 10.1016/j.knosys.2014.08.014

[13] GHANBARI A.， KAZEMI S M R， MEHMANPAZIR F， et al. A Cooperative Ant Colony Optimization-Genetic Algorithm Approach for Construction of Energy Demand Forecasting Knowledge-Based Expert Systems [J]. Knowledge-Based Systems， 2013（39）： 194-206. DOI： 10.1016/j.knosys.2012.10.017

[14] CHEN C H， KHOO L P， CHONG Y T， et al. Knowledge Discovery Using Genetic Algorithm for Maritime Situational Awareness [J]. Expert Systems with Applications， 2014（41）： 2742-2753.DOI： 10.1016/j.eswa.2013.09.042

[15] IKRAM A， QAMAR U. Developing an Expert System Based on Association Rules and Predicate Logic for Earthquake Prediction[J]. Knowledge-Based Systems， 2015（75）： 87-103. DOI： 10.1016/j.eswa.2013.09.042

[16] ZHANG J F， ZHAO X J， ZHANG S L， et al. Interrelation Analysis of Celestial Spectra Data Using Constrained Frequent Pattern Trees [J]. Knowledge-Based Systems， 2013（41）： 77-88.DOI： 10.1016/j.knosys.2012.12.013

[17] PRAT N， WATTIAU I C， AKOKA J. Combining Objects with Rules to Represent Aggregation Knowledge in Data Warehouse and OLAP Systems [J].Data&Knowledge Engineering， 2011（70）： 732-752

[18] LI J， QIN Q M， XIE C， et al. Integrated Use of Spatial and Semantic Relationships for Extracting Road Networks from Floating Car Data[J]. International Journal of Applied Earth Observation and Geoinformation， 2012（19）： 238-247

[19] IJINOH O， TAEHOON K， SUN P， et al. Efficient Semantic Network Construction with Application to PubMed Searc h[J]. Knowledge-Based Systems， 2013（39）： 185-193. DOI： 10.1016/j.knosys.2012.10.019

[20] HAN M， CAO Z J. An Improved Case-Based Reasoning Method and Its Application in Endpoint Prediction of Basic Oxygen Furnace [J]. Neurocomputing， 2015（149）：1245-1252. DOI： 10.1016/j.neucom.2014.09.003

[21] YAN A J， QIAN L M， ZHANG C X. Memory and Forgetting： An Improved Dynamic Maintenance Method for Case-Based Reasoning[J]. Information Sciences 2014（287）： 50-60. DOI： 10.1016/j.ins.2014.07.040

[22] MARLING C， MONTANI S， BICHINDARITZ I， et al. Synergistic Case-Based Reasoning in Medical Domains [J]. Expert Systems with Applications， 2014（41）： 249-259. DOI： 10.1016/j.eswa.2013.05.063

[23] YAN A J， SHAO H S， GUO Z. Weight Optimization for Case-Based Reasoning Using Membrane Computing [J]. Information Sciences， 2014（287）： 109-120. DOI： 10.1016/j.ins.2014.07.043