流程工業的智能制造

楊舒涵

摘 要：“中國制造2025”是我國制造業升級的國家大戰略。其技術核心是智能制造，智能化程度相當于“德國工業4.0”水平?！爸袊圃?025”的重點領域既包含重大裝備的制造業，也包含新能源、新材料制造的流程工業。本文中建立復雜流程工業智能控制大數據模型實現[Si]的準確預測控制即冶煉過程優化與預測控制。我們進行了數據整理以初步探索各個量之間的關系，發現各變量之間沒有一個較好的函數關系，即不存在相關性較高的關系，所得函數預測性很差，該發現使我們進一步明確了建立數學模型的思路和方法：結合灰色預測和神經網絡兩種算法，探究各變量之間存在的關系，實現對流程的成功控制。

關鍵詞：大數據模型 初步探索 灰色預測 神經網絡 變量關系

中圖分類號：F40 文獻標識碼：A 文章編號：1672-3791（2018）02（b）-0100-02

流程工業中，鋼鐵冶金、石油化工等行業是代表性的國民經濟支柱性產業。其生產過程的系統優化與智能控制的目標函數包括節能，優質，低耗，綠色環保等多目標要求。為了實現這樣的優化目標，生產過程智能控制的關鍵技術就要從原來的反饋控制進一步升級為預測控制。即通過生產工藝大數據的信息物理系統（Cyber Physical System）建模，通過大數據挖掘，確定生產過程的最佳途徑與最佳參數控制范圍，預測性地動態調整生產過程控制，獲得最佳生產效果。

1 數據處理

根據背景和所查數據得出一些簡單結論并對模型進行部分構建。

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，進行的化學反應不同，每階段均為兩個小時。

對數據進行處理：給出各時刻出爐鐵水含硫量所對應的3個階段的鐵水含硅量（代表爐溫）和風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系；對鐵水含硅量與風量和噴煤量單獨列出，用于討論三者之間關系。

2 建立模型

2.1 選取樣本

由于神經網路的特殊性，需要足夠多的訓練集，我們將1000組數據均作為訓練集，訓練之后對這1000組再次進行預測檢驗。

2.2 初步探索

結合高爐煉鐵的基本原理歸納出如下兩個重要結論。

（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果有一定影響，因此我們也無法通過控制變量得出較為準確的函數關系，這啟發我們選用灰色預測和神經網絡兩種算法來解決本題。（2）時間順序對高爐煉鐵結果的影響較為復雜，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，應該存在復雜的相互影響，此種影響難以用簡單函數衡量。所以這也啟示我們使用灰色預測和神經網絡兩種算法來解決問題。

2.3 灰色預測

在系統科學的研究中，由于內外擾動的存在和認識水平的局限，人們得到的信息往往帶有某種不確定性。隨著科學技術水平的發展和人類社會的進步，人們對系統不確定性的認識逐步深化，不確定性系統的研究也日益深入?；疑到y理論便著重研究概率統計、模糊數學等所難以解決的“小樣本”“貧信息”不確定性問題，并依據信息覆蓋，通過從已知數據中生成、開發和提取有價值的信息，實現對事物運動規律的探索。另外，灰色系統理論對數據沒有什么特殊的要求和限制，應用領域十分寬廣?；疑A測是灰色系統理論中的一個重要組成部分[1]。

2.4 神經網絡

人工神經網絡由多個神經元按照某種方式相互連接形成，靠網絡狀態對外部輸人信息的動態響應來處理信息，網絡的信息分布式存儲于連接權系數中，使網絡具有很強的容錯性和魯棒性。神經網絡的核心是結構和算法，例如以結構見長的pField網和以算法見長的BP（Back Propagation）網。同模糊邏輯系統相比，模糊邏輯系統是從宏觀功能上“軟”模擬人腦的邏輯思維機制，而神經網絡是從微觀結構上“硬”模擬人腦的經驗思維機制；模糊邏輯系統的智能級別為推理級，而神經網絡的智能級別為感知級。在數據挖掘中，神經網絡主要用于獲取分類模式。但是由于神經網絡分類方法獲取的模式隱含在網絡結構中，而不是顯示地表達為規則，不容易被人們理解和解釋；另外要多次掃描訓練數據，網絡的訓練時間較長。因此與其他數據挖掘方法不同，神經網絡用于數據挖掘，要解決好兩個關鍵問題：一是降低訓練時間，二是挖掘結果的可理解性[2]。

3 結果展示

（1）數值預測的相對誤差大概為5%～10%。

（2）爐溫升降方向預測成功率=（1-0.0110）×100% =98.9%。

（3）爐溫升降方向預測成功率=（1-0.101）×100%=89.9%。

4 模型分析

4.1 模型優勢

（1）通過主成分分析的經驗型規律對于實際生產和深入研究都有一定的指導意義。（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，建立整體的動態預測模型。優點：考慮問題全面，較好地考慮了整體的變化規律，預測結果相對較為準確。分層分析：面向問題，走向實際，對具體問題進行優化，如何降低鐵水含硫量，得到高質量的鐵水，如何控制噴煤量和風量，爐溫會有怎樣的變化。優點：較為清晰的給出了各個量之間的關系，對實際問題有一定的指導意義。（3）模型具有可成長性，獲得更多種類的數據，還有更大數量的數據，對于完善我們的模型有很大意義。

4.2 模型劣勢

（1）灰色預測主要用于短期的預測問題，在樣本數據較少時較好的預測結果。但它僅適用于指數型函數，不適合逼近其他復雜的非線性函數。（2）神經網絡能預測無序、波動的時間序列，長期預測時，具有更好的預測優勢。但是在樣本數據較少時，預測結果不理想[3]。

5 結語

對更多的數據進行對比分析，我們在給出的1000組數據中通過篩選之后，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。我們發現在控制兩個階段之后所余數據往往不超過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，當數據量上升到10000或者更多時，我們將有充足的數據進行對比，可以分析各階段對鐵水含硫量（鐵水質量）等的影響，以及各階段相互影響的情況。

參考文獻

[1] 崔立志.灰色預測技術及其應用研究[D].南京航空航天大學，2010.

[2] 孫增沂，張再興，鄧志東.智能控制理論與技術[M].北京：清華大學出版社，2011：125-140.

[3] 吳宛榮.基于改進灰色神經網絡模型的頂板壓力預測研究[D].中國礦業大學，2014.