基于知識庫的制造業能耗優化平臺技術研究

楊偉偉，王思寧，鄭貴德，宋亞瓊

（1.南大通用數據技術股份有限公司，天津 200384 ；2.北京中電普華信息技術有限公司，北京 100192；3.中國電機工程學會，北京 100761）

0 引言

生產制造企業實現能耗優化，需要管理和技術方法結合，在管理上，需要優化生產布局和流程結構，淘汰落后工藝和產能，以節能設備替換過高耗能設備。本文研究主要以汽車制造為例，通過大數據分析技術方法輔助實現能耗優化。

本文從企業生產設備入手，利用企業已有數據資源，廣泛采集影響能耗的相關數據，構建能耗知識庫、利用人工智能算法并通過大數據分析平臺進行數據挖掘分析，形成能耗優化方案，輔助生產企業實現節能降耗。

1 能耗知識庫構建

1.1 能耗特點分析

以汽車制造廠車間能耗為例，不同設備、工藝、使用能源類型、設備運行環境和狀態等所反映的能耗規律均不同。

汽車行業典型的工藝包括沖壓、焊裝、涂裝及總裝四大工藝。汽車制造是高耗能企業，其中，涂裝車間占比很高，通常高達 50%以上；汽車制造的能源類型有多種，常見的有電、燃氣、壓縮氣、蒸汽（轉換能源）、水（轉換能源）等。以上這些特性以及產品類型、產量、設備工作模式狀態、氣候、班組技能、發生事件等都對能耗產生不同影響。

1.2 數據建模

典型的能耗管理決策依據包括：車間及重點設備多個維度的能耗趨勢、各種能源類型的能耗的權重比、各個車間的能耗構成及比重、關鍵設備的OEE（總體設備效率）、關鍵設備的有功效率（設備生產運行占設備開機時間），關鍵設備開啟停次數與產量及能耗關系、高能耗設備的開溫提前期與環境氣溫關系、關聯設備的關聯度及能耗、可替換設備的能耗關系、氣溫對加熱設備的敏感度、氣溫對制冷設備的敏感度、停機時間對設備能耗的影響度、異常能耗及趨勢、影響設備能耗的主要因素及權重、鍋爐等高能源消耗的與運行參數關系等。

設備是能耗的關鍵主體，本文圍繞車間設備實體構建能耗知識庫，數據模型示例如圖1所示。

圖1是車間能耗知識庫的數據模型樣例。實際上，由于工廠設備數量大、加工的工序多，形成的數據模型會更復雜。其反映的能耗信息如下。

圖1 汽車制造能耗知識庫數據模型示例

? 通過車間能耗的構成關系，可以按能源類型對能耗進行匯總及換算，從而獲得車間總能耗。

? 通過設備構成關系以及能耗類型關系，不僅可以實現能耗的個體分析，而也可以實現能耗的分類分析。

? 上下游能耗設備的能耗關系具有一定的比例關系，通過上下游的比例關系分析，可以及時發現能耗異常，同時能耗上下游比例關系也是能耗平衡優化的重要依據；

? 設備與產品生成的關系分析優化能耗的重要依據，單位產品能耗是制造業能耗的重要指標，同時設備與產品生成的關系可以發現設備異常能耗，計算各設備能耗的比例關系。

? 產品生成的工序流程關系，可以用來分析產品加工國產的能耗關系及影響度，挖掘能耗及產品質量、能耗與工藝、能耗與班組的關系，同時也可以發現產品生成過程的能耗異常。

2 能耗分析方法

為了更有效對能耗進行分析，本文針對不同能耗類型，采用了不同的分析方法。主要采用的分析方法如下。

2.1 回歸分析

回歸分析算法在能耗優化中適用場景比較多。對于高耗能設備，可以通過設備監控獲取的參數實現能耗優化，以高耗能的鍋爐能耗優化為例，影響鍋爐能耗的典型參數有壓力、蒸汽溫度、汽流量、水溫、排煙溫度、氧化氮濃度、飛灰含碳量、煙氣含氧量、燃燒原料品種等，通過回歸分析可以獲得各運行參數對能耗的影響度，并進一步通過優選運行參數，實現高耗能設備能耗的優化。

但由于能耗影響參數多，需要多元回歸，同時，能耗與影響參數通常是非線性關系，因此，本文使用多項式非線性回歸分析。非線性回歸的函數組合比較靈活（如正弦、余弦、指數變量），具體函數確定不容易。而對于神經網絡，有萬能近似定理證明，僅有一層隱藏層的前饋網絡就足夠表示任何函數近似到任意的精度，故此本文使用神經網絡作為回歸函數，神經網絡通過其激活函數（如Sigmoid、tanh、ReLU）的非線性變化，可以較好實現非線性回歸，而且神經網絡在大樣本數據分析優勢更大，準確度更高。

2.2 關聯分析

關聯分析，能夠發現生產過程中影響能耗異常的因素。為了分析能耗的異常，可以構建項集{能耗，加工對象，原料品種，工序，設備，班組，時段}，通過Apriori 關聯算法，得出發生能耗異常時頻繁伴隨發生的加工對象、原料品種、工序、設備、班組、時段。從而發現能耗異常的強關聯項，當然，也可以通過關聯分析，調整相關項，有效優化能耗。

理論上，如果通過枚舉的方法尋找項集中各項的關聯程度，但在數據量巨大的項集中實現其工程量將是浩大的，而在Apriori算法可以技巧性地優化工作量。

2.3 多元一次線性分析

通常，除了重點設備外，車間內的大部分設備并不提供個體能耗數據。但通過線性回歸計算，能夠獲得對個體設備的能耗。個體設備能耗近似計算方法可以表示為多元一次方程，示意如下：

其中，x1到xn是待估算的個體設備的能耗，b1到bn是各車間的總能耗。a11到ann是各個體設備的產量與運行時間的乘積。通過以上線性方程就可以獲得個體設備的能耗，從而作為個體設備能耗進一步分析的基礎。

2.4 知識抽取分析

設備知識庫的數據源包括來自企業設備全生命周期管理的設備基本信息、設備構成、設備操作指南、維護記錄、故障維修記錄、生產加工的產品及數量、設備運行狀態、設備功率、能耗構成及能耗量等信息。本文分析采用RDF（resource description framework）描述設備、能耗及其關系，構建知識數據模型，并以三元組的形式保存到知識庫中。

知識抽取是在基于設備及能耗關系等本體信息構建的知識圖譜模型基礎實現的。通過設備知識抽取，可以獲取能耗優化知識，比如，可以了解高耗能設備啟動與產品加工生產的關系、設備能耗構成、故障征兆（故障影響能耗）、機械設備運行軌跡與能耗的關系、燃燒爐的節能模式、等效設備能耗對比等。

以電焊機能耗異常為例，通過知識庫實現異常排查。問題排查路徑是：用氣異常→點焊機→加壓機→維修工單→ 生產排程單→影響能耗、產量

。其知識庫模型示意圖如圖2所示。

依據圖2示意，搜索原理如下：

? 讀取設備模型；

? 根據能耗特征找到異常設備（點焊機01）；

? 確認設備后，根據設備構成找到潛在故障設備部位（加壓機01）；

? 找到設備故障部位后，根據設備狀態診斷所需維修（維修工單）；

? 從同類設備維修歷史工單獲取設備維修需要停機或更換的時間（生產排程）；

? 根據車間排程任務調整計算可能影響的加工量及能耗。

3 能耗分析平臺構建

基于知識庫的能耗優化管理需要獲取大量的設備靜態和動態數據，需要構建能耗分析平臺實現數據的采集、組織、管理、建模以及分析展現。能耗分析平臺架構如圖3所示。

圖3 能耗分析平臺架構

分析平臺總體包括4個層次。

（1）IaaS層

該層是基礎設施層，支持平臺的運行維護，可采用本地系統或云服務模式。

（2）DaaS層

該層是本應用研究的核心層，提供數據服務，數據來源主要有兩類，一類是來自企業已有ERP/MES中與設備及生產排程的相關信息，另一類是來自企業對設備的傳感數據（IoT）；通過這兩類數據集成并構建知識模型，支持設備能耗分析；由于數據來源多，通常在構建業務模型前需要對數據進一步組織治理；數據支撐使用了數據倉庫、數據湖及工業互聯網技術。

（3）PaaS層

該層是基于DaaS層所提供的數據服務，為上層的應用提供應用工具或應用系統，該層提供應用開發集成服務。

（4）SaaS層

該層是用戶應用層，為用戶提供具體與能耗相關的報表、數據分析、知識抽取及可視化展現服務。

4 實踐與驗證

通過技術研究與實踐，本文使用能耗優化研究技術實現了能耗的分析與展現，主要內容表現示例如下。

（1）鍋爐運行參數優化

鍋爐是高耗能設備，實時采集的設備狀態數據量很大，本文使用神經網絡非線性回歸實現對燃氣鍋爐（重點高能耗）的參數調優，高耗能設備運行狀態優化建議見表1。

表1 高耗能設備運行狀態優化建議

通過對歷史能耗及與各指標關系的機器學習分析，系統給出了各關鍵指標的合理值，也就是目標值，同時給出采集到各關鍵指標實際值，并計算各指標實際值與目標值的偏差和產生能耗的正負影響值。以上數據可以通過信息推出供監控及操作人員參考。以上模型給出的指標建議是綜合了能耗的經濟性和實際工作溫度要求提出的，具有實際指導意義。

（2）烘干室升溫優化

烘干室需要一定時間升溫到工作狀態，也就是開溫，升溫的能耗很高，而且開溫時間與環境溫度有關，控制好升溫時間節能顯著。高耗能設備開溫提前時間優化建議如圖4所示。

圖4 高耗能設備開溫提前時間優化建議

高耗能設備開啟時間不同，對能耗影響較大。在高耗能設備開始使用時間固定的情況下，由于季節不同，設備環境溫度差異很大。高耗能設備起始溫度也有差異。如冬天低溫的起始溫度是-5℃，夏天高溫是40℃。高耗能設備開啟時間有很大不同。以上是通過歷史數據分析，針對具體設備在具體位置及不同環境溫度，設備開啟時間的建議。

（3）能耗異常的強關聯因素分析

生產要素和能耗存在關聯關系，通過關聯數據頻繁集，本文使用關聯算法生成了能耗與生產要素的關聯度排序集合，為能耗問題改善提供參考建議。能耗影響因素關聯分析如圖5所示。

圖5 能耗影響因素關聯分析

? 規則詳細信息欄目表示關聯項，如電耗異常（Ele）、氣耗異常（Gas）、水耗異常（Wat）和電耗因素（如設備（D）、產品（P））的關聯；

? 置信度表示在先決條件X發生的情況下，由關聯規則“X→Y”推出Y的概率；

? 支持度表示項集{X,Y}在總項集里出現的概率。前項和后項支持度分別表示X和Y在總項集的出現概率。

（4）設備綜合效率

問題設備往往會造成能耗異常，OEE（設備綜合效率）指標可用來發現設備能耗利用效率。設備綜合效率問題分析如圖6所示。

圖6 設備綜合效率問題分析

圖5表示17日時，沖壓機設備有功利用率明顯偏低。這種情況，可能是機器開著，但工作效率低（如工作節拍太低），會造成能耗浪費。

5 結束語

本文基于知識庫的制造業能耗優化平臺技術，綜合了知識庫、機器學習及大數據平臺技術，根據制造行業對節能減排的業務需要，提出了一種可行的能耗優化數字化解決方案，經過汽車制造企業的示范研究應用，分析精度可以滿足業務需要，能夠提升能耗管理水平。這不僅是企業實現數字化轉型的示范，也是對國家倡導的能耗優化的行業應用示范。本文研究可作為生產企業，特別是制造業能耗管理優化的參考。