引用本文

王天宇, 赵珺, 王伟, 王天鑫. 基于分层粒度对比网络的钢铁燃气调度知识获取与建模. 自动化学报, 2022, 48(9): 2212−2222 doi: 10.16383/j.aas.c211198

Wang Tian-Yu, Zhao Jun, Wang Wei, Wang Tian-Xin. Hierarchical granular contrastive network-based knowledge acquisition and modeling for gas scheduling of steel industry. Acta Automatica Sinica, 2022, 48(9): 2212−2222 doi: 10.16383/j.aas.c211198

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c211198

关键词

钢铁工业，燃气系统，知识获取，信息粒度，对比学习 

摘要

对于钢铁燃气系统的实时有效调度是实现企业节能降耗的关键. 考虑燃气产消过程所包含的多工况特征, 提出了一种基于分层粒度对比网络的调度知识获取与建模方法. 鉴于深度对比学习对于语义信息的处理能力, 定义和描述了一系列信息粒度, 以建立能源数据的语义表示. 为初步提取多工况调度知识, 采用长短时记忆(Long and short-term memory, LSTM)网络学习具有时变特性的粒度变量特征. 在此基础上, 利用专家经验知识定性地划分对比学习样本, 建立基于粒度对比学习的知识表征网络. 为挖掘调度数据中所包含的深层次知识, 进一步提出了基于反馈机制的分层对比网络模型, 并通过网络输出层实现调度建模任务. 实验部分采用了国内某钢铁厂高炉煤气系统的实际数据进行了多组对比实验, 结果表明所提方法获得的知识表示能够有效提高燃气系统的建模精度, 帮助实现专家级别的调度表现.

文章导读

钢铁生产是高耗能和高排放的生产过程, 能源介质的发生与消耗在其中起到了至关重要的作用.随着煤炭、石油等一次能源的紧缺, 充分利用钢铁生产过程中产生的副产煤气不但可以提高企业节能降耗水平, 还可减少煤气放散对环境的污染[1]. 而在生产工艺和设备状态相对固定的情况下, 对于能源系统的优化调度逐渐成为实现节能降耗的重要手段.

一些现有的能源优化调度研究已经在文献中有所报道, 包括强化学习[2]、基于数学规划方法[3-4]、案例推理[5]以及因果关系建模[6]等. 其中, 文献[2]提出了一种结合专家经验和生产计划的能源动态调度策略. 文献[3]采用预测−调度两阶段方法, 首先利用高斯过程回归对不确定条件下的能源需求进行预测, 从而建立关于容量约束的优化调度模型. 文献[4]提出了一种新颖的数学规划模型, 研究了燃气系统缓冲用户中富余煤气的优化配置. 针对连续生产过程建模, 文献[5]设计了一种稀疏模糊推理方法, 用于推测具有动态特征的调度知识. 此外, 一种基于粒度因果关系的方法被用来挖掘间歇性生产特征下能源产消过程的因果关系, 进而建立基于因果推理调度模型[6]. 在智能学习与优化调控方面, 文献[7]针对离散时间最优控制设计, 介绍了集成学习逼近器和强化公式的评价智能方法. 文献[8]设计了一种基于折扣广义值迭代的智能算法, 有效解决了一类复杂非线性系统的最优跟踪控制问题. 文献[9]结合神经标识符学习和启发式动态规划算法, 解决了非仿射离散时间系统的最优跟踪控制问题. 上述方法在智能优化控制领域提出了创新性的思路. 然而, 由于生产工况的多样性, 能源系统的运行条件可能会实时变化, 需对能源发生、消耗和存储过程中所包含的多工况知识进行有效表示, 并衡量它们对调度模型的影响, 进而实现对于调整方向和调度量的有效判断.

针对包含多工况特性的建模方法, 文献[10]结合条件指示变量(专家知识) 和条件驱动聚类建立工况划分模型, 可将时间尺度的非平稳和瞬态过程巧妙地还原到不同的条件切片中, 在同一条件切片内揭示相似的过程特征. 文献[11]针对操作条件切换和生产产品变化, 提出一种条件判别自编码器来表征稳态模式, 并设计了基于注意力的评估器对暂态特征进行描述. 此外, 文献[12]提出了一种具有鲁棒性的指数平稳子空间分析算法, 探索用于非平稳过程监控的自适应策略. 上述研究可以有效结合专家经验和实际数据, 提出了面向多工况特性的精确建模方法. 然而其主要针对工业暂态特性和过程监控问题进行分析, 而本文方法侧重于研究工业能源产消变化的稳态过程.

近年来, 基于深度网络的表征学习技术受到广泛关注. 通过以低维向量的形式表达研究对象的语义信息, 可以提高知识获取、表示和推理的性能. 其中, 对比学习侧重于从大规模数据中挖掘潜在信息, 提高下游任务的数据表示能力. 例如, 文献[13]通过预先训练的教师模型学习知识表示, 并采用聚类方法将其简化为伪标签, 然后使用伪标签训练下游学生网络, 以提升图像分类精度. 文献[14]采用动量对比学习实现新冠病毒的CT图像快速诊断. 目前, 对比学习方法还被广泛应用于语义分析[15]、推荐系统[16]和视觉表示[17]等研究领域, 但在能源系统知识型工作中应用较少. 而由于能源系统优化调度过程需结合机理知识、专家领域知识和运行数据中的隐含知识, 包含复杂工况条件, 因此采用深度对比网络获取显性/隐性知识将是有益的尝试.

粒度计算理论是通过粒度化的方式对不同尺度和层级的数据进行统一描述, 促进了可用数据和存在性关系的知识组织方式[18]. 针对副产能源系统调度问题, 通过时间跨度、幅值和线型等三维特征构建能源数据的粒度知识表示, 提出了基于协同条件聚类的长期预测模型[19]. 针对工业实际对于建模可靠性的需求, 分层粒度计算方法[20]被用来建立区间形式的预测模型. 以设备变量信息粒为基本处理单元, 粒度计算还结合了模糊逻辑和强化学习来获得动态调度策略[21-22]. 考虑到目前对比学习主要应用于具有显式语义描述的领域, 因此对于工业能源系统的知识型工作, 可采用粒度计算方法从能源数据中提取语义特征, 为深度网络提供更为丰富的数据信息.

本文面向钢铁燃气产消过程的多工况特征, 提出了一种基于分层粒度对比网络的调度知识获取与建模方法. 首先通过粒度化的方式划分和描述能源数据, 形成多维度特征语义表示. 为了提取多工况调度知识, 利用专家经验数据划分样本, 构建基于粒度对比学习的知识表征网络, 并采用多层次的学习策略来学习经验数据具有的多工况类别特性. 为进一步挖掘出深层次的隐藏信息, 提出了一种基于闭环反馈机制的分层对比网络模型. 据我们所知, 本文工作是对比学习首次应用于钢铁工业能源系统的知识提取与优化调度领域. 实验部分结果表明了本文方法获得的知识表示可拟合出专家水平的调度策略, 并能够有效提高燃气系统的建模精度.

本文结构如下: 第1节就典型燃气系统结构和优化调度过程中涉及的知识型工作作出简单介绍及分析; 第2节描述基于分层粒度对比网络的知识获取及建模方法; 第3节给出大量的仿真实验, 充分验证所提方法的有效性; 第4节对全文进行了总结和展望.

图2 燃气产消多工况特征及调度过程

图3 所提方法整体框架图

图5 样本数据知识表征的计算过程描述

对于钢铁燃气系统的实时有效调度是实现企业节能降耗和智能制造的关键. 考虑到燃气产消过程包含多工况特征, 本文通过粒度计算的方式提取能源数据语义特征, 提出了一种基于多层粒度对比网络的知识获取与建模方法. 其优势在于能够有效获取多工况及深层次的调度知识, 从而有助于能源系统的建模过程和调度判断. 实验部分计算和对比了不同工况下的预测精度及调度策略, 结果表明提出方法获得的知识表示可进一步提高建模精度, 并达到与人类专家一致的决策水平.

另一方面, 由于所提方法尚无法实现基于调度评价的知识和策略优化过程, 因此一些相关的改进工作值得进一步关注. 首先, 可建立相关评估体系来指导对比学习中潜在空间的划分, 进一步实现知识发现、更新知识表示. 其次, 所提出的知识表示架构还可结合强化学习实现对于调度策略的优化过程, 将对比学习获得的知识表示作为强化学习状态来约束学习环境, 可简化状态空间, 以提升学习表现和收敛能力, 获得更优的调度策略.

作者简介

王天宇

大连理工大学控制科学与工程学院博士后. 2020年获得大连理工大学工学博士学位. 主要研究方向为工业系统建模与优化, 能源调度和机器学习. E-mail: wangty@dlut.edu.cn

赵珺

大连理工大学控制科学与工程学院教授. 2008年获得大连理工大学工学博士学位. 主要研究方向为工业生产调度, 计算机集成制造, 智能优化和机器学习. 本文通信作者. E-mail: zhaoj@dlut.edu.cn

王伟

大连理工大学控制科学与工程学院教授. 1988年获得东北大学工业自动化博士学位. 主要研究方向为自适应控制, 计算机集成制造和工业过程计算机控制. E-mail: wangwei@dlut.edu.cn

王天鑫

大连理工大学电子信息专业硕士研究生. 主要研究方向为基于数据的预测和调度, 数据挖掘和深度强化学习. E-mail: wtx@mail.dlut.edu.cn