融合领域知识与多源数据的工业过程优化决策方法

摘要

本申请涉及融合领域知识与多源数据的工业过程优化决策方法，包括：利用概率软逻辑获取工业过程领域知识，建立工业过程领域规则知识库；融合多源数据语义与多源数据特征，构成一种新的工业过程语义知识表示，构建工业过程语义知识库；在后验正则化框架下，利用所述工业过程领域规则知识库和语义知识库，得到嵌入领域规则知识的优化决策模型和后验分布模型；知识蒸馏技术将嵌入领域规则知识的优化决策模型中的知识迁移到后验分布模型中。

说明书

技术领域

本申请涉及人工智能领域，尤其涉及一种融合领域知识与多源数据的工业过程优化决策方法。

背景技术

复杂工业制造过程是一个涉及人、设备、物料、工艺、环境等繁杂生产要素协同交互的多尺度动态系统，其优化决策问题往往与多样性动态生产要素复杂耦合关联，具有机理复杂、多目标多约束、多尺度动态优化等特征，为其求解带来极大困难。

随着物联网、云计算、移动互联网等新技术应用日益广泛，工业环境中数据种类和规模迅速增加并累积形成工业过程大数据，具有采样频率高、信息密度大、多源异构、多时空分布等特点，其背后蕴含着丰富的创新知识，表征着优化决策过程的动态变化规律和潜在模式。

同时，工业过程中还存在着工程师、操作员及领域专家长期积累的经验知识，以微分方程或化学方程表征着内在变化的机理知识，以及生产过程不同工序制定的工艺规范等，这些多样性领域知识反映着生产要素的一般性描述和共性规律。有效地利用生产制造过程大数据中所蕴含的丰富知识和多样性领域知识，构建复杂工业过程优化决策知识自动化系统，推动人工智能技术在智能制造中实现知识型工作的自动化，是制造业生产智能化的核心要求。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了融合领域知识与多源数据的工业过程优化决策方法，包括：

S1：利用概率软逻辑获取工业过程领域知识，建立工业过程领域规则知识库；

S2：融合多源数据语义与多源数据特征，构成一种新的工业过程语义知识表示，构建工业过程语义知识库；

S3：在后验正则化框架下，利用所述工业过程领域规则知识库和工业过程语义知识库，得到嵌入领域规则知识的优化决策模型和后验分布模型；

S4：知识蒸馏技术将嵌入领域规则知识的优化决策模型中的知识迁移到后验分布模型中。

优选的，所述利用概率软逻辑获取工业过程领域知识的具体方法为，

S11：利用N元谓词来表达制造过程不同生产要素的性质、状态、属性及相互之间的关联关系，从而构建一阶逻辑规则；

S12：定义加权的一阶逻辑规则来表达优化决策问题与导致该问题原因之间的关系；

S13：利用概率软逻辑技术进行权重学习，获取的工业过程领域规则知识。

优选的，所述加权的一阶逻辑规则的具体公式为，

其中，

优选的，工业过程领域规则知识库的具体表示形式为，

优选的，所述多源数据语义的获取方法包括，

S21：利用无监督聚类方法对所述多源数据进行聚类，提取所述多源数据语义；

所述多源数据特征的获取方法为，

S22：利用卷积自编码器对多源数据进行特征提取。

优选的，所述一种新的工业过程语义知识表示的具体形式为，

其中，前半部分为融合特征

优选的，所述工业过程语义知识库体表示形式为，

优选的，所述得到嵌入领域规则知识的优化决策模型和后验分布模型的具体方法包括，

S31：利用所述工业过程领域规则知识库

S32：在后验正则化框架下将

其中

S33：求解所述约束优化问题，得到嵌入领域规则的工业过程优化决策知识推理模型；

其中，

优选的，所述将嵌入领域规则知识的优化决策模型中的知识迁移到后验分布模型中的具体方法包括，

S41：定义嵌入领域规则知识的优化决策模型

S42：应用工业过程领域规则知识库

其中，

利用公式，

和公式

迭代训练教师-教师网络，进行教师网络向教师网络的知识迁移。

优选的，所述损失函数

解决分类问题时，可以选择交叉熵损失函数，

其中，

解决回归问题时，可以选择平方损失函数，

其中，

本申请实施例提供的上述技术方案与现有技术相比具有如下优点：

本申请实施例提供的该方法，首先，利用加权一阶逻辑规则和概率软逻辑，将工业过程专家经验、机理知识、工艺规范等领非结构化领域知识表达出来，即利用公式

其次，给出了一种新的知识表示形式，即公式

然后，利用建立的工业过程领域规则库和语义知识库，建立了嵌入领域规则的工业过程优化决策模型，能够有效结合领域知识和多源数据语义知识协同驱动工业过程优化决策，准确揭示优化决策的内在机理与演化特性，实现工业过程优化决策的知识自动化。

接着，为嵌入领域规则的优化决策知识推理模型压缩提供了一个可行方案，能够得到等价的轻量化模型，为工业过程优化决策问题提供实时在线优化。

最后，本专利提供了结合领域知识和工业大数据双重驱动来解决优化决策问题的方案框架，有效利用了工业过程非结构化领域知识和传感器网络产生的海量数据，提高了解决优化决策问题的鲁棒性和精准性，为工业过程知识自动化奠定了坚实的基础。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的融合领域知识与多源数据的工业过程优化决策方法流程图；

图2是根据一示例性实施例示出的融合领域知识与多源数据的工业过程优化决策方法结构框图；

图3是根据一示例性实施例示出的钢铁全流程物质流和能量流双驱动模型参数智能修正优化决策结构框图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

如图2所述，针对工业过程全生命周期活动中存在的生产计划与调度、故障诊断与分析、工艺参数优化、异常工况判定等优化决策问题，提出融合领域知识与多源数据的工业过程优化决策方法，具体包括基于概率软逻辑的工业过程领域知识获取、融合多源数据语义与特征的知识获取、嵌入领域规则的工业过程优化决策知识推理模型、基于知识蒸馏的工业过程优化决策模型迁移优化4个模块。其中，基于概率软逻辑的工业过程领域知识获取模块主要获取工业过程非结构化领域知识，形成领域规则知识库；融合多源数据语义与特征的知识获取模块主要提取工业过程海量多源数据背后蕴含的创新价值知识，形成语义知识库；嵌入领域规则的工业过程优化决策知识推理模型模块主要利用领域规则知识库和语义知识库建立优化决策知识推理模型，解决生产计划与调度、故障诊断与分析、工艺参数优化、异常工况判定等优化决策问题；基于知识蒸馏的工业过程优化决策模型迁移优化模块主要是对建立的优化决策知识推理模型进行迁移优化，得到轻量型等价模型，便于工业过程的在线应用。

图1，为本申请实施例提供的融合领域知识与多源数据的工业过程优化决策方法，包括：

S1：利用概率软逻辑获取工业过程领域知识，建立工业过程领域规则知识库；

S2：融合多源数据语义与多源数据特征，构成一种新的工业过程语义知识表示，构建工业过程语义知识库；

S3：在后验正则化框架下，利用所述工业过程领域规则知识库和工业过程语义知识库，得到嵌入领域规则知识的优化决策模型和后验分布模型；

S4：知识蒸馏技术将嵌入领域规则知识的优化决策模型中的知识迁移到后验分布模型中。

根据上述方案，进一步，所述利用概率软逻辑获取工业过程领域知识的具体方法为，

S11：利用N元谓词来表达制造过程不同生产要素的性质、状态、属性及相互之间的关联关系，从而构建一阶逻辑规则；

S12：定义加权的一阶逻辑规则来表达优化决策问题与导致该问题原因之间的关系；

S13：利用概率软逻辑技术进行权重学习，获取的工业过程领域规则知识。

根据上述方案，进一步，所述加权的一阶逻辑规则的具体公式为，

其中，

根据上述方案，进一步，工业过程领域规则知识库的具体表示形式为，

根据上述方案，进一步，所述多源数据语义的获取方法包括，

S21：利用无监督聚类方法对所述多源数据进行聚类，提取所述多源数据语义；

所述多源数据特征的获取方法为，

S22：利用卷积自编码器对多源数据进行特征提取。

根据上述方案，进一步，所述一种新的工业过程语义知识表示的具体形式为，

其中，前半部分为融合特征

根据上述方案，进一步，所述工业过程语义知识库体表示形式为，

工业过程领域知识通常反映着优化决策过程的本质变化规律，而多源数据背后隐含的知识反映着制造过程动态变化规律，有效结合领域知识与多源数据隐含创新知识，可以准确地揭示工业过程优化决策问题的内在机理与演化特性。

根据上述方案，进一步，所述得到嵌入领域规则知识的优化决策模型和后验分布模型的具体方法包括，

S31：利用所述工业过程领域规则知识库

S32：在后验正则化框架下将

其中

S33：求解所述约束优化问题，得到嵌入领域规则的工业过程优化决策知识推理模型；

其中，

根据上述方案，进一步，所述将嵌入领域规则知识的优化决策模型中的知识迁移到后验分布模型中的具体方法包括，

S41：定义嵌入领域规则知识的优化决策模型

S42：应用工业过程领域规则知识库

其中，

利用公式，

和公式

迭代训练教师-教师网络，进行教师网络向教师网络的知识迁移。

根据上述方案，进一步，所述损失函数

解决分类问题时，可以选择交叉熵损失函数，

其中，

解决回归问题时，可以选择平方损失函数，

其中，

实施例

钢铁工业能源流网络是一个复杂庞大的系统，生产过程中能源流网络处于动态变化状态，并且与物质流耦合关联，建立的全流程物质流与能源流模型需要动态自适应以满足实际需求。钢铁全流程运行大数据蕴含着物质流与能量流的动态变化规律，而全流程动态仿真虚拟数据能够反映物理实体的演化特性。本专利提出了融合知识学习的钢铁全流程物质流和能量流精确建模方法，挖掘钢铁全流程运行大数据背后隐含的创新知识，形成领域规则库和语义知识库，并在此基础上，建立嵌入领域规则的优化决策知识推理模型，智能修正建立的钢铁全流程物质流和能量流双驱动模型，从而实现模型的动态自适应，提高模型精准度。基本框架如图3所示：

主要包括3部分：钢铁全流程物质流与能量流双驱动模型、基于知识推理模型参数的运行优化方法和钢铁全流程物质流与能量流动态仿真。其中，钢铁全流程物质流与能量流双驱动模型是针对钢铁全流程物质流、能量流网络节点，建立机理与数据双驱动模型，解决单独使用机理模型或数据模型所带来的局限性，并提高模型的鲁棒性和精确性；基于知识推理模型参数的运行优化方法模块是解决双驱动模型参数动态演化问题，由于钢铁流程过程具有非线性、变量强耦合、时空复杂性等特点，建立的双驱动模型也需要不断调整模型参数，以适应实际生产过程模型的精准度；钢铁全流程物质流与能量流动态仿真模块是为了验证钢铁全流程物质流与能量流双驱动模型的可靠性，并为基于知识推理模型参数的运行优化方法模块提供仿真数据支撑。

以下分别进行详细介绍：

（1）钢铁全流程物质流与能量流双驱动模型

钢铁全流程物质流与能量流双驱动模型主要指将钢铁全流程物质流与能量流机理模型和数据模型按照一定的方法进行融合，形成二者优势互补，从而提高建模精度。钢铁生产过程中物质流和能量流结构复杂，相互之间存在多维关联、多场协同、多相耦合等特性，其融合模型的精确建立是实现钢铁生产运行协同优化的基础。一方面，本专利运用“节点-联结器”网络建模方法，将物质流涉及的设备、单元、工序等构建成不同尺度的“节点”，将能量流涉及的管路、铁水罐、钢包等构建成“连接器”，形成物质流能量流耦合网络机理模型。另一方面，提炼生产过程多源异构时空数据语义特征，探索物质流能量流语义特征映射机制，建立数据模型。最后，融合钢铁全流程物质流与能量流机理模型和数据模型，形成双驱动模型

（2）基于知识推理模型参数的运行优化方法

钢铁制造过程环境复杂，建立的模型也正不断发生变化。利用本专利提出的方法，对钢铁全流程物质流和能量流双驱动模型

领域规则的形式表示，如下所示：

其中，

语义知识的形式表示，如下所示：

其中，前半部分为融合特征

由此建立领域规则知识库

其中，

钢铁全流程物质流与能量流双驱动模型参数作为本专利的优化决策问题，该问题本质上是一个回归问题，学生网络

（3）钢铁全流程物质流与能量流动态仿真

利用建立的钢铁全流程物质流与能量流双驱动模型对钢铁全流程（如烧结、焦化、炼铁、炼钢、热轧、冷轧等）进行模型，建立动态仿真系统，并与实际生产过程进行动态交互迭代映射，形成钢铁全流程物质流与能量流数字孪生系统，其产生的动态仿真数据作为数据源支撑基于知识推理模型参数的运行优化。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。