CN112529184A - 融合领域知识与多源数据的工业过程优化决策方法 - Google Patents

融合领域知识与多源数据的工业过程优化决策方法 Download PDF

Info

Publication number
CN112529184A
CN112529184A CN202110186760.6A CN202110186760A CN112529184A CN 112529184 A CN112529184 A CN 112529184A CN 202110186760 A CN202110186760 A CN 202110186760A CN 112529184 A CN112529184 A CN 112529184A
Authority
CN
China
Prior art keywords
knowledge
industrial process
domain
source data
rule
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110186760.6A
Other languages
English (en)
Other versions
CN112529184B (zh
Inventor
刘承宝
谭杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202110186760.6A priority Critical patent/CN112529184B/zh
Publication of CN112529184A publication Critical patent/CN112529184A/zh
Application granted granted Critical
Publication of CN112529184B publication Critical patent/CN112529184B/zh
Priority to US17/560,878 priority patent/US11409270B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

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。

Description

融合领域知识与多源数据的工业过程优化决策方法
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，
Figure 858470DEST_PATH_IMAGE001
其中，
Figure 47006DEST_PATH_IMAGE002
是谓词；
Figure DEST_PATH_IMAGE003
是变量；
Figure 825606DEST_PATH_IMAGE004
表示权重，表示一阶逻辑规则的重要性，即权重越大一阶逻辑规则越重要，具体取值是非负的实数，该条规则表示工业过程对象
Figure DEST_PATH_IMAGE005
在特定条件下的状态导致优化决策问题Q的结果为R。
优选的，工业过程领域规则知识库的具体表示形式为，
Figure 365172DEST_PATH_IMAGE006
，其中，m表示规则知识库的大小，r i 表示第i个一阶逻辑规则，
Figure DEST_PATH_IMAGE007
是相应一阶逻辑规则的权重。
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，
Figure 142547DEST_PATH_IMAGE008
其中，前半部分为融合特征h A ，
Figure DEST_PATH_IMAGE009
，R为融合特征h A 对应的决策语义，通常表示决策问题的具体决策结果；
Figure 451169DEST_PATH_IMAGE010
为多源数据
Figure DEST_PATH_IMAGE011
的紧致优化的特征；
Figure 400670DEST_PATH_IMAGE012
为多源数据
Figure DEST_PATH_IMAGE013
的语义。
优选的，所述工业过程语义知识库体表示形式为，
Figure 958691DEST_PATH_IMAGE014
，其中，n表示语义知识库的大小，k i 表示第i个知识元。
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
Figure DEST_PATH_IMAGE015
，定义映射关系
Figure 284630DEST_PATH_IMAGE016
，对工业过程领域知识进行编码；
S32：在后验正则化框架下将
Figure DEST_PATH_IMAGE017
以约束形式引入到模型的学习过程，其优化决策可问题转变为约束优化问题，
Figure 697025DEST_PATH_IMAGE018
；
其中C，
Figure DEST_PATH_IMAGE019
和
Figure 817428DEST_PATH_IMAGE020
为常数；
Figure DEST_PATH_IMAGE021
为
Figure 331586DEST_PATH_IMAGE022
在后验正则化框架下的形式，
Figure DEST_PATH_IMAGE023
为散度计算；
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；
Figure 195637DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
表示嵌入领域规则知识的优化决策模型；
Figure 196960DEST_PATH_IMAGE026
是后验分布模型。
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
Figure DEST_PATH_IMAGE027
为教师网络，定义通过多源数据语义知识建立的优化决策模型
Figure 753843DEST_PATH_IMAGE028
为学生网络；
S42：应用工业过程领域规则知识库K R 和工业过程语义知识库K S ，同时训练教师网络和学生网络，参数
Figure DEST_PATH_IMAGE029
进行如下方式更新：
Figure 489718DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
是损失函数；
Figure 891881DEST_PATH_IMAGE032
是学生网络
Figure DEST_PATH_IMAGE033
的软输出；
Figure 278868DEST_PATH_IMAGE034
是教师网络
Figure DEST_PATH_IMAGE035
的软输出；
Figure 6653DEST_PATH_IMAGE036
是真实的决策语义；
利用公式，
Figure DEST_PATH_IMAGE037
和公式
Figure 760982DEST_PATH_IMAGE038
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
Figure DEST_PATH_IMAGE039
的具体形式为，
解决分类问题时，可以选择交叉熵损失函数，
Figure 232415DEST_PATH_IMAGE040
其中，
y为真实值；
Figure DEST_PATH_IMAGE041
为预测值；
解决回归问题时，可以选择平方损失函数，
Figure 224642DEST_PATH_IMAGE042
其中，
y为真实值；
Figure 841437DEST_PATH_IMAGE041
为预测值。
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
Figure DEST_PATH_IMAGE043
来表达领域规则知识，为计算机进行优化决策智能推理提供支撑；
其次，给出了一种新的知识表示形式，即公式
Figure 551904DEST_PATH_IMAGE044
，能够对工业过程海量多源数据进行紧致化表达，并为每个多源数据赋予特征语义，将转化为含有语义信息的知识，为工业过程优化决策提供支撑；
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，
Figure 358186DEST_PATH_IMAGE045
其中，
Figure 939340DEST_PATH_IMAGE046
是谓词；
Figure 805665DEST_PATH_IMAGE047
是变量；
Figure 472269DEST_PATH_IMAGE049
表示权重，表示一阶逻辑规则的重要性，即权重越大一阶逻辑规则越重要，具体取值是非负的实数。该条规则表示工业过程对象
Figure 534772DEST_PATH_IMAGE050
在特定条件下的状态导致优化决策问题Q的结果为R。
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，
Figure 32750DEST_PATH_IMAGE051
，其中，m表示规则知识库的大小，r i 表示第i个一阶逻辑规则，
Figure 804397DEST_PATH_IMAGE052
是相应一阶逻辑规则的权重。
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，
Figure 223877DEST_PATH_IMAGE053
其中，前半部分为融合特征h A ，
Figure 371961DEST_PATH_IMAGE054
，R为融合特征h A 对应的决策语义，通常表示决策问题的具体决策结果；
Figure 927707DEST_PATH_IMAGE055
为多源数据
Figure 870256DEST_PATH_IMAGE056
的紧致优化的特征；
Figure 511452DEST_PATH_IMAGE057
为多源数据
Figure 463228DEST_PATH_IMAGE058
的语义。
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，
Figure 122748DEST_PATH_IMAGE059
，其中，n表示语义知识库的大小，k i 表示第i个知识元。
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
Figure 705039DEST_PATH_IMAGE060
，定义映射关系
Figure 99112DEST_PATH_IMAGE061
，对工业过程领域知识进行编码；
S32：在后验正则化框架下将
Figure 792261DEST_PATH_IMAGE062
以约束形式引入到模型的学习过程，其优化决策可问题转变为约束优化问题，
Figure 384916DEST_PATH_IMAGE063
；
其中C，
Figure 387376DEST_PATH_IMAGE064
和
Figure 737586DEST_PATH_IMAGE065
为常数；
Figure 234427DEST_PATH_IMAGE066
为
Figure 681589DEST_PATH_IMAGE067
在后验正则化框架下的形式，
Figure 605682DEST_PATH_IMAGE068
为散度计算；
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；
Figure 952176DEST_PATH_IMAGE069
其中，
Figure 987128DEST_PATH_IMAGE070
表示嵌入领域规则知识的优化决策模型；
Figure 492058DEST_PATH_IMAGE071
是后验分布模型。
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
Figure 587053DEST_PATH_IMAGE072
为教师网络，定义通过多源数据语义知识建立的优化决策模型
Figure 974172DEST_PATH_IMAGE073
为学生网络；
S42：应用工业过程领域规则知识库K R 和工业过程语义知识库K S ，同时训练教师网络和学生网络，参数
Figure 796504DEST_PATH_IMAGE074
进行如下方式更新：
Figure 218258DEST_PATH_IMAGE075
其中，
Figure 484154DEST_PATH_IMAGE076
是损失函数；
Figure 561832DEST_PATH_IMAGE077
是学生网络
Figure 673007DEST_PATH_IMAGE078
的软输出；
Figure 401797DEST_PATH_IMAGE079
是教师网络
Figure 838595DEST_PATH_IMAGE080
的软输出；
Figure 403569DEST_PATH_IMAGE081
是真实的决策语义；
利用公式，
Figure 584014DEST_PATH_IMAGE082
和公式
Figure 980360DEST_PATH_IMAGE083
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
Figure 571748DEST_PATH_IMAGE039
的具体形式为，
解决分类问题时，可以选择交叉熵损失函数，
Figure 358438DEST_PATH_IMAGE084
其中，
y为真实值；
Figure 342575DEST_PATH_IMAGE085
为预测值；
解决回归问题时，可以选择平方损失函数，
Figure 593427DEST_PATH_IMAGE086
其中，
y为真实值；
Figure 106448DEST_PATH_IMAGE087
为预测值。
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
Figure 911593DEST_PATH_IMAGE088
，
Figure 230579DEST_PATH_IMAGE089
为模型参数。
（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
Figure 522889DEST_PATH_IMAGE090
的参数
Figure 269128DEST_PATH_IMAGE091
进行智能修正。首先，对钢铁全流程运行大数据和钢铁全流程物质流与能量流动态仿真模块的仿真数据进行知识挖掘，形成领域规则库和语义知识库。
领域规则的形式表示，如下所示：
Figure 30411DEST_PATH_IMAGE092
其中，
Figure 887508DEST_PATH_IMAGE093
是谓词；
Figure 50636DEST_PATH_IMAGE094
是变量；
Figure 967777DEST_PATH_IMAGE095
表示权重，表示一阶逻辑规则的重要性，即权重越大一阶逻辑规则越重要，具体取值是非负的实数。该条规则表示工业过程对象
Figure 747514DEST_PATH_IMAGE096
在特定条件下的状态导致优化决策问题Q的结果为R。
语义知识的形式表示，如下所示：
Figure 345986DEST_PATH_IMAGE097
其中，前半部分为融合特征h A ，R为融合特征h A 对应的决策语义，通常表示某个决策问题的具体决策结果。
由此建立领域规则知识库K R 和语义知识库K S ，嵌入领域规则的优化决策知识推理模型，如下所示
Figure 425937DEST_PATH_IMAGE098
其中，
Figure 700930DEST_PATH_IMAGE099
表示嵌入领域规则知识的优化决策模型，作为教师网络；
Figure 233542DEST_PATH_IMAGE100
是多源数据语义知识驱动的优化决策模型，作为学生网络；
Figure 432442DEST_PATH_IMAGE101
为领域规则约束的映射函数。
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
Figure 304583DEST_PATH_IMAGE102
选择LSTM模型。由此，得到针对钢铁全流程物质流与能量流双驱动模型参数的优化决策知识推理模型，从而进行模型参数的智能实时修正。
（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。

Claims (10)

1.一种融合领域知识与多源数据的工业过程优化决策方法，其特征在于，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。
2.根据权利要求1所述的融合领域知识与多源数据的工业过程优化决策方法，其特征在于，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。
3.根据权利要求2所述的融合领域知识与多源数据的工业过程优化决策方法，其特征在于，所述加权的一阶逻辑规则的具体公式为，
Figure 809812DEST_PATH_IMAGE001
其中，
Figure 426607DEST_PATH_IMAGE002
是谓词；
Figure 668233DEST_PATH_IMAGE003
是变量；
Figure 208936DEST_PATH_IMAGE004
表示权重，表示一阶逻辑规则的重要性，即权重越大一阶逻辑规则越重要，具体取值是非负的实数，该条规则表示工业过程对象
Figure 55669DEST_PATH_IMAGE005
在特定条件下的状态导致优化决策问题Q的结果为R。
4.根据权利要求1所述的融合领域知识与多源数据的工业过程优化决策方法，其特征在于，工业过程领域规则知识库的具体表示形式为，
Figure 656415DEST_PATH_IMAGE006
，其中，m表示规则知识库的大小，r i 表示第i个一阶逻辑规则，
Figure 588599DEST_PATH_IMAGE007
是相应一阶逻辑规则的权重。
5.根据权利要求1所述的融合领域知识与多源数据的工业过程优化决策方法，其特征在于，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。
6.根据权利要求5所述的融合领域知识与多源数据的工业过程优化决策方法，其特征在于，所述一种新的工业过程语义知识表示的具体形式为，
Figure 932992DEST_PATH_IMAGE008
其中，前半部分为融合特征h A ，
Figure 634232DEST_PATH_IMAGE009
，R为融合特征h A 对应的决策语义，通常表示决策问题的具体决策结果；
Figure 405879DEST_PATH_IMAGE010
为多源数据
Figure 74627DEST_PATH_IMAGE011
的紧致优化的特征；
Figure 222711DEST_PATH_IMAGE012
为多源数据
Figure 778457DEST_PATH_IMAGE013
的语义。
7.根据权利要求1所述的融合领域知识与多源数据的工业过程优化决策方法，其特征在于，所述工业过程语义知识库表示形式为，
Figure 986585DEST_PATH_IMAGE014
，其中，n表示语义知识库的大小，k i 表示第i个知识元。
8.根据权利要求4所述的融合领域知识与多源数据的工业过程优化决策方法，其特征在于，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
Figure 627782DEST_PATH_IMAGE015
，定义映射关系
Figure 48399DEST_PATH_IMAGE016
，对工业过程领域知识进行编码；
S32：在后验正则化框架下将
Figure 786548DEST_PATH_IMAGE017
以约束形式引入到模型的学习过程，其优化决策可问题转变为约束优化问题，
Figure 837680DEST_PATH_IMAGE018
；
其中C，
Figure 28490DEST_PATH_IMAGE019
和
Figure 699469DEST_PATH_IMAGE020
为常数；
Figure 292124DEST_PATH_IMAGE021
为
Figure 779737DEST_PATH_IMAGE022
在后验正则化框架下的形式，
Figure 457843DEST_PATH_IMAGE023
为散度计算；
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；
Figure 423525DEST_PATH_IMAGE024
其中，
Figure 605108DEST_PATH_IMAGE025
表示嵌入领域规则知识的优化决策模型；
Figure 325939DEST_PATH_IMAGE026
是后验分布模型。
9.根据权利要求1所述的融合领域知识与多源数据的工业过程优化决策方法，其特征在于，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
Figure 429024DEST_PATH_IMAGE027
为教师网络，定义通过多源数据语义知识建立的优化决策模型
Figure 260714DEST_PATH_IMAGE028
为学生网络；
S42：应用工业过程领域规则知识库K R 和工业过程语义知识库K S ，同时训练教师网络和学生网络，参数
Figure 749333DEST_PATH_IMAGE029
进行如下方式更新：
Figure 641066DEST_PATH_IMAGE030
其中，
Figure 231447DEST_PATH_IMAGE031
是损失函数；
Figure 601249DEST_PATH_IMAGE032
是学生网络
Figure 960686DEST_PATH_IMAGE026
的软输出；
Figure 23320DEST_PATH_IMAGE033
是教师网络
Figure 835418DEST_PATH_IMAGE027
的软输出；
Figure 274489DEST_PATH_IMAGE034
是真实的决策语义；
利用公式，
Figure 285171DEST_PATH_IMAGE035
和公式
Figure 705657DEST_PATH_IMAGE036
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。
10.根据权利要求9所述的融合领域知识与多源数据的工业过程优化决策方法，其特征在于，所述损失函数
Figure 67368DEST_PATH_IMAGE037
的具体形式为，
解决分类问题时，选择交叉熵损失函数，
Figure 716655DEST_PATH_IMAGE038
其中，
y为真实值；
Figure 113001DEST_PATH_IMAGE039
为预测值；
解决回归问题时，选择平方损失函数，
Figure 455121DEST_PATH_IMAGE040
其中，
y为真实值；
Figure 304128DEST_PATH_IMAGE041
为预测值。
CN202110186760.6A 2021-02-18 2021-02-18 融合领域知识与多源数据的工业过程优化决策方法 Active CN112529184B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110186760.6A CN112529184B (zh) 2021-02-18 2021-02-18 融合领域知识与多源数据的工业过程优化决策方法
US17/560,878 US11409270B1 (en) 2021-02-18 2021-12-23 Optimization decision-making method of industrial process fusing domain knowledge and multi-source data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110186760.6A CN112529184B (zh) 2021-02-18 2021-02-18 融合领域知识与多源数据的工业过程优化决策方法

Publications (2)

Publication Number Publication Date
CN112529184A true CN112529184A (zh) 2021-03-19
CN112529184B CN112529184B (zh) 2021-07-02

Family

ID=74975692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110186760.6A Active CN112529184B (zh) 2021-02-18 2021-02-18 融合领域知识与多源数据的工业过程优化决策方法

Country Status (2)

Country Link
US (1) US11409270B1 (zh)
CN (1) CN112529184B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115456313B (zh) * 2022-11-10 2023-01-10 北京航空航天大学 一种基于分层优化的工业互联网资源调配方法
CN116244863B (zh) * 2023-03-09 2024-05-17 北京理工大学 基于多粒度案例柔性重构的回流焊焊点仿真设计决策系统
CN116071051B (zh) * 2023-04-06 2023-06-30 中国人民解放军火箭军工程大学 惯导系统最优更换时机确定方法、系统、电子设备及介质
CN116341396B (zh) * 2023-05-30 2023-08-11 青岛理工大学 一种基于多源数据融合的复杂装备数字孪生建模方法
CN117009921B (zh) * 2023-08-04 2024-02-23 振宁(无锡)智能科技有限公司 一种数据融合引擎的优化数据处理方法及系统
CN116776744B (zh) * 2023-08-15 2023-10-31 工业云制造(四川)创新中心有限公司 一种基于增强现实的装备制造控制方法及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975977A (zh) * 2016-05-05 2016-09-28 中国石油大学(华东) 规则辅助的数据驱动建模方法
US20170199928A1 (en) * 2014-09-29 2017-07-13 Huawei Technologies Co.,Ltd. Method and device for parsing question in knowledge base
CN108804715A (zh) * 2018-07-09 2018-11-13 北京邮电大学 融合视听感知的多任务协同识别方法及系统
CN108960419A (zh) * 2017-05-18 2018-12-07 三星电子株式会社 用于使用知识桥的学生-教师迁移学习网络的装置和方法
CN109902165A (zh) * 2019-03-08 2019-06-18 中国科学院自动化研究所 基于马尔科夫逻辑网的智能交互式问答方法、系统、装置
CN111026877A (zh) * 2019-12-05 2020-04-17 电子科技大学广东电子信息工程研究院 基于概率软逻辑的知识验证模型构建与分析方法
CN112348190A (zh) * 2020-10-26 2021-02-09 福州大学 一种基于改进的嵌入模型suke的不确定知识图预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170199928A1 (en) * 2014-09-29 2017-07-13 Huawei Technologies Co.,Ltd. Method and device for parsing question in knowledge base
CN105975977A (zh) * 2016-05-05 2016-09-28 中国石油大学(华东) 规则辅助的数据驱动建模方法
CN108960419A (zh) * 2017-05-18 2018-12-07 三星电子株式会社 用于使用知识桥的学生-教师迁移学习网络的装置和方法
CN108804715A (zh) * 2018-07-09 2018-11-13 北京邮电大学 融合视听感知的多任务协同识别方法及系统
CN109902165A (zh) * 2019-03-08 2019-06-18 中国科学院自动化研究所 基于马尔科夫逻辑网的智能交互式问答方法、系统、装置
CN111026877A (zh) * 2019-12-05 2020-04-17 电子科技大学广东电子信息工程研究院 基于概率软逻辑的知识验证模型构建与分析方法
CN112348190A (zh) * 2020-10-26 2021-02-09 福州大学 一种基于改进的嵌入模型suke的不确定知识图预测方法

Also Published As

Publication number Publication date
US20220260981A1 (en) 2022-08-18
CN112529184B (zh) 2021-07-02
US11409270B1 (en) 2022-08-09

Similar Documents

Publication Publication Date Title
CN112529184B (zh) 融合领域知识与多源数据的工业过程优化决策方法
CN112084428B (zh) 一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法
CN115438732B (zh) 面向冷启动用户基于分类偏好迁移的跨域推荐方法
CN111127246A (zh) 一种输电线路工程造价的智能预测方法
CN107451230A (zh) 一种问答方法以及问答系统
Alshmrany Adaptive learning style prediction in e-learning environment using levy flight distribution based CNN model
Wang Intelligent employment rate prediction model based on a neural computing framework and human–computer interaction platform
CN115186097A (zh) 一种基于知识图谱和强化学习的交互式推荐方法
Juan et al. Particle swarm optimization neural network for research on artificial intelligence college English classroom teaching framework
CN115982480A (zh) 基于协同注意力网络和对比学习的序列推荐方法及系统
Zhang et al. Parallel-data-based social evolution modeling
Wei A classification method of tourism English talents based on feature mining and information fusion technology
KR102389671B1 (ko) 인공지능 기반의 학업 탐구 주제 데이터베이스 생성 방법
Ma Realization of artificial intelligence interactive system for advertising education in the era of 5G integrated media
Du et al. The innovation of ideological and political education integrating artificial intelligence big data with the support of wireless network
Lan et al. [Retracted] Evaluation System of Music Art Instructional Quality Based on Convolutional Neural Networks and Big Data Analysis
CN110020379B (zh) 一种基于深度动态网络嵌入表示模型的链路预测方法
Tang [Retracted] Big Data Analysis and Modeling of Higher Education Reform Based on Cloud Computing Technology
Lili A Mobile Terminal‐Based College English Teaching Evaluation Method
Li A Model for analyzing teaching quality data of sports faculties based on particle swarm optimization neural network
CN109409642A (zh) 一种基于大数据的教学资源评级方法
CN112529188B (zh) 基于知识蒸馏的工业过程优化决策模型迁移优化方法
Zhao et al. Evaluation of women’s entrepreneurship education based on BP neural network
Liao [Retracted] Development and Utilization of English Online Course Resources Based on Fuzzy Neural Network
Zhang Sharing of teaching resources for English majors based on ubiquitous learning resource sharing platform and neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant