CN116157812A - 系统范围的工厂优化的优化模型的自动生成 - Google Patents

系统范围的工厂优化的优化模型的自动生成 Download PDF

Info

Publication number
CN116157812A
CN116157812A CN202180060089.9A CN202180060089A CN116157812A CN 116157812 A CN116157812 A CN 116157812A CN 202180060089 A CN202180060089 A CN 202180060089A CN 116157812 A CN116157812 A CN 116157812A
Authority
CN
China
Prior art keywords
computer
implemented method
plant
graph
regression
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.)
Pending
Application number
CN202180060089.9A
Other languages
English (en)
Inventor
藩进勇
阮明林
P·穆拉利
周念军
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.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN116157812A publication Critical patent/CN116157812A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • 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
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)

Abstract

一种用于自动生成用于站点范围工厂优化的优化模型的计算机实现的方法，包括将工厂过程的过程流图映射到包括节点和边的图形，其中节点表示过程，并且边表示过程之间的流。至少基于工厂过程的历史数据来学习图形的每个节点的行为。为每个节点建模一个或多个回归函数，以预测过程中的每一个的输出，其中基于每个节点的学习的行为模拟该一个或多个回归函数。

Description

系统范围的工厂优化的优化模型的自动生成
技术领域
本公开总体上涉及工厂优化计算机系统以及与其一起使用的方法和软件，并且更具体地，涉及自动生成用于系统范围的工厂优化的优化模型以生成加工厂的操作设定点建议的方法和系统。
背景技术
制造和过程工业(process industry)由复杂过程的站点范围(site-wide)网络组成，每个复杂过程都有一套独立的输入和输出。在单元过程中，在设定点、生产量、期望输出的质量和产生的废物流之间经常存在瞬态关系。输入流、操作要求、维护、故障、生产计划变化等的可变性使得生产过程是动态的。工厂范围的管理需要预测动态过程行为和改变任何控制的能力，以尽可能地遵守生产计划。手动优化模型生成是耗时的、具有挑战性的，并且需要领域专家和优化专家。
当前的行业实践包括非常有限地使用人工智能(AI)来设计运营策略。例如，在计划外的过程故障的情况下，工厂管理者或工厂经理(PM)可以使用基于经验或基于启发的方法来确定设定点，该设定点在故障所强加的操作约束下提供最佳生产率。
传统过程的共同特征是对每个过程使用非线性物理第一原理(例如热力学)模型，通过流和物质平衡方程耦合。现有的工作以前结合了物理模型和数据驱动模型。复杂过程的替代统计模型的开发已经开始，但主要是作为一种实验设计，使用详细的过程模拟器来估计响应面模型。一些传统过程已经使用替代模型来优化生产过程，但是这通常是在设计阶段完成的，以优化流表结构(flowsheet structure)，或者在优化单个过程的设定点的背景下完成。在不使用工厂模拟器的情况下，传统过程不能仅依赖历史工厂传感器数据。
传统的端到端学习方法仅考虑单个过程，并且由于要解决两阶段随机规划问题，因此只能处理特定类别的问题。典型的过程假设优化问题相对于控制变量是凸的(convex)。该条件不适用于许多常见的回归函数，诸如决策树回归、深度神经网络、多元自适应回归样条(MARS)和随机森林。一些传统的端到端学习方法要求以决策为中心的学习框架被表示为线性规划或子模最大化。由于工厂的传感器数据来自不同的时间分辨率，因此不可能为站点范围优化问题建立端到端的解决方案。
本公开提出了一种自动生成多工厂过程工业中的多周期设定点控制问题的优化模型的框架。
发明内容
根据各种实施例，提供了一种用于自动生成用于站点范围工厂优化的优化模型的计算机实现的方法。该方法包括将工厂过程的过程流图(process flow diagram)映射到包括节点和边的图形，其中节点表示过程，并且边表示过程之间的流(flow)。至少基于工厂过程的历史数据来学习图形的每个节点的行为。针对每个节点建模一个或多个回归函数，以预测过程中的每一个的输出，其中基于每个节点的学习的行为建模一个或多个回归函数。
在一些实施例中，该图形是工厂的有向非循环图形(directed acyclic graph)。
在一些实施例中，每个节点的输入包括受控变量和不受控变量。
在一些实施例中，该方法还包括通过生成图形的邻接矩阵来编码网络拓扑，该邻接矩阵标识互连的节点。
在一些实施例中，该方法还包括使用一个或多个矩阵以及来自图形的节点和边的位置来解码网络拓扑，以绘制用于输入验证的有向非循环图形。
在一些实施例中，该方法还包括从每个节点的回归函数和邻接矩阵生成优化模型，该优化模型为每个节点提供一个或多个参数的优化的设定点。
在一些实施例中，优化模型输出具有函数值估计器和梯度估计器的连续优化模型。在一些实施例中，优化模型输出用于对一个或多个回归函数建模的混合整数线性程序。
在一些实施例中，该方法还包括提供不同的关键性能指标作为输入，并产生用于设定点的选项，以实现输入的关键性能指标。
在一些实施例中，该方法还包括自动确定回归函数的输入是否正确。
在一些实施例中，该图形是两级全连接前馈网络。
在一些实施例中，回归函数包括分段线性和非线性类型的回归模型。
根据各种实施例，一种计算机实现的方法和一种非暂时性计算机可读存储介质，其有形地包含具有计算机可读指令的计算机可读程序代码，计算机可读程序代码在被执行时使计算机设备执行提高计算设备的计算效率的方法，用于自动生成用于站点范围工厂优化的优化模型，该方法包括为工厂过程的过程流图定义包括节点和边的图形表示，其中图形表示的节点表示过程，并且图形表示的边表示工厂过程之间的流。通过为图形生成邻接矩阵，对图形表示的网络拓扑编码，邻接矩阵标识互连的节点。自动生成定义网络拓扑的一组方程。使用机器学习平台对一个或多个回归函数建模，以基于在每个过程处接收的输入来预测工厂过程的每个过程的输出。从每个节点的一个或多个回归函数和邻接矩阵生成优化模型，该优化模型为工厂的每个过程提供设定点。
为PM建立咨询支持是很好的机会，有助于探索和评估更大范围的选项集，从而为工厂范围的规模的连续决策计算最佳策略。首先，为了建立这样基于人工智能的顾问，系统被训练成对输入和输出之间的行为关系有专家级的理解。第二，这种行为表示与其他操作约束一起用于确定所有控制变量的最佳设定点。本公开的方面为这些机会提供了解决方案。
借助于本文讨论的概念，提供了一种工具，该工具改进了用于为站点范围工厂优化生成优化模型的方法。如下面的示例所示，根据本公开的方面的优化模型可以提供平均计算时间显著短于传统回归方法的最优目标值。
这些和其他特征将从下面结合附图阅读的对其说明性实施例的详细描述中变得显而易见。
附图说明
附图是说明性的实施例。它们没有说明所有的实施例。附加地或替代地，可以使用其他实施例。可能显而易见或不必要的细节可以省略，以节省空间或更有效地说明。一些实施例可以用附加的组件或步骤和/或没有所示的所有组件或步骤来实施。当相同的数字出现在不同的附图中时，它表示相同或相似的组件或步骤。
图1是与说明性实施例一致的用于利用优化模型进行优化的多个工厂的网络的时间索引图形表示的示意图。
图2是示出与说明性实施例一致的经由回归函数用于每个过程的估计的流程图。
图3是示出与说明性实施例一致的应用回归函数的一般化网络表示的流程图。
图4A和图4B示出了与说明性实施例一致的使用模型生成器来生成具有最小输入和优化背景的优化模型。
图5是与说明性实施例一致的用于优化解决方案的端到端系统的示意图。
图6是示出与说明性实施例一致的自动模型生成系统的流程图。
图7A和图7B示出了根据说明性实施例的将过程流工厂建模为没有跳跃层假设的两级全连接前馈网络。
图8示出了与说明性实施例一致的用于整个系统的有向非循环图形生成的邻接矩阵的准备。
图9示出了与说明性实施例一致的当工厂有一个以上的产品时，用于有向非循环图形生成的邻接矩阵的准备。
图10示出了与说明性实施例一致的用于输入验证的解码网络拓扑。
图11示出了与说明性实施例一致的回归函数的连续模型。
具体实施方式
在以下详细描述中，通过示例的方式阐述了许多具体细节，以提供对相关教导的透彻理解。然而，很明显，没有这些细节也可以实施本发明。在其他情况下，以相对较高的水平描述了公知的方法、过程、组件和/或电路，而没有详细描述，以避免不必要地模糊本教导的方面。
除非另有具体说明，并且从下面的描述和权利要求中显而易见，应当理解，在整个说明书描述中，使用诸如“处理”、“计算”、“运算”、“确定”等术语，是指计算机或计算系统或类似的电子计算设备的动作和/或过程，其将表示为计算系统的寄存器和/或存储器中的物理量(诸如电子量)的数据操纵和/或转换为类似地表示为计算系统的存储器、寄存器或其他这种信息存储、传输或显示设备中的物理量的其他数据。
如下文更详细讨论的，本公开总体上涉及用于自动生成用于站点范围工厂优化的优化模型的系统和计算机化方法。该系统和计算机化方法通过利用数据驱动的机器学习和优化技术在各种资产容量约束和不同生产策略下提高工厂生产，提供了计算机系统的效率和准确性的技术改进。
如本文所使用的，术语“站点范围优化(site-wide optimization)”在下文中是指产品生产厂，诸如油砂加工厂。给定所有过程变量和存储库存的当前状态，以及在规划范围内对可用能力的已知约束，站点范围优化寻求计算随时间推移的最优生产计划，使最终产品的流吞吐量最大化。通常，这用最优流速和随时间变化的各种数量的库存来表示，并且我们寻求在存在各种操作和经济考虑的情况下这样做，如生产计划的平稳性、在每个时间周期(period)保持可接受的库存以及满足经济生产或需求目标。
在过程工业中，规划部门基于市场预测、需求预测、维护和资源调度、操作条件、现场物流等，为规划范围开发生产计划。考虑到日常操作中固有的不确定性，每天或每班都要修订生产计划。PM专注于确保关键绩效指标(KPI)，诸如吞吐量，尽可能符合生产计划。他们与过程工程师合作，协调多个过程的生产水平和目标。在意外中断的情况下，PM负责将恢复正常的时间和生产计划的偏差最小化。在正常操作下，生产计划有助于标识推动过程修正的异常偏差。然而，PM不能手动提供整个工厂的优化参数。通常，PM被分配到单独的过程中，有自己的KPI，可能与工厂下游过程的PM一致，也可能不一致。
典型的过程流图可用于站点范围过程优化。设定点，诸如温度、压力、流速等，用于控制过程和工厂的行为。设定点总是对上游和下游都有影响。因此，在具有数千个可控设定点的加工厂中，很可能单个关键设定点会影响总吞吐量或产量，以及它们离基线生产计划有多远。
参考图1和图2，开发站点范围优化模型的一个动作是创建各种过程的时间索引图形表示100(也称为有向非循环图形100)，各种过程P1、P2、P3、P4、P5，统称为过程102。在典型的时间索引图形表示100中，每个过程102具有一组独立的输入104和输出106，其中来自上游过程的输出变成下游过程的输入。在图1的示例中，存储罐T1、T2、T3、T4可以用于标识一个过程的输出和另一个过程的输入。例如，过程P1的输出在罐T1中，过程P2的输出在罐T2中。罐T3是罐T1和罐T2的组合，并为过程P3提供输入。
图形100中的每个节点表示特定过程(例如，P1)或存储罐(例如，T1)的状态，并且每个边表示对应的材料流速。更一般地，每个工厂本身可以使用多个连接起来组成工厂的较低层次的过程节点来建模。采用离散时间模型是有用的，即以选定分辨率的一组时间周期，比如每小时间隔。工厂变量可以被定义为对应于时间周期(例如，流速、下一小时的设定点)，或者对应于时间点，即任何时间周期的终点(例如，下一小时结束时的罐液位)。每个节点或边还配备有数据结构，以捕获各种参数，如当前设定点、工厂中其他过程变量(例如质量、温度、密度)的状态、静态容量限制、流吞吐量限制等。虽然上述网络表示必然是现实过程流图的简化，但是它可以用于实现预测优化框架。
输入104可包括受控变量，诸如电压、温度等，以及不受控的设定点，诸如进料流。可以对每个过程102进行观察，其中观察可以包括特定过程期间的传感器读数。对于每个过程102，可以基于回归函数进行输出106的预测，如下面更详细讨论的。基于输入104和输出106的实际值，每个过程102的历史数据可用于为优化模型提供数据以进行这种预测。因此，根据本公开的过程的进一步动作是学习每个过程的行为。虽然最初可以使用历史数据，但是在工厂运行期间，可以使用实时数据来更新机器学习，根据需要基于该数据调整输出预测。
站点范围优化过程中的另一个动作是解决优化问题。图3提供了本公开的优化模型在解决优化问题中的操作的概述。在图3中，x表示控制变量输入，f表示应用于X以提供输出y的预测模型。变量z表示未受控变量，诸如流。因此，从左向右阅读图3，对于给定的过程，给定第一组受控变量x1，预测模型f1可以预测输出y1。存储在g1中的该产物可以作为第二过程的输入，其中z1表示来自g1的流，x2表示受控变量，f2是用于预测输出y2的预测模型。类似地，y2通过g2为进一步的下游过程提供输入，其中z2是不受控变量，诸如来自g2的流，x3是受控变量，并且预测模型f2可以确定输出y3。本发明的优化模型可以，给定来自沿着各种过程的传感器的测量值，确定受控变量x1、x2、x3的最优值，以便优化期望的输出，该输出可以是输出流、产品纯度等。
图4A和图4B示出了示例性的过程流图。如下面更详细讨论的，本发明的方面是将从过程流图生成模型的过程简化为可以用作优化模型的模型，其中可以最小化输入的数量。如上所述，手动优化模型生成通常具有挑战性，并且需要领域专家和优化专家。此外，手动优化模型只能关注每个过程，而没有能力执行站点范围优化模型生成，因为这样不仅需要考虑数百或数千个设定点，还需要考虑由于这些设定点的改变而改变的每个过程之间的流。
图5示出了用于优化解决方案的端到端系统。本公开的各方面集中于基于来自具有领域理解的程序员206的输入的模型生成200，以及基于由工厂标识的KPI 204的优化模型202的开发。例如，优化模型202可以基于KPI 204来开发，KPI 204是最大化产品输出。
现在参考图6，示出了表示自动化优化模型生成系统260的图。概括地说，本公开的各方面提供了一种自动生成用于站点范围优化的优化模型262的方法。优化模型262可以从每个节点(诸如过程P1，见图1)的回归函数264中获得，包括控制、观察和环境变量，以及从整个工厂的有向非循环图形100(见图1)的邻接矩阵266中获得。优化模型的输出可以包括可以提供函数值、梯度等的连续优化模型208，以及提供混合整数规划(MIP)模型274的混合整数线性规划270。用户可以试验不同的配置和KPI，以产生设定点和预期目标值的选项的列表，其中用户可以选择最佳选项。可以提供验证工厂网络278来证实输入的正确性并显示网络流280。
参考图7A至图11，以下更详细地表达了本公开的方面的以上一般描述。
如上所述，本公开的一个动作是定义特定工厂的过程流图的图形表示。可以使用两级全连接前馈网络(FFN)，如下面更详细描述的。
具体参考图4B、图7A和图7B，过程流的表示被描述为有向图形，其中输入、控制和输出变量作为弧线，每个单元操作由节点表示。每个节点可以表示单元过程或一个单元过程的系统，它们被一起建模。单周期优化问题的标准形式在图4B中示出，其中，其中fl是在第l个过程层的回归函数的集合，并且线性约束gl(yl，zl，sl)＝Alyl+Blzl+Clsl-dl＝0捕获表示质量平衡和库存水平的网络流约束。
目标函数根据一些KPI(例如，吞吐量)来定义，并且公式被视为最大化或最小化问题。在该公式中，每个节点由预测模型表示，该预测模型被表示为如上所示的一组约束。出于部署的目的，该系统可以求解长期规划范围的多周期模型。
本公开考虑了在T个时间周期内优化控制变量的问题，其中在周期之间具有一些耦合约束。多周期优化问题可以重写成如下形式：
Figure BDA0004113729700000071
使得：
×t∈Xt,
Figure BDA0004113729700000072
Figure BDA0004113729700000073
Figure BDA0004113729700000074
/>
Figure BDA0004113729700000081
对于一些ρl∈[0,1],αl∈[0,1]，其中，u l和
Figure BDA0004113729700000082
是罐存储极限，并且Xt是具有图4B中的形式的第t周期的约束集。让⊙表示组件式产品。一个使用时间索引t∈{1，...，T}为第t周期模型。
优化方法能够有效地求解各种类型的回归模型。对于回归模型，诸如线性回归和决策树，优化方法可以将问题重新表述为可缩放的混合整数线性规划(MILP)。诸如McCormick包络和Sherali-Adams的重构线性化技术的松弛方法可用于处理来自池化约束的特定双线性形式。诸如一般深度神经网络或一般集成模型的非线性回归函数会导致非线性约束甚至黑盒约束。此外，根据所学习的预测模型的类型，非线性优化算法可以用于开发问题的特殊结构。例如，对于单周期模型，诸如图4B所示，当fl高度非线性、不能线性化且其梯度可用时，可使用增广拉格朗日方法(ALM)求解。图4B中的另一组线性约束捕获表示质量平衡和库存水平的过程流(即网络流约束)。
将现实世界的问题转化为可以有效解决的数学模型通常需要大量的时间和优化技巧。为了有效地提供优化模型解决方案以很好地缩放到许多用例及场景，本公开的各方面创建并部署优化模型，否则这些优化模型不能由领域和优化专家开发。通常，一旦部署，更新模型，例如添加新的约束，可能再次需要大量的时间和技能。然而，本公开的各方面提供了获取输入的框架，要求来自领域主题专家和优化专家的最少知识，以自动生成优化模型。
该解决方案可以使用两级前馈网络(FFN)作为过程流图的图形表示，如图7B所示。前馈网络结构用于对两个过程层之间的每个存储罐子系统建模，这导致整个系统的两级网络，如图7B所示。用户可以通过以下规则为DAG 100(参见图1)准备邻接矩阵：1)从左到右逐列遍历以进行索引，2)用Pi标记第i个过程，用Ti标记第i个罐，以及3)为两级前馈网络创建连接矩阵A。图8提供了可以产生连接矩阵的过程流图的示例。示例性的连接矩阵/邻接矩阵如下所示：
P1 P2 T1 T2 T3
P1 1 0 1 0 0
P2 0 1 0 1 0
T1 1 0 1 0 1
T2 0 1 0 1 1
T3 0 0 1 1 1
对于生产一个产品以上的过程，连接中的条目不仅可以是零或一，还可以是二、三或更多。例如，如图9所示，如果一个过程可以生产两个产品，则连接矩阵可以包括2。在图9中，对于P1，有两个产品，因此连接矩阵可以是(P1,T1)＝1,(P1,T2)＝2,(P1,T3)＝1and(P1,T4)＝2。通过遵循这些规则，我们注意到任何两级前馈网络都有唯一的连接矩阵表示，反之亦然。
为了解码网络拓扑，参考图10，给定连接矩阵A，可以重构二级网络的详细信息，诸如每个过程和罐的层结构和位置。设[label＝P1,…,PV1,T1,…,TM1,PV1+1,…,PV1+V2,…,TM1+…+ML-2+1,…,TM1+…+ML-1,…,PV1+…+VL-1+1,…,PV1+…+VL]为A的列和行标签，可以生成Alyl+Blzl+Clsl＝dl类型的线性约束，其中
Vl是第l个处理层中的过程的数量，
Ml是第l个处理层中的罐的数量，
Sl是过程层l和l+1之间的罐层的数量，
Ks l是位于第l个和第(l+1)个过程层之间的第s个罐层的罐的数量。
Ws l是第l个和第(l+1)个过程层之间的罐子系统的第s个和第(s+1)个罐层的连接矩阵，以及
vt l,s是位于第l个和第(l+1)个处理层之间的第s个和第(s+1)个罐层之间的流。
罐处的流平衡约束可由以下公式确定
Figure BDA0004113729700000091
其中，sl＝(ul，vl).
工厂处的流平衡约束，通过链接到回归函数的输出：l＝2,…,L；p＝1,…,Vs由以下公式确定
Figure BDA0004113729700000101
其中，i是产品在第s个过程层处的第p个过程中的序号位置。
链接到回归函数的输入：l＝2,…,L；p＝1,…,Vs
Figure BDA0004113729700000102
其中，zerotrim(v)用于修整以下矢量中的所有0元素：
Figure BDA0004113729700000103
回归约束可以由以下公式定义：
Figure BDA0004113729700000104
Figure BDA0004113729700000105
示例性解码算法如下所示。
Figure BDA0004113729700000111
译：
Figure BDA0004113729700000121
参考图11，示出了回归函数的连续模型。对于分段线性分区模型，诸如决策树(DT)、多元自适应回归样条(MARS)和FFN，可以追踪到叶节点并计算梯度。函数值可以从回归函数中计算出来。
优化算法
本公开的各方面为三种不同类型的回归函数提供了三种方法：分段线性回归器、基于梯度的回归器和黑盒回归器。
分段线性回归的混合整数公式
对于基于分段线性方法的分区回归，包括线性回归和决策树，可以将回归函数公式化为混合整数线性程序。主要思想是对每个回归函数fl使用精确的混合整数线性表示。
决策树回归y＝ht(x)包括叶节点和分支节点。用一组叶节点表示L，用一组分支节点表示B。对于每个叶节点L∈B，形式为r(x)＝wl Tx+cl的线性模型已经基于分配给叶节点的点从训练数据中学习。分支节点l∈B由超平面al Tx+bl表示，其中如果al Tx+bl<0，则点x将从该节点跟随左分支，否则它分裂成右分支。因为树的拓扑是固定的，所以对于每个特征向量x，存在从树的根到叶节点l∈B的唯一路径。设NL(l)表示l的祖先节点，其中在从根到l的路径上跟随左分支，设NR(l)表示该路径上的右分支祖先的集合。二进制变量el∈{0,1},l∈L指示如果x被分配给叶节点l，则el＝1。
为数据点x恰好选择一个叶节点
Figure BDA0004113729700000131
为了确定到叶节点的唯一路径路由，在指示符变量el的帮助下，对分支节点处的分裂建模实施以下约束
Figure BDA0004113729700000132
Figure BDA0004113729700000133
其中，M1和M2是很大的数字。决策树回归y＝h(x)可以表示为混合整数双线性模型
Figure BDA0004113729700000134
s.t.Eqs.(6)，(7)
Figure BDA0004113729700000135
该过程可以如下进一步线性化双线性项cl(wl Tx+cl)。对于一些常数yl L,yl U，假设yl L<＝wl Tx+cl<＝_yl U。这个假设是合理的，因为x通常是有界的；例如，将训练数据归一化到0-1范围，wl和cl是固定的模型参数。则该过程具有yl＝cl(wl Tx+cl)等价于
Figure BDA0004113729700000141
Figure BDA0004113729700000142
因此，决策树回归y＝ht(x)的混合整数线性表示为
Figure BDA0004113729700000143
s.t.Eqs.(6)，(7)，(9)
Figure BDA0004113729700000144
当这些基于线性的表示被插入到单周期和多周期模型中时，得到MILP公式，其可以通过MILP求解器有效地求解到最优。
当回归函数是非线性函数时，本公开提出计算回归量的函数值和梯度。单周期问题和多周期问题通过基于梯度的算法(诸如增广拉格朗日算法或交替方向乘数法(ADMM)算法)来求解。
为了说明的目的，已经给出了对本教导的各种实施例的描述，但是这些描述并不旨在穷举或局限于所公开的实施例。在不脱离所述实施例的范围和精神的情况下，许多修改和变化对于本领域普通技术人员来说是显而易见的。选择这里使用的术语是为了最好地解释实施例的原理、实际应用或对市场上发现的技术的技术改进，或者使本领域的其他普通技术人员能够理解这里公开的实施例。
虽然前面已经描述了被认为是最佳状态和/或其他示例，但是应当理解，可以在其中进行各种修改，并且这里公开的主题可以以各种形式和示例来实现，并且该教导可以应用于许多应用中，这里仅描述了其中的一些。下面的权利要求旨在要求落入本教导的真实范围内的任何和所有应用、修改和变化。
本文已经讨论的组件、步骤、特征、目的、益处和优点仅仅是说明性的。它们以及与它们相关的讨论都不是为了限制保护范围。虽然这里已经讨论了各种优点，但是应该理解，不是所有的实施例都必须包括所有的优点。除非另有说明，否则本说明书(包括所附权利要求书)中提出的所有测量值、数值、等级、位置、大小和其他规格都是近似的，而不是精确的。它们旨在具有合理的范围，该范围与它们所涉及的功能以及它们所属领域的惯例相一致。
也考虑了许多其他实施例。这些包括具有更少的、附加的和/或不同的组件、步骤、特征、目的、益处和优点的实施例。这些还包括组件和/或步骤以不同方式排列和/或排序的实施例。
本文参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图来描述本公开的各方面。将会理解，流程图和/或框图的每个块以及流程图和/或框图中的块的组合可以由计算机可读程序指令来实现。
这些计算机可读程序指令可以被提供给适当配置的计算机、专用计算机或其他可编程数据处理装置的处理器，以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/动作的装置。这些计算机可读程序指令也可以存储在计算机可读存储介质中，该计算机可读存储介质可以指导计算机、可编程数据处理装置和/或其他设备以某种方式运行，使得其中存储有指令的计算机可读存储介质包括制造品，该制造品包括实现流程图和/或框图的一个或多个框中指定的功能/动作的各方面的指令。
计算机可读程序指令还可以被加载到计算机、其他可编程数据处理装置或其他设备上，以使一系列操作步骤在计算机、其他可编程装置或其他设备上执行，从而产生计算机实现的过程，使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图的一个或多个框中指定的功能/动作。
本文附图中的调用流、流程图和框图图示了根据本公开的各种实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。在这点上，流程图或框图中的每个块可以表示指令的模块、片段或部分，其包括用于实现指定逻辑功能的一个或多个可执行指令。在一些替代实现式中，框中标注的功能可以不按照图中标注的顺序发生。例如，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行，这取决于所涉及的功能。还将注意到，框图和/或流程图图示中的每个框以及框图和/或流程图图示中的框的组合可以由基于专用硬件的系统来实现，该系统执行指定的功能或动作或者执行专用硬件和计算机指令的组合。
虽然已经结合示例性实施例描述了前述内容，但是应当理解，术语“示例性”仅仅是作为示例，而不是最佳或最优的。除了上面刚刚陈述的以外，已经陈述或说明的任何内容都不旨在或不应被解释为将任何组件、步骤、特征、对象、益处、优点或等同物奉献给公众，无论其是否在权利要求中陈述。
应当理解，这里使用的术语和表达具有与这些术语和表达相对于它们相应的各自的调查和研究领域相一致的普通含义，除非在这里另外阐述了具体含义。诸如第一和第二等关系术语可以仅用于将一个实体或动作与另一个实体或动作区分开，而不必要求或暗示这些实体或动作之间的任何实际的这种关系或顺序。术语“包括”、“包含”或其任何其他变体旨在涵盖非排他性的包含，使得包括一系列元素的过程、方法、物品或装置不仅包括那些元素，还可以包括未明确列出的或这种过程、方法、物品或装置固有的其他元素。在没有进一步限制的情况下，以“一”或“一个”开头的元件不排除在包括该元件的过程、方法、物品或装置中存在额外的相同元件。
提供本公开的摘要以允许读者快速确定技术公开的性质。提交它是基于这样的理解，即它将不被用来解释或限制权利要求的范围或含义。此外，在前面的详细描述中，可以看出，出于简化本公开的目的，各种特征在各种实施例中被组合在一起。这种公开方法不应被解释为反映了要求保护的实施例具有比每个权利要求中明确记载的更多的特征的意图。相反，如以下权利要求所反映的，发明主题少于单个公开的实施例的所有特征。因此，以下权利要求由此被结合到详细描述中，每个权利要求本身作为单独要求保护的主题。

Claims (25)

1.一种计算机实现的方法，包括：
将工厂过程的过程流图映射到包括节点和边的图形，其中所述节点表示过程，并且所述边表示过程之间的流；
至少基于所述工厂过程的历史数据学习所述图形的每个节点的行为；以及
对每个节点的一个或多个回归函数建模，以预测所述过程中的每一个的输出，其中基于每个节点的学习的行为对所述一个或多个回归函数建模。
2.根据权利要求1所述的计算机实现的方法，其中所述图形是工厂的两级全连接前馈网络。
3.根据权利要求1所述的计算机实现的方法，其中每个节点的输入包括受控变量和不受控变量。
4.根据权利要求1所述的计算机实现的方法，还包括通过为所述图形生成邻接矩阵来编码网络拓扑，所述邻接矩阵标识互连的节点。
5.根据权利要求4所述的计算机实现的方法，还包括使用一个或多个矩阵以及来自所述图形的节点和边的位置来解码所述网络拓扑，以绘制用于输入验证的有向非循环图形。
6.根据权利要求4所述的计算机实现的方法，还包括根据每个节点的所述回归函数和所述邻接矩阵生成优化模型，所述优化模型为每个节点提供一个或多个参数的优化的设定点。
7.根据权利要求6所述的计算机实现的方法，其中所述模型生成器输出具有函数值估计器和梯度估计器的连续优化模型。
8.根据权利要求6所述的计算机实现的方法，其中所述模型生成器输出混合整数线性程序，用于对所述一个或多个回归函数建模。
9.根据权利要求6所述的计算机实现的方法，还包括提供不同的关键性能指标作为输入，并产生设定点的选项，以实现输入的关键性能指标。
10.根据权利要求1所述的计算机实现的方法，还包括自动确定所述回归函数的输入是否正确。
11.根据权利要求1所述的计算机实现的方法，其中所述图形是两级全连接前馈网络。
12.根据权利要求1所述的计算机实现的方法，其中所述回归函数包括分段线性和非线性类型的回归模型。
13.一种用于为工厂的站点范围优化自动生成优化模型的计算机实现的方法，包括：
定义所述工厂的过程流图的图形表示；
对所述图形表示的网络拓扑编码，以生成所述图形表示的邻接矩阵；
自动生成定义所述网络拓扑的一组方程；
使用机器学习平台对一个或多个回归函数建模，以基于在每个过程处接收的输入来预测所述工厂的每个过程的输出；以及
从每个节点的所述一个或多个回归函数和所述邻接矩阵生成优化模型，所述优化模型为所述工厂的每个过程提供设定点。
14.根据权利要求13所述的计算机实现的方法，其中所述图形表示是没有跳跃层假设的两级全连接前馈网络。
15.根据权利要求13所述的计算机实现的方法，其中所述网络拓扑的所述编码是用比工厂过程的所述输入更少的输入来执行的。
16.根据权利要求13所述的计算机实现的方法，还包括使用矩阵和来自所述图形表示的节点和边的位置来解码所述网络拓扑，以绘制用于输入验证的有向非循环图形。
17.根据权利要求13所述的计算机实现的方法，其中所述网络拓扑的编码包括为所述图形生成邻接矩阵，所述邻接矩阵标识互连的节点。
18.根据权利要求17所述的计算机实现的方法，还包括根据每个节点的所述回归函数和所述邻接矩阵生成优化模型。
19.根据权利要求18所述的计算机实现的方法，其中所述模型生成器输出具有函数值估计器和梯度估计器的连续优化模型。
20.根据权利要求18所述的计算机实现的方法，其中所述模型生成器输出混合整数线性程序，用于对所述一个或多个回归函数建模。
21.一种有形地包含具有计算机可读指令的计算机可读程序代码的非暂时性计算机可读存储介质，当执行所述计算机可读程序代码时，使计算机设备执行提高计算设备的计算效率的方法，用于自动生成用于站点范围工厂优化的优化模型，所述方法包括：
为工厂过程的过程流图定义包括节点和边的图形表示，其中所述图形表示的节点表示过程，并且所述图形表示的边表示工厂过程之间的流；
通过为所述图形生成邻接矩阵来编码所述图形表示的网络拓扑，所述邻接矩阵标识互连的节点；
自动生成定义所述网络拓扑的一组方程；
使用机器学习平台对一个或多个回归函数建模，以基于在每个过程处接收的输入来预测所述工厂过程的每个过程的输出；以及
从每个节点的所述一个或多个回归函数和所述邻接矩阵生成优化模型，所述优化模型为工厂的每个过程提供设定点。
22.根据权利要求21所述的非暂时性计算机可读存储介质，其中由处理器执行所述代码还将所述计算设备配置为执行动作，所述动作包括使用矩阵以及来自所述图形的节点和边的位置来解码所述网络拓扑，以绘制用于输入验证的有向非循环图形。
23.根据权利要求21所述的计算机实现的方法，其中所述模型生成器输出具有函数值估计器和梯度估计器的连续优化模型。
24.根据权利要求22所述的计算机实现的方法，其中所述模型生成器输出混合整数线性程序，用于对所述一个或多个回归函数建模。
25.根据权利要求22所述的非暂时性计算机可读存储介质，其中所述模型生成器输出混合整数线性程序，用于对所述一个或多个回归函数建模。
CN202180060089.9A 2020-07-24 2021-07-07 系统范围的工厂优化的优化模型的自动生成 Pending CN116157812A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/938,884 US20220027685A1 (en) 2020-07-24 2020-07-24 Automated generation of optimization model for system-wide plant optimization
US16/938,884 2020-07-24
PCT/IB2021/056068 WO2022018552A1 (en) 2020-07-24 2021-07-07 Automated generation of optimization model for system-wide plant optimization

Publications (1)

Publication Number Publication Date
CN116157812A true CN116157812A (zh) 2023-05-23

Family

ID=79688323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180060089.9A Pending CN116157812A (zh) 2020-07-24 2021-07-07 系统范围的工厂优化的优化模型的自动生成

Country Status (5)

Country Link
US (1) US20220027685A1 (zh)
KR (1) KR20230029763A (zh)
CN (1) CN116157812A (zh)
AU (1) AU2021312278A1 (zh)
WO (1) WO2022018552A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12066813B2 (en) * 2022-03-16 2024-08-20 International Business Machines Corporation Prediction and operational efficiency for system-wide optimization of an industrial processing system
CN115470602B (zh) * 2022-09-23 2023-06-16 中国人民解放军国防科技大学 一种考虑节点差异化抗毁需求的供电网络拓扑优化方法
CN117371755B (zh) * 2023-11-14 2024-08-02 国网江苏省电力有限公司电力科学研究院 多微网综合能源系统分布式优化方法、装置、设备及介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1617355A1 (en) * 2004-07-14 2006-01-18 Sap Ag Technique for flexible path optimization
US8571690B2 (en) * 2006-10-31 2013-10-29 Rockwell Automation Technologies, Inc. Nonlinear model predictive control of a biofuel fermentation process
US9664765B2 (en) * 2011-06-30 2017-05-30 Hitachi, Ltd. Magnetic resonance imaging apparatus and gradient magnetic field waveform estimation method
US20130166338A1 (en) * 2011-12-22 2013-06-27 Ralf Philipp Enhanced business planning and operations management system
WO2014179552A1 (en) * 2013-05-02 2014-11-06 The Dun & Bradstreet Corporation A system and method using multi-dimensional rating to determine an entity's future commercial viability
CN103399868B (zh) * 2013-07-08 2016-08-10 哈尔滨工业大学（威海） 一种外贸物流路径的优化方法
US20180373986A1 (en) * 2017-06-26 2018-12-27 QbitLogic, Inc. Machine learning using dynamic multilayer perceptrons
WO2019080086A1 (en) * 2017-10-27 2019-05-02 Accenture Global Solutions Limited INDUSTRIAL DATA SERVICE, DATA MODELING, AND DATA APPLICATION PLATFORM
US11797838B2 (en) * 2018-03-13 2023-10-24 Pinterest, Inc. Efficient convolutional network for recommender systems
WO2020112281A1 (en) * 2018-11-28 2020-06-04 Exxonmobil Research And Engineering Company A surrogate model for a chemical production process
US11099529B2 (en) * 2019-07-23 2021-08-24 International Business Machines Corporation Prediction optimization for system level production control
CN111353002B (zh) * 2020-02-03 2024-05-03 中国人民解放军国防科技大学 网络表示学习模型的训练方法、装置、电子设备及介质

Also Published As

Publication number Publication date
KR20230029763A (ko) 2023-03-03
WO2022018552A1 (en) 2022-01-27
AU2021312278A1 (en) 2023-02-09
US20220027685A1 (en) 2022-01-27

Similar Documents

Publication Publication Date Title
Walker et al. Accuracy of different machine learning algorithms and added-value of predicting aggregated-level energy performance of commercial buildings
Bumblauskas et al. Smart Maintenance Decision Support Systems (SMDSS) based on corporate big data analytics
Rafiei et al. Probabilistic load forecasting using an improved wavelet neural network trained by generalized extreme learning machine
CN116157812A (zh) 系统范围的工厂优化的优化模型的自动生成
WO2020040763A1 (en) Real-time production scheduling with deep reinforcement learning and monte carlo tree search
Kiral et al. Forecasting Closing returns of Borsa Istanbul index with Markov chain process of the fuzzy states
Rampini et al. Artificial intelligence in construction asset management: A review of present status, challenges and future opportunities
Poudel et al. Last Planner System and Scrum: Comparative analysis and suggestions for adjustments
Islam et al. Risk induced contingency cost modeling for power plant projects
Jain et al. Towards smart manufacturing with virtual factory and data analytics
Abdel-Aal Modeling and forecasting electric daily peak loads using abductive networks
Phan et al. Regression optimization for system-level production control
Anh et al. Online SARIMA applied for short-term electricity load forecasting
Fan Demand prediction of production materials and simulation of production management
WO2023129164A1 (en) Digital twin sequential and temporal learning and explaining
Sanzana et al. Charging water load prediction for a thermal-energy-storage air-conditioner of a commercial building with a multilayer perceptron
Sarafanov et al. Automated data-driven approach for gap filling in the time series using evolutionary learning
Anish et al. Prediction of mutual fund net asset value using low complexity feedback neural network
Mohamed et al. Digital Twins for Energy-Efficient Manufacturing
Hennebold et al. Machine learning based cost prediction for product development in mechanical engineering
CN114662009B (zh) 一种基于图卷积的工业互联网工厂协同推荐方法
Li Assembly line balancing under uncertain task time and demand volatility
EP3904974A1 (en) Predicting at least one feature to be predicted of a target entity
Domingo et al. Complexity in manufacturing processes and systems
Greitemann et al. Quantitative model of the technology lifecycle for forecasting the maturity of manufacturing technologies

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