基于多源知识集成迁移的钢铁企业蒸汽系统动态调度方法研究

In this project, the knowledge integrated transfer learning-based scheduling methods are studied for the dynamic scheduling problem of the medium and low pressure steam system in steel industry. 1) Considering that the expression patterns of different knowledge, including process data, mechanism, expert experience and production planning, have structural differences, the scheduling knowledge transferring and extracting methods based on the cooperation of process data and semantic logic from multi-source are studied for transferring the common knowledge of the medium and low pressure steam system. 2) The transferring and reconstruction-based relevance mining for multi-source knowledge, and the fusion of scheduling decisions based on correlation transferring and integration of uncertain reasoning are studied for the fusion of heterogeneous scheduling knowledge. The cooperative organization of the knowledge feature layer and integrated reasoning of the decision layer are effectively combined. 3) To solve the evolution problem of the knowledge-based model, the incomplete knowledge-based integrated reasoning and the knowledge dynamic updating method are studied, which consider the energy decisions, production planning and process data. The self-learning and adaptive ability of the knowledge-based scheduling model are greatly improved. This project aims to provide effective solutions to the scheduling problem of steam system in steel industry. The research results can not only solve the steam scheduling problem, but also lay the foundation for the development of knowledge automation and artificial intelligence technology.

本项目针对钢铁企业中/低压蒸汽系统的动态调度问题，开展基于知识集成迁移的调度方法研究。1）针对数据、机理、经验、计划等异构知识表达方式以及中/低压蒸汽系统调度决策的相似性，拟研究基于过程数据与多源语义逻辑协同的调度知识迁移表达与提取方法，对中/低压蒸汽系统的共性知识进行迁移学习。2）针对异构调度知识的融合问题，拟研究基于迁移重构的多源调度知识关联挖掘与基于相关关系迁移和不确定推理集成的调度决策融合，将知识特征层的协同组织与决策层的推理集成有机结合。3）针对训练样本的有限性和模型进化问题，拟研究面向能源决策、生产计划和过程数据的不完备知识推理集成与知识动态更新方法，提高知识模型的自学习和自适应能力。本研究旨在为钢铁企业蒸汽系统的调度问题提供有效的解决方案，项目研究成果不仅能够切实解决蒸汽调度问题，还可以为流程工业知识自动化和人工智能技术的发展奠定基础。

本项目针对钢铁企业中/低压蒸汽系统的动态调度问题，开展基于知识集成迁移的调度方法研究。主要研究内容包括：工业数据的预处理技术；基于数据和知识的系统建模和状态评估方法；多源知识的迁移集成方法；基于数据和知识的调度优化决策；基于数据和知识的优化调度工业软件系统开发及应用。取得的主要成果如下：针对工业数据的预处理问题，提出面向工业时间序列数据的缺失值填补方法和数据语义逻辑知识表达方法。针对工业系统建模和状态评估问题，提出基于数据和知识的在线建模推理方法，并针对工业应用的多工况问题和长期预测需求，提出基于同构/异构知识迁移和基于深度特征提取的建模方法。针对多源知识的迁移集成问题，将迁移学习和对抗思想相结合，提出了一种基于双重对抗迁移学习的方法，并针对不同视角知识的集成迁移问题，设计了一种多视角知识的统一建模方法。针对调度方案提取问题，基于多源知识特征提取得到的低维特征信息，通过分段模糊熵和聚类分析的方法分析调度知识推理前件的分布特征，发现知识中的隐性关系，完成知识模型的扩充，实现基于不完备知识的推理集成。针对工业系统多目标、强耦合等问题，提出基于合作协同优化的多能流不确定多目标决策方法。考虑到调度决策过程复杂，调度规则量大，提出一种基于异构数据特征学习的知识检索方法。最后，开发了模块化的应用软件系统，并在钢铁企业能源中心进行应用验证，初步实现了系统状态的准确评估，并通过动态优化调度方法有效提高蒸汽系统余热发电量，提升了能源使用效率。本项目将理论研究与实际应用紧密结合，共发表学术论文10篇，其中2篇被SCI检索，申请国际发明专利1项，授权国家发明专利1项，受理3项，获软件著作权1项。另外，相关成果获得中国自动化学会科技进步奖一等奖，获中国自动化学会组织的科技成果鉴定一项，鉴定结果显示，项目总体水平达到国际先进，其中工业能源系统产-储-消全过程多尺度预测方法处于国际领先。