基于大数据知识自动化的复杂离散制造能耗网络协同优化

Abstract: Energy consumption system of complex discrete manufacturing is shown as a complex network generated from the synergistic effect of multiple networks with different properties, in which case system modeling and analysis become difficult. Based on the complex network theory, this project aims at searching for complex energy consumption network models and optimization methods based on big data knowledge automation, under the condition of difficult to establish accurate mechanism models.(1)Supernetwork modeling method of complex discrete manufacturing energy consumption system and knowledge representation method of energy consumption based on supernetwork models is put forward.(2)Analyzing dynamic evolution rules of energy consumption supernetwork, this project presents a method to discover and associate with knowledge automatically based on big data and network models and a method to fuse energy consumption knowledge automatically at different levels.(3)This project also studies a method to automatically obtain knowledge related to energy consumption activities, establishes knowledge system to evaluate multilayer energy efficiency and put forward a analytic hierarchy process ,in which multi-models coupled with multi-objects and multi-properties,based on big data for quantitative evaluation of energy efficiency. (4)For the whole life cycle of discrete manufacturing process, co-optimization framework, named “3-step”,which combined with optimal methods like advance-afterwards optimization and online-offline optimization is put forward to study a large-scale nonlinear hybrid intelligent optimization algorithm on the basis of integration of data and knowledge and solve optimization problems.This project presents a distinct innovation on method and a convenience on application. The results could provide theoretical and technical support for the development of related fields.

摘要：大数据环境下复杂离散制造能耗系统表现为由多个不同性质网络协同作用形成的复杂网络，系统建模与分析困难。本项目在难于建立精确机理模型条件下，基于复杂网络理论，探索基于大数据知识自动化的复杂能耗网络建模与优化方法。（1）提出复杂离散制造能耗系统超网络建模方法，给出基于超网络模型的能耗知识表示方法。（2）分析能耗超网络动态演变规律，提出基于大数据与网络模型的知识自动关联与发现方法，以及不同能级能耗知识自动融合方法。（3）研究能耗活动相关知识自动化获取方法，构建多层能效评价知识体系，提出基于大数据的多模型交叉多目标多属性层次分析方法进行能效量化评价。（4）面向离散制造过程全生命周期，提出事前-事后、在线-离线优化组合的“3-step”协同优化框架，基于数据与知识融合的大规模非线性混合智能优化算法，求解优化问题。本项目研究具有鲜明的方法创新和应用特色，研究成果可为相关领域发展提供理论与技术支撑。

项目围绕复杂离散制造系统能耗知识自动化发现问题进行研究，以复杂离散制造过程为研究对象，从其能流的多源性、层次性、瞬时多变性的特征出发，以复杂能流网络建模与能效优化目标，综合集成系统中的物料流、能量流与信息流，利用系统中产生的海量制造/能量/管理数据，采用数据与知识的融合方法，提出基于大数据知识自动化的复杂离散制造能流网络建模与协同优化理论体系，解决复杂离散制造系统能流网络建模与知识表示、数据与知识的动态协同演化、多层能效量化分析、复杂能流网络制造/能量的多目标协同优化问题，为复杂离散制造过程能效、关键节点节能潜力分析、能流最优分布与资源优化配置提供有效的理论技术支撑。.具体完成情况包括：.（1）完成了复杂离散制造能耗系统建模与知识表示方法研究，建立了基于本体的能效系统的知识表示方法和知识模型，给出了本体之间的关联性描述，并对模型的有效性进行了仿真验证。.（2）完成了基于大数据的能耗网络知识自动发现方法研究，分别设计了典型工艺路线、工艺参数与调度规则的自动化发现算法，通过仿真对比分析，验证了能效关联知识自动化发现算法的有效性和优越性。.（3）完成了基于知识与模型融合的能效分析方法研究，建立了离散制造系统能效量化评价指标体系，设计了能效知识与模型融合框架，提出了多目标多属性能效的量化评价算法、以及基于复杂网络模型的能效瓶颈识别算法，并验证了方法的有效性。.（4）完成了基于数据与知识融合的能耗网络多目标协同优化方法研究，针对不同的生产场景和条件，建立了多场景的能效/生产多目标协同优化模型，设计了面向“3-step”框架的动静态混合调度机制，提出了模糊、高维（4个目标以上）等复杂多目标优化算法。. 项目在能耗知识建模和知识自动化发现与推理方面取得了创新性成果。撰写英文学术专著1 部《Quantitative Analysis and Optimal Control of Energy Efficiency in Discrete Manufacturing System》，是第一部关于离散制造系统能耗量化评价与优化的专著；在国内外核心期刊和权威学术会议发表研究论文全文77篇，SCI 收录26篇， CSCD 收录51篇，申请及授权发明专利8项，以第一完成人获教育部科技进步二等奖2项。