面向炼铁高炉的动态数据与先验知识协同驱动的可计算建模研究

As blast furance ironmaking process is a highly complicated nonlinear industrial process, it is difficult to set up accurate mathematical model and mechanism model. The dynamic production process has accumulated massive production data, a large amount of blast furnace expert knowledge and fuzzy rules. The computable modeling method of multi-source information fusion to integrate the heterogeneous complementary information makes the fundamental of optimal operation of blast furnace ironmaking process. The main research contents of this project are as follows: online kernel learning model and the corresponding rule extraction method to mine valuable knowledge from dynamic data and to improve data-driven model’s comprehensibility and transparency; realize the unified mathematical representation of multiple-source heterogeneous information under the framework of fuzzy mathematical theory and design non-sparse multiple kernel learning algorithm; finish the validation of dynamic data and prior knowledge integrated-driven modeling method in blast furnace ironmaking process. This project serves to obtain more blast furnace expert rules, to provide feasible scheme for computable modeling method to realize complementary fusion of multiple-source information and to improve the automation level of blast furnace ironmaking process.

高炉炼铁是高度复杂的非线性工业生产过程，难以建立精确的数学模型和机理模型。动态变化的生产过程积累了大量数据、丰富的专家知识和模糊规则等定量、定性和半定性信息。研究多源信息融合的可计算建模方法，高效整合上述异质互补信息是实现高炉炼铁过程优化操作的有效途径。本课题拟研究动态数据与先验知识协同驱动的可计算建模方法，包括：在线核学习模型及其规则提取算法，从动态变化的生产数据中挖掘有价值的知识以增进模型的可解释性和透明度；在模糊数学框架下建立多源信息的统一数学表示方案，解决繁杂多样的先验知识的数学描述问题；通过设计非稀疏多核学习算法，解决动态数据和先验知识的融合建模问题；完成模型在冶金工业中的应用验证。课题研究将有助于获取更多的高炉专家规则，为实现数据和知识互补融合的可计算建模提供可行方案，对于提高高炉炼铁的自动化水平、促进工业技术进步具有重要意义。

本项目针对高炉炼铁过程的两个特点开展建模研究：①针对高炉炼铁过程的动态、时变特征，在现有数据驱动建模方法研究的基础上研究能高效运行的在线核学习模型并研究核学习模型的规则提取算法进而提高模型的可解释性；②针对高炉炼铁过程产生的多源异质信息如海量生产、设备和过程数据等定量信息、模糊规则等半定性信息以及丰富的高炉专家知识等定性信息，研究了多源异质信息融合互补的可计算建模方法。依托本项目，课题组取得了如下成果：针对鞍点系统的块三角预处理子问题，对其谱性质进行了理论分析。该工作为设计LS-SVMs模型的高效求解算法奠定了理论基础。成果发表于《Computers & Mathematics with Applications》。建立了基于LS-SVMs的高炉炉温自适应预测模型。将复杂度从原来的O(n3m+m4)降到O(n3+m3)。该研究成果发表于《ISIJ International》。提出了一种基于chunk-by-chunk更新的新模式，并基于此建立了增量式在线LS-SVMs学习模型。每次迭代可减少O(nm2)次运算。相关研究成果发表于《Applied Soft Computing》。为了进一步降低数据驱动模型的计算复杂度，提出了一种基于预算的在线LS-SVMs算法，该算法能进一步降低存储量，提升模型运行效率，该成果已正式发表于国际顶级期刊《IEEE Transactions on Neural Networks and Learning Systems》。为了提升非线性模型的可解释行，提高模型在应用领域的使用效果，提出了一种能有效整合专家知识的非线性学习建模方法，该方法提升了数据驱动建模方法在实际问题中的应用效果，该成果发表于工程领域顶级期刊《IEEE Transactions on Industrial Electronics》。基于L2多核学习算法提出了一种多源信息融合模型,该模型能实现异构信息的统一表示和有效融合，相关成果发表于《IEEE/ACM Transactions on Computational Biology and Bioinformatics》。