基于车间大数据的动态多目标协同优化方法和系统

摘要

本发明涉及甘蔗压榨过程优化控制领域，涉及基于车间大数据的动态多目标协同优化方法，包括1)采集系统的大数据信息，提取流特征信息；2)对物质流、能量流以及信息流逐个单一进行分析形成信息数据库，信息数据库包括流的状态变量和序参量；3)以单一流参数目标为优化目标，与其他两个不同流参数系统耦合协同进行分析,明确信息数据库中耦合变量、辅助变量以及流‑流协同作用律；4)在各个流在序参量的支配作用下实现系统最优化的基础上，在系统耦合变量和辅助变量的约束下，采用混合鸡群算法对目标函数进行求解，计算出系统的工艺参数，本发明方面在甘蔗压榨生产不同生产边界条件下处于最优状态下，提高压榨效果和压榨量，降低能耗。

权利要求

1.基于车间大数据的动态多目标协同优化方法，作用在车间作业的自动控制系统上，其特征在于，所述车间作业过程的参数包括物质流、能量流以及信息流的参数系统，所述基于车间大数据的动态多目标协同优化方法步骤包括:

1）采集系统的大数据信息，结合经过包括清洗去噪、集成、转换预处理操作的车间大数据资源，提取流特征信息；

2）对物质流、能量流以及信息流逐个单一进行分析形成信息数据库，所述的信息数据库包括流的状态变量和序参量；

3）分别以单一物质能量流协同关联、能量信息流协同关联、物质信息流协同关联作为优化目标，与其他两个不同流参数系统耦合协同进行分析,明确信息数据库中耦合变量、辅助变量以及流‑流协同作用律；

4）各个流在序参量的支配作用下实现系统最优化的基础上，对步骤3）中多个流协同作用进行全局协调，在系统耦合变量和辅助变量的一致约束下，采用混合鸡群算法对目标函数进行求解，计算出系统的工艺参数；

其中，所述的混合鸡群算法过程包括：

① 重新定义了适应度公式，将精英反向学习机制引入种群个体初始化中；

② 公鸡子群的更新迭代中引入正反向学习机制，在小鸡更新迭代中引入双亲引导机制和自适应因子；

③ 引入小生境机制，用于更新维护外部档案库，保证种群的多样性。

2.根据权利要求1所述基于车间大数据的动态多目标协同优化方法，其特征在于，所述步骤1）中的所述流特征信息包括所涉及流的因素变量以及运行机制。

3.基于车间大数据的动态多目标协同优化系统，作用在车间作业的自动控制系统上，其特征在于，包括：流特征属性提取层，采集系统的大数据信息，结合经过包括清洗去噪、集成、转换预处理操作的车间大数据资源，提取流特征信息，所述的特征信息包括所涉及流的因素变量以及运行机制；

子系统分析层，对物质流、能量流以及信息流逐个单一进行分析形成信息数据库，所述数据库的信息包括流的状态变量和序参量；

局部协同优化层，分别以单一物质能量流协同关联、能量信息流协同关联、物质信息流协同关联作为优化目标，对所述子系统分析层中两个不同流参数系统耦合协同进行分析,明确数据库中耦合变量、辅助变量以及流‑流协同作用律；

系统协同优化层，各个流在序参量的支配作用下实现子系统最优化的基础上，对所述局部协同优化层中多个流协同作用进行全局协调，在系统耦合变量和辅助变量的一致约束下，采用混合鸡群算法对目标函数进行求解，计算出系统的工艺参数；

其中，所述的混合鸡群算法过程包括：

① 重新定义了适应度公式，将精英反向学习机制引入种群个体初始化中；

② 公鸡子群的更新迭代中引入正反向学习机制，在小鸡更新迭代中引入双亲引导机制和自适应因子；

③ 引入小生境机制，用于更新维护外部档案库，保证种群的多样性。

说明书

基于车间大数据的动态多目标协同优化方法和系统

技术领域

[0001] 本发明涉及甘蔗压榨工艺过程设计优化控制领域，涉及基于车间大数据的动态多目标协同优化方法。

背景技术

[0002] 甘蔗提汁是制糖工艺的第一环节，提汁过程顺利与否，抽出率、压榨量和生产能耗等是否达标，将影响到整个糖厂的顺利运行和经济效益。压榨提汁的过程是一个具有多因素、多约束、多目标、强耦合、大非线性和不确定性的复杂过程。在压榨生产系统设计上，主要依靠经验计算分析的方法，生产过程的控制更多关注几个关键工艺点的局部控制，一些操作设定值仍依赖于操作者的经验值，维持运行指标在一个合理的范围内，以实现均衡入料和均衡压榨。因此，压榨过程中各工序的输送环节、渗透水处理环节等过程操作参数由于榨量、蔗料糖分、破碎度等工况条件改变的适应性差，运行过程生产工况参数和各工序运行状态变化引起的动态的“短板”效应较为突出，其生产效率、效果以及能耗等都存在诸多问题和矛盾。目前我国糖厂压榨生产系统普遍自动化程度低，耗能高、安全率低、稳定性差以及对榨量波动的适应性差等。

[0003] 如何利用大数据思维，结合人工智能技术从智能车间生产过程产生的海量数据中挖掘有价值的信息来指导车间运行优化控制，是生产过程中迫切需要解决的问题。甘蔗压榨过程是一种动态持续运行的多工序生产系统，将其抽象为物质流、能量流和信息流的相互作用和相互影响，解决甘蔗压榨过程各生产单元有效协调的全局协同优化方法，可有效解决我国糖厂压榨生产系统普遍自动化程度低，耗能高、安全率低、稳定性差以及对榨量波动的适应性差等问题，为制糖企业节能减排、优质高产提供解决方案。

发明内容

[0004] 本发明的目的在于提供基于车间大数据的动态多目标协同优化方法，从而打破传统压榨系统对压榨提汁效果和效率的限制。

[0005] 为实现上述目的，本发明提出的基于车间大数据的动态多目标协同优化方法，作用在针对车间多因素、多约束、多目标、强耦合、大非线性的自动控制系统上，所述车间作业过程的参数包括物质流、能量流以及信息流的参数系统，

[0006] 所述基于车间大数据的动态多目标协同优化方法步骤包括:

[0007] 1)采集系统的大数据信息，结合经过包括清洗去噪、集成、转换预处理操作的车间大数据资源，提取流特征信息；

[0008] 2)对物质流、能量流以及信息流逐个单一进行分析形成信息数据库，所述的信息数据库包括流的状态变量和序参量；

[0009] 3)分别以单一物质能量流协同关联、能量信息流协同关联、物质信息流协同关联作为优化目标，与其他两个不同流参数系统耦合协同进行分析,明确信息数据库中耦合变量、辅助变量以及流‑流协同作用律；

[0010] 4)各个流在序参量的支配作用下实现系统最优化的基础上，对步骤3)中多个流协同作用进行全局协调，在系统耦合变量和辅助变量的一致约束下，采用混合鸡群算法对目标函数进行求解，计算出系统的工艺参数。

[0011] 进一步的，所述步骤1)中的所述流特征信息包括所涉及流的因素变量以及运行机制。

[0012] 进一步的，所述的混合鸡群算法过程包括：

[0013] 1)重新定义了适应度公式，将精英反向学习机制引入种群个体初始化中；

[0014] 2)公鸡子群的更新迭代中引入正反向学习机制，在小鸡更新迭代中引入双亲引导机制和自适应因子；

[0015] 3)引入小生境机制，用于更新维护外部档案库，保证种群的多样性。

[0016] 进一步的，所述流参数目标为：物质能量流协同关联、能量信息流协同关联、物质信息流协同关联。

[0017] 本发明还通过基于车间大数据的动态多目标协同优化系统，作用在车间作业的自动控制系统上，包括：

[0018] 流特征属性提取层，采集系统的大数据信息，结合经过包括清洗去噪、集成、转换预处理操作的车间大数据资源，提取流特征信息，所述的特征信息包括所涉及流的因素变量以及运行机制；

[0019] 子系统分析层，对物质流、能量流以及信息流逐个单一进行分析形成信息数据库，所述数据库的信息包括流的状态变量和序参量；

[0020] 局部协同优化层，分别以单一物质能量流协同关联、能量信息流协同关联、物质信息流协同关联作为优化目标，对所述子系统分析模型中两个不同流系统耦合协同进行分析,明确数据库中耦合变量、辅助变量以及流‑流协同作用律；

[0021] 系统协同优化层，各个流在序参量的支配作用下实现子系统最优化的基础上，对所述局部协同优化层中多个流协同作用进行全局协调，在系统耦合变量和辅助变量的一致约束下，采用混合鸡群算法对目标函数进行求解，计算出系统的工艺参数。

[0022] 进一步的，所述流参数目标为：物质能量流协同关联、能量信息流协同关联、物质信息流协同关联。

[0023] 有益效果

[0024] 本发明方法应用物质流、能量流和信息流三流协同的方法对车间作业系统进行全局协调优化，基于运行大数据挖掘压榨过程中物质流、能量流和信息流协同机理，构建基于流特征属性抽取方法和熵分析等方法的车间作业过程优化设计模型，提出一种混合鸡群方法的协调求解器对该模型进行求解。经过三流协同作用，优化压榨提汁过程操作参数，实现对压榨提汁过程物质流、能量流和信息流的动态协同控制，保证系统在不同生产边界条件下处于最优状态下，提高压榨效率和效果，降低能耗。

附图说明

[0025] 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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

[0026] 图1是根据本发明的甘蔗压榨系统“三流”耦合关系分析图。

[0027] 图2是根据本发明的基于大数据驱动的动态多目标协同优化建模求解图。

[0028] 图3是根据本发明的的压榨系统多目标协同优化建模示意图。

[0029] 图4是根据本发明的基于混合鸡群算法的优化求解策略示意图。

具体实施方式

[0030] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0031] 实施例1

[0032] 如图1所示，本发明以甘蔗压榨车间为例，甘蔗压榨提汁的过程是一个具有多因素、多约束、多目标、强耦合、大非线性和不确定性的复杂过程，压榨车间中“三流”耦合关系，根据甘蔗压榨系统中物质的基本特征、所涉及的因素及流动变化关系，将甘蔗压榨过程划分由物质流、能量流和信息流三个子系统组成，物质流是被加工的主体，包括甘蔗、渗透水、混合汁、蔗渣等；能量流是工艺过程的驱动力，包括加热渗透水的热能、设备运行的电能、机械能等；信息流为物质流行为、能量流行为和外界环境信息的反应以及人为调控信息总和，包括蔗渣转光度、蔗渣含水量、输送带速度、蔗料流量、渗透水温度、工艺指标属性、效率属性、生产边界属性、设备负荷属性等。通过对甘蔗压榨过程出现的的耦合关系进行分析，初步分析物质流、能量流和信息流之间的相互作用，物质流制约能量流的变化，如甘蔗流量的变化和渗透水的流量影响着设备能流的变化，能量流的变化影响物质流的转换效率，如榨机能流影响着混合汁的流量、泵送能流影响着渗透汁/水的流量。物质流和能量流作为信息流的载体，影响信息流指标，信息流制约着物质流和能量流的变化，如信息流中的工艺指标影响着甘蔗流量、设备能流。

[0033] 如图2‑3所示，本发明所述的基于车间大数据的动态多目标协同优化系统，将甘蔗压榨系统分为物质流子系统、能量流子系统和信息流子系统。据上述对甘蔗压榨提汁过程中三流耦合关系，甘蔗压榨提汁系统三流协同优化建模，包括大数据中心、流特征提取层、子系统分析层、局部协同优化层、系统协同优化层、系统优化求解层。

[0034] 大数据中心用于收集甘蔗压榨提汁过程包括被加工的物质的状态参数、压榨过程中产生能量的状态参数以及设备的状态参数等的历史数据和实时数据，经数据预处理，分别获得包括生产计划、原料成分、能源数据、设备状态、成品质量等大数据信息。

[0035] 流特征提取层用于采集系统的大数据信息，结合经过包括清洗去噪、集成、转换等预处理操作的车间大数据资源，提取包括所涉及流的因素变量以及运行机制的流特征信息；流特征提取层为后续的多层面分析提供可靠、可复用的数据资源。根据压榨系统中物质的基本特性以及流动变化的关系，结合车间大数据信息综合运用包括以下一种或多种分析方法：时间渐进方法、交变频率法、经验变换法、深度学习法和主成分分析法等分析系统所涉及的因素。

[0036] 子系统分析层，用所述的流特征属性提取层对单一流子系统进行分析形成一定信息的数据库，所述的信息数据库包括流中起支配作用的序参量和状态变量，序参量包括物质流序参量、能量流序参量、信息流序参量。具体的以系统优化目标为输出，流特征提取层提取各状态变量为输入，基于数据驱动模型确定各个状态参数的权重，多属性决策获取系统性能的关键因素，建立各个流子系统的状态参量体系；

[0037] 局部协同优化层用于分别对物质能量流协同关联、能量信息流协同关联、物质信息流协同关联作为优化目标，结合数据库运用熵分析和互信息的方法对所述子系统分析层中两个不同流系统耦合协同进行分析，明确数据库各个目标相关的的辅助变量、耦合变量以及流‑流协同作用律。

[0038] 系统协同优化层，将物质流、能量流以及信息流协同的系统优化设计作为该层的优化模型，以包括蔗汁抽出预测、榨量预测、能耗预测、协同参数作为优化目标，以包括工艺渐变属性；经验属性、设备负荷属性、工艺规程属性、运行容差属性作为约束条件。各个流在序参量的支配作用下实现子系统最优化的基础上，以目标集为输出和相应的流特征属性中辅助变量和耦合变量为输入，基于深度数据驱动的方法，对所述的局部协同优化层之间的多个流相互协同作用进行全局协调，建立压榨过程协同优化模型。

[0039] 系统优化求解层，采用混合鸡群算法对对所述的系统协同优化层计算出系统的工艺参数，作用于自动控制系统，保证系统在不同生产边界条件下处于最优状态下，提高压榨效果和压榨量，降低能耗。

[0040] 如图4所示，基于混合鸡群算法的优化求解策略示意图，将系统目标集{f1(X),.......,fM(X)},M为目标集的个数输入优化求解层，并随机生成多个维度的粒子，每个粒子对应于当前工况下的一组操作参数的值。对所有粒子遍历寻优时，将每个粒子输入系统协同优化层得到的系统过程模型，通过深度数据驱动学习算法，得到实时系统运行目标。其中运行目标是在保证高抽出和高榨量的同时，降低能耗。具体寻优过程如下：

[0041] 1)设置种群的进化代数、等级制度更新的代数、约束变量范围、外部档案的容量以及三个子群的比例，引入反向学习策略，对随机生成的粒子求反向种群，在初始种群和反向种群中，选取适应度较优的种群构成初始种群NP。所述的适应度计算包括：

[0042]

[0043] 2)对所述初始种群的个体按照设置参数，按照适应度的排列顺序将整个解空间划分成三个子群，分别为公鸡群体NR、母鸡群体NH和小鸡群体NC，根据相应的更新公式更新子群。

[0044] 3)按照所提出的适应度确定最优个体和最差个体。

[0045] 4)在公鸡子群中引入正反向学习机制，即向全局最优个体正向学习，加快收敛速度，当发现全局最优个体多次不变时，向全局最差个体反向学习，以一定概率跳出局部最优解。

[0046] xt+1i＝xti*(1+Randn(0,σ2))+w1(xtbest‑xti)

[0047] xt+1i＝xti*(1+Randn(0,σ2))+w2(xtworst‑xti)

[0048]

[0049] 式中，Randn(0,σ2)是个均值为0，标准差为σ2的高斯分布，xti为第t次迭代时第i个t+1 t个体中的位置，x i第t+1次迭代时第i个个体中的位置，x best为第t次迭代时全局最优个t
体，xbest为第t次迭代时全局最差个体，w1和w2分别为正向学习和反向学习的学习因子，fi为第i个个体的适应度，fk为第k个个体的适应度，k∈[1,NH]。

[0050] 5)母鸡子群位置更新公式。

[0051] xt+1i＝xti+S1*rand*(xtr1‑xti)+S2*rand*(xtr2‑xti)

[0052]

[0053]

[0054] 式中，xti为第t次迭代时第i个个体中的位置，xt+1i第t+1次迭代时第i个个体中的位置，r1为母鸡所跟随的公鸡，r2为整个鸡群随机选取的公鸡或母鸡，且r1≠r2。

[0055] 6)将双亲引导机制和自适应因子引入小鸡位置更新中。

[0056] xt+1i＝w*xti+λ1*(xtm‑xti)+λ2*(xtr1‑xti)

[0057] 式中，xti为第t次迭代时第i个个体中的位置，xt+1i第t+1次迭代时第i个个体中的t位置，xm为第i个体所跟随的母鸡个体， 为小鸡所跟随的公鸡个体。w为权重，λ1、λ2分别为向母鸡、公鸡学习因子。

[0058] 7)将所得到的非支配解集存于外部档案中，通过引入小生境共享机制对外部档案集进行更新和维护，保证种群的多样性。

[0059] 8)达到迭代次数，遍历寻优结束，输出外部档案集。根据实际生产需求，在外部档案库决策相应的最优解。

[0060] 鸡群算法与正反向学习机制的融合，既可以相互独立处理数据，又可以彼此相互协调，共同作用；既能保证粒子开拓和探索解空间，又能在算法停滞早熟时及时跳出局部最优。小生境技术的融入，保证了混合鸡群算法对多峰值函数优化问题求解的有效性。

[0061] 实施例2

[0062] 基于上述实施例1的基础上提供一种基于车间大数据的动态多目标协同优化方法，其步骤包括:

[0063] 1)收集甘蔗压榨提汁过程包括被加工的物质的状态参数、压榨过程中产生能量的状态参数以及设备的状态参数等的历史数据和实时数据，经数据预处理，分别获得包括生产计划、原料成分、能源数据、设备状态、成品质量等大数据信息。采集系统的大数据信息，结合经过包括清洗去噪、集成、转换预处理操作的车间大数据资源，提取包括所涉及流的因素变量以及运行机制的流特征信息。

[0064] 2)对物质流、能量流以及信息流逐个单一进行分析形成信息数据库，所述的信息数据库包括流的状态变量和序参量；序参量包括物质流序参量、能量流序参量、信息流序参量。具体的以系统优化目标为输出，流特征提取层提取各状态变量为输入，基于数据驱动模型确定各个状态参数的权重，多属性决策获取系统性能的关键因素，建立各个流子系统的状态参量体系。

[0065] 3)分别以单一物质能量流协同关联、能量信息流协同关联、物质信息流协同关联作为优化目标，与其他两个不同流参数系统耦合协同进行分析,明确信息数据库中耦合变量、辅助变量以及流‑流协同作用律；

[0066] 4)各个流在序参量的支配作用下实现系统最优化的基础上，对步骤3)中多个流协同作用进行全局协调，在系统耦合变量和辅助变量的一致约束下，采用混合鸡群算法对目标函数进行求解，计算出系统的工艺参数。

[0067] 以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。