工程3（2017）183研究智能流程制造-回顾基于数据的选矿厂优化研究进展丁金良*，杨翠娥，柴天佑东北大学流程工业综合自动化国家重点实验室，沈阳110819ARt i clEINf oA b s tRAC t文章历史记录：2017年1月23日收到2017年3月9日修订2017年3月10日接受2017年3月21日在线发布保留字：基于数据优化全厂全局优化选矿调查在全球化的市场环境中，复杂工业工厂内日益重要的经济和环境因素对全球生产指标的优化施加了重要性;这种优化包括生产效率、产品质量和产量的提高，以及能源和资源使用的减少。本文简要综述了数据驱动的混合智能优化方法和技术在提高选矿全局生产指标性能方面的最新进展。首先，我们提供问题描述。接下来，我们总结了选矿厂基于数据的优化的最新进展。该优化包括四个层次：月度全局生产指标目标值的优化、日全局生产指标目标值的优化、运行指标目标值的优化和单元过程自动化系统。我们简要概述了最近的进展，在每一个不同的层。最后，我们指出了未来工作的机会，在基于数据的优化矿物加工厂。© 2017 The Bottoms.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版这是CC BY-NC-ND下的开放获取文章许可证（http：//creati v ecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍选矿生产过程是典型的复杂工业过程。它由串联的多个单元过程组成，其中每个单元过程的输出是后续单元过程的输入[1]。每个单元过程都有自己的任务，并使用不同的性能指标来评价自己的产品质量和生产效率。每个单元的操作包含更高级别的操作优化系统，以确保操作指标（即，生产阶段的质量、效率和消耗）落入其目标范围，并生成控制器的设定点[2，3]。所有单元过程一起操作以产生最终产品。在这里，我们把每一个单元过程的性能指标称为统一的技术指标，这些指标代表了单位产品质量、生产效率等。最终产品的精矿品位称为全球生产指数。在实际生产中，各单元工序的统一技术指标直接影响全局生产指标。众所周知，单元过程的局部优化不能保证工厂范围内的全局优化。为此，开展了协调各单元工艺统一技术指标的研究，逐步实现全厂生产全过程的全局优化[4-8]。因此，重要的是协调所有这些单位，以优化全球生产指标-即最终的生产质量，产量和利润。近年来，工业过程操作优化和控制的概念和实践越来越受到人们的关注[4在化学工业中，由实时优化（RTO）和模型预测控制（MPC）组成的双层系统已广泛应用于确保单元过程的最佳操作[13]。采用一系列变化或基于RTO的适应策略来处理诸如RTO需要稳态模型的问题[6然而，RTO在应用于没有数学模型的复杂工业过程时遇到了许多困难。在选矿等大型连续工业过程中，由于物理和化学反应的影响，操作指标与被控变量之间的关系是非线性的，* 通讯作者。电子邮件地址：jlding@mail.neu.edu.cnhttp://dx.doi.org/10.1016/J.ENG.2017.02.0152095-8099/© 2017 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。 这是CC BY-NC-ND许可证下的开放获取文章（http：//creati v ecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect工程杂志主页：www.elsevier.com/locate/engi、j184J. Ding等人/工程3（2017）183耦合。此外，运行指标与被控变量之间的关系具有不确定性，难以用数学模型描述。现有方法主要针对单元优化，没有考虑单元过程之间的相关性.这种方法导致局部最优操作，这不能保证全局的生产指标优化的整个工厂。为了解决这些问题，近年来提出了许多有价值的基于数据驱动的混合智能优化方法，用于全局生产指标优化这些方法的目的是在不确定性条件下对整个工业过程进行优化。它们不需要数学模型，因为它们依赖于操作员此外，这些方法可以通过闭环策略来适应动态环境，该策略由控制理论的思想组成，即反馈，基于预测的前馈和动态调整。这些数据驱动的混合智能优化方法已经通过模拟或在选矿厂的实践进行了评估。本文概述了数据的最新进展-基于优化的选矿厂。本文的其余部分组织如下：第2节提出的问题描述。第三部分总结了基于数据的选矿厂优化的最新进展。本文在第4节中结束，其中包含了在这一领域可能的研究方向的建议。2. 问题描述复杂矿物加工决策方法通常包含全局生产指标的时间尺度和空间尺度分解，如图1所示。1.一、第一，决策工厂的部门根据其操作经验确定月度全球生产指数Qj（tm）（其中j=1，2，然后，计划和调度部门根据月度全球生产指数Qj（t m）生成每日全球生产指数Qj（td）（其中j =1，2，最后，技术部门将每日全球生产指数Qj（td）分解为每个单元过程的操作指数r*（th）（其中，i =1，2，操作最优控制系统生成用于控制回路的设定点y *，并且控制系统跟踪设定点。最终目标是使全球生产指数落入其目标范围。参考文献[12]包含更详细的描述。3. 数据驱动的混合智能建模与优化为了实现上述人工决策过程的优化，文献[12]提出了一种不同时间尺度的分层优化结构，旨在优化选矿的全局生产指标，如图所示。二、优化结构由四个层次组成：月度全局生产指标目标值优化、日全局生产指标目标值优化、运行指标目标值优化和单元过程自动化系统优化有关不同层的详细说明和功能，请参阅参考[12]第10段。在本文中，我们主要概述了基于数据的建模和优化方法的最新进展3.1. 全球生产指数全局生产指数的优化包括两个层次图1.一、选矿多层次优化问题描述。J. Ding等/ Engineering 3（2017）183图二、选矿自动化系统的集成优化结构。X*（t）为实数，表示第k种原矿的数量KD该方法可用于实现日生产指标的全局优化。Y*（t）= 1或0，表示是否使用第k种原矿来实现日球产量。KD生产指标优化[12]。基于不同时间尺度的全球生产指数的分解决策方法。上层决策旨在实现一组期望的生产目标（主要是在月时间尺度上），而下层决策旨在实现每个特定时段内的进一步分解（主要是在日时间尺度上），以满足上层生成的目标生产目标。全局生产指标的优化主要是在一定时间内实现成本最小化或利润最大化。参考文献[15-Yu等人[9]提出一个非线性多目标规划模型用于矿物加工生产规划。考虑了铁精矿产量、精矿品位、精矿比、金属回收率和生产成本等五个相互矛盾的全球生产指标。同时，提出了一种基于梯度的混合算子，对所建立的多目标问题进行决策集的构造。类似地，参考文献[10]提出了一种用于电熔炉的三目标调度方法，参考文献[11]提出了一种集成计划和调度的两级结构。在Ref.[11]被证明能够为决策者提供有效的原矿组合。参考文献[19，20]给出了化学加工中类似工作的详细描述，例如单阶段、多阶段连续和多产品工艺方法的规划和调度。我JK186J. Ding等人/工程3（2017）1833.2. 业务指数运营指数是全局生产指数的空间尺度分解生产阶段的质量、效率和消耗）。单元过程之间的关系通常是未知的。因此，协调各单元过程的目标操作指标的决策，实现全厂生产指标的最优化参考文献[21]提出了一种方法（图3），这是一个典型的运营指标优化框架该闭环动态优化策略包含四个模块：初始运行指标优化、全局生产指标预测模型、全局生产指标先验评估与动态调整、全局生产指标后验评估与动态调整。每个模块的功能如下所述。• 初始操作指标的优化本模块生成一组预设的操作索引ri，j（其中i= 1，2，…,• 全球生产指数预测模型。该模块使用在时间t的实际操作数据a来产生全局生产指数的预测值Qk（t）。• 全球生产指数的先验评估和动态调整。该模块使用目标操作指数r*（t）和预定操作指数-r（t）来生成补偿值Δr（t）。• 对全球生产指数的后验和动态调谐。该模块通过确定实际全局生产指数Qj（T）和目标生产值Q*之间的差值（其中t是采样间隔，T是测试间隔，T=nt，n是整数），生成另一个操作指数补偿值Δr（T）3.2.1. 运行指标参考文献[21，22]提出了一种混合优化方法，将基于实例的推理（CBR）与多目标进化算法（MOEA）相结合。在该方法中，基于CBR的操作指标的决策基于现场工艺工程师的操作经验，而MOEA是多个全局生产指标的优化。为了实现最佳操作，Ref.[23]解决了多阶段精馏过程优化问题，提出了多目标操作优化方法。文献[24]提出了一种将动态多目标方法与CBR方法相结合的运行指标决策方法。在实践中，操作指标优化通常是一个动态问题。为了解决这个问题，参考文献[25]提出了一种动态多目标方法，该方法考虑了加工过程中设备能力的不确定性。3.2.2. 全球生产指数全球生产指数的预测模型采用混合模型结构，由线性主模型和非线性补偿模型组成[21，22，24]。线性主模型提供了全球生产指数和运营指数之间的主要关系，而由最小二乘支持向量机（LSSVM）[26]建立的非线性补偿模型用于提供额外的校正，以实现更好的预测。此外，通过最小化建模误差的概率密度函数（PDF）来选择非线性补偿模型的参数[1]。这是首次将PDF控制方法引入到模型参数选择中。参考文献[27]开发了一种基于多模型策略的预测模型，该模型将模糊聚类算法与机器学习算法相结合。为了实现在线预测工厂范围内的全球生产指数，参考。[28]提出了一种基于数据的自适应在线预测模型，该模型通过使用训练样本方法的统计特性在线更新模型的参数来实现参考文献[29]提出了一种稳健的预测方法，该方法基于修改AdaBoost算法的权重，可以降低模型3.2.3. 动态调谐方法关于动态调整，基于知识的全局操作图3.第三章。 运营指标优化框架。OOC：最优操作控制; PCS：过程控制系统。 Q*表示第k个生产指标的目标值。Qk是第k个生产指数x的实际值。 ^Qk（t）表示第k个生产指数x的预测值[2 1]。J. Ding等/ Engineering 3（2017）183提出了一种方法，以最大限度地减少矿物加工厂操作中意外变化对生产性能的影响[30]。从过程运行数据中发现的自适应信号被用来构建闭环动态运行策略。提出了一种基于粗糙集的规则提取方法来生成补偿规则。此外，强化学习算法用于在线和在两个不同的时间尺度上补偿不确定性和校正基线操作指标。学习循环基于演员-评论家架构[24]。3.3. 最佳运行控制/设定点优化设定点是通过进一步分解操作指标获得的最终决策。通常，设定点优化应基于单元过程的特性[31]。例如，提出了一种用于竖炉-焙烧过程的混合智能控制方法[32]，其可以通过在线调整控制回路的设定点来将操作指数控制在期望范围内。设定点优化的另一个例子是用于研磨系统的基于智能的监督控制策略[33]，其中控制回路设定点优化模块、基于人工神经网络的软测量模块、基于模糊逻辑的动态调节器和基于专家的过载诊断和调节模块被集成以执行控制任务。有关更多的设定点优化方法，请参阅参考文献中的调查。[31、34]。4. 结论和进一步的工作复杂工业过程包含多个单元过程，过程往往具有不确定性.这需要优化整个生产线的全厂全局生产指数，以表征整个工厂的性能。为此，本文综述了一套以复杂工业过程全局生产指标优化为重点的决策方法对于未来的进展，重要的是整合每个开发商此外，如参考文献[21]中提出的数据驱动混合智能优化结构的有效性和通用性表明，应努力提高结构的每个模块的性能确认本工作得到国家自然科学基金（61525302，61590922）和辽宁省自然科学基金（2014020021，LR2015021）的部分资助遵守道德操守准则丁金良、杨翠娥及柴天佑声明彼等并无利益冲突或财务冲突须予披露。引用[1] 丁杰，柴泰，王宏。采用建模误差PDF整形和熵最小化的选矿产品质量预测离线建模IEEE Trans Neural Netw 2011;22（3）：408-19.[2] Jäschke J，Skogestad S. NCO跟踪和自寻优控制实时优化。 J Process Contr 2011;21（10）：1407[3] Würth L，Hannemann R，Marquardt W.一个经济最佳的过程控制和操作的两层体系结构。J Process Contr 2011;21（3）：311[4] Engell S.最佳过程操作的反馈控制。IFAC Proc 2006;39（2）：13-26.[5] Mercangöz M，Doyle FJ III.纸浆厂基准问题的实时优化。计算机化学工程2008;32（4[6] 盖伊·阿德托拉实时优化与模型预测控制的集成。J Process Contr 2010;20（2）：125[7] 秦SJ，樱桃G，好R，王J，哈里森CA。半导体封装-加工过程控制和监控：全晶圆厂框架。J Process Contr 2006;16（3）：179-91.[8] 巴图夏克路NLMPC：一个用于进料或产品柔 性制造的最佳控制平台In：Findeisen R ， Allgöwer F ， Biegler LT ， editors Assessment and futuredirections of nonlinear model predictive control.Berlin：Springer; 2007.第367-381页。[9] 余G，柴T，罗X.基于混合进化算法的选矿多目标生产计划优化。IEEE Trans EvolComput 2011;15（4）：487-514.[10] 孔伟，丁杰，柴涛，郑新，杨世。电熔炉负荷调度的多目标粒子群In：Proceedingsof the 2013 IEEE Symposium on Computational Intelligence for EngineeringSolutions（CIES）; 2013 Apr 16-19; Piscataway：IEEE; 2013. p. 188比95[11] 余G，柴T，罗X.基于混合MOEA的两级选矿生产计划分解。IEEE Trans Autom SciEng 2013;10（4）：1050[12] 蔡涛，丁杰，于刚，王宏.选矿自动化系统的综合优化IEEE Trans Autom Sci Eng2014;11（4）：965[13] Marchetti AG，Ferramosca A，González AH.整合即时最佳化与模型预测控制之稳态目标最佳化设计。J Process Contr 2014;24（1）：129[14] Chachuat B，Srinivasan B，Bonvin D.实时优化的自适应策略。计算机化学工程2009;33（10）：1557[15] 陈维祥。铜矿多维修项目调度的0-1目标规划模型。欧洲歌剧研究杂志1994;76（1）：176[16] Bevilacqua M，Ciarapica FE，Giacchetta G.关键链和风险分析应用于高风险行业维护：案例研究。Int J Proj Manag 2009;27（4）：419-32.[17] 库姆拉尔湾不确定条件下矿山系统优化的遗传算法。生产计划控制2004;15（1）：34[18] Cisternas LA，Gálvez ED，Zavala MF，Magna J.矿物浮选回路设计的MILP模型。Int J Miner Process 2004;74（1[19] Li Z，Ierapetritou M.不确定条件下的过程调度：回顾与展望.计算机化学工程2008;32（4[20] Pinto JM ， Grossmann IE. 过 程 系 统 调 度 的 分 配 与 排 序 模 型 。 Ann Oper Res1998;81：433[21] 蔡涛，丁杰，王宏.工业过程操作指标的多目标混合智能优化及应用。IFAC Proc.2011;44（1）：10517-22.[22] 丁军，柴泰，王宏，王军，郑旭。一种智能的工厂范围内的光学-连续生产过程中的误操作系统。Enterprise Inf Syst 2016;10（3）：286-302.[23] 丁 杰 ， 王 宏 ， 刘 春 ， 柴 涛 . 铁 矿 石 选 矿 过 程 的 多 目 标 操 作 优 化 方 法 。 In ：Proceedings of the 2013 International Conference on Advanced MechatronicSystems; 2013 Sep 25-27; Luoyang，China. Piscataway：IEEE; 2013. p. 582-7[24] Ding J，Modares H，Chai T，Lewis FL.动态环境下工业过程的基于数据的多目标全局优化。IEEE Trans Industr Inform 2016;12（2）：454[25] 杨春，丁杰。精馏过程操作指标的约束动态多目标进化优化J Intell制造公司在出版社。[26] 马毅，孙智，高华.实时数据库中增量式关联数据挖掘。计算机研究与发展杂志2000;37（12）：1446-51. 中文.[27] 丁杰，柴泰，郑伟，郑旭。基于数据的多模型预测提高了赤铁矿选矿工艺的生产率。控制工程实践2015;45：219-29.[28] 刘C，丁J，托普拉克AJ，柴T.基于数据的全厂生产指数自适应在线预测模型。Knowl Inf Syst 2014;41（2）：401[29] 刘春，丁杰，柴涛.工业过程质量的鲁棒预测。In：Proceedings of the 2014IEEE International Conference on Information and Auto- mation （ ICIA ） ;2014年7月28日Piscataway：IEEE; 2014.p. 1172-5[30] 丁杰，柴涛，王宏，陈晓。不确定条件下基于知识的选矿全局操作。IEEE TransIndustr Inform 2012;8（4）：849[31] 蔡涛，秦世杰，王宏.复杂工业过程的最优操作控制。Annu Rev Contr 2014;38（1）：81[32] Chai T，Ding J，Wu F.竖炉过程优化操作的混合智能控制。Cont Eng Pract2011;19（3）：264[33] 周平，柴涛，孙军。基于DCS控制的磨矿系统智能监控优化。IEEE TransContr Syst Technol 2013;21（1）：162-75.[34] 周平，陆世，袁明，柴涛。磨削回路运行高级先进控制综述。粉末技术2016;288：324
我的内容管理
展开
