作者：桂卫华*, 曾朝晖, 陈晓方*, 谢永芳, 孙玉波
知识驱动的流程工业智能制造
桂卫华*，曾朝晖，陈晓方*，谢永芳，孙玉波
（中南大学自动化学院）
摘要：智能制造是实现我国流程工业高效化、绿色化、高质量发展的必由之路。知识是流程工业智能制造的核心要素，知识驱动的流程工业智能制造是流程制造业发展的新模式。论文从流程制造业中知识的重要性和特点出发，综述了知识研究及应用现状。提出了知识驱动的流程工业智能制造系统框架，探讨了深度知识获取、知识注入和工业知识图谱等关键技术。通过铝电解企业智能决策过程应用案例阐明了以上关键技术在流程工业智能制造系统中的重要作用。最后给出了知识驱动的流程工业智能制造面临的挑战性问题和未来展望。
关键词：流程工业，智能制造，知识驱动，工业知识图谱。
流程工业主要包括石油、化工、钢铁、有色、建材等原材料行业，是我国国民经济的支柱产业和实体经济发展的根基。经过数十年发展，我国已成为世界上门类最齐全、规模最庞大的流程工业制造大国。目前我国流程制造工业总体工艺技术水平与国外发达国家相当，部分工艺、设备达到国际先进水平，但还面临着资源紧缺、能源消耗大、安全环保压力大、技术人力资源短缺等问题。我国流程工业正从局部调节、粗放操作的生产模式向全流程优化、精细化运行管控的生产模式发展，但是转型升级还不够充分, 高效化、绿色化成为流程工业可持续发展的主题。高效化和绿色化生产是指在市场和原料变化的情况下，通过优化资源配置，增强工业生产全流程的安全性和可靠性，提高产品性能、品质和附加值，实现能源与资源高效利用和污染物近零排放。在新一代人工智能技术和现代信息技术的发展驱动下，智能制造是实现我国流程工业高效化、绿色化、高质量发展的必由之路[1, 2]。智能制造包括生产工艺智能化和生产运行智能化。生产工艺智能化可以提升工艺设计效率，提高产品质量和附加值，从工艺流程上降低物耗、能耗和污染物排放。生产运行智能化是指在原料、能源、产品等外部市场变化条件下，以企业全局和生产运行全过程的高效化与绿色化为目的，使原材料采购、经营决策、计划调度、运行过程参数选择以及生产操作智能化。对于工艺设计确定的流程工业而言，生产运行的智能化是智能制造的主要关注问题。由于流程工业与离散工业存在显著区别[3, 4]，以 “工业 4.0” 为代表的离散工业智能制造模式不适用于流程工业。经过数十年的发展，我国流程工业的信息化已达到一定水平，但在过程控制、计划调度、经营决策等层面存在智能化程度较低的问题[5, 6]。为实现流程工业高效化和绿色化，必须自主创新发展适合我国流程工业的智能制造模式[7, 8]。2.1 流程制造业中知识的重要性
目前，我国流程企业采用的信息系统智能化程度低、各层次功能相对独立、集成性还没有完全实现[9, 10]。流程制造企业各层分别采用具有信息集成和管理功能的企业资源计划 (ERP)、制造执行系统 (MES) 和过程控制系统 (PCS) 等信息系统。ERP和MES, MES和PCS间存在知识鸿沟，导致企业目标、资源计划、调度、运行指标、生产指令与控制指令等各层次决策处于需要知识型工作者结合领域知识、凭借经验人工决策的状态。
知识型工作在流程制造企业中起到核心作用。如在流程制造企业的各层次决策中，需要统筹考虑各种生产控制、计划调度和经营管理等要素，关联跨领域知识，再由知识型工作者凭经验给出决策。在过程控制层，工程师凭借经验知识，综合工艺机理知识、设备运行数据决定过程控制系统的设定值；在生产计划和生产调度层，调度人员根据信息系统提供的原料物流、能源供应和设备管理数据，结合计划调度专业知识和自身经验，给出能源资源配置、生产调度、仓储物流、工作排班、设备管理等决策；在生产经营决策层，管理决策者根据自身经验和经营管理专业知识，分析企业内部生产数据、外部市场环境及相关政策、法规、标准等非结构化知识，制定一系列经营决策。因此，在目前的流程制造企业中，机理知识、经验知识、数据知识并存，而知识型工作者对这些知识进行关联、融合、分析、判断, 给出决策，用人工决策填补了ERP和MES, MES和PCS间的知识鸿沟。
由此可见，目前知识型工作者在流程工业生产中起关键作用，这是因为人经过学习、训练、思考具有专业知识，能够运用知识进行复杂分析、精确判断和创新决策，这体现了知识的核心价值。流程工业智能制造的实现不能脱离工艺机理知识、过程经验知识和数据挖掘知识，知识是流程工业智能制造的核心要素。
人工决策方式具有随意性、主观性和不一致性，难以处理过程控制、运行和生产管理产生的海量数据，知识难以积累传承。在过程控制层面，设备控制指令仍需靠知识型工作者给定，大多数设备不能实现故障情况下的自愈控制，反应缓慢，实时性差；生产工艺参数选择很难做到最优。在生产计划和生产调度层面，由于缺乏生产要素数据的分析认知能力和有效的知识获取应用方法，人工制定生产计划和调度计划，随意性大且不够精确；调度系统与设备控制系统互相独立，工程师凭经验协调调度与控制指令，难以做到敏捷调整和优化运行。在生产经营决策层面，企业内部的信息系统还不能快速处理多源异构大数据以及不同领域不同层次的关联知识。特别是当市场需求和生产工况发生频繁变化时，人工决策方式难以及时准确地调整各项生产运行指标。对于流程行业而言，智能制造就是在已有的流程行业物理制造系统基础上，通过新一代信息技术自动处理、融合和应用机理知识、经验知识和数据知识，构建知识驱动的智慧型制造执行系统，实现生产全流程的智慧决策和集成优化，提升企业在资源利用、能源管理、生产加工和安全环保等方面的技术水平，达到管理决策和生产制造的高效化和绿色化。知识驱动的流程工业智能制造是我国流程工业从根本上实现转型升级和由大变强的必由之路[2, 9, 11, 12]。
2.2 流程制造业中知识的特点
在流程工业中，知识主要包括以下3种：(1) 能够反映生产过程物质能量转化传递本质规律的机理知识；(2) 反映人对生产过程认知理解的经验知识；(3) 隐含在海量数据中反映个性化和实时生产工况的数据知识。
机理知识反映了流程工业生产过程的本质规律，是流程工业最重要、核心的知识，具有形式多样性和异构性的特点。流程生产往往是典型的大规模物质能量转化过程，动态特性复杂，涉及一系列复杂的物理化学反应和固、液、气三相之间的转变。相对于离散制造业来说，流程工业产品和原料品类繁多，生产工艺流程复杂多样，不同产品的制造工艺、装置、工序环节都不相同，涉及不同工艺机理，具有鲜明特点。在现场实验、实验室实验、理论推导等研究工作的基础上得到的机理知识是显性知识，部分机理知识已经被形式化为公式、方程式等数学形式，并随着机理研究深入不断更新。同时，机理知识仍然具有非结构化特点，难以形式化。
经验知识反映了人对于操作与过程之间内在关联的认知，具有隐蔽性、非量化、非一致性的特点。流程工业生产、管理通常需要工艺专家或管理人员依据经验知识进行分析判断，做出决策。由于大多数情况下工艺专家或管理人员的经验知识参差不齐、经验知识丰富的工艺专家或管理人员频繁流动,势必会影响流程企业高效绿色生产。知识型工作者的经验、技巧、诀窍和直觉等都是隐性知识，需要显性化为显性知识并进行验证，这是一个知识创新的过程。显性化后的经验知识可形式化为多种不同知识表示形式，如专家规则、语义网络等。
数据知识是流程工业数据中隐含的知识。流程生产过程数据具有动态性、关联性、多尺度特点。过程数据的动态性反映了流程生产过程中工况、操作和原料等的动态变化。过程数据的动态性表现在两方面：一方面，同一变量在不同时间段的数据分布不同，呈现出不规则的变化；另一方面，不同变量间的关系也在不规则变化。同一流程生产过程的多个变量具有时空关联性。时空关联性数据指的是动态生产过程中获取的具有时空关联特性的多元变量，即其变量不仅在时间上高度相关，在空间上也相互关联。数据的多尺度特点可以满足不同层次决策对数据的需求。数据的多尺度特点体现为在流程生产过程中，生产数据在采集频率上存在很大的不同，呈现出了时间尺度的不一致性。数据知识就隐含在这些具有动态性、关联性和多尺度特点的过程生产数据中；与一般意义上的数据知识相比，流程工业的数据知识往往与工艺机理和生产过程相关，具有更丰富的工艺语义；在流程生产中，一次简单的失误就可能造成严重后果，对数据知识的可靠性有更高的要求，数据知识挖掘的难度大。
2.3 流程制造业中知识研究及应用现状
要实现知识驱动的智能制造，需要从知识获取、处理、应用等方面开展深入研究，前期已经取得了不少成果，为流程工业智能化提供了一定基础。流程工业智能制造的知识获取是指从专家或其他知识来源获取知识并向知识型系统转移的过程；涉及新知识的发现和已知知识的形式化、数值化等。知识获取方法根据知识源不同而不同。知识获取常用的方法主要有规则挖掘法[13, 14]、统计学习方法[15, 16]、深度学习方法[17, 18]、进化算法[19, 20]、基于事例的推理方法[21, 22]、基于符号智能或者计算智能方法[23]等。尽管已有多种知识获取的方法，但是流程工业生产过程与复杂的物理化学反应机理紧密相关，又涉及丰富的经验知识，如何发现并获取更深层次的知识，依然是研究的难点；如何融合机理、经验知识，发现并获取动态性、关联性和多尺度性数据中的隐含知识仍是主要难题；对工业大数据环境下知识发现和获取的研究仍有待深入；各层次决策规则的发现获取等问题仍需解决。流程工业智能制造中的知识表示定义了流程工业中知识的表现形式，知识表示方法依据后期知识处理中所采用的方法不同而不同。当前知识表示常用的方法主要有关联规则表示法[24, 25]、模糊认知图表示法[26, 27]、动态不确定因果图[28, 29]、Petri网表示法[30]、语义网络表示[31]、面向对象表示法[32]、框架表示法[33]等。知识推理作为流程工业知识处理的重要环节，一直备受关注。流程工业知识推理就是利用已知知识推出新知识的过程。流程生产领域常用的知识推理方法有基于贝叶斯网络的知识推理[34, 35]、基于案例的知识推理[36, 37]、基于模糊逻辑的知识推理[38, 39]、基于粗糙集的知识推理[40]、基于Petri网的知识推理[41]、基于本体的知识推理[42]等。虽然出现了多种知识推理方法，但是针对流程制造业中知识更深层次的分析仍然有待加强。目前，已经出现了一批通用和专用知识图谱，如百科知识图谱Freebase[43], DBpedia[44, 45], YAGO[46 ~ 48], XLORE；常识知识图谱Cyc[49], ConceptNet[50, 51]和中文概念图谱CN-Probase等，地理知识图谱Geonames、医学知识图谱SIDER、电影知识图谱IMDB和音乐知识图谱MusicBrainz。当前主流的知识图谱数据模型表示方法有RDF[52, 53]和属性图[54, 55]两种。随着知识图谱的出现，很多基于知识图谱的推理方法被提出来。基于规则的推理[56, 57]和基于本体的推理[58, 59]借鉴了传统的知识推理方法。基于分布式表示推理[60~62]、基于神经网络的推理[63, 64]、混合推理[65, 66]均是研究热点[67, 68]。以流程企业多层决策为应用背景的知识图谱及相关知识推理方法仍然欠缺。许多国际知名的流程行业软件与服务供应商开发了大型流程模拟软件并将其商品化。这些流程行业软件将过程机理知识蕴含在模型、软件和系统中，例如基于炼油行业机理知识开发的ASPEN-PLUS, ROCESS, HYSYS, PETROFINE等软件，取得了一定的效果[69]。虽然国际供应商向我国流程行业提供了这类知识应用软件系统和服务，但是其核心技术和算法保密，在很多场景下适应性存在问题。因此，我国流程工业需要发展具有自主知识产权的关键技术，将机理知识、经验知识和数据知识蕴含在模型、软件和系统中，搭建知识驱动的智能制造软件平台。... ...
作者简介
Weihua GUI was born in 1950. He received his M.S. degree in control engineering from Central South University, Changsha, China, in 1984. Currently, he is an academician at the Chinese Academy of Engineering and a professor at Central South University. His research interests include modeling and optimal control of complex industrial processes and industrial large system control theory and application.
作者简介
Zhaohui ZENG was born in 1977. She received her M.S. degree in computer software and theory from Xiangtan University, Xiangtan, China, in 2007. Currently, she is pursuing her Ph.D. degree from Central South University. Her research interests include knowledge automation and industrial big data analysis.
作者简介
Xiaofang CHEN was born in 1975. He received his Ph.D. degree in control science and engineering from Central South University, Changsha, China, in 2004. Currently, he is a professor at Central South University. His research interests include intelligent modeling and optimal control of complex industrial processes and knowledge-driven manufacturing.
作者简介
Yongfang XIE was born in 1972. He received his Ph.D. degree in control science and engineering from Central South University, Changsha, China, in 1999. Currently, he is a full professor at Central South University. He was a recipient of the China National Funds for Distinguished Young Scientists. His research interests include modeling and optimal control of complex industrial processes, distributed robust control, and knowledge automation.
编辑：王茹茹
为满足更多科研工作者的需求，蔻享平台开通了各科研领域的微信交流群。进群请添加微信18019902656（备注您的科研方向）小编拉您入群哟！
蔻享网站www.koushare.com已开通自主上传功能，期待您的分享！
欢迎大家提供各类学术会议或学术报告信息，以便广大科研人员参与交流学习。