引用本文
杨宇晴, 王德睿, 丁进良. 基于RAGAN的工业过程运行指标前馈−反馈多步校正. 自动化学报, 2023, 49(5): 999−1009 doi: 10.16383/j.aas.c210408
Yang Yu-Qing, Wang De-Rui, Ding Jin-Liang. RAGAN based feedforward-feedback multi-step correction of operational indices for industrial processes. Acta Automatica Sinica, 2023, 49(5): 999−1009 doi: 10.16383/j.aas.c210408
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210408
关键词
复杂工业过程，运行优化，多步校正，注意力机制，前馈−反馈校正
摘要
针对工业过程运行指标反馈校正存在滞后及一步推理校正模型可解释性差的问题, 提出了基于递归注意力生成对抗网络(Recurrent attention generative adversarial networks, RAGAN)的运行指标前馈−反馈多步校正方法. 该方法采用基于负相关正则化的集成随机权神经网络, 建立综合生产指标预报模型, 为校正提供前馈信息补偿反馈校正的滞后性. 提出的RAGAN校正, 采用多步校正实现一次调整的思想, 将当前时刻运行指标映射到低维潜变量空间简化数据复杂度, 利用长短期记忆 (Long short-term memory, LSTM)模型实现数据的分步输入, 提高模型可解释性; 采用分布式注意力(Distributed attention, DA)机制构建数据读入网络, 使校正环节获取任务相关性更高的数据, 降低任务复杂度, 减小噪声干扰, 利用校正后的运行指标, 保证系统的综合指标尽可能地跟随设定值运行. 采用中国西部地区最大选矿厂实际数据的仿真实验, 验证了所提方法的有效性.
文章导读
复杂工业过程通常由多个子单元构成. 每个单元具有不同功能, 完成不同的中间生产指标(运行指标); 同时, 这些单元协同工作, 以实现最终生产目标(综合生产指标)[1]的要求. 各个单元的运行指标决策是根据实际工艺要求和生产经验来设定运行指标的目标值[2], 但是由于复杂工业过程易受到原材料成分波动、生产工况变化等不确定性干扰的影响, 导致设定的运行指标不完全适用于当前工况, 以至于实际综合生产指标无法达到预期值[3]. 因此如何解决这种不确定性干扰对复杂工业过程的影响, 引起了学术界和工业界的广泛关注.
许多基于知识的决策方法(例如模糊认知图[4-6]、贝叶斯网络[7]、案例推理[8]和关联规则挖掘[9-11]等)已经应用并实现工业过程运行指标的动态调整. 但是这些算法均不同程度地遇到“知识瓶颈”即解决实际问题时, 存在求解复杂度高、自学习能力差和适应性差等难题[12]. 文献[13]提出了基于对抗性学习的决策(Adversarial learning-based decision making, DMGAN)的运行指标校正方法, 该方法无需复杂的迭代推理, 具有较强的自学习能力, 有效地解决了基于知识的决策方法面临的“知识瓶颈”问题; 但是, 该方法仅利用了生产指标的反馈信息, 具有一定的滞后性. 此外, 上述方法均采用一步推理方法[14]产生决策, 所有数据一次性全部输入模型, 直接产生整个增量决策, 这使模型一次性获得大量输入导致模型可解释性差、易受噪声干扰, 且存在一定程度上的过拟合.
针对一步推理方法存在的可解释性差、易受噪声干扰, 以及基于反馈的校正方法的滞后性问题, 本文提出了基于递归注意力生成对抗网络(Recurrent attention generative adversarial networks, RAGAN)的复杂工业过程运行指标前馈−反馈多步校正方法. 本文方法的特点是: 1)采用集成随机权网络[15]搭建综合生产指标预报模型, 为运行指标校正环节提供前馈信息, 以补偿反馈校正方法的滞后性; 2)采用长短期记忆(Long short-term memory, LSTM)[16]模块构建校正环节, 实现输入数据的循环处理, 使模型能够以迭代自校正的方式逐步构建运行指标的动态表示; 3)设计了一种能够根据过去的信息和任务需求动态选择输入数据区域的分布式注意力(Distributed attention, DA)机制, 并利用该机制构建数据读入网络, 使校正环节每一步都能动态地选择当前所需的运行指标位置, 降低任务复杂度, 减少噪声干扰. 最后, 利用选矿实际生产流程数据作为运行指标校正的仿真实验, 验证了本文方法的有效性.
图 1 复杂工业过程运行指标决策过程
图 2 校正模型的训练过程
图 3 校正模型的运行过程
针对复杂工业过程受到不确定干扰影响导致的综合生产指标难以达到其目标值范围的问题, 本文提出一种基于RAGAN的运行指标前馈−反馈校正方法. 本文采用集成随机权网络构建综合生产指标预报模型, 用于为校正模型提供前馈信息, 以补偿反馈校正的滞后性; 本文模型的校正环节, 利用LSTM机制实现输入数据的循环利用, 以实现模型的多步迭代自校正, 提高模型的可解释性; 通过DA机制动态地为每一时间步选择任务相关性高的数据区域, 减少条件变量中的噪声影响, 降低任务复杂度. 此外采用某赤铁矿选矿生产线实际数据作为测试平台的仿真实验, 验证了本文方法的有效性.
今后工作将研究复杂工业过程的马尔科夫特性, 考虑工业过程一段时间内的运行情况, 探索强化学习等方法, 实现运行指标的序列化决策, 并应用于实际的运行指标校正过程.
作者简介
杨宇晴
东北大学流程工业综合自动化国家重点实验室硕士研究生. 2018年获得东北大学学士学位. 主要研究方向为生成对抗网络, 深度学习和人工智能. E-mail: yang1301067169@163.com
王德睿
东北大学流程工业综合自动化国家重点实验室硕士研究生. 2019年获得东北大学学士学位. 主要研究方向为生成对抗网络, 人工智能和机器学习. E-mail: a1044261411@163.com
丁进良
东北大学流程工业综合自动化国家重点实验室教授. 主要研究方向为复杂工业过程的建模与运行优化控制, 计算智能及应用. 本文通信作者. E-mail: jlding@mail.neu.edu.cn
转载本文请联系原作者获取授权，同时请注明本文来自欧彦科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3291369-1391147.html?mobile=1
收藏
