黃 琦，劉麗蘭，王 森，周 維

（1.上海大學 上海市智能制造及機器人重點實驗室，上海 200072；2.上海寶信軟件股份有限公司，上海 201900）

基于動態(tài)數據驅動的鋼鐵生產仿真系統研究

黃 琦1，劉麗蘭1，王 森2，周 維2

（1.上海大學 上海市智能制造及機器人重點實驗室，上海 200072；2.上海寶信軟件股份有限公司，上海 201900）

鋼鐵生產過程工藝復雜、不確定成分多。當擾動事件發(fā)生時，傳統靜態(tài)仿真系統無法做到實時動態(tài)地數據注入，從而影響調度方案的制定。為了解決不確定事件擾動下的鋼鐵生產調度問題，基于動態(tài)數據驅動應用系統思想，提出了動態(tài)數據驅動的鋼鐵生產調度仿真方法，采取多Agent技術建立了鋼鐵生產仿真系統模型，并詳細論述了系統的框架結構、功能和運行機制，對鋼鐵生產調度問題的深度研究具有一定的指導意義。

動態(tài)數據驅動；鋼鐵生產；多Agent；生產調度

0　引言

鋼鐵生產過程是一個兼具離散性和連續(xù)性的生產過程，其復雜多變和不確定等特征使得開發(fā)相關的仿真系統變得異常困難。目前，國外鋼鐵企業(yè)多數已經完成了單工序、靜態(tài)仿真系統的研發(fā)，并已面向整個鋼鐵生產過程著手于數據驅動的仿真系統研究，取得一些成果。但國內鋼鐵行業(yè)在數據驅動仿真上還只是起步階段，目前多數仿真系統還無法做到數據信息的實時動態(tài)注入、分析與決策。

鋼鐵生產過程是一個多約束的復雜工藝過程，各種突發(fā)的擾動事件對生產計劃的編排影響巨大[1]。為了解決上述問題，文中先是對鋼鐵生產過程當中可能出現的擾動事件進行了分析，進而闡述動態(tài)數據驅動應用系統（Dynamic Data Driven Application System，DDDAS）的概念及其基本框架結構，然后基于DDDAS的思想并結合多Agent技術建立了鋼鐵生產仿真調度模型，最后對其功能、結構以及運行機制進行了理論剖析。

1　鋼鐵生產擾動事件分析

鋼鐵生產過程物流量大、工藝繁瑣，典型工序包含高爐煉鐵、轉爐煉鋼、精煉鋼、連鑄、熱軋等。而每道工序涉及到的設備少則幾臺，多則幾十臺。各工序的約束條件和工藝目標也不盡相同。因此，在現實生產環(huán)境中存在很多隨機的和不確定的因素。各種突發(fā)的擾動事件會對生產線的正常運行產生不利影響，使得原始設定的調度方案失效，進而影響生產系統的運作。根據擾動事件的發(fā)生條件，將其分為外部環(huán)境擾動及內部環(huán)境擾動兩類，如表1所示。

表1　鋼鐵生產擾動事件

2　DDDAS概述及其框架結構

2.1DDDAS概述

上世紀80年代初期，Frederica Darama在做石油開采的輻射傳播計算時萌發(fā)了DDDAS的思想[2～4]。其基本思想是將實際系統與仿真系統結合起來，在仿真系統運行過程當中，仿真系統能夠動態(tài)地從實際系統接收新的數據，經處理后作出響應并反饋給實際系統，通過對數據的雙向反復處理，使得仿真結果更為準確、可靠。從而讓兩者組成了一個彼此協作、相互作用的動態(tài)反饋控制系統。

DDDAS的動態(tài)性主要表現為以下三點[5]：

1）基于實時仿真結果，系統可以動態(tài)調整仿真模型參數，進而控制實際系統和對數據信息進行有選擇性的采集。

2）基于實際數據與仿真結果的差異對比，系統可以動態(tài)地調整仿真模型，進而控制實際系統和對數據信息進行有選擇性的采集。

3）基于專家的分析評價，由專家選擇仿真模型，系統能夠自適應地控制實際系統和對數據信息進行有選擇性的采集。

DDDAS的提出可以很好的彌補原有模型的不足，同時也大大減少了仿真運行的時間。因此，美國國家自然科學基金會（NSF）在第一次DDDAS會議報告中就指出，DDDAS將開創(chuàng)一個有著高度潛在功能的全新仿真領域，以其構建出的新型且具有增強功能的應用系統，能夠轉變工程和科學研究領域的工作方式，對眾多領域產生空前的影響。

2.2DDDAS框架結構

鋼鐵生產流程既連續(xù)又離散的特征決定了其不確定因素多的特點，所以當各種擾動事件產生時，原始生產調度計劃很難做到快速修正?；谏闲」?jié)DDDAS的基本原理，將DDDAS的思想用于解決鋼鐵生產調度問題，得出DDDAS系統架構如圖1所示。

圖1　動態(tài)數據驅動系統架構圖

系統主要由模型庫、數據采集模塊、人機交互模塊、模型運行與控制模塊組成，各模塊功能如下：

1）模型庫：儲存并管理鋼鐵調度模型，通過模型運行與控制模塊的評價分析結果相應地調用庫中相匹配的模型，并對修正后的模型和信息進行管理。

2）數據采集模塊：多渠道獲取數據，并加以整合。根據模型控制要求，解析為符合要求的數據格式。

3）人機交互模塊：顯示鋼鐵調度仿真結果。支持用戶對調度方案進行調整，亦可對模型控制模塊和數據采集模塊進行選擇性修正。

4）模型運行與控制模塊：調用模型庫中的模型并以此控制仿真的運行，對仿真模型的運行結果進行分析評價，動態(tài)修正模型參數，形成知識存儲于模型庫中。分析注入的精度驗證數據與仿真數據的差異，調整模型并控制數據采集。

3　基于多Agent和數據驅動的鋼鐵生產線調度模型

3.1仿真系統總體框架

根據動態(tài)數據驅動的鋼鐵生產仿真系統的結構特點，將仿真系統設計為動態(tài)數據注入模塊、仿真驅動與控制模塊、仿真輸出模塊和人機交互模塊四個層次，總體框架如圖2所示。

3.2系統模塊結構及其功能

采用多Agent技術實現對鋼鐵生產仿真系統的建模?；诙郃gent技術的仿真可以作為實際系統的預測器，能夠分析生產過程中的異常情況并提供決策支持，從而有效地制定最優(yōu)化的生產調度計劃[6]。該仿真系統的各個模塊由各自獨立又相互聯系的Agent單元組成，系統各個模塊的具體結構及功能如下：

1）動態(tài)數據注入模塊

仿真系統動態(tài)接收數據并對該數據進行處理后做出響應是動態(tài)數據驅動系統的核心思想，它是DDDAS區(qū)別于傳統仿真的主要特點和優(yōu)勢[7]。首先，該模塊中的數據采集Agent獲取決策優(yōu)化Agent的分析結果信息，送至數據處理Agent進行處理。之后，該模塊中的調度協同Agent基于數據信息處理結果及生產實際情況進行作業(yè)計劃的調整，在制定和調整作業(yè)計劃的過程中，設定相應的約束條件和優(yōu)化目標。隨后將更新的作業(yè)計劃下達給模型初始化子系統完成調度模型的更新。

2）仿真驅動與控制模塊

該模塊是基于DDDAS仿真的核心模塊，分為仿真子模塊和仿真控制子模塊兩個層次。

仿真控制子模塊中每個Agent接收上級調度環(huán)境狀態(tài)信息和其他Agent傳來的信息，在某些規(guī)則下，在知識庫里選擇合適的調度規(guī)則，對調度模型進行分析。其中，調度因素分析Agent接收上層的實時生產線數據，分析仿真數據和實際數據的差異，如參考值比允許的閾值大，則由推理機進行判斷，之后將判斷結果傳遞給決策優(yōu)化管理Agent。決策優(yōu)化Agent和推理機共同完成模型和算法的調整，根據相應的推理規(guī)則，返回最優(yōu)化的調度方案。

圖2　基于DDDAS的鋼鐵生產仿真系統框架圖

模塊中的仿真子模塊可細分為調度生成單元、調度調整單元和仿真運算單元三個層次。調度生成單元采用智能蟻群算法進行全局尋優(yōu)，求得一個初始調度方案。但該算法有其突出的缺點，搜索初期積累信息素花費時間較長，且易陷于局部最優(yōu)解[8]。調度調整單元則對調度生成單元產生的初始調度方案進行調整，分析和驗證其可行性。該單元主要依賴于啟發(fā)式算法完成調度方案的修改，它能夠在較短的時間內更新調度方案，并且精確地描述模型和改善局部解，彌補智能蟻群算法的不足。仿真運算單元則主要完成鋼鐵生產線建模以及調度方案的仿真。當系統運行時，調度模型能夠基于生產線的實際情況進行動態(tài)修正，然后對調度方案進行仿真分析，生成的仿真分析評價數據信息則作為判斷依據實時傳遞給調度調整單元，從而形成一個完整的動態(tài)反饋的過程。

3）仿真輸出模塊

仿真輸出模塊主要負責將仿真驅動與控制模塊的分析結果錄入結果數據庫。該數據庫主要存放調度過程中的數據信息并加以統計分析，之后以動態(tài)圖的形式進行結果表達，傳遞信息給用戶界面交互Agent，為用戶提供參考依據。

4）人機交互模塊

人機交互模塊負責將仿真結果與決策評價信息以可視化的形式展示給用戶。仿真運行過程當中，用戶也可以實時查看各仿真模塊的運作情況，及時發(fā)現瓶頸因素，針對模型的不足之處對其相關參數進行選擇性修正，指導整個仿真過程。

3.3仿真系統運行機制

UML（Unified Modeling Language，統一建模語言）是一種直觀、明確的軟件系統產物的通用可視化語言[9]。UML序列圖能夠清晰地表達類與類之間的方法調用（或消息發(fā)送）的實現過程，也可以展現用例圖中各功能的實現方案[10]。針對鋼鐵生產調度工藝復雜及不確定因素多的特點，利用UML序列圖對本仿真系統進行分析，如圖3所示。

從圖3可以看出，當仿真調度系統運行時，其對象間的協作關系為：

1）數據采集Agent先基于一定的時鐘節(jié)拍從生產線上采集生產數據，對比該數據與仿真數據的差異，調度因素分析Agent分析兩類數據的比較結果，如若參數值小于閾值，則等待下個時鐘重新采集數據；若參數值大于閾值，則將模型數據傳遞給推理機進行分析處理，之后再傳遞給決策優(yōu)化Agent，根據有關規(guī)則調整模型參數。

2）決策優(yōu)化Agent采用智能搜索算法：智能蟻群算法和啟發(fā)式算法。蟻群算法對任何可行的調度方案進行全局尋優(yōu)，鑒于該算法易陷入局部最優(yōu)解的不足，再使用啟發(fā)式規(guī)則對尋得的調度方案進行調整修正，從而以最短的時間求得新的決策方案。通過對各種方案循環(huán)往復的仿真驗證、對比分析，最終得出最優(yōu)的決策方案。

圖3　仿真系統運行機制

3）決策優(yōu)化Agent根據仿真結果判斷調度模型是否滿足優(yōu)化條件。若不滿足，則更新決策優(yōu)化模型，進行下一輪仿真；否則返回決策方案。

可以看出，該系統可以動態(tài)地從實際系統接收數據，應用相關智能搜索算法對數據信息進行反復地優(yōu)化和仿真分析，并且實時反饋最優(yōu)決策方案，這種循環(huán)往復的過程大大提高了仿真的準確性和時效性，同時也擴展了仿真系統的應用能力。

4　結束語

鋼鐵生產過程工藝繁瑣、隨機性強。當擾動事件發(fā)生時，容易導致傳統靜態(tài)仿真系統調度方案失效，不利于生產計劃的編制?；谝陨峡紤]，本文基于DDDAS的思想，采用多Agent技術并結合智能搜索算法建立了一種鋼鐵生產線仿真調度系統，該系統能夠很好地提高仿真的準確性與實時性，為鋼鐵生產調度問題提供了一套優(yōu)化的解決方法和思路。

[1] 彭杰.基于改進遺傳算法煉鋼—連鑄生產作業(yè)計劃編制的研究[D].重慶大學,2013.

[2] Darema F.Dynamic data driven applications systems：New capabilities for application simulations and measurements[M]. Computational Science-ICCS 2005.Springer Berlin Heidelberg, 2005：610-615.

[3] Darema F.Dynamic data driven applications systems：A new paradigm for application simulations and measurements[M]. Computational Science-ICCS 2004. Springer Berlin Heidelberg, 2004：662-669.

[4] Darema F.Dynamic data driven application systems[J].Internet Process Coordination,2002：149.

[5] 朱林,方勝良,吳付祥,顧有林,等.基于動態(tài)數據驅動的電子戰(zhàn)仿真系統[J].電子信息對抗技術,2013,28(2)：52-57.

[6] 趙業(yè)清.基于多Agent的鋼鐵生產復雜物流系統建模與仿真研究[D].昆明理工大學,2011.

[7] 周云.面向實時作戰(zhàn)決策支持的動態(tài)數據驅動仿真理論和方法研究[D].長沙：國防科學技術大學,2010.

[8] 蘇兆品,蔣建國,梁昌勇,張國富,夏娜,等.蟻群算法的幾乎處處強收斂性分析[J].電子學報,2009,37(8)：1646-1650.

[9] Cockburn A.Writing effective use cases[J].Preparation for Addison-Wesley Longman,1999.

[10] 蔣勝龍,鄭忠,高小強,何臘梅,等.基于UML的煉鋼物流仿真系統分析與設計[J].系統仿真學報,2007,19(16)：3676-3679,3733.

Research of steel production simulation system based on DDDAS

HUANG Qi1, LIU Li-lan1, WANG Sen2, ZHOU Wei2

TP391.9

A

1009-0134(2016)07-0014-04

2016-04-05

“十二五”國家科技支撐計劃資助項目（2015BAF22B01）

黃琦（1992 -），男，湖北人，碩士研究生，研究方向為鋼鐵生產調度及系統仿真技術。