張海濤，唐美玲，劉鋒，朱定歡

摘? 要： 為了有效地提高造紙企業(yè)智能調(diào)度的性能和效率，結(jié)合人工智能深度學(xué)習(xí)方法，針對(duì)造紙企業(yè)傳感器數(shù)據(jù)融合探測(cè)、診斷決策和裝載機(jī)調(diào)度等任務(wù)建立數(shù)據(jù)融合網(wǎng)絡(luò)模型，提取數(shù)據(jù)的關(guān)聯(lián)性特征，提高數(shù)據(jù)融合的精度和效率，并在此基礎(chǔ)上開(kāi)展生產(chǎn)物流智能調(diào)度研究。

關(guān)鍵詞： 造紙企業(yè); 數(shù)據(jù)融合; 生產(chǎn)物流; 智能調(diào)度

中圖分類號(hào)：TP391? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2022）01-05-03

Research on multi-source data fusion algorithm and production logistics

intelligent scheduling in papermaking enterprises

Zhang Haitao， Tang Meiling， Liu Feng， Zhu Dinghuan

（College of Science， Hunan University of Technology， Zhuzhou， Hunan 412000， China）

Abstract： In order to improve the performance and efficiency of intelligent scheduling in papermaking enterprises effectively， in this paper， combined with the deep learning method of artificial intelligence， establishes a data fusion network model for the tasks of sensor data fusion detection， diagnosis decision and loader scheduling in paper enterprises， extracts the correlation characteristics of data， improves the accuracy and efficiency of data fusion， and carries out the research on intelligent scheduling of production logistics on this basis.

Key words： papermaking enterprises; data fusion; production logistics; intelligent scheduling

0 引言

造紙企業(yè)生產(chǎn)物流是指從企業(yè)的原材料、外購(gòu)件入庫(kù)，到企業(yè)成品庫(kù)的成品發(fā)送這一全過(guò)程的管理活動(dòng)。它貫穿于原材料和協(xié)作件的采購(gòu)供應(yīng)，到生產(chǎn)過(guò)程中半成品的存儲(chǔ)、裝卸、運(yùn)輸和成品包裝，到倉(cāng)儲(chǔ)部門(mén)的入庫(kù)驗(yàn)收、分類、儲(chǔ)存、配送，最后送到客戶手中的全過(guò)程，以及貫穿于整個(gè)生產(chǎn)過(guò)程的信息傳遞，其數(shù)據(jù)來(lái)源及數(shù)據(jù)量非常繁雜。

造紙企業(yè)具有規(guī)模大、設(shè)備多、覆蓋區(qū)域廣、運(yùn)行時(shí)間長(zhǎng)、運(yùn)行條件復(fù)雜等特性，包含了木料接收、原木剝皮、原木削片、木片篩選、洗滌、磨漿、漂白和打包等環(huán)節(jié)，在這個(gè)過(guò)程中會(huì)產(chǎn)生大量類型豐富的數(shù)據(jù)。近年來(lái)，隨著計(jì)算機(jī)信息技術(shù)和存儲(chǔ)技術(shù)的快速發(fā)展，基于大數(shù)據(jù)的融合挖掘技術(shù)日益成熟，數(shù)據(jù)的價(jià)值漸漸被人們發(fā)現(xiàn)并利用，許多行業(yè)進(jìn)入大數(shù)據(jù)時(shí)代，開(kāi)啟了重大的時(shí)代轉(zhuǎn)型。數(shù)據(jù)融合指的是從數(shù)據(jù)中獲取或挖掘出有用隱含信息并進(jìn)行集成的過(guò)程，涉及數(shù)據(jù)庫(kù)、統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)等技術(shù)[1]。傳統(tǒng)的數(shù)據(jù)統(tǒng)計(jì)技術(shù)已無(wú)法滿足海量多源的數(shù)據(jù)處理需求，更不能挖掘融合大數(shù)據(jù)中深層次的特征。而隨著人工智能的發(fā)展，數(shù)據(jù)挖掘技術(shù)日漸成熟，效率顯著提高，在海量多源數(shù)據(jù)中提取針對(duì)于目標(biāo)任務(wù)的特征成為可能[2]。造紙過(guò)程產(chǎn)生的數(shù)據(jù)完全符合大數(shù)據(jù)的特征。

本文從傳感器數(shù)據(jù)融合、診斷決策和裝載機(jī)調(diào)度等主要數(shù)據(jù)融合任務(wù)入手，從原理上設(shè)計(jì)了多個(gè)數(shù)據(jù)融合模型。通過(guò)制漿造紙企業(yè)真實(shí)數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證，本研究提出的方法能有效地提高企業(yè)生產(chǎn)智能調(diào)度的性能和效率，是造紙企業(yè)在創(chuàng)新發(fā)展過(guò)程中迫切需要解決的關(guān)鍵科技問(wèn)題。

1 造紙企業(yè)多源數(shù)據(jù)融合算法

1.1 傳感器數(shù)據(jù)融合探測(cè)網(wǎng)絡(luò)模型

針對(duì)生產(chǎn)現(xiàn)場(chǎng)溫度、噪度、壓力、漿濃度等傳感器探測(cè)異常數(shù)據(jù)糾纏稀薄、傳統(tǒng)神經(jīng)網(wǎng)絡(luò)易陷入局部最小、梯度消失爆炸問(wèn)題，利用SSEAE對(duì)數(shù)據(jù)進(jìn)行無(wú)監(jiān)督學(xué)習(xí)，提取高維稀疏特征，并引入PCA對(duì)特征進(jìn)行壓縮降維，利用高斯核SVM分類器進(jìn)行最后的數(shù)據(jù)判別[1]。其具體前饋公式如⑴-⑷所示，其中[ni]為第[i]層的隱藏單元數(shù)，[n0]代表輸入層單元數(shù)，[T]是隱藏層單元的加權(quán)和輸入，[U]是隱藏層單元值。可以看出，每一層的自編碼器都是前面一層的更高維非線性表示，這些非線性高維特征中總有一個(gè)維度會(huì)更適合于最后的分類決策，為引入PCA和SVM提供了可能[2]。

[T1=t11X，t12X，…，t1n1X]

[=i=0n0v11ixi，i=1n0v12ixi，…，i=1n0v1n1ixi]? ⑴

[U1=u11X，u12X，…，u1n1X]

[=ft11X，ft12X，…，ft1n1X]

[=fi=1n0v11ixi， fi=1n0v12ixi，…， fi=1n0v1n1ixi] ⑵

[U2=fj=1n1v21jfi=1n0v11ixi， fj=1n1v22jfi=1n0v12ixi，…， fj=1n1v2n2jfi=1n0v1n1ixi] ⑶

[Uk=fl=1nk-1vk1l…（fj=1n1v21jfi=1n0v11ixi，fl=1nk-1vk2l…fj=1n1v22jfi=1n0v12ixi，…，fl=1nk-1vknkl…fj=1n1v2n2jfi=1n0v1n1ixi]? ⑷

1.2 裝載機(jī)智能調(diào)度預(yù)測(cè)網(wǎng)絡(luò)模型

針對(duì)多源傳感器大數(shù)據(jù)融合模型，結(jié)合裝載機(jī)調(diào)度負(fù)荷預(yù)測(cè)綜合影響因素、用戶所需漿紙?zhí)匦?、網(wǎng)絡(luò)參數(shù)、環(huán)境特性和收斂速度等方面，本文提出基于GRU網(wǎng)絡(luò)的裝載機(jī)智能調(diào)度預(yù)測(cè)網(wǎng)絡(luò)數(shù)學(xué)模型，利用聚類分析算法減輕不同用戶漿包需求的干擾，并且對(duì)輔助環(huán)境信息進(jìn)行量化，把歷史需求數(shù)據(jù)作為網(wǎng)絡(luò)的總輸入，挖掘出需求預(yù)測(cè)與多源信息的綜合深層關(guān)系[3]。具體算法如下。

[atu=i=1Iwiuxti+h=1Hwhust-1h]? ⑸

[stu=fatu]? ⑹

[atr=i=1Iwirxti+h=1Hwhrst-1h]? ⑺

[str=fatr]? ⑻

[ath'=strh=1Hwhh'st-1h+i=1Iwih'xti]? ⑼

[sth'=φath']? ⑽

[sth=1-stusth'+stust-1h]? ⑾

其中[u]是更新門(mén)向量的下標(biāo)，[r]是重置門(mén)向量的下標(biāo)，[h]是[t]時(shí)刻隱藏單元向量的下標(biāo)，[h’]是[t]時(shí)刻新記憶單元的下標(biāo)，[f]和[φ]是激活函數(shù)，[sth’]表示在[t]時(shí)刻新記憶單元的信息。

為了解決樣本獲取問(wèn)題，進(jìn)一步提高數(shù)據(jù)利用率和網(wǎng)絡(luò)性能，利用MMD衡量源領(lǐng)域和目標(biāo)領(lǐng)域數(shù)據(jù)的分布差異[4]，從而根據(jù)MMD的值選擇和調(diào)整遷移學(xué)習(xí)網(wǎng)絡(luò)模型，將源領(lǐng)域有價(jià)值的知識(shí)遷移到目標(biāo)領(lǐng)域，防止負(fù)遷移現(xiàn)象的發(fā)生，并運(yùn)用大數(shù)據(jù)處理技術(shù)，最終實(shí)現(xiàn)制漿造紙過(guò)程數(shù)據(jù)處理科學(xué)化。

假設(shè)[F]是一個(gè)在樣本空間上的連續(xù)函數(shù)集，那么MMD可以表示為：

[MMD[F，p，q]=sup（Ep[fx]-Ep[fy]）]? ⑿

假設(shè)[X]和[Y]是從分布[p]和[q]采樣得到的兩個(gè)數(shù)據(jù)集，數(shù)據(jù)集的大小分布為[m]和[n]，那么MMD的經(jīng)驗(yàn)估計(jì)為：

[MMDF，X，Y=sup1mi=1mfxi-1ni=1nfyi]? ⒀

總的來(lái)說(shuō)，MMD可以看作是在再生核希爾伯特空間中兩個(gè)點(diǎn)的距離，可以用來(lái)衡量?jī)蓚€(gè)分布的距離[5]。

[MMD[F，X，Y]=[1mm-1i≠jmkxi，xj]

[+1nn-1i≠jnkyi，yj-2mni，j=1m，nkxi，yi]12]? ⒁

2 實(shí)驗(yàn)結(jié)果與分析

針對(duì)現(xiàn)代生產(chǎn)物流系統(tǒng)結(jié)構(gòu)，對(duì)造紙企業(yè)生產(chǎn)設(shè)備布置和物流路線整理規(guī)劃的基礎(chǔ)上，根據(jù)生產(chǎn)物流配送系統(tǒng)的設(shè)計(jì)原則及應(yīng)實(shí)現(xiàn)的功能，構(gòu)建企業(yè)生產(chǎn)物流智能配送系統(tǒng)結(jié)構(gòu)和計(jì)算機(jī)網(wǎng)絡(luò)形式，在實(shí)驗(yàn)場(chǎng)地現(xiàn)場(chǎng)布置300個(gè)數(shù)據(jù)采集點(diǎn)，通過(guò)實(shí)時(shí)采集數(shù)據(jù)的方式，將生產(chǎn)數(shù)據(jù)即時(shí)導(dǎo)入數(shù)據(jù)中心集群數(shù)據(jù)庫(kù)，中心集群數(shù)據(jù)庫(kù)允許并發(fā)連接數(shù)5000個(gè)。中心數(shù)據(jù)庫(kù)設(shè)計(jì)186個(gè)信息表用于保存生產(chǎn)數(shù)據(jù)。信息系統(tǒng)共構(gòu)建84個(gè)應(yīng)用模塊，以充分滿足網(wǎng)絡(luò)感知決策優(yōu)化的設(shè)計(jì)需要。

數(shù)據(jù)采集對(duì)象為備木工段、制漿車間和漿包工段生產(chǎn)現(xiàn)場(chǎng)木料流數(shù)質(zhì)量變化數(shù)據(jù)，采集時(shí)間范圍為生產(chǎn)運(yùn)行全過(guò)程，其中采集數(shù)據(jù)時(shí)有一定的時(shí)間滑窗。不同漂白紙漿板生產(chǎn)運(yùn)行樣本智能調(diào)度負(fù)載曲線如圖1所示。

針對(duì)MMD的值選擇和調(diào)整遷移學(xué)習(xí)網(wǎng)絡(luò)模型，實(shí)驗(yàn)源領(lǐng)域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)來(lái)源于不同漿包生產(chǎn)線或不同傳感器的采集信號(hào)，如輥道輸送機(jī)、蒸煮塔、DD洗漿機(jī)、漿板機(jī)等。在此基礎(chǔ)上開(kāi)展實(shí)驗(yàn)結(jié)果和分析，包括：負(fù)荷預(yù)測(cè)實(shí)驗(yàn)?zāi)Ｐ徒Y(jié)構(gòu)和參數(shù)設(shè)置、基于MMD的一級(jí)馬尾松木風(fēng)干漂白漿板遷移學(xué)習(xí)的實(shí)驗(yàn)結(jié)果、基于MMD的一級(jí)榿木風(fēng)干漂白漿板遷移學(xué)習(xí)實(shí)驗(yàn)結(jié)果、基于MMD的一級(jí)松木風(fēng)干漂白漿板遷移學(xué)習(xí)實(shí)驗(yàn)結(jié)果。綜合實(shí)驗(yàn)結(jié)果對(duì)比，MMD為三種不同規(guī)格漿包生產(chǎn)智能調(diào)度提供管理支撐。

3 結(jié)束語(yǔ)

本研究利用深度學(xué)習(xí)等人工智能方法，為傳感器數(shù)據(jù)融合探測(cè)和裝載機(jī)調(diào)度等任務(wù)建立數(shù)據(jù)融合網(wǎng)絡(luò)模型，提取數(shù)據(jù)的關(guān)聯(lián)性特征，提高數(shù)據(jù)融合的精度和效率[6]，并在此基礎(chǔ)上利用HDFS、Hbase、GraphDB、MapReduce、Spark等分布式存儲(chǔ)與云計(jì)算等大數(shù)據(jù)技術(shù)構(gòu)建多源異構(gòu)數(shù)據(jù)庫(kù)，采用批處理和流處理計(jì)算技術(shù)，以實(shí)現(xiàn)生產(chǎn)智能調(diào)度科學(xué)化。

參考文獻(xiàn)（References）：

[1] 王毅星.基于深度學(xué)習(xí)和遷移學(xué)習(xí)的電力數(shù)據(jù)挖掘技術(shù)研究[D].浙江大學(xué)，2019：2-56

[2] 賈海濤.基于感知引導(dǎo)的數(shù)據(jù)融合算法研究[D].電子科技大學(xué)，2012：7-23

[3] 霍鳳財(cái)，孫雪婷，任偉建，等.Lab空間的改進(jìn)k-means算法彩色圖像分割[J].吉林大學(xué)學(xué)報(bào)（信息科學(xué)版），2019，37（2）：148-154

[4] 徐揚(yáng).基于融合算法的機(jī)場(chǎng)場(chǎng)面監(jiān)視方案研究[J].傳感器與微系統(tǒng)，2018（2）：61-63

[5] 許慧雅，楊楊.基于流量密度的無(wú)線傳感器數(shù)據(jù)融合方案[J].控制工程，2018（1）：165-169

[6] 郭軍軍.基于貝葉斯理論框架的傳感器選擇算法的研究[J].自動(dòng)化學(xué)報(bào)，2017（12）：11-12