姚培福，王建國，譚正洲

（云南銅業(yè)（集團）有限公司，云南 昆明 650051）

以銅冶煉工廠為代表的金屬冶煉企業(yè)屬于高能耗企業(yè)[1]，不符合我國倡導的綠色可持續(xù)發(fā)展理念[2]，對銅冶煉工廠開展綠色智慧化改造成為大勢所趨。文中構建了基于銅冶煉工廠歷史運維大數(shù)據(jù)挖掘的業(yè)務流程再造模型，給出了模型實現(xiàn)過程，開展了模型仿真驗證及工程實踐效能分析?；阢~冶煉工廠現(xiàn)有軟硬件設備，采用軟應用擴展的方式搭建了驗證環(huán)境[3]，從定性與定量兩個層面開展模型工程實踐效能對比分析，多維度驗證了模型的可行性。

1 業(yè)務流程再造模型體系架構設計

利用分布式傳感器集群對銅冶煉工廠歷史運維大數(shù)據(jù)進行采集，通過低時延無線通信系統(tǒng)將其傳輸至大容量存儲器進行暫存與計算，借助池化服務器對歷史運維大數(shù)據(jù)進行池化處理[4]，形成具有多源異構屬性的數(shù)據(jù)池并劃分為前置訓練集和后置測試集兩個分區(qū)。業(yè)務流程再造模型通過對數(shù)據(jù)池前置訓練集進行特征辨識，實現(xiàn)未來較長周期內的運維數(shù)據(jù)精準預測，通過對數(shù)據(jù)池后置測試集進行隱性知識感知，實現(xiàn)銅冶煉業(yè)務流程最優(yōu)再造策略自主生成。把業(yè)務流程再造模型的完整生命周期運行邏輯進行目標導向下的任務分解[5]，著重關注歷史運維大數(shù)據(jù)池化處理、未來運維數(shù)據(jù)精準預測、業(yè)務流程最優(yōu)再造策略生成3 個耦合子架構，構建了基于歷史運維大數(shù)據(jù)挖掘的業(yè)務流程再造模型體系架構，具體如圖1 所示。其中，歷史運維大數(shù)據(jù)池化處理子架構主要完成銅冶煉工廠歷史運維大數(shù)據(jù)的采集、傳輸、暫存、計算、池化處理，對數(shù)據(jù)池進行訓練集和測試集分區(qū)劃分，為未來運維數(shù)據(jù)的精準預測及業(yè)務流程最優(yōu)再造策略自主生成提供統(tǒng)一的數(shù)據(jù)集支撐；未來運維數(shù)據(jù)精準預測子架構主要完成較長周期內的銅冶煉工廠運維預測數(shù)據(jù)集生成[6]，引入深度LSTM 神經(jīng)網(wǎng)絡對數(shù)據(jù)池訓練集分區(qū)進行特征辨識，構建數(shù)據(jù)特征與運維狀態(tài)之間的物理映射機制，實現(xiàn)時間正序下的銅冶煉工廠運維數(shù)據(jù)集精準預測，為業(yè)務流程最優(yōu)再造策略自主生成提供學習數(shù)據(jù)集；業(yè)務流程最優(yōu)再造策略生成子架構主要完成銅冶煉工廠業(yè)務流程再造最優(yōu)策略自主生成，引入深度卷積神經(jīng)網(wǎng)絡DCNN 對數(shù)據(jù)池測試集分區(qū)進行隱性知識感知，利用預測數(shù)據(jù)集對隱性知識進行邏輯修正，借助銅冶煉業(yè)務流程優(yōu)化函數(shù)輸出最優(yōu)再造策略。

圖1 業(yè)務流程再造模型體系架構示意圖

2 業(yè)務流程再造模型核心算法設計

2.1 未來運維數(shù)據(jù)精準預測算法

引入包含8 層隱含層的深度LSTM 神經(jīng)網(wǎng)絡對數(shù)據(jù)池訓練集分區(qū)進行特征辨識，構建數(shù)據(jù)特征與運維狀態(tài)之間的物理映射機制，實現(xiàn)時間正序下的銅冶煉工廠運維數(shù)據(jù)集精準預測，為業(yè)務流程最優(yōu)再造策略自主生成提供學習數(shù)據(jù)集。初始化深度LSTM 神經(jīng)網(wǎng)絡的深度及節(jié)點數(shù)、網(wǎng)絡學習速率、網(wǎng)絡序列長度等。深度LSTM 神經(jīng)網(wǎng)絡通過對時間正序數(shù)據(jù)池訓練集分區(qū)進行訓練，利用內部監(jiān)督機制進行特征微調[7]，持續(xù)進行迭代循環(huán)，使先驗時序數(shù)據(jù)可以學習到未來時序數(shù)據(jù)的特征，實現(xiàn)較長周期內的銅冶煉工廠運維預測數(shù)據(jù)集生成。為了加快深度LSTM 神經(jīng)網(wǎng)絡的收斂進程，避免梯度發(fā)現(xiàn)現(xiàn)象，利用粒子群算法PSO 對深度LSTM 神經(jīng)網(wǎng)絡的初始值進行反復優(yōu)化。定義深度LSTM 神經(jīng)網(wǎng)絡預測誤差的均方差值作為適應度函數(shù)，用MSE表示，則深度LSTM 神經(jīng)網(wǎng)絡預測局部最優(yōu)解的均方差值MSEi和深度LSTM 神經(jīng)網(wǎng)絡預測全局最優(yōu)解MSEg分別為：

式（1）和（2）中，n表示粒子群算法PSO 的粒子數(shù)目，p表示數(shù)據(jù)池訓練集分區(qū)的數(shù)據(jù)數(shù)目，N表示深度LSTM 神經(jīng)網(wǎng)絡的節(jié)點數(shù)量[8]，disj和yisj分別表示預測數(shù)據(jù)集和真實數(shù)據(jù)集。式（2）構建了數(shù)據(jù)特征與運維狀態(tài)之間的物理映射機制，定義YCJt+表示時間正序下的銅冶煉工廠運維數(shù)據(jù)集精準預測生成集合，則有：

2.2 業(yè)務流程最優(yōu)再造策略生成算法

引入深度卷積神經(jīng)網(wǎng)絡DCNN 對數(shù)據(jù)池測試集分區(qū)進行隱性知識感知，利用預測數(shù)據(jù)集對隱性知識進行邏輯修正[10]，借助銅冶煉業(yè)務流程優(yōu)化函數(shù)輸出最優(yōu)再造策略。初始化深度卷積神經(jīng)網(wǎng)絡DCNN 的輸入策略塊為16×16、32 個5×5 的卷積核，卷積步長設置為1。p、q表示每個卷積核需要學習的參數(shù)，I表示卷積輸入數(shù)據(jù)集，K表示卷積核，λ1和λ2表示卷積步長，則基于學習數(shù)據(jù)集的訓練卷積層為：

為了改善式（4）訓練卷積層的誤差反向傳播性能，提高深度卷積神經(jīng)網(wǎng)絡DCNN 低層網(wǎng)絡的梯度值，在各層神經(jīng)網(wǎng)絡之間引入門控機制[11]，通過耦合第i層和第i-k層的聚合信息，產(chǎn)生正則化效果，降低深度卷積神經(jīng)網(wǎng)絡DCNN 的誤差累計，提高深度卷積神經(jīng)網(wǎng)絡DCNN 的訓練效率[12]。定義數(shù)據(jù)池測試集分區(qū)隱性知識輸出函數(shù)為Y(j,k)，定義修正過的數(shù)據(jù)池測試集分區(qū)隱性知識輸出函數(shù)為X(j,k)，DCNN的激活函數(shù)采用Sigmoid 函數(shù)并定義為f，則有：

式（5）和（6）中，t表示DCNN 的深度，表示卷積核，*表示平面卷積操作，表示偏置誤差，pj表示輸入的隱性知識數(shù)據(jù)集，β為修正權重，down(·)表示池化采樣函數(shù)。式（6）給出了修正過的數(shù)據(jù)池測試集分區(qū)隱性知識輸出函數(shù)，可以準確給出隱藏在大數(shù)據(jù)背后的隱性知識，為銅冶煉業(yè)務流程再造最優(yōu)策略提供支撐隱性知識。定義銅冶煉業(yè)務流程優(yōu)化函數(shù)，用? 表示。為了降低非核心參數(shù)對優(yōu)化策略生成的干擾[13]，引入多特征的數(shù)據(jù)融合算法和深度層權重概念，根據(jù)銅冶煉工廠參數(shù)對優(yōu)化策略生成的貢獻度，在DCNN 的全連接層后附加一層各類參數(shù)的貢獻權重層[14]，則權重層可以表示為式（7）：

其中，μn為參數(shù)n的權重，en表示參數(shù)n的誤差，en越低的參數(shù)其權重越高，則銅冶煉業(yè)務流程優(yōu)化函數(shù)可以表示為式（8）：

2.3 先驗環(huán)境下的模型仿真驗證

開展先驗環(huán)境下的模型仿真驗證，分別對深度LSTM 神經(jīng)網(wǎng)絡和深度卷積神經(jīng)網(wǎng)絡DCNN 進行初始化，保證兩個網(wǎng)絡處于激活狀態(tài)。鑒于銅冶煉工廠業(yè)務流程最優(yōu)再造問題屬于連續(xù)動作空間下的感知與決策問題，引入16 層深度卷積神經(jīng)網(wǎng)絡框架并利用緩沖池機制改善深度LSTM 神經(jīng)網(wǎng)絡的預測收斂遲滯問題，設置Target-action Value 神經(jīng)網(wǎng)絡以及Action Value 神經(jīng)網(wǎng)絡實現(xiàn)未來運維數(shù)據(jù)的精準預測。將當前狀態(tài)輸入到Target-action Value 神經(jīng)網(wǎng)絡，可以獲得Next Q 值，將當前狀態(tài)輸入到Action value 神經(jīng)網(wǎng)絡，可獲得eval Q 值[15]，實現(xiàn)業(yè)務最優(yōu)協(xié)同策略自主生成。選取云南銅業(yè)(集團)有限公司下轄某車間業(yè)務協(xié)同數(shù)據(jù)構建仿真數(shù)據(jù)集，選取仿真數(shù)據(jù)集中的16 000 例數(shù)據(jù)作為算法的前置訓練集，選取仿真數(shù)據(jù)集中的8 600 例數(shù)據(jù)作為算法的后置測試集，引入常用目標優(yōu)化算法作為對照，利用Python 語言編程實現(xiàn)，在PyCharm 集成環(huán)境下進行圖形化仿真，仿真結果如圖2 和3 所 示。

圖2 未來運維數(shù)據(jù)精準預測算法仿真圖

3 業(yè)務流程再造模型工程實踐效能分析

在理論驗證層面，圖2 和圖3 多維度傳達了業(yè)務流程再造模型的有效性及優(yōu)越性，為開展業(yè)務流程再造模型工程實踐效能分析提供了理論依據(jù)。選取云南銅業(yè)(集團)有限公司某下屬銅冶煉工廠為工程實踐效能分析載體，基于銅冶煉工廠目前安裝的軟硬件設備，采用軟應用擴展的方式搭建了驗證環(huán)境，具體如圖4 所示。在銅冶煉工廠目前裝備的可視化實時監(jiān)測平臺基礎上增加融合數(shù)據(jù)池生成、未來運維數(shù)據(jù)精準預測、業(yè)務流程最優(yōu)再造策略生成3 個軟件子進程，均采用熱觸發(fā)方式，3 個軟件子進程均與主進程保持時間均衡，共享數(shù)據(jù)包及內外通信端口，進程數(shù)據(jù)實時刷新并在人機交互界面顯示[16]。其中，融合數(shù)據(jù)池生成子進程對底層傳感器集群采集的多源異構數(shù)據(jù)進行暫存與計算，形成融合前置訓練集和后置測試集的數(shù)據(jù)池；未來運維數(shù)據(jù)精準預測子進程引入深度LSTM 神經(jīng)網(wǎng)絡對數(shù)據(jù)池前置訓練集進行特征辨識，構建時間正序下的銅冶煉工廠運維數(shù)據(jù)精準預測機制；業(yè)務流程最優(yōu)再造策略生成子進程引入深度卷積神經(jīng)網(wǎng)絡DCNN 對數(shù)據(jù)池后置測試集進行隱性知識感知，借助銅冶煉業(yè)務流程優(yōu)化函數(shù)輸出最優(yōu)再造策略。上述3 個軟件子進程在數(shù)據(jù)流層面從屬于可視化實時監(jiān)測平臺主進程，在控制流層面具有耦合獨立性，可以對數(shù)據(jù)池形成、數(shù)據(jù)集預測、最優(yōu)再造策略生成等進行獨立控制。

圖3 業(yè)務流程最優(yōu)再造策略生成算法仿真圖

圖4 模型工程實踐效能分析驗證環(huán)境邏輯圖

基于圖4 給出的業(yè)務流程再造模型工程實踐效能分析驗證環(huán)境布置邏輯，進一步從定量化層面對比分析業(yè)務流程再造模型的工程化應用效能。選取云南銅業(yè)(集團)有限公司某下屬銅冶煉工廠為算例分析數(shù)據(jù)源頭，分別對未來運維數(shù)據(jù)精準預測子進程、業(yè)務流程最優(yōu)再造策略生成子進程核心參數(shù)進行差異化設置。選取云南銅業(yè)(集團)有限公司某下屬銅冶煉工廠正在應用的業(yè)務流程可視化實時監(jiān)測平臺為對照系統(tǒng)，選取核心參數(shù)差異化設置的業(yè)務流程再造模型為跟隨系統(tǒng)，利用云南銅業(yè)(集團)有限公司下轄某車間鋅合金生產(chǎn)線運維數(shù)據(jù)構建效能對比融合數(shù)據(jù)池。從模型未來運維數(shù)據(jù)集預測精準率（JZ）、模型融合數(shù)據(jù)池隱性知識感知覆蓋率（FG）、模型業(yè)務流程最優(yōu)再造策略生成有效率（YX）等方面進行定量分析，圍繞業(yè)務流程再造模型工程實踐效能分析驗證環(huán)境人機交互友好性（JH）、業(yè)務流程再造智慧化程度（ZH）、動態(tài)異常信息互聯(lián)推送（YC）等方面進行定性分析，具體如表1 所示。通過表1 可以從定性和定量兩個層面分析得出，業(yè)務流程再造模型較好改善了傳統(tǒng)基于顯性知識的業(yè)務流程自優(yōu)化機制在工程實踐中日益凸顯的若干不足，大幅度優(yōu)化了銅冶煉工廠生產(chǎn)線能耗可控監(jiān)測機制，業(yè)務流程再造策略自主最優(yōu)生成有效率符合產(chǎn)線需求。

表1 業(yè)務流程再造模型工程實踐效能分析對比表

4 結論

研究了銅冶煉工廠業(yè)務流程再造策略自主最優(yōu)生成問題，構建了基于銅冶煉工廠歷史運維大數(shù)據(jù)挖掘的業(yè)務流程再造模型并進行了先驗環(huán)境下的仿真驗證。首先把業(yè)務流程再造模型完整生命周期運行邏輯進行目標導向下的任務分解，給出了基于歷史運維大數(shù)據(jù)挖掘的業(yè)務流程再造模型體系架構；然后利用深度LSTM 神經(jīng)網(wǎng)絡設計了未來運維數(shù)據(jù)精準預測算法，利用深度卷積神經(jīng)網(wǎng)絡DCNN 設計了業(yè)務流程最優(yōu)再造策略生成算法，在PyCharm 集成環(huán)境下開展了先驗環(huán)境下的模型仿真驗證。采用軟應用擴展的方式搭建了業(yè)務流程再造模型工程實踐效能分析驗證環(huán)境，從定性和定量兩個層面對業(yè)務流程再造模型進行了多維工程實踐效能分析，分析結果表明，業(yè)務流程再造模型較好改善了傳統(tǒng)基于顯性知識的業(yè)務流程自優(yōu)化機制在工程實踐中日益凸顯的若干不足，大幅度優(yōu)化了銅冶煉工廠業(yè)務流程智慧可控監(jiān)測機制，業(yè)務流程再造策略自主最優(yōu)生成有效率等核心參數(shù)符合產(chǎn)線需求。