造紙企業(yè)多源數(shù)據(jù)融合算法與生產(chǎn)物流智能調(diào)度研究

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)合人工智能深度學習方法，針對造紙企業(yè)傳感器數(shù)據(jù)融合探測、診斷決策和裝載機調(diào)度等任務建立數(shù)據(jù)融合網(wǎng)絡模型，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，并在此基礎上開展生產(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：TP391? ? ? ? ? 文獻標識碼：A? ? ?文章編號：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、外購件入庫，到企業(yè)成品庫的成品發(fā)送這一全過程的管理活動。它貫穿于原材料和協(xié)作件的采購供應，到生產(chǎn)過程中半成品的存儲、裝卸、運輸和成品包裝，到倉儲部門的入庫驗收、分類、儲存、配送，最后送到客戶手中的全過程，以及貫穿于整個生產(chǎn)過程的信息傳遞，其數(shù)據(jù)來源及數(shù)據(jù)量非常繁雜。

造紙企業(yè)具有規(guī)模大、設備多、覆蓋區(qū)域廣、運行時間長、運行條件復雜等特性，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)，在這個過程中會產(chǎn)生大量類型豐富的數(shù)據(jù)。近年來，隨著計算機信息技術(shù)和存儲技術(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)的價值漸漸被人們發(fā)現(xiàn)并利用，許多行業(yè)進入大數(shù)據(jù)時代，開啟了重大的時代轉(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行集成的過程，涉及數(shù)據(jù)庫、統(tǒng)計分析、機器學習等技術(shù)[1]。傳統(tǒng)的數(shù)據(jù)統(tǒng)計技術(shù)已無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)中提取針對于目標任務的特征成為可能[2]。造紙過程產(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、診斷決策和裝載機調(diào)度等主要數(shù)據(jù)融合任務入手，從原理上設計了多個數(shù)據(jù)融合模型。通過制漿造紙企業(yè)真實數(shù)據(jù)實驗驗證，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)展過程中迫切需要解決的關(guān)鍵科技問題。

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)融合探測網(wǎng)絡模型

針對生產(chǎn)現(xiàn)場溫度、噪度、壓力、漿濃度等傳感器探測異常數(shù)據(jù)糾纏稀薄、傳統(tǒng)神經(jīng)網(wǎng)絡易陷入局部最小、梯度消失爆炸問題，利用SSEAE對數(shù)據(jù)進行無監(jiān)督學習，提取高維稀疏特征，并引入PCA對特征進行壓縮降維，利用高斯核SVM分類器進行最后的數(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?？梢钥闯?，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維度會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 裝載機智能調(diào)度預測網(wǎng)絡模型

針對多源傳感器大數(shù)據(jù)融合模型，結(jié)合裝載機調(diào)度負荷預測綜合影響因素、用戶所需漿紙?zhí)匦?、網(wǎng)絡參數(shù)、環(huán)境特性和收斂速度等方面，本文提出基于GRU網(wǎng)絡的裝載機智能調(diào)度預測網(wǎng)絡數(shù)學模型，利用聚類分析算法減輕不同用戶漿包需求的干擾，并且對輔助環(huán)境信息進行量化，把歷史需求數(shù)據(jù)作為網(wǎng)絡的總輸入，挖掘出需求預測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]是更新門向量的下標，[r]是重置門向量的下標，[h]是[t]時刻隱藏單元向量的下標，[h’]是[t]時刻新記憶單元的下標，[f]和[φ]是激活函數(shù)，[sth’]表示在[t]時刻新記憶單元的信息。

為了解決樣本獲取問題，進一步提高數(shù)據(jù)利用率和網(wǎng)絡性能，利用MMD衡量源領域和目標領域數(shù)據(jù)的分布差異[4]，從而根據(jù)MMD的值選擇和調(diào)整遷移學習網(wǎng)絡模型，將源領域有價值的知識遷移到目標領域，防止負遷移現(xiàn)象的發(fā)生，并運用大數(shù)據(jù)處理技術(shù)，最終實現(xiàn)制漿造紙過程數(shù)據(jù)處理科學化。

假設[F]是一個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[X]和[Y]是從分布[p]和[q]采樣得到的兩個數(shù)據(jù)集，數(shù)據(jù)集的大小分布為[m]和[n]，那么MMD的經(jīng)驗估計為：

[MMDF，X，Y=sup1mi=1mfxi-1ni=1nfyi]? ⒀

總的來說，MMD可以看作是在再生核希爾伯特空間中兩個點的距離，可以用來衡量兩個分布的距離[5]。

[MMD[F，X，Y]=[1mm-1i≠jmkxi，xj]

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

2 實驗結(jié)果與分析

針對現(xiàn)代生產(chǎn)物流系統(tǒng)結(jié)構(gòu)，對造紙企業(yè)生產(chǎn)設備布置和物流路線整理規(guī)劃的基礎上，根據(jù)生產(chǎn)物流配送系統(tǒng)的設計原則及應實現(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)和計算機網(wǎng)絡形式，在實驗場地現(xiàn)場布置300個數(shù)據(jù)采集點，通過實時采集數(shù)據(jù)的方式，將生產(chǎn)數(shù)據(jù)即時導入數(shù)據(jù)中心集群數(shù)據(jù)庫，中心集群數(shù)據(jù)庫允許并發(fā)連接數(shù)5000個。中心數(shù)據(jù)庫設計186個信息表用于保存生產(chǎn)數(shù)據(jù)。信息系統(tǒng)共構(gòu)建84個應用模塊，以充分滿足網(wǎng)絡感知決策優(yōu)化的設計需要。

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

針對MMD的值選擇和調(diào)整遷移學習網(wǎng)絡模型，實驗源領域數(shù)據(jù)和目標域數(shù)據(jù)來源于不同漿包生產(chǎn)線或不同傳感器的采集信號，如輥道輸送機、蒸煮塔、DD洗漿機、漿板機等。在此基礎上開展實驗結(jié)果和分析，包括：負荷預測實驗模型結(jié)構(gòu)和參數(shù)設置、基于MMD的一級馬尾松木風干漂白漿板遷移學習的實驗結(jié)果、基于MMD的一級榿木風干漂白漿板遷移學習實驗結(jié)果、基于MMD的一級松木風干漂白漿板遷移學習實驗結(jié)果。綜合實驗結(jié)果對比，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

本研究利用深度學習等人工智能方法，為傳感器數(shù)據(jù)融合探測和裝載機調(diào)度等任務建立數(shù)據(jù)融合網(wǎng)絡模型，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]，并在此基礎上利用HDFS、Hbase、GraphDB、MapReduce、Spark等分布式存儲與云計算等大數(shù)據(jù)技術(shù)構(gòu)建多源異構(gòu)數(shù)據(jù)庫，采用批處理和流處理計算技術(shù)，以實現(xiàn)生產(chǎn)智能調(diào)度科學化。

參考文獻（References）：

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

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

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

[4] 徐揚.基于融合算法的機場場面監(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].自動化學報，2017（12）：11-12