基于銅冶煉工廠歷史運(yùn)維大數(shù)據(jù)挖掘的業(yè)務(wù)流程再造模型研究

姚培福，王建國，譚正洲

（云南銅業(yè)（集團(tuán)）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(dǎo)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(gòu)建了基于銅冶煉工廠歷史運(yùn)維大數(shù)據(jù)挖掘的業(yè)務(wù)流程再造模型，給出了模型實(shí)現(xiàn)過程，開展了模型仿真驗(yàn)證及工程實(shí)踐效能分析?；阢~冶煉工廠現(xiàn)有軟硬件設(shè)備，采用軟應(yīng)用擴(kuò)展的方式搭建了驗(yàn)證環(huán)境[3]，從定性與定量兩個層面開展模型工程實(shí)踐效能對比分析，多維度驗(yàn)證了模型的可行性。

1 業(yè)務(wù)流程再造模型體系架構(gòu)設(shè)計

利用分布式傳感器集群對銅冶煉工廠歷史運(yùn)維大數(shù)據(jù)進(jìn)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(jìn)行暫存與計算，借助池化服務(wù)器對歷史運(yùn)維大數(shù)據(jù)進(jìn)行池化處理[4]，形成具有多源異構(gòu)屬性的數(shù)據(jù)池并劃分為前置訓(xùn)練集和后置測試集兩個分區(qū)。業(yè)務(wù)流程再造模型通過對數(shù)據(jù)池前置訓(xùn)練集進(jìn)行特征辨識，實(shí)現(xiàn)未來較長周期內(nèi)的運(yùn)維數(shù)據(jù)精準(zhǔn)預(yù)測，通過對數(shù)據(jù)池后置測試集進(jìn)行隱性知識感知，實(shí)現(xiàn)銅冶煉業(yè)務(wù)流程最優(yōu)再造策略自主生成。把業(yè)務(wù)流程再造模型的完整生命周期運(yùn)行邏輯進(jìn)行目標(biāo)導(dǎo)向下的任務(wù)分解[5]，著重關(guān)注歷史運(yùn)維大數(shù)據(jù)池化處理、未來運(yùn)維數(shù)據(jù)精準(zhǔn)預(yù)測、業(yè)務(wù)流程最優(yōu)再造策略生成3 個耦合子架構(gòu)，構(gòu)建了基于歷史運(yùn)維大數(shù)據(jù)挖掘的業(yè)務(wù)流程再造模型體系架構(gòu)，具體如圖1 所示。其中，歷史運(yùn)維大數(shù)據(jù)池化處理子架構(gòu)主要完成銅冶煉工廠歷史運(yùn)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(jìn)行訓(xùn)練集和測試集分區(qū)劃分，為未來運(yùn)維數(shù)據(jù)的精準(zhǔn)預(yù)測及業(yè)務(wù)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(yùn)維數(shù)據(jù)精準(zhǔn)預(yù)測子架構(gòu)主要完成較長周期內(nèi)的銅冶煉工廠運(yùn)維預(yù)測數(shù)據(jù)集生成[6]，引入深度LSTM 神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)池訓(xùn)練集分區(qū)進(jìn)行特征辨識，構(gòu)建數(shù)據(jù)特征與運(yùn)維狀態(tài)之間的物理映射機(jī)制，實(shí)現(xiàn)時間正序下的銅冶煉工廠運(yùn)維數(shù)據(jù)集精準(zhǔn)預(yù)測，為業(yè)務(wù)流程最優(yōu)再造策略自主生成提供學(xué)習(xí)數(shù)據(jù)集；業(yè)務(wù)流程最優(yōu)再造策略生成子架構(gòu)主要完成銅冶煉工廠業(yè)務(wù)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(luò)DCNN 對數(shù)據(jù)池測試集分區(qū)進(jìn)行隱性知識感知，利用預(yù)測數(shù)據(jù)集對隱性知識進(jìn)行邏輯修正，借助銅冶煉業(yè)務(wù)流程優(yōu)化函數(shù)輸出最優(yōu)再造策略。

圖1 業(yè)務(wù)流程再造模型體系架構(gòu)示意圖

2 業(yè)務(wù)流程再造模型核心算法設(shè)計

2.1 未來運(yùn)維數(shù)據(jù)精準(zhǔn)預(yù)測算法

引入包含8 層隱含層的深度LSTM 神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)池訓(xùn)練集分區(qū)進(jìn)行特征辨識，構(gòu)建數(shù)據(jù)特征與運(yùn)維狀態(tài)之間的物理映射機(jī)制，實(shí)現(xiàn)時間正序下的銅冶煉工廠運(yùn)維數(shù)據(jù)集精準(zhǔn)預(yù)測，為業(yè)務(wù)流程最優(yōu)再造策略自主生成提供學(xué)習(xí)數(shù)據(jù)集。初始化深度LSTM 神經(jīng)網(wǎng)絡(luò)的深度及節(jié)點(diǎn)數(shù)、網(wǎng)絡(luò)學(xué)習(xí)速率、網(wǎng)絡(luò)序列長度等。深度LSTM 神經(jīng)網(wǎng)絡(luò)通過對時間正序數(shù)據(jù)池訓(xùn)練集分區(qū)進(jìn)行訓(xùn)練，利用內(nèi)部監(jiān)督機(jī)制進(jìn)行特征微調(diào)[7]，持續(xù)進(jìn)行迭代循環(huán)，使先驗(yàn)時序數(shù)據(jù)可以學(xué)習(xí)到未來時序數(shù)據(jù)的特征，實(shí)現(xiàn)較長周期內(nèi)的銅冶煉工廠運(yùn)維預(yù)測數(shù)據(jù)集生成。為了加快深度LSTM 神經(jīng)網(wǎng)絡(luò)的收斂進(jìn)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(luò)的初始值進(jìn)行反復(fù)優(yōu)化。定義深度LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測誤差的均方差值作為適應(yīng)度函數(shù)，用MSE表示，則深度LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測局部最優(yōu)解的均方差值MSEi和深度LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)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(xùn)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(luò)的節(jié)點(diǎn)數(shù)量[8]，disj和yisj分別表示預(yù)測數(shù)據(jù)集和真實(shí)數(shù)據(jù)集。式（2）構(gòu)建了數(shù)據(jù)特征與運(yùn)維狀態(tài)之間的物理映射機(jī)制，定義YCJt+表示時間正序下的銅冶煉工廠運(yùn)維數(shù)據(jù)集精準(zhǔn)預(yù)測生成集合，則有：

2.2 業(yè)務(wù)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(luò)DCNN 對數(shù)據(jù)池測試集分區(qū)進(jìn)行隱性知識感知，利用預(yù)測數(shù)據(jù)集對隱性知識進(jìn)行邏輯修正[10]，借助銅冶煉業(yè)務(wù)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(luò)DCNN 的輸入策略塊為16×16、32 個5×5 的卷積核，卷積步長設(shè)置為1。p、q表示每個卷積核需要學(xué)習(xí)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(xué)習(xí)數(shù)據(jù)集的訓(xùn)練卷積層為：

為了改善式（4）訓(xùn)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(luò)DCNN 低層網(wǎng)絡(luò)的梯度值，在各層神經(jīng)網(wǎng)絡(luò)之間引入門控機(jī)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(luò)DCNN 的誤差累計，提高深度卷積神經(jīng)網(wǎng)絡(luò)DCNN 的訓(xùn)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(quán)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(zhǔn)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(wù)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(wù)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(quán)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(xiàn)度，在DCNN 的全連接層后附加一層各類參數(shù)的貢獻(xiàn)權(quán)重層[14]，則權(quán)重層可以表示為式（7）：

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

2.3 先驗(yàn)環(huán)境下的模型仿真驗(yàn)證

開展先驗(yàn)環(huán)境下的模型仿真驗(yàn)證，分別對深度LSTM 神經(jīng)網(wǎng)絡(luò)和深度卷積神經(jīng)網(wǎng)絡(luò)DCNN 進(jìn)行初始化，保證兩個網(wǎng)絡(luò)處于激活狀態(tài)。鑒于銅冶煉工廠業(yè)務(wù)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(luò)框架并利用緩沖池機(jī)制改善深度LSTM 神經(jīng)網(wǎng)絡(luò)的預(yù)測收斂遲滯問題，設(shè)置Target-action Value 神經(jīng)網(wǎng)絡(luò)以及Action Value 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)未來運(yùn)維數(shù)據(jù)的精準(zhǔn)預(yù)測。將當(dāng)前狀態(tài)輸入到Target-action Value 神經(jīng)網(wǎng)絡(luò)，可以獲得Next Q 值，將當(dāng)前狀態(tài)輸入到Action value 神經(jīng)網(wǎng)絡(luò)，可獲得eval Q 值[15]，實(shí)現(xiàn)業(yè)務(wù)最優(yōu)協(xié)同策略自主生成。選取云南銅業(yè)(集團(tuán))有限公司下轄某車間業(yè)務(wù)協(xié)同數(shù)據(jù)構(gòu)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(xùn)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(biāo)優(yōu)化算法作為對照，利用Python 語言編程實(shí)現(xiàn)，在PyCharm 集成環(huán)境下進(jìn)行圖形化仿真，仿真結(jié)果如圖2 和3 所 示。

圖2 未來運(yùn)維數(shù)據(jù)精準(zhǔn)預(yù)測算法仿真圖

3 業(yè)務(wù)流程再造模型工程實(shí)踐效能分析

在理論驗(yàn)證層面，圖2 和圖3 多維度傳達(dá)了業(yè)務(wù)流程再造模型的有效性及優(yōu)越性，為開展業(yè)務(wù)流程再造模型工程實(shí)踐效能分析提供了理論依據(jù)。選取云南銅業(yè)(集團(tuán))有限公司某下屬銅冶煉工廠為工程實(shí)踐效能分析載體，基于銅冶煉工廠目前安裝的軟硬件設(shè)備，采用軟應(yīng)用擴(kuò)展的方式搭建了驗(yàn)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(shí)時監(jiān)測平臺基礎(chǔ)上增加融合數(shù)據(jù)池生成、未來運(yùn)維數(shù)據(jù)精準(zhǔn)預(yù)測、業(yè)務(wù)流程最優(yōu)再造策略生成3 個軟件子進(jìn)程，均采用熱觸發(fā)方式，3 個軟件子進(jìn)程均與主進(jìn)程保持時間均衡，共享數(shù)據(jù)包及內(nèi)外通信端口，進(jìn)程數(shù)據(jù)實(shí)時刷新并在人機(jī)交互界面顯示[16]。其中，融合數(shù)據(jù)池生成子進(jìn)程對底層傳感器集群采集的多源異構(gòu)數(shù)據(jù)進(jìn)行暫存與計算，形成融合前置訓(xùn)練集和后置測試集的數(shù)據(jù)池；未來運(yùn)維數(shù)據(jù)精準(zhǔn)預(yù)測子進(jìn)程引入深度LSTM 神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)池前置訓(xùn)練集進(jìn)行特征辨識，構(gòu)建時間正序下的銅冶煉工廠運(yùn)維數(shù)據(jù)精準(zhǔn)預(yù)測機(jī)制；業(yè)務(wù)流程最優(yōu)再造策略生成子進(jìn)程引入深度卷積神經(jīng)網(wǎng)絡(luò)DCNN 對數(shù)據(jù)池后置測試集進(jìn)行隱性知識感知，借助銅冶煉業(yè)務(wù)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(jìn)程在數(shù)據(jù)流層面從屬于可視化實(shí)時監(jiān)測平臺主進(jìn)程，在控制流層面具有耦合獨(dú)立性，可以對數(shù)據(jù)池形成、數(shù)據(jù)集預(yù)測、最優(yōu)再造策略生成等進(jìn)行獨(dú)立控制。

圖3 業(yè)務(wù)流程最優(yōu)再造策略生成算法仿真圖

圖4 模型工程實(shí)踐效能分析驗(yàn)證環(huán)境邏輯圖

基于圖4 給出的業(yè)務(wù)流程再造模型工程實(shí)踐效能分析驗(yàn)證環(huán)境布置邏輯，進(jìn)一步從定量化層面對比分析業(yè)務(wù)流程再造模型的工程化應(yīng)用效能。選取云南銅業(yè)(集團(tuán))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(yùn)維數(shù)據(jù)精準(zhǔn)預(yù)測子進(jìn)程、業(yè)務(wù)流程最優(yōu)再造策略生成子進(jìn)程核心參數(shù)進(jìn)行差異化設(shè)置。選取云南銅業(yè)(集團(tuán))有限公司某下屬銅冶煉工廠正在應(yīng)用的業(yè)務(wù)流程可視化實(shí)時監(jiān)測平臺為對照系統(tǒng)，選取核心參數(shù)差異化設(shè)置的業(yè)務(wù)流程再造模型為跟隨系統(tǒng)，利用云南銅業(yè)(集團(tuán))有限公司下轄某車間鋅合金生產(chǎn)線運(yùn)維數(shù)據(jù)構(gòu)建效能對比融合數(shù)據(jù)池。從模型未來運(yùn)維數(shù)據(jù)集預(yù)測精準(zhǔn)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(wù)流程最優(yōu)再造策略生成有效率（YX）等方面進(jìn)行定量分析，圍繞業(yè)務(wù)流程再造模型工程實(shí)踐效能分析驗(yàn)證環(huán)境人機(jī)交互友好性（JH）、業(yè)務(wù)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(jìn)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(wù)流程再造模型較好改善了傳統(tǒng)基于顯性知識的業(yè)務(wù)流程自優(yōu)化機(jī)制在工程實(shí)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(jī)制，業(yè)務(wù)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(wù)流程再造模型工程實(shí)踐效能分析對比表

4 結(jié)論

研究了銅冶煉工廠業(yè)務(wù)流程再造策略自主最優(yōu)生成問題，構(gòu)建了基于銅冶煉工廠歷史運(yùn)維大數(shù)據(jù)挖掘的業(yè)務(wù)流程再造模型并進(jìn)行了先驗(yàn)環(huán)境下的仿真驗(yàn)證。首先把業(yè)務(wù)流程再造模型完整生命周期運(yùn)行邏輯進(jìn)行目標(biāo)導(dǎo)向下的任務(wù)分解，給出了基于歷史運(yùn)維大數(shù)據(jù)挖掘的業(yè)務(wù)流程再造模型體系架構(gòu)；然后利用深度LSTM 神經(jīng)網(wǎng)絡(luò)設(shè)計了未來運(yùn)維數(shù)據(jù)精準(zhǔn)預(yù)測算法，利用深度卷積神經(jīng)網(wǎng)絡(luò)DCNN 設(shè)計了業(yè)務(wù)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(yàn)環(huán)境下的模型仿真驗(yàn)證。采用軟應(yīng)用擴(kuò)展的方式搭建了業(yè)務(wù)流程再造模型工程實(shí)踐效能分析驗(yàn)證環(huán)境，從定性和定量兩個層面對業(yè)務(wù)流程再造模型進(jìn)行了多維工程實(shí)踐效能分析，分析結(jié)果表明，業(yè)務(wù)流程再造模型較好改善了傳統(tǒng)基于顯性知識的業(yè)務(wù)流程自優(yōu)化機(jī)制在工程實(shí)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(wù)流程智慧可控監(jiān)測機(jī)制，業(yè)務(wù)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。