钢铁企业智能制造绿色化

5.智能算法及实例

    5.1智能算法

    1）聚类分析。聚类分析，又称为聚类，是按照属性值把一组对象划分成一系列有意义的子集的描述性任务，是将物理或抽象对象的集合分组为由相似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一簇中的对象彼此相似，与其他簇中的对象相异。在许多应用中，可以将一个簇中的数据对象作为一个整体来对待。

    2）专家控制系统（Expert System）。专家系统能够利用人类专家的知识和解决问题的经验方法来处理该领域的高水平难题。它具有启发性、透明性、灵活性、符号操作、不确定性推理等特点。相对来说，专家系统工程费用较高，而且还涉及自动获取知识困难、无自学能力、知识面太窄等问题，实际应用相对还是比较少。

    3）神经网络。神经网络利用大量的神经元按一定的拓扑结构和学习调整方法构成，能表示出丰富的特性：并行计算、分布存储、可变结构、高度容错、非线性运算、自我组织、学习或自学习等。它在智能控制的参数、结构或环境的自适应、自组织、自学习等控制方面具有独特能力。擅长单输入多输出系统和多输入多输出系统的多变量控制。

    4）模糊控制系统。对于用传统控制理论无法进行分析和控制的复杂和无法建立数学模型的系统，人们把经验指导下的行为过程总结成一些规则，并根据这些规则设计出控制器。然后运用模糊理论、模糊语言变量和模糊逻辑推理的知识，把这些模糊的语言上升为数值运算，从而能够利用计算机来完成对这些规则的具体实现，达到以机器代替人对某些对象进行自动控制的目的。模糊逻辑主要用于单输入单输出系统（SISO） 或多输入单输出系统（MISO） 的控制。

    5）学习控制系统。所谓学习是一种过程，它通过重复输人信号，并从外部校正该系统，从而使系统对特定输人具有特定响应。学习控制系统是一个能在其运行过程中逐步获得受控过程及环境的非预知信息，积累控制经验，并在一定的评价标准下进行估值、分类、决策和不断改善系统品质的自动控制系统。

    6）遗传算法学习控制。遗传算法是模拟自然选择和遗传机制的一种搜索和优化算法，它模拟生物界/生存竞争，优胜劣汰，适者生存的机制，利用复制、交叉、变异等遗传操作来完成寻优。如何同时提高搜索最优解的概率和效率，是遗传算法的一个主要研究方向。遗传算法作为一种非确定的拟自然随机优化工具，具有并行计算、快速寻找全局最优解等特点。它可以和其他技术混合使用，用于智能控制的参数、结构或环境的最优控制。

    7）迭代学习控制。迭代学习控制能够通过一系列迭代过程实现对二阶非线性动力学系统的跟踪控制。整个控制结构由线性反馈控制器和前馈学习补偿控制器组成，其中线性反馈控制器保证了非线性系统的稳定运行、前馈补偿控制器保证了系统的跟踪控制精度。在执行重复运动的非线性机器人系统的控制中相当成功。

    8）深度学习。阿尔法围棋（AlphaGo）的主要工作原理是“深度学习”。“深度学习”是指多层的人工神经网络和训练方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接在一起，形成神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一样。

    5.2智能算法实例

    东北大学轧制技术及连轧自动化国家重点实验室长期以来将轧制过程自动化与智能化作为其四个研究方向之一。现举出几个实例说明智能化的应用与效果。

    1）材料加工过程组织-性能的预测与控制，该项目是与钢研总院、宝钢等合作承担的一个国家863重点项目。利用物理冶金理论建立了热轧过程物理冶金模型，利用热力模拟实验确定模型参数，进行热轧材料组织性能的理论预测。同时，利用神经元网络模型预测理论模型的偏差。将人工智能模型与物理冶金模型相结合，实行材料组织性能的预测与控制。

    2）集约化定制与柔性轧制。与宝钢梅钢、鞍钢等单位合作，基于组织性能预测模块和钢种归并模块，进行组织性能预测。在处理噪音和不确定性等问题时，应用基于贝叶斯概率理论的神经网络模型，在网络目标函数中引入代表网络复杂程度的惩罚项，融入“奥克姆剪刀”理论防止网络“过训练”的发生，使网络具有较好的泛化性能。该技术大大提高了系统的柔性，为科学制定生产计划、科学排产、制定规程提供了有力的支撑。

    3）轧制过程数模智能调优。此为九五攻关项目：钢铁工业综合自动化关键技术研究及示范工程项目的一个子项目，题目为：人工智能在轧钢中的应用。同时，也是与本钢、宝钢横向合作的项目。提出连轧数模参数智能调优的思想，开发了连轧过程数模解析工具，使数模的维护与参数整定由个人行为变成计算机的智能行为，形成具有我国特色的轧制过程数模调优理论体系和实用方法。“轧制过程人工智能优化与数模调优”获得2000年国家科技进步二等奖。

    4）中厚板轧制平面形状控制，与三明钢铁、唐钢等单位合作完成。针对中厚板平面形状控制这一极为复杂的问题，考虑采用多智能体技术，进行了轧件厚度、长度、轧制力、平面形状的协调智能控制。现场应用效果良好，可以提高中厚板成材率1%-1.5%。

    5）中厚板轧后控冷温度智能控制。与南钢、韶钢、唐钢等企业合作完成。基于k-NN原理并结合有限元网格划分和聚类算法，建立“变比例空间法”自学习智能模型，并成功应用于实际生产中。VSG模型提高了温度命中率和稳定性。大量钢厂的统计数据表明，温度控制精度提高约5%。

6.结语

    1）实施创新驱动发展战略，攻克关键共性技术，促进钢铁行业绿色发展；建设钢铁信息物理系统，促进钢铁行业智能发展。

    2）以第四次工业革命的核心技术CPS为目标，对钢铁行业现有的自动化系统进行拓展和改造，是钢铁行业实现智能化的必由之路。

    3）主要工作：拓展网络功能，强化计算能力和感知能力，建成可靠的、实时的、安全的、协作的智能化钢铁生产信息物理系统，实现钢铁行业的智能化发展。

    4）相信经过3-5年的努力，我国钢铁工业将形成一批具有感知、记忆、思维、适应、决策、控制、自适应、自学习、自组织能力的生产线，做到信息深度感知、智慧优化决策和精准协调控制，助力钢铁行业转型升级，绿色发展，领跑世界。