1 引言
流程工業主要包括石油、化工、鋼鐵、有色、建材等原材料行業， 是我國國民經濟的支柱產業和實體經濟發展的根基。 經過數十年發展， 我國已成為世界上門類最齊全、規模最龐大的流程工業製造大國。 目前我國流程製造工業總體工藝技術水平與國外發達國家相當， 部分工藝、裝置達到國際先進水平， 但還面臨著資源緊缺、能源消耗大、安全環保壓力大、技術人力資源短缺等問題。 我國流程工業正從區域性調節、粗放操作的生產模式向全流程最佳化、精細化執行管控的生產模式發展， 但是轉型升級還不夠充分， 高效化、綠色化成為流程工業可持續發展的主題。 高效化和綠色化生產是指在市場和原料變化的情況下， 透過最佳化資源配置， 增強工業生產全流程的安全性和可靠性， 提高產品效能、品質和附加值， 實現能源與資源高效利用和汙染物近零排放。
在新一代人工智慧技術和現代資訊科技的發展驅動下， 智慧製造是實現我國流程工業高效化、綠色化、高質量發展的必由之路。智慧製造包括生產工藝智慧化和生產執行智慧化。 生產工藝智慧化可以提升工藝設計效率， 提高產品質量和附加值， 從工藝流程上降低物耗、能耗和汙染物排放。 生產執行智慧化是指在原料、能源、產品等外部市場變化條件下， 以企業全域性和生產執行全過程的高效化與綠色化為目的， 使原材料採購、經營決策、計劃排程、執行過程引數選擇以及生產操作智慧化。 對於工藝設計確定的流程工業而言， 生產執行的智慧化是智慧製造的主要關注問題。 由於流程工業與離散工業存在顯著區別， 以 “工業 4。0” 為代表的離散工業智慧製造模式不適用於流程工業。 經過數十年的發展， 我國流程工業的資訊化已達到一定水平， 但在過程控制、計劃排程、經營決策等層面存在智慧化程度較低的問題。 為實現流程工業高效化和綠色化， 必須自主創新發展適合我國流程工業的
智慧製造模式。
2 知識是流程工業智慧製造的核心要素
2。1 流程製造業中知識的重要性
目前， 我國流程企業採用的資訊系統智慧化程度低、各層次功能相對獨立、整合性還沒有完全實現。 流程製造企業各層分別採用具有資訊整合和管理功能的企業資源計劃 （ERP）、製造執行系統（MES） 和過程控制系統 （PCS） 等資訊系統。 ERP 和 MES， MES 和 PCS 間存在知識鴻溝， 導致企業目標、資源計劃、排程、執行指標、生產指令與控制指令等各層次決策處於需要知識型工作者結合領域知識、憑藉經驗人工決策的狀態。
知識型工作在流程製造企業中起到核心作用。 如在流程製造企業的各層次決策中， 需要統籌考慮各種生產控制、計劃排程和經營管理等要素， 關聯跨領域知識， 再由知識型工作者憑經驗給出決策。 在過程控制層， 工程師憑藉經驗知識， 綜合工藝機理知識、裝置執行資料決定過程控制系統的設定值； 在生產計劃和生產排程層， 排程人員根據資訊系統提供的原料物流、能源供應和裝置管理資料， 結合計劃排程專業知識和自身經驗， 給出能源資源配置、生產排程、倉儲物流、工作排班、裝置管理等決策；在生產經營決策層， 管理決策者根據自身經驗和經營管理專業知識， 分析企業內部生產資料、外部市場環境及相關政策、法規、標準等非結構化知識， 制定一系列經營決策。 因此， 在目前的流程製造企業中， 機理知識、經驗知識、資料知識並存， 而知識型工作者對這些知識進行關聯、融合、分析、判斷， 給出決策， 用人工決策填補了 ERP 和 MES， MES 和 PCS 間的知識鴻溝。
由此可見， 目前知識型工作者在流程工業生產中起關鍵作用， 這是因為人經過學習、訓練、思考具有專業知識， 能夠運用知識進行復雜分析、精確判斷和創新決策， 這體現了知識的核心價值。 流程工業智慧製造的實現不能脫離工藝機理知識、過程經驗知識和資料探勘知識， 知識是流程工業智慧製造的核心要素。
人工決策方式具有隨意性、主觀性和不一致性， 難以處理過程控制、執行和生產管理產生的海量資料， 知識難以積累傳承。 在過程控制層面， 裝置控制指令仍需靠知識型工作者給定， 大多數裝置不能實現故障情況下的自愈控制， 反應緩慢， 實時性差； 生產工藝引數選擇很難做到最優。 在生產計劃和生產排程層面， 由於缺乏生產要素資料的分析認知能力和有效的知識獲取應用方法， 人工制定生產計劃和排程計劃， 隨意性大且不夠精確； 排程系統與裝置控制系統互相獨立， 工程師憑經驗協調排程與控制指令， 難以做到敏捷調整和最佳化執行。 在生產經營決策層面， 企業內部的資訊系統還不能快速處理多源異構大資料以及不同領域不同層次的關聯知識。 特別是當市場需求和生產工況發生頻繁變化時，人工決策方式難以及時準確地調整各項生產執行指標。
對於流程行業而言， 智慧製造就是在已有的流程行業物理製造系統基礎上， 透過新一代資訊科技自動處理、融合和應用機理知識、經驗知識和資料知識， 構建知識驅動的智慧型製造執行系統， 實現生產全流程的智慧決策和整合最佳化， 提升企業在資源利用、能源管理、生產加工和安全環保等方面的技術水平， 達到管理決策和生產製造的高效化和綠色化。 知識驅動的流程工業智慧製造是我國流程工業從根本上實現轉型升級和由大變強的必由之路。
2。2 流程製造業中知識的特點
在流程工業中， 知識主要包括以下 3 種： （1） 能夠反映生產過程物質能量轉化傳遞本質規律的機理知識； （2） 反映人對生產過程認知理解的經驗知識； （3） 隱含在海量資料中反映個性化和實時生產工況的資料知識。
機理知識反映了流程工業生產過程的本質規律， 是流程工業最重要、核心的知識， 具有形式多樣性和異構性的特點。 流程生產往往是典型的大規模物質能量轉化過程， 動態特性複雜， 涉及一系列複雜的物理化學反應和固、液、氣三相之間的轉變。 相對於離散製造業來說， 流程工業產品和原料品類繁多， 生產工藝流程複雜多樣， 不同產品的製造工藝、裝置、工序環節都不相同， 涉及不同工藝機理，具有鮮明特點。 在現場實驗、實驗室實驗、理論推導等研究工作的基礎上得到的機理知識是顯性知識，部分機理知識已經被形式化為公式、方程式等數學形式， 並隨著機理研究深入不斷更新。 同時， 機理知識仍然具有非結構化特點， 難以形式化。經驗知識反映了人對於操作與過程之間內在關聯的認知， 具有隱蔽性、非量化、非一致性的特點。
流程工業生產、管理通常需要工藝專家或管理人員依據經驗知識進行分析判斷， 做出決策。 由於大多數情況下工藝專家或管理人員的經驗知識參差不齊、經驗知識豐富的工藝專家或管理人員頻繁流動，勢必會影響流程企業高效綠色生產。 知識型工作者的經驗、技巧、訣竅和直覺等都是隱性知識， 需要顯性化為顯性知識並進行驗證， 這是一個知識創新的過程。 顯性化後的經驗知識可形式化為多種不同知識表示形式， 如專家規則、語義網路等。資料知識是流程工業資料中隱含的知識。 流程生產過程資料具有動態性、關聯性、多尺度特點。
過程資料的動態性反映了流程生產過程中工況、操作和原料等的動態變化。 過程資料的動態性表現在兩方面： 一方面， 同一變數在不同時間段的資料分佈不同， 呈現出不規則的變化； 另一方面， 不同變數間的關係也在不規則變化。 同一流程生產過程的多個變數具有時空關聯性。 時空關聯性資料指的是動態生產過程中獲取的具有時空關聯特性的多元變數， 即其變數不僅在時間上高度相關， 在空間上也相互關聯。 資料的多尺度特點可以滿足不同層次決策對資料的需求。 資料的多尺度特點體現為在流程生產過程中， 生產資料在採集頻率上存在很大的不同， 呈現出了時間尺度的不一致性。 資料知識就隱含在這些具有動態性、關聯性和多尺度特點的過程生產資料中； 與一般意義上的資料知識相比， 流程工業的資料知識往往與工藝機理和生產過程相關， 具有更豐富的工藝語義； 在流程生產中， 一次簡單的失誤就可能造成嚴重後果， 對資料知識的可靠性有更高的要求， 資料知識挖掘的難度大。
2。3 流程製造業中知識研究及應用現狀
要實現知識驅動的智慧製造， 需要從知識獲取、處理、應用等方面開展深入研究， 前期已經取得了不少成果， 為流程工業智慧化提供了一定基礎。
2。3。1 知識獲取
流程工業智慧製造的知識獲取是指從專家或其他知識來源獲取知識並向知識型系統轉移的過程；涉及新知識的發現和已知知識的形式化、數值化等。 知識獲取方法根據知識源不同而不同。 知識獲取常用的方法主要有規則挖掘法、統計學習方法、深度學習方法、進化演算法、基於事例的推理方法、基於符號智慧或者計算智慧方法等。 儘管已有多種知識獲取的方法， 但是流程工業生產過程與複雜的物理化學反應機理緊密相關， 又涉及豐富的經驗知識， 如何發現並獲取更深層次的知識， 依然是研究的難點； 如何融合機理、經驗知識， 發現並獲取動態性、關聯性和多尺度性資料中的隱含知識仍是主要難題； 對工業大資料環境下知識發現和獲取的研究仍有待深入； 各層次決策規則的發現獲取等問題仍需解決。
2。3。2 知識處理
流程工業智慧製造中的知識表示定義了流程工業中知識的表現形式， 知識表示方法依據後期知識處理中所採用的方法不同而不同。 當前知識表示常用的方法主要有關聯規則表示法、模糊認知圖表示法、動態不確定因果圖、Petri 網表示法、語義網路表示、面向物件表示法、框架表示法等。
知識推理作為流程工業知識處理的重要環節， 一直備受關注。 流程工業知識推理就是利用已知知識推出新知識的過程。 流程生產領域常用的知識推理方法有基於貝葉斯網路的知識推理、基於案例的知識推理、基於模糊邏輯的知識推理、基於粗糙集的知識推理、基於 Petri 網的知識推理、基於本體的知識推理等。 雖然出現了多種知識推理方法， 但是針對流程製造業中知識更深層次的分析仍然有待加強。
目前， 已經出現了一批通用和專用知識圖譜， 如百科知識圖譜 Freebase、DBpedia、YAGO 、XLORE； 常識知識圖譜 Cyc， ConceptNet和中文概念圖譜 CN-Probase 等；地理知識圖譜 Geonames、醫學知識圖譜 SIDER、電影知識圖譜 IMDB 和音樂知識圖譜 MusicBrainz。
當前主流的知識圖譜資料模型表示方法有 RDF和屬性圖兩種。 隨著知識圖譜的出現， 很多基於知識圖譜的推理方法被提出來。 基於規則的推理 和基於本體的推理借鑑了傳統的知識推理方法。 基於分散式表示推理、基於神經網路的推理、混合推理均是研究熱點。 以流程企業多層決策為應用背景的知識圖譜及相關知識推理方法仍然欠缺。
2。3。3 知識應用
許多國際知名的流程行業軟體與服務供應商開發了大型流程模擬軟體並將其商品化。 這些流程行業軟體將過程機理知識蘊含在模型、軟體和系統中， 例如基於煉油行業機理知識開發的 ASPEN-PLUS，ROCESS， HYSYS， PETROFINE 等軟體， 取得了一定的效果。 雖然國際供應商向我國流程行業提供了這類知識應用軟體系統和服務， 但是其核心技術和演算法保密， 在很多場景下適應性存在問題。
因此， 我國流程工業需要發展具有自主智慧財產權的關鍵技術， 將機理知識、經驗知識和資料知識蘊含在模型、軟體和系統中， 搭建知識驅動的智慧製造軟體平臺。
3 知識驅動的流程工業智慧製造系統框架
流程工業智慧製造要實現高效化和綠色化， 需要構建知識驅動的流程工業智慧製造系統， 使其能自動完成原來由知識型工作者完成的知識加工過程， 實現流程製造企業各層資訊流的無縫連線， 為各層次決策、計劃排程和生產控制操作等動態調整提供有力支撐。
圖 1 知識驅動的流程工業智慧製造系統框架
圖 1 是知識驅動的流程工業智慧製造系統框架， 該框架由 3 大系統和一個平臺組成， 包括智慧感知系統、知識驅動的執行最佳化 – 狀態監控 – 虛擬製造系統和智慧製造核心軟體系統， 以及工業大資料管理雲平臺。 同時， 還必須研究並實現深度知識獲取和知識注入等關鍵技術， 以彌補現有製造系統缺失工藝機理知識、經驗知識的不足， 填補 ERP 和 MES， MES 和 PCS 間的知識鴻溝。
3。1 深度知識獲取
流程製造業要實現高效綠色生產， 需要將多型別知識形式化、數值化， 以實現知識在流程工業智慧製造系統中的流動。 機理知識是多以文字等非結構化形式出現的顯性知識； 經驗知識是屬於專家或決策者的緘默知識； 而資料知識隱含在流程製造企業各層資訊系統中的結構化資料裡， 這些知識都與生產工藝緊密相關。 深度知識獲取是指結合生產工藝分析， 利用多種方法對經驗知識、機理知識和資料知識進行顯性化、形式化和挖掘， 最終實現數值化， 得到新知識的過程。 知識注入是指將經過驗證是正確的新知識程式碼化， 注入到流程工業智慧製造核心軟體系統中。 經驗知識經過顯性化、形式化和數值化， 機理知識經過形式化和數值化， 資料中隱含的知識經過挖掘後， 得到可注入到流程工業核心軟體系統中的新知識。
深度知識獲取得到的新知識注入到流程工業智慧製造核心軟體系統後， 與流程工業大資料結合， 在流程工業智慧製造系統中流動， 為 3 大系統、一個平臺提供知識支撐。 當深度知識獲取得到的新知識， 注入到核心軟體系統中後， 就可以實現大資料環境下流程製造業生產經營過程中知識靈敏感知、自動獲取， 進而推動形成流程工業知識自動化的知識源基礎， 有助於填補 ERP 和MES， MES 和 PCS 間的知識鴻溝， 實現高效綠色生產。 因此， 深度知識獲取和知識注入必須完成以下工作。
（1） 機理知識的表達與處理。 如何以問題為導向， 在大量非結構化的文字資料中尋找關鍵機理知識； 如何形式化機理知識是深度知識獲取和知識注入必須解決的問題。
（2） 經驗知識的表達與處理。 如何從知識型工作者的經驗中獲取經驗知識； 如何識別和驗證隱性的經驗知識； 如何顯性化經驗知識是深度知識獲取面臨的難題。
（3） 資料知識挖掘。 流程工業生產資料是生產裝置內部物理化學反應的外在反映， 與工藝機理強相關。 因此， 除了常用的資料探勘方法， 還需要採用新方法挖掘更深層次的資料知識。
（4） 機理、經驗和資料知識融合。 流程工業生產過程的複雜性決定了新知識的發現和驗證需要採用融合工藝機理、經驗知識和資料知識的知識加工過程， 建立與知識加工過程相匹配的技術體系。
3。2 知識驅動的流程工業智慧感知系統
知識驅動的流程工業智慧感知系統需要具有在複雜場景中的動態感知能力， 將跨時空多源異構感測資料進行彙集和融合， 利用工藝機理知識、過程經驗知識和資料探勘知識， 透過記憶、學習、判斷和推理等多種方法， 智慧感知工業裝置執行狀態， 實現基於知識的多物理場建模， 對反映工況變化的多時空狀態引數實現知識驅動的系統整合， 為知識驅動的執行最佳化 – 狀態監控 – 虛擬製造系統、流程工業智慧製造核心軟體系統提供依據。 知識驅動的流程工業智慧感知系統主要功能包括： 知識驅動的裝置狀態引數線上檢測； 知識驅動的裝置執行狀態感知； 基於線上模擬及實測引數關鍵物理場的軟測量；知識驅動的智慧感知系統整合等。
3。3 知識驅動的執行最佳化 – 狀態監控 – 虛擬製造系統
該系統由知識驅動的執行最佳化子系統、狀態監控子系統和虛擬製造子系統組成。 其中執行最佳化子系統是智慧決策系統的執行系統， 狀態監控子系統可以保證執行最佳化子系統安全執行和自最佳化， 虛擬製造子系統可為執行最佳化提供模擬平臺， 為狀態監控提供參考。
執行最佳化子系統需要分析原料供應情況、產品/半成品價格等企業外部環境， 各生產工序中多個或單個生產裝置的執行工況資料、影象等企業內部裝置能力， 憑藉各層知識型工作者的經驗、機理知識， 調整綜合生產指標、月/日生產指標及各工序/裝置的設定值。 知識驅動的執行最佳化子系統利用深度知識獲取和知識注入關鍵技術快速感知企業外部環境和內部裝置能力等的變化， 及時準確地調整各層執行指標、裝置設定值， 將執行指標的實際值快速、穩定、精確地控制在目標範圍內， 達到提高產品質量、降低生產能耗的目標。
狀態監控子系統除了涉及由生產裝置產生的多采樣頻率監視訊號， 還涉及大量產品質量和安全、排放洩漏指標等圖表資料及質量監視產生的影片和影象資料。 除了以上結構化資料外， 目前的狀態監控還涉及由監控人員掌握的對生產執行及其環境指標、產品質量和排放洩漏等安全、異常和事故判斷的經驗知識。 知識驅動的狀態監控子系統利用以上監控資訊， 結合深度知識獲取和注入到核心軟體系統中的新知識， 定期判定待監控物件是否符合標準， 將監控結果反饋給實施監控的物件並對生產動態效能進行評價， 根據評價結果對生產決策控制進行自最佳化調整， 實現高效綠色安全生產。
虛擬製造子系統需要大量機理知識、實時生產資料、多源感測資訊和產品品質指標的支撐， 才能刻畫虛擬企業和虛擬實驗中物質流、能源流與資訊流。 知識驅動的虛擬製造子系統利用從以上機理知識、實時生產資料、多源感測資訊和產品品質指標中深度獲取並注入到核心軟體系統中的知識， 實現知識驅動的工藝設計檢測、產品品質預測、製造過程中決策與控制方案評估等功能。
3。4 流程工業智慧製造核心軟體系統
流程工業智慧製造核心軟體系統封裝了流程工業智慧決策系統、基於工業知識圖譜的知識庫和麵向知識更新的流程工業認知學習子系統等核心軟體。 其中， 基於工業知識圖譜的知識庫為智慧決策系統提供了完備的知識和資料支撐， 認知學習子系統為智慧決策系統提供了豐富的模型和演算法支撐。
3。4。1 流程工業智慧決策系統
流程工業智慧決策系統是智慧製造核心軟體系統的重要系統， 包括知識驅動的智慧經營管理決策、計劃排程決策和執行最佳化控制決策等 3 個子系統。 該系統採用人機互動方式， 動態決策綜合生產經營指標、企業級排程計劃和執行指標等。
（1） 知識驅動的智慧經營管理決策子系統。 知識驅動的智慧經營管理決策子系統使用深度知識獲取和注入到核心軟體系統中的知識， 自動、全面、快速地感知企業內部生產、外部生存環境、國家政策變化， 對市場變化和生產行為進行實時計算和預測， 及時給出可供選擇的生產經營決策集合。
（2） 知識驅動的智慧計劃排程決策子系統。 知識驅動的智慧計劃排程決策子系統使用從資訊系統提供的相關資料、計劃排程專業知識和高水平知識型工作者的經驗知識中深度獲取並注入到核心軟體系統的知識， 自動、全面、準確和快速地制定出企業級生產計劃和排程計劃、各生產職能部門級排程計劃和執行指標。
（3） 知識驅動的智慧執行最佳化控制決策子系統。 知識驅動的智慧執行最佳化控制決策子系統使用從生產裝置/裝置產生的多采樣頻率訊號、資訊系統提供的相關資料、工程師經驗知識和工藝機理知識中深度獲取並注入到核心軟體系統的知識， 分析生產工況、裝置執行狀況， 依據企業生產計劃和執行指標， 確定最優生產工藝引數和各裝置/裝置的設定值。 當市場需求和生產工況發生變化時， 知識驅動的智慧執行最佳化控制決策子系統能及時準確地給出最優生產工藝引數和各裝置/裝置的設定值， 以做到敏捷調整和最佳化執行， 最終實現提高產品質量、降低生產成本和資源消耗的目標。
3。4。2 基於工業知識圖譜的知識庫
流程工業智慧製造面臨如何將複雜多樣知識用統一的表達模式表示出來， 如何將多時空分佈知識納入統一的知識庫模型等問題。基於工業知識圖譜的知識庫以提高知識在流程工業智慧製造中的利用率為目的， 為以上難題提供了一種解決方案。 流程工業知識圖譜用統一的表達模式， 將多樣性、碎片化的知識存入統一的知識圖譜中， 可以滿足流程工業對知識需求的多樣性。 流程工業知識圖譜將流程工業的複雜性、流程工序間的關聯性導致的流程工業中知識的相互關聯性與知識圖譜中知識關係的多樣性和關聯性對應。
與其他領域的知識圖譜不同， 流程工業知識圖譜側重於決策。 目前生產過程中的決策系統面臨的最大問題之一就是知識庫不夠完善， 這也是過去決策支援系統只能用於區域性、單一、靜態問題的原因之一。 基於工業知識圖譜的知識庫除包含現有各層資訊系統中的結構化資料外， 還包括深度知識獲取得到的新知識， 實現知識儲存的扁平化。 流程工業知識圖譜為各層次決策模型提供可持續更新、可靠和關聯的決策知識， 緩解現有資訊系統中知識斷層和不完備等問題。
3。4。3 面向知識更新的流程工業認知學習子系統
經過數十年的發展， 流程工業企業在企業生產經營目標、排程計劃、執行指標決策等方面積累了大量優秀的模型、演算法等。 動態增量式認知學習是知識驅動更新決策能力的重要體現， 透過區分知識關聯的確定部分和未定部分， 從而使每一步自學習增量關聯都包含前期的已確定關聯， 形成知識的有效積累。 流程工業認知學習子系統以模型圖譜、演算法圖譜的形式實現企業生產經營目標、排程計劃、執行指標決策所需模型、演算法的組織管理和更新， 實現對模型、演算法的快速學習和提取。
4 知識驅動的鋁電解智慧製造案例
4。1 知識驅動的鋁電解智慧製造系統框架
目前， 知識型工作在鋁電解企業執行中起到核心作用。 工藝工程師、各分廠負責人和總部經營管理者憑藉積累的機理知識、經驗知識及其他相關知識， 分析鋁電解企業 PCS/MES/ERP 等資訊系統中儲存的資料， 得到各項指標。 在圖 2 所示知識驅動的鋁電解智慧企業中， 深度知識獲取將機理知識、經驗知識和資料知識經顯性化、形式化、深度挖掘和數值化後得到新知識， 驗證後存入基於鋁電解知識圖譜的知識庫中。 新知識作為元知識注入到智慧製造核心軟體系統中， 在核心軟體系統中流動。
圖 2 知識驅動的流程工業智慧製造系統在鋁電解企業中的應用
當知識驅動的鋁電解智慧決策系統工作時， 從基於鋁電解知識圖譜的知識庫中提取所需引數， 從認知子系統中提取所用模型和演算法， 最終給出綜合生產經營決策集以輔助鋁電解企業集團經營管理者做出決策。 當綜合生產經營決策被集團經營管理者確認後， 知識驅動的鋁電解智慧決策系統再將綜合生產經營決策分解為各分廠的排程計劃、執行指標和鋁電解槽控制箱的設定值。
4。2 深度知識獲取和知識注入關鍵技術應用案例
鋁電解過程是以氧化鋁為原料， 使直流電透過電解槽上的炭素陽極， 流經熔融冰晶石電解質， 在陰極上得到熔融金屬鋁並在陽極上析出二氧化碳的過程。 鋁電解生產過程涉及多種工藝機理知識， 如氧化鋁溶解機理、電解質溫度變化機理和氧化鋁濃度變化機理， 且關係複雜、相互影響。 鋁電解工藝工程師在長期的生產實踐中積累了大量生產操作經驗。 電解槽控制系統採集並存儲了大量歷史執行資料， 這些資料雖然是結構簡單的時序資料， 但包含了豐富的線上槽況資訊。 目前， 工藝工程師採用結合自身經驗， 對工藝機理知識、生產執行資料關聯、融合、分析和判斷的人工決策過程， 確定電解槽控制決策中關鍵引數槽電壓、下料間隔等的設定值。
文獻給出了一個涉及執行最佳化子系統中深度知識獲取、知識注入關鍵技術和智慧執行最佳化控制決策過程的應用案例。 該應用案例將機理知識、經驗知識和資料知識蘊含在基於表觀溶解滯後係數的反饋補償下料最佳化控制決策模型中。 該模型能及時感知電解槽內部電解質溫度、氧化鋁濃度變化，快速調整電解槽下料間隔的設定值， 將氧化鋁濃度穩定、精確地控制在目標範圍內。 深度知識獲取過程簡述如下。
（1） 在長期工業現場調研和大量鋁電解槽歷史執行資料分析的基礎上， 該應用案例得到並顯性化表示經驗知識 “在正常工況時， 電解槽的氧化鋁欠量下料、過量下料操作對應了一種固定的槽電壓變化規律”， 接著利用相關工藝機理知識對其進行解釋和驗證。
（2） 在已有工藝機理研究的基礎上， 該應用案例分析總結了與氧化鋁溶解機理、電解質溫度變化機理、氧化鋁濃度變化機理、熔體運動機理和電解槽槽電壓、下料狀態相關的關鍵工藝機理知識並表示為工藝機理知識 M1M11。
（3） 利用以上經驗知識和工藝機理知識 M1M11， 該應用案例挖掘 6 種典型槽況對應的下料狀態資料和表觀氧化鋁濃度資料之間隱含的工藝語義， 並給出數值化方案， 得到新知識 —— 表觀溶解滯後係數， 實現了多知識融合的新知識發現。
在新知識注入階段， 透過將深度知識獲取過程程式碼化， 實現了表觀溶解滯後係數的自動獲取； 接 著， 可自動獲取的表觀溶解滯後係數作為元知識注入到鋁電解智慧製造核心軟體系統， 在核心軟體系統中流動。 以下簡單介紹表觀溶解滯後係數注入到核心軟體系統後的兩個應用。
（1） 線上槽況識別。 透過對多工況下大量表觀溶解滯後係數的系統性分析， 該應用案例還發現： 使用表觀溶解滯後係數不僅有助於線上識別電解質溫度變化， 還有助於線上檢測氧化鋁濃度異常。 與斜率法相比， 使用表觀溶解滯後係數不僅能提前檢測到氧化鋁濃度異常低工況， 還能檢測到斜率法較難檢測到的濃度異常高工況。
表觀溶解滯後係數的設計過程使用了融合工藝機理知識、經驗知識和資料知識的深度知識獲取關鍵技術， 使得表觀溶解滯後係數本身就蘊含了特定的工藝語義。 因此， 使用表觀溶解滯後係數進行電解質溫度和氧化鋁濃度識別， 具有成本低、通用性好、計算代價小、可解釋性和可復現性好等優點。
在圖 2 所示知識驅動的鋁電解智慧製造系統中， 電解質溫度和氧化鋁濃度的識別演算法存於鋁電解認知學習子系統的演算法圖譜中。 表觀溶解滯後係數作為元知識存於基於鋁電解知識圖譜的知識庫中。
（2） 下料最佳化控制決策。 該應用案例還給出了基於表觀溶解滯後係數的反饋補償下料最佳化控制決策模型。 該下料最佳化控制決策模型有如下特點：
（1） 線上電解質溫度資訊參與下料控制； （2） 表觀溶解滯後係數的引入形成了下料反饋補償控制迴路； （3） 與斜率法相比， 基於表觀溶解滯後係數的氧化鋁濃度異常檢測， 可最佳化下料間隔的設定值， 且演算法簡單。 因此， 基於表觀溶解滯後係數的反饋補償下料最佳化控制決策模型， 對儘早穩定槽況、提高電流效率有較大幫助， 是現有槽控機控制系統的有益補充。
當使用該下料最佳化控制決策模型時， 知識驅動的鋁電解智慧決策系統到認知學習子系統的演算法圖譜中提取 “線上濃度識別” 和 “線上溫度識別” 等演算法， 到基於鋁電解知識圖譜的知識庫中提取所需引數， 確定最優的下料控制規則和下料補償規則。 當電解質溫度、氧化鋁濃度等發生較大變化時， 知識驅動的智慧執行最佳化控制決策子系統能及時準確地給出下料控制規則和下料補償規則中關鍵引數的改變值。 當外部環境發生變化時， 知識驅動的鋁電解智慧決策系統輔助鋁電解企業集團經營管理者調整生產經營決策、各分廠的執行指標、各智慧鋁電解車間的生產執行指標， 最終給出各鋁電解槽槽電壓等關鍵引數的設定值， 做到敏捷調整和最佳化執行。
5 結論
5。1 面臨的問題
知識驅動的流程工業智慧製造系統從流程製造企業中深度獲取知識， 並將獲取的新知識注入到流程工業智慧製造核心軟體系統中， 資料和知識在核心軟體系統流動的過程中對該框架的有效性、準確性、實時性等進行驗證， 得到不斷更新完善的知識體系。 知識驅動的流程工業智慧製造系統仍然面臨如下問題。
（1） 流程工業知識的複雜多樣性對知識自動獲取處理提出挑戰。 流程工業智慧製造相關知識具有複雜多樣性。 這些知識跨物理、化學、材料、控制、管理、數學等多個領域， 主要包括工藝機理知識、經驗知識和資料知識， 這 3 種知識的載體各不相同， 且是分離的。 例如操作決策知識對長流程生產過程來說跨多個生產環節， 具有多目標決策性質， 過去這些知識必須將操作者的主觀判斷、分析、決策行為聯絡起來。 而流程工業智慧製造決策軟體系統要實現知識的自動分析和處理， 知識關係越複雜難度越大。 如何透過深度知識獲取產生新知識， 如何構建具有一定解析深度的知識關係模型， 將工業過程機理、人的經驗知識、資料特徵和操作規則統一起來， 形成具有知識自動獲取處理能力的核心軟體系統， 是具有挑戰性的難點之一。
（2） 流程工業動態不確定環境與知識模型結構化存在對立。 流程工業智慧製造面臨的問題往往不是靜態的數學建模問題， 必須面對複雜多變的動態環境， 不確定因素多。 以決策為例， 在知識獲取層面上， 面對的是多環節跨領域的動態知識和不完備碎片化的隱性知識； 在知識應用層面上， 環境具有動態不確定性， 無法精確建模， 各環節的決策需要協同。 現有的決策支援系統的知識結構固定， 難以適應動態多變的實際決策環境。 因此利用深度知識獲取和知識注入技術， 構建具有動態知識關聯和認知學習能力的流程工業知識圖譜， 建立自洽自治的流程工業智慧製造核心軟體系統， 解決動態不確定環境與知識模型結構化之間的矛盾， 是具有挑戰性的難點之二。
（3） 面向流程製造的人機物融合混合智慧增強機制有待研究。 人機協同的混合增強智慧是《新一代人工智慧發展規劃》部署的 5 個重要方向之一。 在流程工業中， 領域專家和操作工程師已經積累了豐富的決策經驗知識， 但這些知識還是靜態、孤立、片面地存在於人腦中， 與智慧製造資料環境、動態的物理生產體系脫節， 缺乏人機混合增強的協同機制。 而單純的機器智慧不可避免地存在操作失誤和失控的風險， 而且早期不可靠、不完備， 需要人的介入和干預， 必須依靠向人學習實現雙向協同。 從長期執行來看， 智慧製造系統不是為了擺脫人， 而是為了使人類智慧和機器智慧各擅所長， 各盡其用， 人類決策者在人機物融合的智慧製造環境中始終擁有最終決策權和監督權。 因此， 如何在流程製造環境下實現人機協同決策、人機互學習、混合增強智慧的人 – 資訊 – 物理融合機制是具有挑戰性的難點之三。
5。2 未來展望
為了讓新一代資訊科技賦能流程製造， 實現知識驅動的流程工業智慧製造， 未來需要發展智慧性、軟體生態和支撐環境等方面的關鍵技術和系統。
（1） 知識驅動的智慧自主決策核心技術。 為提高經營管理、計劃排程、執行控制的效率、精準度和自動化水平， 需要將工藝機理知識、過程經驗知識和資料探勘知識深度融入各層決策模型， 並能夠自主認知、主動學習、動態更新各層次決策模型， 使智慧自主決策系統具有敏捷性、魯棒性與可解釋性的優點。
（2） 流程工業智慧製造軟體生態體系。 工業 4。0、智慧自主決策、智慧製造等新理念與技術歸根到底要落實到軟體系統的形態上， 工業軟體正從產品、技術、業務形態、產業發展模式等多維度重塑工業體系， 現代工業從 “以裝備為核心的工業” 向 “以軟體定義的工業” 轉變。 流程工業需要發展的自主工業軟體主要是工業控制軟體、智慧決策軟體、數字孿生模擬軟體和智慧運維管理軟體等。
（3） 基於工業網際網路的新一代資訊科技支撐平臺。 隨著雲計算、大資料、物聯網、人工智慧、行動通訊等 ICT 技術的飛速發展及其與流程製造業的深度融合， 基於工業網際網路的新一代資訊科技支撐平臺對流程企業和資訊科技企業均會帶來變革性影響。 工業網際網路資訊平臺將流程企業甚至跨企業的人、機、物連線成一個整體， 打破資訊與知識孤島， 形成資源統籌協同的最佳化配置支撐平臺。 不僅如此， 面向行業的工業網際網路平臺還將產業鏈中各環節的連線變得更加緊密， 不僅能提升企業獲利空間， 而且能夠在產業技術、客戶需求和業務模式上推動協同創新， 促成新技術、新思維、新業態的發展。
原文刊載於《中國科學》 2020 年 第 9 期 作者：中南大學自動化學院 桂衛華， 曾朝暉， 陳曉方， 謝永芳， 孫玉波