基于动态数据驱动的钢铁生产仿真系统研究

黄 琦，刘丽兰，王 森，周 维

（1.上海大学 上海市智能制造及机器人重点实验室，上海 200072；2.上海宝信软件股份有限公司，上海 201900）

基于动态数据驱动的钢铁生产仿真系统研究

黄 琦1，刘丽兰1，王 森2，周 维2

（1.上海大学 上海市智能制造及机器人重点实验室，上海 200072；2.上海宝信软件股份有限公司，上海 201900）

钢铁生产过程工艺复杂、不确定成分多。当扰动事件发生时，传统静态仿真系统无法做到实时动态地数据注入，从而影响调度方案的制定。为了解决不确定事件扰动下的钢铁生产调度问题，基于动态数据驱动应用系统思想，提出了动态数据驱动的钢铁生产调度仿真方法，采取多Agent技术建立了钢铁生产仿真系统模型，并详细论述了系统的框架结构、功能和运行机制，对钢铁生产调度问题的深度研究具有一定的指导意义。

动态数据驱动；钢铁生产；多Agent；生产调度

0　引言

钢铁生产过程是一个兼具离散性和连续性的生产过程，其复杂多变和不确定等特征使得开发相关的仿真系统变得异常困难。目前，国外钢铁企业多数已经完成了单工序、静态仿真系统的研发，并已面向整个钢铁生产过程着手于数据驱动的仿真系统研究，取得一些成果。但国内钢铁行业在数据驱动仿真上还只是起步阶段，目前多数仿真系统还无法做到数据信息的实时动态注入、分析与决策。

钢铁生产过程是一个多约束的复杂工艺过程，各种突发的扰动事件对生产计划的编排影响巨大[1]。为了解决上述问题，文中先是对钢铁生产过程当中可能出现的扰动事件进行了分析，进而阐述动态数据驱动应用系统（Dynamic Data Driven Application System，DDDAS）的概念及其基本框架结构，然后基于DDDAS的思想并结合多Agent技术建立了钢铁生产仿真调度模型，最后对其功能、结构以及运行机制进行了理论剖析。

1　钢铁生产扰动事件分析

钢铁生产过程物流量大、工艺繁琐，典型工序包含高炉炼铁、转炉炼钢、精炼钢、连铸、热轧等。而每道工序涉及到的设备少则几台，多则几十台。各工序的约束条件和工艺目标也不尽相同。因此，在现实生产环境中存在很多随机的和不确定的因素。各种突发的扰动事件会对生产线的正常运行产生不利影响，使得原始设定的调度方案失效，进而影响生产系统的运作。根据扰动事件的发生条件，将其分为外部环境扰动及内部环境扰动两类，如表1所示。

表1　钢铁生产扰动事件

2　DDDAS概述及其框架结构

2.1DDDAS概述

上世纪80年代初期，Frederica Darama在做石油开采的辐射传播计算时萌发了DDDAS的思想[2～4]。其基本思想是将实际系统与仿真系统结合起来，在仿真系统运行过程当中，仿真系统能够动态地从实际系统接收新的数据，经处理后作出响应并反馈给实际系统，通过对数据的双向反复处理，使得仿真结果更为准确、可靠。从而让两者组成了一个彼此协作、相互作用的动态反馈控制系统。

DDDAS的动态性主要表现为以下三点[5]：

1）基于实时仿真结果，系统可以动态调整仿真模型参数，进而控制实际系统和对数据信息进行有选择性的采集。

2）基于实际数据与仿真结果的差异对比，系统可以动态地调整仿真模型，进而控制实际系统和对数据信息进行有选择性的采集。

3）基于专家的分析评价，由专家选择仿真模型，系统能够自适应地控制实际系统和对数据信息进行有选择性的采集。

DDDAS的提出可以很好的弥补原有模型的不足，同时也大大减少了仿真运行的时间。因此，美国国家自然科学基金会（NSF）在第一次DDDAS会议报告中就指出，DDDAS将开创一个有着高度潜在功能的全新仿真领域，以其构建出的新型且具有增强功能的应用系统，能够转变工程和科学研究领域的工作方式，对众多领域产生空前的影响。

2.2DDDAS框架结构

钢铁生产流程既连续又离散的特征决定了其不确定因素多的特点，所以当各种扰动事件产生时，原始生产调度计划很难做到快速修正。基于上小节DDDAS的基本原理，将DDDAS的思想用于解决钢铁生产调度问题，得出DDDAS系统架构如图1所示。

图1　动态数据驱动系统架构图

系统主要由模型库、数据采集模块、人机交互模块、模型运行与控制模块组成，各模块功能如下：

1）模型库：储存并管理钢铁调度模型，通过模型运行与控制模块的评价分析结果相应地调用库中相匹配的模型，并对修正后的模型和信息进行管理。

2）数据采集模块：多渠道获取数据，并加以整合。根据模型控制要求，解析为符合要求的数据格式。

3）人机交互模块：显示钢铁调度仿真结果。支持用户对调度方案进行调整，亦可对模型控制模块和数据采集模块进行选择性修正。

4）模型运行与控制模块：调用模型库中的模型并以此控制仿真的运行，对仿真模型的运行结果进行分析评价，动态修正模型参数，形成知识存储于模型库中。分析注入的精度验证数据与仿真数据的差异，调整模型并控制数据采集。

3　基于多Agent和数据驱动的钢铁生产线调度模型

3.1仿真系统总体框架

根据动态数据驱动的钢铁生产仿真系统的结构特点，将仿真系统设计为动态数据注入模块、仿真驱动与控制模块、仿真输出模块和人机交互模块四个层次，总体框架如图2所示。

3.2系统模块结构及其功能

采用多Agent技术实现对钢铁生产仿真系统的建模。基于多Agent技术的仿真可以作为实际系统的预测器，能够分析生产过程中的异常情况并提供决策支持，从而有效地制定最优化的生产调度计划[6]。该仿真系统的各个模块由各自独立又相互联系的Agent单元组成，系统各个模块的具体结构及功能如下：

1）动态数据注入模块

仿真系统动态接收数据并对该数据进行处理后做出响应是动态数据驱动系统的核心思想，它是DDDAS区别于传统仿真的主要特点和优势[7]。首先，该模块中的数据采集Agent获取决策优化Agent的分析结果信息，送至数据处理Agent进行处理。之后，该模块中的调度协同Agent基于数据信息处理结果及生产实际情况进行作业计划的调整，在制定和调整作业计划的过程中，设定相应的约束条件和优化目标。随后将更新的作业计划下达给模型初始化子系统完成调度模型的更新。

2）仿真驱动与控制模块

该模块是基于DDDAS仿真的核心模块，分为仿真子模块和仿真控制子模块两个层次。

仿真控制子模块中每个Agent接收上级调度环境状态信息和其他Agent传来的信息，在某些规则下，在知识库里选择合适的调度规则，对调度模型进行分析。其中，调度因素分析Agent接收上层的实时生产线数据，分析仿真数据和实际数据的差异，如参考值比允许的阈值大，则由推理机进行判断，之后将判断结果传递给决策优化管理Agent。决策优化Agent和推理机共同完成模型和算法的调整，根据相应的推理规则，返回最优化的调度方案。

图2　基于DDDAS的钢铁生产仿真系统框架图

模块中的仿真子模块可细分为调度生成单元、调度调整单元和仿真运算单元三个层次。调度生成单元采用智能蚁群算法进行全局寻优，求得一个初始调度方案。但该算法有其突出的缺点，搜索初期积累信息素花费时间较长，且易陷于局部最优解[8]。调度调整单元则对调度生成单元产生的初始调度方案进行调整，分析和验证其可行性。该单元主要依赖于启发式算法完成调度方案的修改，它能够在较短的时间内更新调度方案，并且精确地描述模型和改善局部解，弥补智能蚁群算法的不足。仿真运算单元则主要完成钢铁生产线建模以及调度方案的仿真。当系统运行时，调度模型能够基于生产线的实际情况进行动态修正，然后对调度方案进行仿真分析，生成的仿真分析评价数据信息则作为判断依据实时传递给调度调整单元，从而形成一个完整的动态反馈的过程。

3）仿真输出模块

仿真输出模块主要负责将仿真驱动与控制模块的分析结果录入结果数据库。该数据库主要存放调度过程中的数据信息并加以统计分析，之后以动态图的形式进行结果表达，传递信息给用户界面交互Agent，为用户提供参考依据。

4）人机交互模块

人机交互模块负责将仿真结果与决策评价信息以可视化的形式展示给用户。仿真运行过程当中，用户也可以实时查看各仿真模块的运作情况，及时发现瓶颈因素，针对模型的不足之处对其相关参数进行选择性修正，指导整个仿真过程。

3.3仿真系统运行机制

UML（Unified Modeling Language，统一建模语言）是一种直观、明确的软件系统产物的通用可视化语言[9]。UML序列图能够清晰地表达类与类之间的方法调用（或消息发送）的实现过程，也可以展现用例图中各功能的实现方案[10]。针对钢铁生产调度工艺复杂及不确定因素多的特点，利用UML序列图对本仿真系统进行分析，如图3所示。

从图3可以看出，当仿真调度系统运行时，其对象间的协作关系为：

1）数据采集Agent先基于一定的时钟节拍从生产线上采集生产数据，对比该数据与仿真数据的差异，调度因素分析Agent分析两类数据的比较结果，如若参数值小于阈值，则等待下个时钟重新采集数据；若参数值大于阈值，则将模型数据传递给推理机进行分析处理，之后再传递给决策优化Agent，根据有关规则调整模型参数。

2）决策优化Agent采用智能搜索算法：智能蚁群算法和启发式算法。蚁群算法对任何可行的调度方案进行全局寻优，鉴于该算法易陷入局部最优解的不足，再使用启发式规则对寻得的调度方案进行调整修正，从而以最短的时间求得新的决策方案。通过对各种方案循环往复的仿真验证、对比分析，最终得出最优的决策方案。

图3　仿真系统运行机制

3）决策优化Agent根据仿真结果判断调度模型是否满足优化条件。若不满足，则更新决策优化模型，进行下一轮仿真；否则返回决策方案。

可以看出，该系统可以动态地从实际系统接收数据，应用相关智能搜索算法对数据信息进行反复地优化和仿真分析，并且实时反馈最优决策方案，这种循环往复的过程大大提高了仿真的准确性和时效性，同时也扩展了仿真系统的应用能力。

4　结束语

钢铁生产过程工艺繁琐、随机性强。当扰动事件发生时，容易导致传统静态仿真系统调度方案失效，不利于生产计划的编制。基于以上考虑，本文基于DDDAS的思想，采用多Agent技术并结合智能搜索算法建立了一种钢铁生产线仿真调度系统，该系统能够很好地提高仿真的准确性与实时性，为钢铁生产调度问题提供了一套优化的解决方法和思路。

[1] 彭杰.基于改进遗传算法炼钢—连铸生产作业计划编制的研究[D].重庆大学,2013.

[2] Darema F.Dynamic data driven applications systems：New capabilities for application simulations and measurements[M]. Computational Science-ICCS 2005.Springer Berlin Heidelberg, 2005：610-615.

[3] Darema F.Dynamic data driven applications systems：A new paradigm for application simulations and measurements[M]. Computational Science-ICCS 2004. Springer Berlin Heidelberg, 2004：662-669.

[4] Darema F.Dynamic data driven application systems[J].Internet Process Coordination,2002：149.

[5] 朱林,方胜良,吴付祥,顾有林,等.基于动态数据驱动的电子战仿真系统[J].电子信息对抗技术,2013,28(2)：52-57.

[6] 赵业清.基于多Agent的钢铁生产复杂物流系统建模与仿真研究[D].昆明理工大学,2011.

[7] 周云.面向实时作战决策支持的动态数据驱动仿真理论和方法研究[D].长沙：国防科学技术大学,2010.

[8] 苏兆品,蒋建国,梁昌勇,张国富,夏娜,等.蚁群算法的几乎处处强收敛性分析[J].电子学报,2009,37(8)：1646-1650.

[9] Cockburn A.Writing effective use cases[J].Preparation for Addison-Wesley Longman,1999.

[10] 蒋胜龙,郑忠,高小强,何腊梅,等.基于UML的炼钢物流仿真系统分析与设计[J].系统仿真学报,2007,19(16)：3676-3679,3733.

Research of steel production simulation system based on DDDAS

HUANG Qi1, LIU Li-lan1, WANG Sen2, ZHOU Wei2

TP391.9

A

1009-0134(2016)07-0014-04

2016-04-05

“十二五”国家科技支撑计划资助项目（2015BAF22B01）

黄琦（1992 -），男，湖北人，硕士研究生，研究方向为钢铁生产调度及系统仿真技术。