基于铜冶炼工厂历史运维大数据挖掘的业务流程再造模型研究

姚培福，王建国，谭正洲

（云南铜业（集团）有限公司，云南 昆明 650051）

以铜冶炼工厂为代表的金属冶炼企业属于高能耗企业[1]，不符合我国倡导的绿色可持续发展理念[2]，对铜冶炼工厂开展绿色智慧化改造成为大势所趋。文中构建了基于铜冶炼工厂历史运维大数据挖掘的业务流程再造模型，给出了模型实现过程，开展了模型仿真验证及工程实践效能分析。基于铜冶炼工厂现有软硬件设备，采用软应用扩展的方式搭建了验证环境[3]，从定性与定量两个层面开展模型工程实践效能对比分析，多维度验证了模型的可行性。

1 业务流程再造模型体系架构设计

利用分布式传感器集群对铜冶炼工厂历史运维大数据进行采集，通过低时延无线通信系统将其传输至大容量存储器进行暂存与计算，借助池化服务器对历史运维大数据进行池化处理[4]，形成具有多源异构属性的数据池并划分为前置训练集和后置测试集两个分区。业务流程再造模型通过对数据池前置训练集进行特征辨识，实现未来较长周期内的运维数据精准预测，通过对数据池后置测试集进行隐性知识感知，实现铜冶炼业务流程最优再造策略自主生成。把业务流程再造模型的完整生命周期运行逻辑进行目标导向下的任务分解[5]，着重关注历史运维大数据池化处理、未来运维数据精准预测、业务流程最优再造策略生成3 个耦合子架构，构建了基于历史运维大数据挖掘的业务流程再造模型体系架构，具体如图1 所示。其中，历史运维大数据池化处理子架构主要完成铜冶炼工厂历史运维大数据的采集、传输、暂存、计算、池化处理，对数据池进行训练集和测试集分区划分，为未来运维数据的精准预测及业务流程最优再造策略自主生成提供统一的数据集支撑；未来运维数据精准预测子架构主要完成较长周期内的铜冶炼工厂运维预测数据集生成[6]，引入深度LSTM 神经网络对数据池训练集分区进行特征辨识，构建数据特征与运维状态之间的物理映射机制，实现时间正序下的铜冶炼工厂运维数据集精准预测，为业务流程最优再造策略自主生成提供学习数据集；业务流程最优再造策略生成子架构主要完成铜冶炼工厂业务流程再造最优策略自主生成，引入深度卷积神经网络DCNN 对数据池测试集分区进行隐性知识感知，利用预测数据集对隐性知识进行逻辑修正，借助铜冶炼业务流程优化函数输出最优再造策略。

图1 业务流程再造模型体系架构示意图

2 业务流程再造模型核心算法设计

2.1 未来运维数据精准预测算法

引入包含8 层隐含层的深度LSTM 神经网络对数据池训练集分区进行特征辨识，构建数据特征与运维状态之间的物理映射机制，实现时间正序下的铜冶炼工厂运维数据集精准预测，为业务流程最优再造策略自主生成提供学习数据集。初始化深度LSTM 神经网络的深度及节点数、网络学习速率、网络序列长度等。深度LSTM 神经网络通过对时间正序数据池训练集分区进行训练，利用内部监督机制进行特征微调[7]，持续进行迭代循环，使先验时序数据可以学习到未来时序数据的特征，实现较长周期内的铜冶炼工厂运维预测数据集生成。为了加快深度LSTM 神经网络的收敛进程，避免梯度发现现象，利用粒子群算法PSO 对深度LSTM 神经网络的初始值进行反复优化。定义深度LSTM 神经网络预测误差的均方差值作为适应度函数，用MSE表示，则深度LSTM 神经网络预测局部最优解的均方差值MSEi和深度LSTM 神经网络预测全局最优解MSEg分别为：

式（1）和（2）中，n表示粒子群算法PSO 的粒子数目，p表示数据池训练集分区的数据数目，N表示深度LSTM 神经网络的节点数量[8]，disj和yisj分别表示预测数据集和真实数据集。式（2）构建了数据特征与运维状态之间的物理映射机制，定义YCJt+表示时间正序下的铜冶炼工厂运维数据集精准预测生成集合，则有：

2.2 业务流程最优再造策略生成算法

引入深度卷积神经网络DCNN 对数据池测试集分区进行隐性知识感知，利用预测数据集对隐性知识进行逻辑修正[10]，借助铜冶炼业务流程优化函数输出最优再造策略。初始化深度卷积神经网络DCNN 的输入策略块为16×16、32 个5×5 的卷积核，卷积步长设置为1。p、q表示每个卷积核需要学习的参数，I表示卷积输入数据集，K表示卷积核，λ1和λ2表示卷积步长，则基于学习数据集的训练卷积层为：

为了改善式（4）训练卷积层的误差反向传播性能，提高深度卷积神经网络DCNN 低层网络的梯度值，在各层神经网络之间引入门控机制[11]，通过耦合第i层和第i-k层的聚合信息，产生正则化效果，降低深度卷积神经网络DCNN 的误差累计，提高深度卷积神经网络DCNN 的训练效率[12]。定义数据池测试集分区隐性知识输出函数为Y(j,k)，定义修正过的数据池测试集分区隐性知识输出函数为X(j,k)，DCNN的激活函数采用Sigmoid 函数并定义为f，则有：

式（5）和（6）中，t表示DCNN 的深度，表示卷积核，*表示平面卷积操作，表示偏置误差，pj表示输入的隐性知识数据集，β为修正权重，down(·)表示池化采样函数。式（6）给出了修正过的数据池测试集分区隐性知识输出函数，可以准确给出隐藏在大数据背后的隐性知识，为铜冶炼业务流程再造最优策略提供支撑隐性知识。定义铜冶炼业务流程优化函数，用ℜ 表示。为了降低非核心参数对优化策略生成的干扰[13]，引入多特征的数据融合算法和深度层权重概念，根据铜冶炼工厂参数对优化策略生成的贡献度，在DCNN 的全连接层后附加一层各类参数的贡献权重层[14]，则权重层可以表示为式（7）：

其中，μn为参数n的权重，en表示参数n的误差，en越低的参数其权重越高，则铜冶炼业务流程优化函数可以表示为式（8）：

2.3 先验环境下的模型仿真验证

开展先验环境下的模型仿真验证，分别对深度LSTM 神经网络和深度卷积神经网络DCNN 进行初始化，保证两个网络处于激活状态。鉴于铜冶炼工厂业务流程最优再造问题属于连续动作空间下的感知与决策问题，引入16 层深度卷积神经网络框架并利用缓冲池机制改善深度LSTM 神经网络的预测收敛迟滞问题，设置Target-action Value 神经网络以及Action Value 神经网络实现未来运维数据的精准预测。将当前状态输入到Target-action Value 神经网络，可以获得Next Q 值，将当前状态输入到Action value 神经网络，可获得eval Q 值[15]，实现业务最优协同策略自主生成。选取云南铜业(集团)有限公司下辖某车间业务协同数据构建仿真数据集，选取仿真数据集中的16 000 例数据作为算法的前置训练集，选取仿真数据集中的8 600 例数据作为算法的后置测试集，引入常用目标优化算法作为对照，利用Python 语言编程实现，在PyCharm 集成环境下进行图形化仿真，仿真结果如图2 和3 所 示。

图2 未来运维数据精准预测算法仿真图

3 业务流程再造模型工程实践效能分析

在理论验证层面，图2 和图3 多维度传达了业务流程再造模型的有效性及优越性，为开展业务流程再造模型工程实践效能分析提供了理论依据。选取云南铜业(集团)有限公司某下属铜冶炼工厂为工程实践效能分析载体，基于铜冶炼工厂目前安装的软硬件设备，采用软应用扩展的方式搭建了验证环境，具体如图4 所示。在铜冶炼工厂目前装备的可视化实时监测平台基础上增加融合数据池生成、未来运维数据精准预测、业务流程最优再造策略生成3 个软件子进程，均采用热触发方式，3 个软件子进程均与主进程保持时间均衡，共享数据包及内外通信端口，进程数据实时刷新并在人机交互界面显示[16]。其中，融合数据池生成子进程对底层传感器集群采集的多源异构数据进行暂存与计算，形成融合前置训练集和后置测试集的数据池；未来运维数据精准预测子进程引入深度LSTM 神经网络对数据池前置训练集进行特征辨识，构建时间正序下的铜冶炼工厂运维数据精准预测机制；业务流程最优再造策略生成子进程引入深度卷积神经网络DCNN 对数据池后置测试集进行隐性知识感知，借助铜冶炼业务流程优化函数输出最优再造策略。上述3 个软件子进程在数据流层面从属于可视化实时监测平台主进程，在控制流层面具有耦合独立性，可以对数据池形成、数据集预测、最优再造策略生成等进行独立控制。

图3 业务流程最优再造策略生成算法仿真图

图4 模型工程实践效能分析验证环境逻辑图

基于图4 给出的业务流程再造模型工程实践效能分析验证环境布置逻辑，进一步从定量化层面对比分析业务流程再造模型的工程化应用效能。选取云南铜业(集团)有限公司某下属铜冶炼工厂为算例分析数据源头，分别对未来运维数据精准预测子进程、业务流程最优再造策略生成子进程核心参数进行差异化设置。选取云南铜业(集团)有限公司某下属铜冶炼工厂正在应用的业务流程可视化实时监测平台为对照系统，选取核心参数差异化设置的业务流程再造模型为跟随系统，利用云南铜业(集团)有限公司下辖某车间锌合金生产线运维数据构建效能对比融合数据池。从模型未来运维数据集预测精准率（JZ）、模型融合数据池隐性知识感知覆盖率（FG）、模型业务流程最优再造策略生成有效率（YX）等方面进行定量分析，围绕业务流程再造模型工程实践效能分析验证环境人机交互友好性（JH）、业务流程再造智慧化程度（ZH）、动态异常信息互联推送（YC）等方面进行定性分析，具体如表1 所示。通过表1 可以从定性和定量两个层面分析得出，业务流程再造模型较好改善了传统基于显性知识的业务流程自优化机制在工程实践中日益凸显的若干不足，大幅度优化了铜冶炼工厂生产线能耗可控监测机制，业务流程再造策略自主最优生成有效率符合产线需求。

表1 业务流程再造模型工程实践效能分析对比表

4 结论

研究了铜冶炼工厂业务流程再造策略自主最优生成问题，构建了基于铜冶炼工厂历史运维大数据挖掘的业务流程再造模型并进行了先验环境下的仿真验证。首先把业务流程再造模型完整生命周期运行逻辑进行目标导向下的任务分解，给出了基于历史运维大数据挖掘的业务流程再造模型体系架构；然后利用深度LSTM 神经网络设计了未来运维数据精准预测算法，利用深度卷积神经网络DCNN 设计了业务流程最优再造策略生成算法，在PyCharm 集成环境下开展了先验环境下的模型仿真验证。采用软应用扩展的方式搭建了业务流程再造模型工程实践效能分析验证环境，从定性和定量两个层面对业务流程再造模型进行了多维工程实践效能分析，分析结果表明，业务流程再造模型较好改善了传统基于显性知识的业务流程自优化机制在工程实践中日益凸显的若干不足，大幅度优化了铜冶炼工厂业务流程智慧可控监测机制，业务流程再造策略自主最优生成有效率等核心参数符合产线需求。