基于数据的流程工业生产过程指标预测方法综述-陈龙.pdf

《基于数据的流程工业生产过程指标预测方法综述-陈龙.pdf》由会员分享，可在线阅读，更多相关《基于数据的流程工业生产过程指标预测方法综述-陈龙.pdf（11页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第43卷第6期2017年6月自动化学报ACTA AUTOMATICA SINICAV0143No6June，2017基于数据的流程工业生产过程指标预测方法综述陈龙1 刘全利- 王霖青1 赵琚 王伟1摘要生产过程关键指标的预测对于流程工业生产调度，安全生产和节能环保有着重要作用目前，已有多种基于工业生产数据提出的生产过程指标预测方法，主要涉及特征(变量)选择，预测模型构建及其模型参数优化这三方面本文分别针对以上三方面论述了基于数据的工业生产过程指标预测国内外研究现状，分析了各种方法的优缺点最后，指出了流程工业生产过程指标预测方法在工业大数据及知识自动化等方面的未来研究方向和前景关键词生产过程，特

2、征选择，预测模型，参数优化，工业大数据引用格式 陈龙，刘全利，王霖青，赵瑶，王伟基于数据的流程工业生产过程指标预测方法综述自动化学报，2017，43(6)：944-954DoI 1016383jaas2017c170136Data-driven Prediction on Performance Indicators in Process Industry：A SurveyCHEN Lon91 LIU QuanLil WANG LinQin91 ZHAO Junl WANG WeilAbstract It is of great significance to predict producti

3、on process indicators in process industry for production scheduling，safety production and energy savingCurrently，various data-driven approaches for predicting these indicators areproposed，including the following three aspects：feature selection，prediction model construction and model parameteroptimiz

4、ationThis paper surveys the above three aspects and summaries the merits and demerits of these approachesFinally，future research directions of production process prediction of key indicators in process industry are suggested withrespect to industrial big data and knowledge automationKey words Produc

5、tion process，feature selection，prediction model，parameter optimization，industrial big dataCitation Chen Long，Liu QuanLi，Wang LinQing，Zhao Jun，Wang WeiData-driven prediction on performanceindicators in process industry：a surveyActa Automatica Sinica，2017，43(6)：944-954流程工业是通过分离、混合、成型或物理、化学变化使生产原材料增值的行

6、业，其生产过程一般是连续或成批进行，主要包括化工、冶金、石油、橡胶、轻工、制药等现如今我国流程工业发展迅速，主要产品产量居世界前列以粗钢生产为例，2015年全球粗钢产量达到1621亿吨，其中中国粗钢产量达到8038亿吨，占全球粗钢总产量的496然而目前我国流程工业普遍面临着过程结构复杂，工序设备多，能耗高等突出问题因此，提高我国流程工业自动化水平以达到降低能耗和提高效率的目标迫在眉睫流程工业普遍包含诸多重要的生产过程指标或收稿日期2017-0313 录用日期2017-0506Manuscript received March 13，2017；accepted May 6，2017国家自然科学基

7、金(61473056，61533005，61522304，U1560102)，国家科技支撑计划(2015BAF22801)，中央高校基本科研基金(DUTl6RC(3)031)资助Supported by National Natural Science Foundation of China(61473056，6153300561522304，U1560102)，National Key Technology Support Program f2015BAF22801)，Fundamental Research Funds for the Central Universities(DUTl6R

8、C(3)031)本文责任编委侯忠生Recommended by Associate Editor HOU Zhong-Sheng1大连理工大学控制科学与工程学院大连1160241SchOOl of Control Science and EngineeringDalian University of rilechnologyDalian 116024变量，现场操作人员往往会根据经验对某些特别关注的关键指标进行监测，从而调控整个生产过程，最终达到稳定生产的目标，如高炉炼铁过程中铁水温度，硅含量【3】以及多种质量指标【4j等生产过程指标一般分为两类，一类是生产过程运行参数，如温度、压力等；另一类是

9、定义的生产过程指标，如选矿过程中的精尾矿品位等，而此类指标往往与其他过程变量之间存在着复杂的非线性关系考虑到工业生产过程通常具有非线性和大滞后等特征，对这些指标的测量往往耗时长，难以检测，或根本无法检测，因此针对其建立有效的数学模型进行实时预测(估计)就显得尤为重要【5】另一方面，从实时生产调度角度来讲，操作人员希望预先了解某些关键指标的未来变化趋势，这也使得指标趋势预测成为目前流程工业生产过程监控的重要任务【6-引传统的生产过程指标预测采用基于机理建模的方法，此类方法在工艺机理分析的基础上，依据物料平衡、热量平衡和动力学建立数学模型【8J然而机理建模很大程度上依赖于对过程机理的认知，由于工业

10、生产常具有非平衡、非稳定和强非线性等特点，此类机理模型成本高、难度大，其准确性和可靠性难以保证，往往存在模型精度低和容易失配等问题【8J万方数据6期 陈龙等：基于数据的流程工业生产过程指标预测方法综述随着计算机和网络技术的发展，流程工业企业基于监控与数据采集系统(Supervisory control anddata acquisition，SCADA)获取了大量涉及生产过程特点、设备、质量和能源的历史数据目前基于数据的方法成为较盛行的生产过程指标预测方法，此类方法通过建立输入一输出数据变量间的关系模型完成预测任务，而无需对生产过程的反应或动力学等机理信息进行研究通常基于数据的生产过程指标预测

11、过程包含三个方面，即1)特征(变量)选择；2)预测模型建立；3)模型参数优化特征(变量)选择过程指从大量的候选输入特征中挑选出与预测指标最相关的特征作为预测模型的输人变量通常数据特征选择包括经验知识手动选择和基于数据分析的选择方法基于经验知识的方法虽然方便快捷，但时常会因经验不足出现错选漏选或特征冗余的情况基于数据的预测建模可采用机器学习方法(如人工神经网络9】9、支持向量机10】等)来完成，与机理模型不同的是此类方法只关注模型的输入和输出模型的输入是选择的相关特征变量，模型输出即是待预测的关键指标预测模型参数选取对模型精度影响较大，模型参数优化过程通常以减小预测误差为目标，使模型获得较好的预

12、测精度最常见的模型参数优化方法有基于梯度的方法，如梯度下降法【11j、共轭梯度法11】等；智能优化方法如遗传算法112J、模拟退火算法13】等图1给出了基于数据的生产过程指标预测方法的基本流程预测阶段图1 基于数据生产关键指标预测的基本流程图Fig1 A flow chart of data-based prediction onperformance indicators in process industry本文针对目前基于数据的生产过程指标预测在上述三个方面进行综述，并结合当前最新的机器学习技术、自动化发展趋势以及工业过程的需求，探讨基于工业数据的生产过程指标预测方法的可能发展方向1生产

13、过程指标的特征(变量)选择被预测的指标值往往与生产过程中的多个过程变量相关，进行生产过程指标预测首先需将与被预测指标最相关的特征变量从众多候选变量中挑选出来以热轧生产过程为例，针对板带厚度的预测问题，经过特征选择最终得到影响板带厚度的输入因素多达20个【14J基于数据的特征选择根据是否独立于后续的建模算法，可分为过滤式(Filter)和封装式(Wrapper)两种【15】过滤式特征选择的基本思路是采用一种评价准则来增强特征与输出的相关性，削减各个特征之间的相关性从而选择最相关特征，再将被选择的最相关特征参与建模而封装式方法则将特征选择步骤与建模过程融合，其缺点在于与过滤式方法相比较为耗时目前，

14、应用在工业生产过程中最常见的特征选择方法有过滤式方法，如基于相关性分析的方法【16_19等；封装式方法，如变量修剪方法20】、基于遗传算法的方法【21等基于相关性分析的方法如灰色关联分析法【22J，其基本思路是通过线性插值将时间离散观测值转化为分段连续的折线，进而根据折线的几何特征构造测度关联程度模型来评价各状态变量之间的关联程度如文献23针对烧结过程中烧结质量的预测问题，将8个过程变量分别与烧结质量进行灰色关联分析，并最终挑选了4个与烧结质量最相关的因素来作为预测模型的输入文献24针对钢铁工业转炉煤气系统中煤气柜位预测问题提出了一种一致T型灰色关联分析算法来确定转炉煤气柜位的主要影响因素文献

15、【25针对炼焦生产过程综合生产指标(焦炭质量、产量和焦炉能耗)预测，采用主元分析和灰色关联分析确定了神经网络预测模型的输入输出因素针对硫酸锌溶液净化过程中钴离子浓度预测和高炉炉温预测【27】问题，灰色关联方法表现出较好的精度优势此外，基于F评分的方法也是一类基于相关性分析的特征选择方法【19J，该方法通过定义一种F评分来表示每个输入特征与输出之间的相关程度，F值越大说明该特征与输出的相关性越大如文献28】针对高炉炉温变化趋势预测问题，提出了一种依次验证和F评分方法相结合的特征选择方法，从所有的高炉炼铁过程变量中找出与炉温变化趋势最相关的8个输入特征目前大部分基于相关性分析的特征选择方法仅仅分析

16、了候选特征与被预测指标之间的关联性，而未考虑各输入特征之间可能存在的联系，从而导致选出的特征中存在冗余，也会在一定程度上影响预测模型的建模效率变量修剪算法是一种封装式特征选择方法，其思路是基于前馈神经网络回归模型从复杂的初始模型出发，以最小化预测误差为目标，通过逐个将相万方数据自 动 化 学 报 43卷应输入权值设置为零来剔除不相关变量【20】该算法在修剪输入变量的同时优化模型的网络结构(隐含节点数目)如针对高炉铁水硅含量预测问题，文献29301分别采用前馈神经网络模型作为基础预测模型，并采用变量修剪算法来去除不相关变量，最终找到了影响铁水硅含量的主要输入因素此外，基于遗传算法的封装式方法是将

17、候选特征随机构造预测模型组成种群并进行遗传操作来选择最优的输入特征如文献31提出了一种基于遗传算法优化的神经网络非线性建模算法，建模过程中采用遗传算法同时最小化预测误差和模型复杂度两个目标，从而得到最优输入特征组合和网络结构，并将其应用到高炉炼铁过程中的铁水硅含量预测问题文献f211针对石油化学制品工业中的质量指标预测问题，将候选输入变量随机构造的一系列预测模型组成一个种群，以最小化预测误差为目标，通过类似遗传算法的策略来找到最优的候选变量组合封装式特征选择方法由于以最小化预测误差为目标进行特征选择，其预测精度可能优于基于相关性分析的方法，但是由于其在建模过程中融入了特征选择步骤，算法的时问成

18、本也相对较高以上针对特定工业应用的无论是基于相关性分析的方法还是封装式特征选择方法大都是以离线的方式完成，这对于具有时变特性的工业生产过程并不总是适合因此针对实际工业问题开展实时在线式的特征选择对基于数据的特征选择方法尚具有一定的挑战2生产过程指标预测建模针对工业生产过程建模问题，传统基于物理、化学机理建立精确数学模型的方法已越来越困难而相当数量的工业企业每天都在产生并存储着大量隐含工艺变动和设备运行等信息的生产、设备和过程数据，如何有效利用大量的离线、在线数据和知识，在难于建立系统机理模型的情况下，实现对生产过程和设备的优化控制和评价，已成为迫切需要解决的问题数据驱动的方法是解决机理不明确或

19、含不确定性机理模型对象建模问题的有效方法【32J，此类方法利用离线、在线数据来描述对象的运行规律和相关模式，并结合反映系统参数、结构等数据，来实现复杂系统的建模33j近年来，针对工业系统的指标预测问题，已有不少数据驱动方法(如迭代学习34、无模型自适应方法【35】和自适应动态规划【36等)被提出基于数据的预测建模方法中，根据是否嵌入了机理模型，可将建模方法分为基于数据的方法和数据一机理相结合的方法21基于数据的预测建模机器学习技术的发展为基于数据的生产过程指标预测奠定了建模基础如针对炼铁过程铁水硅含量预测、产品质量指标预测、选矿生产指标预测等问题f37-3引较为常用的方法如人工神经网络【40、

20、支持向量机【4l】、高斯过程回归方法【42J以及偏最小二乘回归方法【43】等文献f441针对铁水硅含量预测，通过联合人工神经网络和定性分析的方法建立预测模型文献4546采用人工神经网络分别对钢板轧制过程中的轧制力和串联轧制机组的震颤进行了预测文献47针对高炉炼铁过程中的硅含量变化趋势预测，提出了二编码支持向量机模型基于偏最小二乘回归方法和核偏最小二乘法的预测模型也应用于化工生产过程的产品质量【48J和铜转炉吹炼过程的关键操作参数预测【49】基于混沌的多步迭代预测和基于AdaBoost的预测模型也分别应用于铁水硅含量预测50 J和选矿生产指标预测【51 J中此外，基于数据的预测模型不仅被应用在生

21、产监控与调度需求中，也被应用在预测优化控制中52-53J，而采用基于数据的机器学习方法(如人工神经网络、支持向量机等)来进行预测建模是当前较为流行的方法54山引其基本思路是将当前时刻的系统输入值和真实输出值作为基于数据预测模型的输入来预测系统的输出，并将此预测输出值反馈到系统输入端以进行滚动优化此类方法充分利用了机器学习技术较强的非线性拟合能力，而无需关注系统内在机理，具有较强的可应用性；但却需要大量的历史数据来作为预测模型的建模基础根据生产过程中不同的预测需求或不同的生产状况，基于数据的预测建模通常有以下几种分类方法根据预测时长需求，可分为长期预测模型和短期预测模型；根据预测输出指标的数量，

22、可分为多输出预测和单输出预测；根据模型中是否考虑时滞因素，可以分为时滞因素模型和非时滞模型；根据是否有在线更新模型参数，可分为离线模型和在线模型；根据是否使用单一的机器学习预测模型，可以分为多模型集成和单一模型等下面将重点综述几类预测建模问题，包括长期预测模型、多输出模型、时滞因素模型、在线预测模型、集成预测模型和时间序列预测模型1)长期预测模型流程工业生产中为了达到生产资源的合理配置，通常需要一个相对长期生产规划(如天、月等)，因此对生产过程指标的长期预测就显得尤为重要短期预测一般采用单步迭代的方法，然而此方法应用在长期预测问题时预测误差会随着迭代步数的增加而积累，导致最终的误差很大【59-

23、61|如文献611针对转炉煤气流量的长期预测，提出了一种基于钢铁生产状态估计的转炉煤气流量长期预测方法，通过特征提取和特征融合得到全局性特征，利用全局性特万方数据6期 陈龙等：基于数据的流程工业生产过程指标预测方法综述 947征来实现转炉煤气流量的长期预测文献【62l提出粒度时间序列的概念，并采用模糊聚类方法构造时间粒度以进行长期趋势预测针对钢铁能源系统的副产煤气流量长期预测问题，文献163I提出了一种基于粒度计算的长期预测方法，通过对工业原始数据根据过程操作工艺进行时间上的粒度划分，采用动态时间弯曲技术和模糊聚类产生类别实现长期预测而文献旧41针对钢铁工业中氧氮能源系统的调度问题，采取了预测

24、一调度两阶段的调度方法，其中长期预测部分同样采用了基于时间粒度划分的方法基于时间粒度划分的方法虽然可以有效地避免单步迭代预测带来的误差积累问题，但是以上文献中的时间粒度划分都是采用人工划分的方式，极度依赖于人工经验，粒度划分的效果很难科学评判，而且难以推广到其他工业应用，有一定的局限性因此更智能的自动划分方法以及更合理的粒度划分评判方法是目前研究的重点【6引2)多输出预测模型工业生产过程往往需要同时关注多个关键预测指标，分别对各个指标建立预测模型的方法会丢失被预测指标之间的内在关联耦合信息，从而导致预测精度不高如钢铁工业转炉炼钢生产中，文献24，65】针对两个转炉煤气柜柜位预测，考虑两个煤气柜

25、之间的相互关联影响，建立了多输出最小二乘支持向量机预测模型文献166】针对转炉煤气柜柜位的长期预测问题，提出采用基于粒度计算的协作式模糊聚类方法建立了两柜位长期预测模型文献67针对高炉炼铁过程中的四个关键质量指标(铁水温度、硅含量、硫含量和磷含量)的预测问题，建立了基于建模精度综合评价与遗传参数优化的铁水质量多输出支持向量回归动态预测模型文献168I采用多输出最小二乘支持向量机同时预测氧化铝蒸发过程的全碱浓度、氧铝浓度和苛碱浓度在以上的工业预测应用中多输出预测模型都提高了模型预测精度3)时滞因素模型流程工业生产过程通常具有时滞性，输入变量的变化往往需要经过一段时间才能反映到被预测指标上，如选矿

26、过程、钢铁生产过程等一方面预测建模需将输入变量的时滞性考虑在预测建模中；另一方面被预测指标本身通常具有连续性，其当前时刻取值与历史时刻值有着相互关联，考虑输入输出闭环联系，通常需将被预测指标历史时刻的变量值作为模型的输入特征来进行建模如文献169l针对高炉煤气系统柜位波动的建模问题，将前-It刻的高炉煤气柜柜位值添加到预测模型的输入向量中进行了TS模糊预测建模对于炼钢转炉煤气柜柜位预测，也需要将历史时刻的柜位值反馈到输人变量中以形成输入输出闭环联系隅65】文献【70-711分别针对高炉炼铁过程多元铁水质量预测问题和铁水温度预测问题，考虑到炼铁过程中的时滞性质，将相关输入输出变量的时序和时滞关系

27、融合到建模过程文献3l】考虑了5小时的输入延迟影响，针对高炉铁水硅含量预测问题，将输入变量的时滞影响考虑到模型中，提高了预测精度然而此种考虑输入延迟的方法的关键在于选定输入变量的延迟时间，这对于模型的性能有着重要影响但目前文献中通常基于人工经验来手动选取延迟时间，预测模型建模的效果往往是难以保证的4)在线预测模型在线模型是将采集的新样本不断参与到现有模型的再训练中，此类预测模型的内部参数会根据新样本实时更新，模型会实时反映新的工况，从而提高预测精度如文献721针对选矿过程精矿品位的预测问题，提出了一种自适应在线支持向量机预测模型模型依据新工况样本对现有样本集统计特性的影响，引入了模型参数自适应

28、调整机制，并采用在线迭代学习机制更新模型文献73针对湿法炼锌净化过程中杂质离子浓度预测问题，提出了基于在线支持向量回归的离子浓度预测模型另外，文献J74针对全厂级的产品质量指标预测问题，提出了一种根据训练样本的统计特性能在线更新参数的支持向量机预测模型文献75针对转炉煤气系统中煤气柜柜位和煤气流量的预测问题，提出了一种基于最小二乘支持向量机预测模型其中模型的参数优化采用了一种并行化的粒子群和并行验证方法，实现了模型参数快速的在线更新5)集成预测模型单一的机器学习预测模型通常有性能不稳定，对模型参数敏感，易过拟合等缺点而采集的工业数据通常可看作是几种不同的生产状态相叠加而产生的序列，因此单一预测

29、模型并不能完全反映多状态数据的变化特性如文献【76】针对赤铁矿选生产率预测问题，提出使用多个最小二乘支持向量机模型对聚类后的数据(每一类可以看作一个工况)进行建模再进行加权组合文献77针对湿法炼锌净化过程中钴离子浓度预测问题，基于集成建模思想将两个单一支持向量机子模型进行加权集成文献7879分别针对非线性工业时间序列预测和高炉铁水硅含量的预测问题，都考虑到单个神经网络模型易过拟合的特点，提出使用Bootstrap方法将多个网络模型集成来构造预测区间(方差和均值)，以增强模型的稳定性针对针铁矿法沉铁过程反应器出口亚铁离子和铁离子浓度的预测问题，文献180】提出将基于改进差分进化算法参数优化的最小

30、二乘支持向量机预测模型和过程神经网络模型集成来进万方数据948 自 动 化 学 报 43卷行预测集成模型提高了单一预测模型的稳定性和预测精度，但是模型的参数众多，通常较为复杂，同时也增加了模型训练时间因此，此类模型大多不适用于在线模型6)时间序列预测模型时间序列预测方法不需要其他过程变量作为模型的输入，而是采用自回归的方式通过寻找变量自身历史数据中的变化规律来预测未来的变化趋势通常先将时间序列数据集通过相空间重构构造输入输出样本集，再采用机器学习方法构造预测模型它的预测输出值通常采用迭代预测的方式得到如文献81针对高炉煤气发生量的预测问题，提出一种基于改进回声状态网络的时间序列预测方法文献【8

31、2设计了基于核函数的动态贝叶斯网络来构造时间序列预测模型文献83针对钢铁生产中蒸汽系统的蒸汽流量预测问题，提出采用基于贝叶斯回声状态网络模型对蒸汽流量时间序列进行建模以上工业时间序列预测模型能够很好地描述工业数据本身的非线性关系，但如何确定合适的时间序列采样频率也是一个值得研究的问题拟过程如文献89采用有限元分析和神经网络相结合的建模方法对轧钢过程中的闭合孑L隙进行预测文献90结合轧制过程机理分析和基于数据的神经网络模型来预测轧钢过程中的轧制力，以提高预测精度此外，还有一种方案是将轧制过程的精确数学模型和数据模型相结合如文献9192针对轧制力预测，分别将贝叶斯推理和神经网络模型与轧制过程的精确

32、数学模型相结合预测了轧制力此类方法仅适用于机理过程相对明确的生产过程，而现代生产过程越来越复杂，大部分生产过程并没有一个清晰的机理模型因此，此类建模方法的应用受到了一定的限制将复杂生产过程中的局部精确机理模型与数据模型相结合是未来一个研究方向3预测模型的参数优化基于数据的预测模型通常包含重要的参数，其选取对于预测模型的性能有着重要影响(如最小二乘支持向量机的核函数参数和惩罚因子、神经网络中隐含层神经元个数以及学习率等)针对此类参数的优化方法有基于梯度的方法和智能优化方法等22 基于数据与机理的集成预测建模 31 基于梯度的优化方法基于数据的机器学习预测模型在描述输入输出非线性关系方面优势明显，

33、但此类方法在先验知识处理、模型计算复杂度等方面仍然存在局限性为弥补基于数据建模方法的缺点，基于机理模型和数据模型相结合的方法是一种有益的尝试一类方案是将机理模型和基于数据的误差补偿方法相结合来构造预测模型184-8 5I该类方法适用于反应机理相对明确的工业过程，以基于动力学、热力学以及物料平衡、能量平衡的机理模型作为集成建模主体，利用生产数据建立误差补偿模型，补偿主体模型输出与实际输出的差值如文献【84针对针铁矿法沉铁过程出口亚铁离子浓度预测，采用并联方式集成了沉铁过程的机理模型和基于最小二乘支持向量机的输出误差补偿模型文献【85】针对文献84中的方法构建了亚铁离子浓度预测模型的在线参数更新策

34、略文献【86分析炉内电热转换关系，利用能量守恒原理建立了产品单吨能耗机理模型，提出了由基于机理分析的单吨能耗主模型和基于神经网络的误差补偿模型组成的产品单吨能耗混合预报模型文献【8788】基于机理模型和神经网络误差补偿模型相结合的建模形式，分别预测了湿法炼锌过程中的钻离子浓度和氧化铝冶炼过程中的生料浆质量，所提方法都提高了单独使用机理预测模型的预测精度另外一类是将机器学习模型融合到基于有限元分析的钢板轧制机理模型中以降低有限元分析的时间消耗，其中机器学习模型的训练数据来源于有限元模基于梯度的优化方法利用目标函数的梯度信息进行优化，是机器学习中使用较为广泛的方法该方法可以建立明确的优化搜索方向，

35、但对初始值较敏感，易陷入局部最优常用的基于梯度的方法有梯度下降法、共轭梯度法等【11在工业应用中通常会将基于梯度的优化方法和其他方法相结合，更好地优化模型参数，如与基于噪声估计的方法【93_9剖，与基于误差密度函数估计的方法(95】，与网格搜索算法【96】相结合等预测误差一般被认为由工业数据噪声和预测模型的欠精确共同导致，若将预测误差的方差逼近噪声方差，那么相当于将模型的误差逼近于零，这样求得模型参数将会有最优的预测性能如文献93考虑工业噪声对参数的影响，提出采用一种基于噪声估计和共轭梯度方法来优化最小二乘支持向量机预测模型中的核函数参数和惩罚因子文献94同样采用该方法优化基于核回归的区间预测

36、模型中的惩罚因子、核函数权重以及核函数的宽度等参数通过控制误差概率密度函数形状进行参数优化是另一类有效的思路如文献95针对选矿过程中的混合精矿品位预测问题，将误差的概率密度函数表示成最小二乘支持向量机模型参数(核函数的宽度和惩罚因子)的函数，通过调节此类参数来得到预期的误差概率密度函数，从而达到优化模型参数的目的此外，在基于交叉验证的网格搜索参数优化方法中会存在反复求逆，同时缺乏指导的网格遍历搜索会消万方数据6期 陈龙等：基于数据的流程工业生产过程指标预测方法综述 949耗大量时间，无法满足现场实时性要求且优化结果也不理想而基于梯度的优化方法会指导优化方向，但同时有易陷入局部最优的缺点因此文献

37、961将以上两种方法相结合，针对焦炉煤气柜位预测，提出了一种基于网格搜索和梯度法相结合的参数优化方法该方法采用基于快速留一法导出网格梯度搜索方向来避免普通网格搜索方向的盲目性，从而快速获得了较优的模型参数再如文献97将遗传算法和梯度下降法相结合进行参数优化应用于煤气柜位预测问题以上基于梯度的参数优化方法与其他方法相结合能够获得更好的参数优化结果，然而此类方法存在运算时间长的缺点，大多不适用于工业生产的在线参数优化，只能进行离线应用32基于智能优化的方法智能优化算法是一类启发式优化算法【98100】，此类方法都是从任一解出发，按照某种机制，以一定的概率在整个求解空间中探索最优解智能优化算法广泛应

38、用于基于数据的预测模型参数优化问题97，101_10剖，且多数应用以最小化预测误差为优化目标如文献101102分别针对高炉铁水硅含量预测问题，提出一种基于混沌粒子群优化的支持向量回归机参数优化算法文献103针对铜闪速熔炼过程中冰铜温度、冰铜品位及渣中铁硅质量比三个关键工艺指标的预测，采用了实数编码的加速遗传算法来优化投影寻踪回归预测模型的参数针对石油工业中的二氧化碳腐蚀率的预测问题，有学者采用了模拟退火算法来优化最小二乘支持向量机预测模型的参数【10剖文献65，75】分别采用粒子群算法和并行粒子群算法优化了最小二乘支持向量机的参数文献82采用模拟退火算法优化了基于核函数动态贝叶斯网的核函数参数

39、此外，遗传算法还被用来优化支持向量机的参数陋6 7】上述智能算法虽然在参数优化过程中容易获得全局最优解，但是它们应用在工业生产过程参数优化问题中依然存在较高的不确定性，没有最优搜索方向以及计算复杂度较高等缺点4结论与展望现有基于数据的生产过程指标预测方法尽管研究成果已较为丰硕，但是依然存在以下问题1)现有模型虽然对于工况稳定的生产指标预测有着较好的预测效果，然而多数生产过程是时变过程，且经常受人为干扰而现有预测模型本身大多不能自动地识别工业过程中的时变特性，进而导致基于数据的预测模型精度不高因此，通过工业大数据分析方法有效识别这种时变特性是一个关键研究问题2)对于一个特定的预测模型，其预测结果

40、的误差通常是由工业噪声以及模型本身的不准确两部分因素导致鉴于工业噪声难以避免，因此消除模型本身所带来的误差也是一个值得研究的问题近年来也有一些新的机器学习方法在工业过程指标预测方面的研究进展值得关注深度学习技术是机器学习领域新的研究方向，在语音识别、计算机视觉等领域取得了突破性的进展应用，尽管深度学习在时间序列预测问题方面已有探索【105-10引，但在特定工业预测应用方面的研究还很少通过采用深度学习自动提取得到层次化的工业数据特征表示，再基于挖掘到的深层次生产特征构造工业长期预测模型是未来预测方法可能的一个研究方向但目前还存在以下2个难点：1)深度学习模型参数选取；2)深度学习特征评价无模型预

41、测逐渐成为学者研究的焦点【109_11，其特点是无需依赖具体的预测模型，而是通过统计观测数据的方法来估计未来数据的变化趋势此方法可有效消除由预测模型带来的模型误差，因此，将无模型预测方法应用到工业生产过程实际预测问题(如长期预测等)是未来另一个值得研究的方向知识自动化是近年来自动化领域发展的新方向111 J，基于知识的预测方法在某些领域也已形成具体的应用112-114】生产过程知识表示与获取，以及基于生产知识的预测模型构建等是基于知识自动化的生产过程指标预测方法的关键研究内容自适应动态规划方法利用一个函数近似结构(例如神经网络、模糊模型、多项式等)来估计代价函数，用于按时间正向求解动态规划问题

42、【11引，基于此方法的工业过程预测也形成一些具体应用116-117J将来基于自适应动态规划预测方法的一个研究方向是深入探究将抽象为智能体的生产过程与外部环境信息相交互的机制融入预测建模过程以提高预测精度Rere：cences1 Gui W(iHua,，Warg Cheng-Hong，Xie YorgFang，Song Su，Meng q,ling-Feng，Ding Jin-LjangTk e necessary way to ie-ali，e great-1eap-fo：lrward de velopment of process industriesBuNetin of National

43、Natural。cence Foundation of Chna2015，(5)：337-342(桂卫华，王成红，谢永芳，宋苏，孟庆峰，丁进良流程工业实现跨越式发展的必由之路中国科学基金，2015，(5)：337342)2中商智业2016年度全球钢铁生产大数据分析FOnline，available：http：mtsohucom20161110n472825318shtmlNovember 1020163 Sax4n H，Gao C H，Gao Z WData-driven time discretemodels fcr dynamic prediction of the hot metal s

44、ilicon con-tent in the blaLst furnace a review忸EE nansactions c nInduslriM工nformajcs，2013，9(4)：221322254 Kim S I，Kim K E，Park E K，Song S W，Jung SEstima-tion methods fc r efficiency of additive in removing impu-万方数据950 自 动 化 学 报 43卷rity in hydrometallurgical purification processHydrometal-lurgy、2007，

45、89(3-4)：242-2525 Shang XiuQin，Lu JianGang，Sun YouXianGenetic pro-gramming based two-term prediction model of iron ore burning through pointJournal ofZhejiang University(Eng；neer-ing Science)，2010，44(7)：12661269，1281(商秀芹，卢建刚，孙优贤基于遗传规划的铁矿烧结终点2级预测模型浙江大学学报(工学版)，2010，44(7)：1266-1269，1281)6 Zhang B，Yang C

46、 H，Li Y G，Wang X L，Zhu H Q，Gui W HAdditive requirement ratio prediction using trend distribution features for hydrometallurgical purification processesControl Engineering Practice，2016，46：10-257 Zhao J，Liu Q L，Wang W，Pedrycz W，Cong L QHybridneural prediction and optimized adjustment for coke ovengas

47、 system in steel industryIEEE Transactions on NeuralNetworks and Learning Systems，2012，23(3)：4394508 Zhou Xiao-Jun，Yang ChunHua，Gui WeiHuaModelingand control of nonferrous metallurgical processes on the perspective of global optimizationControl TheoryApplica-tions，2015，32(9)：11581169(周晓君，阳春华，桂卫华全局优化

48、视角下的有色冶金过程建模与控制控制理论与应用2015，32(9)：1158-1169)9 Remes A，Vaara N，Saloheimo K，Koivo HPrediction ofconcentrate grade in industrial gravity separation plantcomparison of rPLS and neural networkIFAC ProceedingsVolumes，2008，41(2)：3280-328510 Wang JunKai，Qiao Fei，Zhu Jun，Ni JiaChengSVRbasedpredictive models of energy consumption and performancecriteria for sinteringJournal of Tongjj University(NaturalScience)，2014，42(8)：12561260(王俊凯，乔非，祝军，倪嘉呈基于支持向量机的烧结能耗及性能指标预测模型同济大学学报(自然科学版)，2014，42(8)：12561260111