造紙企業多源數據融合算法與生產物流智能調度研究

張海濤，唐美玲，劉鋒，朱定歡

摘? 要： 為了有效地提高造紙企業智能調度的性能和效率，結合人工智能深度學習方法，針對造紙企業傳感器數據融合探測、診斷決策和裝載機調度等任務建立數據融合網絡模型，提取數據的關聯性特征，提高數據融合的精度和效率，并在此基礎上開展生產物流智能調度研究。

關鍵詞： 造紙企業; 數據融合; 生產物流; 智能調度

中圖分類號：TP391? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2022）01-05-03

Research on multi-source data fusion algorithm and production logistics

intelligent scheduling in papermaking enterprises

Zhang Haitao， Tang Meiling， Liu Feng， Zhu Dinghuan

（College of Science， Hunan University of Technology， Zhuzhou， Hunan 412000， China）

Abstract： In order to improve the performance and efficiency of intelligent scheduling in papermaking enterprises effectively， in this paper， combined with the deep learning method of artificial intelligence， establishes a data fusion network model for the tasks of sensor data fusion detection， diagnosis decision and loader scheduling in paper enterprises， extracts the correlation characteristics of data， improves the accuracy and efficiency of data fusion， and carries out the research on intelligent scheduling of production logistics on this basis.

Key words： papermaking enterprises; data fusion; production logistics; intelligent scheduling

0 引言

造紙企業生產物流是指從企業的原材料、外購件入庫，到企業成品庫的成品發送這一全過程的管理活動。它貫穿于原材料和協作件的采購供應，到生產過程中半成品的存儲、裝卸、運輸和成品包裝，到倉儲部門的入庫驗收、分類、儲存、配送，最后送到客戶手中的全過程，以及貫穿于整個生產過程的信息傳遞，其數據來源及數據量非常繁雜。

造紙企業具有規模大、設備多、覆蓋區域廣、運行時間長、運行條件復雜等特性，包含了木料接收、原木剝皮、原木削片、木片篩選、洗滌、磨漿、漂白和打包等環節，在這個過程中會產生大量類型豐富的數據。近年來，隨著計算機信息技術和存儲技術的快速發展，基于大數據的融合挖掘技術日益成熟，數據的價值漸漸被人們發現并利用，許多行業進入大數據時代，開啟了重大的時代轉型。數據融合指的是從數據中獲取或挖掘出有用隱含信息并進行集成的過程，涉及數據庫、統計分析、機器學習等技術[1]。傳統的數據統計技術已無法滿足海量多源的數據處理需求，更不能挖掘融合大數據中深層次的特征。而隨著人工智能的發展，數據挖掘技術日漸成熟，效率顯著提高，在海量多源數據中提取針對于目標任務的特征成為可能[2]。造紙過程產生的數據完全符合大數據的特征。

本文從傳感器數據融合、診斷決策和裝載機調度等主要數據融合任務入手，從原理上設計了多個數據融合模型。通過制漿造紙企業真實數據實驗驗證，本研究提出的方法能有效地提高企業生產智能調度的性能和效率，是造紙企業在創新發展過程中迫切需要解決的關鍵科技問題。

1 造紙企業多源數據融合算法

1.1 傳感器數據融合探測網絡模型

針對生產現場溫度、噪度、壓力、漿濃度等傳感器探測異常數據糾纏稀薄、傳統神經網絡易陷入局部最小、梯度消失爆炸問題，利用SSEAE對數據進行無監督學習，提取高維稀疏特征，并引入PCA對特征進行壓縮降維，利用高斯核SVM分類器進行最后的數據判別[1]。其具體前饋公式如⑴-⑷所示，其中[ni]為第[i]層的隱藏單元數，[n0]代表輸入層單元數，[T]是隱藏層單元的加權和輸入，[U]是隱藏層單元值。可以看出，每一層的自編碼器都是前面一層的更高維非線性表示，這些非線性高維特征中總有一個維度會更適合于最后的分類決策，為引入PCA和SVM提供了可能[2]。

[T1=t11X，t12X，…，t1n1X]

[=i=0n0v11ixi，i=1n0v12ixi，…，i=1n0v1n1ixi]? ⑴

[U1=u11X，u12X，…，u1n1X]

[=ft11X，ft12X，…，ft1n1X]

[=fi=1n0v11ixi， fi=1n0v12ixi，…， fi=1n0v1n1ixi] ⑵

[U2=fj=1n1v21jfi=1n0v11ixi， fj=1n1v22jfi=1n0v12ixi，…， fj=1n1v2n2jfi=1n0v1n1ixi] ⑶

[Uk=fl=1nk-1vk1l…（fj=1n1v21jfi=1n0v11ixi，fl=1nk-1vk2l…fj=1n1v22jfi=1n0v12ixi，…，fl=1nk-1vknkl…fj=1n1v2n2jfi=1n0v1n1ixi]? ⑷

1.2 裝載機智能調度預測網絡模型

針對多源傳感器大數據融合模型，結合裝載機調度負荷預測綜合影響因素、用戶所需漿紙特性、網絡參數、環境特性和收斂速度等方面，本文提出基于GRU網絡的裝載機智能調度預測網絡數學模型，利用聚類分析算法減輕不同用戶漿包需求的干擾，并且對輔助環境信息進行量化，把歷史需求數據作為網絡的總輸入，挖掘出需求預測與多源信息的綜合深層關系[3]。具體算法如下。

[atu=i=1Iwiuxti+h=1Hwhust-1h]? ⑸

[stu=fatu]? ⑹

[atr=i=1Iwirxti+h=1Hwhrst-1h]? ⑺

[str=fatr]? ⑻

[ath'=strh=1Hwhh'st-1h+i=1Iwih'xti]? ⑼

[sth'=φath']? ⑽

[sth=1-stusth'+stust-1h]? ⑾

其中[u]是更新門向量的下標，[r]是重置門向量的下標，[h]是[t]時刻隱藏單元向量的下標，[h’]是[t]時刻新記憶單元的下標，[f]和[φ]是激活函數，[sth’]表示在[t]時刻新記憶單元的信息。

為了解決樣本獲取問題，進一步提高數據利用率和網絡性能，利用MMD衡量源領域和目標領域數據的分布差異[4]，從而根據MMD的值選擇和調整遷移學習網絡模型，將源領域有價值的知識遷移到目標領域，防止負遷移現象的發生，并運用大數據處理技術，最終實現制漿造紙過程數據處理科學化。

假設[F]是一個在樣本空間上的連續函數集，那么MMD可以表示為：

[MMD[F，p，q]=sup（Ep[fx]-Ep[fy]）]? ⑿

假設[X]和[Y]是從分布[p]和[q]采樣得到的兩個數據集，數據集的大小分布為[m]和[n]，那么MMD的經驗估計為：

[MMDF，X，Y=sup1mi=1mfxi-1ni=1nfyi]? ⒀

總的來說，MMD可以看作是在再生核希爾伯特空間中兩個點的距離，可以用來衡量兩個分布的距離[5]。

[MMD[F，X，Y]=[1mm-1i≠jmkxi，xj]

[+1nn-1i≠jnkyi，yj-2mni，j=1m，nkxi，yi]12]? ⒁

2 實驗結果與分析

針對現代生產物流系統結構，對造紙企業生產設備布置和物流路線整理規劃的基礎上，根據生產物流配送系統的設計原則及應實現的功能，構建企業生產物流智能配送系統結構和計算機網絡形式，在實驗場地現場布置300個數據采集點，通過實時采集數據的方式，將生產數據即時導入數據中心集群數據庫，中心集群數據庫允許并發連接數5000個。中心數據庫設計186個信息表用于保存生產數據。信息系統共構建84個應用模塊，以充分滿足網絡感知決策優化的設計需要。

數據采集對象為備木工段、制漿車間和漿包工段生產現場木料流數質量變化數據，采集時間范圍為生產運行全過程，其中采集數據時有一定的時間滑窗。不同漂白紙漿板生產運行樣本智能調度負載曲線如圖1所示。

針對MMD的值選擇和調整遷移學習網絡模型，實驗源領域數據和目標域數據來源于不同漿包生產線或不同傳感器的采集信號，如輥道輸送機、蒸煮塔、DD洗漿機、漿板機等。在此基礎上開展實驗結果和分析，包括：負荷預測實驗模型結構和參數設置、基于MMD的一級馬尾松木風干漂白漿板遷移學習的實驗結果、基于MMD的一級榿木風干漂白漿板遷移學習實驗結果、基于MMD的一級松木風干漂白漿板遷移學習實驗結果。綜合實驗結果對比，MMD為三種不同規格漿包生產智能調度提供管理支撐。

3 結束語

本研究利用深度學習等人工智能方法，為傳感器數據融合探測和裝載機調度等任務建立數據融合網絡模型，提取數據的關聯性特征，提高數據融合的精度和效率[6]，并在此基礎上利用HDFS、Hbase、GraphDB、MapReduce、Spark等分布式存儲與云計算等大數據技術構建多源異構數據庫，采用批處理和流處理計算技術，以實現生產智能調度科學化。

參考文獻（References）：

[1] 王毅星.基于深度學習和遷移學習的電力數據挖掘技術研究[D].浙江大學，2019：2-56

[2] 賈海濤.基于感知引導的數據融合算法研究[D].電子科技大學，2012：7-23

[3] 霍鳳財，孫雪婷，任偉建，等.Lab空間的改進k-means算法彩色圖像分割[J].吉林大學學報（信息科學版），2019，37（2）：148-154

[4] 徐揚.基于融合算法的機場場面監視方案研究[J].傳感器與微系統，2018（2）：61-63

[5] 許慧雅，楊楊.基于流量密度的無線傳感器數據融合方案[J].控制工程，2018（1）：165-169

[6] 郭軍軍.基于貝葉斯理論框架的傳感器選擇算法的研究[J].自動化學報，2017（12）：11-12