有色金屬工業智能模型庫構建方法及應用

陽春華，劉一順，黃科科,2，孫備，李勇剛，陳曉方，桂衛華

（1.中南大學自動化學院，長沙 410083；2.鵬城實驗室，廣東深圳 518055）

一、前言

有色金屬工業是國民經濟的支柱產業和實體經濟發展的基礎，也是制造強國的重要支撐[1]。改革開放40多年來，我國有色金屬生產工藝、裝備和自動化水平得到顯著提升，形成了較為完整的現代有色冶金工業體系[2]。我國有色金屬生產量和消費量連續多年位居世界第一[3]，如10 種常用有色金屬的產量占比均在50%以上[4]。然而，我國距離有色金屬強國仍有一定差距，行業高質量發展面臨排放體量大、能耗物耗高、人工依賴嚴重等問題，亟需推進信息化和工業化深度融合，以智能制造促進綠色、智能、高效化生產[5]。

工業軟件作為工業技術軟件化的產物，是虛擬制造、工藝數字化設計、生產優化控制的關鍵支撐，有色金屬工業智能制造的核心要素[6,7]。工業軟件作為當前我國科技攻關的迫切問題，關乎工業體系的長遠發展[8]。工業軟件具有強工業屬性，是工業知識的代碼化表達。其中，軟件是應用載體；模型是內核，集中體現了工業軟件技術能力。在有色金屬工業，有色冶金模型將生產過程涉及的工藝機理、最佳實踐等進行封裝，是行業工業軟件最底層、最核心的支撐，為行業智能化提供技術知識底座，促進有色金屬工業智能化轉型[9]。

目前，針對有色金屬生產流程中的各個環節已有較多研究，形成了一系列知識模型。針對礦山磨礦系統提出了混合非線性模型預測控制器，保證了在外部干擾下磨機電路的穩定控制[10]；提出了基于多信息融合與可拓理論相結合的銻浮選工況識別方法，實現銻浮選工況的準確識別[11]；針對有色冶金過程提出了智能集成建模描述方法，結合多類有色冶金工程問題探討了優化方法應用[12]；面向有色冶金復雜生產過程研究了基于標簽傳播字典學習的過程監測方法，通過鋁電解案例驗證了有效性[13]；面向有色冶金過程的動態不確定特性，以典型場景為應用對象，提出了概率不確定、模糊不確定、區間不確定優化方法[14]；采用基于動力學的優化控制方法有效提升鈦加工成型的控制精度[15]。

盡管有色金屬生產全流程的工藝建模、運行優化等均已有方法模型，但多是面向特定場景開發的，因集成度較高而不易在其他場景下應用；相關模型的開發工作基本上“各自為戰”，沒有在具有統一標準的平臺上對模型資源進行匯聚管理，使得模型的質量差異大、兼容性差，無法形成有色冶金模型應用業態。這些差異化、碎片化、分散化的有色冶金模型，難以對行業工業軟件發展構成有效支撐[16]。因此，有色冶金模型數量不足、質量不一，明顯制約了行業工業軟件的發展水平。著眼于有色金屬工業高質量發展要求，亟需對行業知識進行沉淀，開發通用化、強兼容的模型，面向全行業構建標準化、規模化的匯聚管理平臺；通過模型庫整合全行業優勢資源，促進形成資源富集、協同演進的新生態；探索出解決行業工業軟件核心知識不足問題的有效途徑，推動行業工業軟件發展進程。

本文以有色冶金通用模型和匯聚管理平臺為切入點，對有色金屬工業模型庫構建方法開展系統分析。凝練有色金屬智能模型庫構建需求，定義有色冶金元模型及元建模范式，提出基于工業互聯網的智能模型庫構建技術；立足行業知識，構建有色金屬智能模型庫，通過有色冶金典型場景驗證模型庫的應用效能；對未來的模型庫研究方向進行展望，以期為有色金屬工業智能化發展提供啟發和參考。

二、有色金屬工業智能模型庫構建需求

（一）有色金屬工業模型庫宏觀架構需求

從有色金屬工業的整體狀態來看，現有的模型庫多以離線資源形式存在，體量規模小、類別不全面、獲取利用難，模型資源與實際應用脫節斷鏈，難以融入智能化制造、網絡化協同的發展潮流，不足以支撐形成模型開發/應用/服務業態。

工業互聯網是新一代信息技術與現代工業技術深度融合的產物，也是制造業數字化、網絡化、智能化的重要載體，世界新一輪產業競爭的制高點[17]。在國家規劃層面，要求加快建設制造強國，加快發展先進制造業，推動互聯網、大數據、人工智能（AI）和實體經濟深度融合[18]。工業互聯網作為智能制造的關鍵基礎設施，有助于有色金屬行業實現智能化生產、網絡化協同、服務化轉型。

對于有色金屬工業智能模型庫，工業互聯網中的基礎設施即服務（IaaS）層提供了強有力的基礎設施與海量數據，平臺即服務（PaaS）層的開放式云操作系統形成了可擴展、可兼容的服務支撐，軟件即服務（SaaS）層中的工業應用程序（APP）構建方式為不同場景下的應用提供了靈便輕巧的途徑[19]。因此，工業互聯網為模型庫提供了載體支撐和應用途徑，資源集聚共享的平臺能力有助于模型庫的行業推廣應用。

在新時期、新階段下，把握智能制造建設方向，構建基于工業互聯網的有色金屬工業智能模型庫，將加速行業智能化發展、形成有色金屬行業轉型升級新動能，有效緩解國產工業軟件在有色金屬工業中面臨的核心知識模型不足的難題，筑牢有色冶金智能模型和工業軟件的開發基礎。

（二）有色金屬工業模型庫構建技術需求

1.有色冶金過程相場耦合表征難、模型集成度高且通用性差，需定義粒度適中的元模型和標準化建模范式

有色冶金是典型的長流程工業場景，生產過程中的物理化學反應復雜、“氣-液-固”多相交織、“電-磁-熱-流-力-濃度”多場耦合；通常需多個工序、多種設備進行協作，具有很強的過程關聯性與數據復雜性，相應模型包含多項參數且模型之間關聯耦合[20]。有色冶金從業人員難以編碼開發如此復雜的模型，而軟件開發人員難以理解耦合關聯的行業知識并進行代碼描述，嚴重的行業知識壁壘導致有色冶金模型開發難度大。在傳統模型開發模式下，開發者因追求整體性，傾向于將多種復雜功能進行封裝，形成較高層級的粗粒度模型。當面向新場景調用某種功能時，由于原有模型的集成度過高、無法單獨拆解，需進行模型的大幅修改或重新編碼，從而造成模型重復開發、應用效率偏低的局面。

為了解決模型耦合復雜而難以開發、集成度高而通用性差等問題，應將模型進行解耦和拆分，以粒度適中、通用化的基礎元模型對行業知識進行表征；在極大降低開發與應用難度的同時，可促進工業技術知識的沉淀與復用，進一步引導行業模型庫的良性發展。

2.模型編譯環境差異大、兼容性差且復用難，需支持多語言融合的模型集成敏捷開發環境

從元模型開發者的視角看，當前模型開發工作多屬“各自為戰”，因模型開發人員知識、技能存在差異，所使用的開發語言可能各不相同（如Python、C++、Java等）。單一的開發環境較難滿足模型開發過程中的多樣化需求，不同語言模型之間相互阻隔、兼容性差，難以協同使用。因此，要求模型開發環境支持多語言協同開發。從元模型應用者的角度看，應根據實際需求將多個元模型進行組合，得到具備特定復雜功能的模型。然而，元模型集成者多為有色冶金行業從業人員，具有豐富的領域知識而通常不具備嫻熟的編程能力，難以在短時間內從底層開始對諸多元模型代碼進行繼承、派生以形成復雜模型。

圖形化、組態式的開發環境，更適合行業人員的敏捷使用。用戶根據模型中的邏輯關系，將多個元模型進行可視化拼接操作，無需編碼即可實現具有復雜功能的模型，從而顯著降低模型開發門檻、提高模型開發效率[21]。

3.模型管理效率低下、推廣應用難，需涵蓋分類管理、審核評價、精準搜索的全生命周期綜合管理平臺

有色金屬類別多、生產流程長、工藝類型多、工藝單元關聯耦合、反應機理復雜。元模型作為有色金屬工業知識的基本載體，數量龐大、種類繁多、關聯性強[22]。隨著元模型開發數量及種類的增多，若缺乏有效的組織管理手段，元模型將如同“一盤散沙”。當用戶開發服務需調用某種功能時，很難根據所需的功能與應用場景等屬性，快速地找到對應的元模型，也就導致眾多元模型無法被有效利用，模型庫自然難以發揮應有價值。

因此，需從元模型全生命周期出發，構建集分類管理、審核評價、精準搜索等于一體的全生命周期綜合管理平臺，對海量模型資源進行高效管理，充分促進模型庫的實踐應用與價值呈現。

三、有色金屬工業元模型構建技術

（一）元模型定義及特點

有色冶金模型是一種反映有色冶金系統（對象）各變量之間定量或定性關系的數學（軟件化）表達形式，包括機理模型、數據模型、知識模型、AI 方法等；目的是為了描述有色冶金系統（對象）的變化規律，支撐有色冶金的工藝設計、運行控制、決策優化。將模型解耦并拆解為多個獨立的模型單元，以粒度適中、通用化的元模型對行業知識進行表征，可顯著降低模型開發與應用門檻，促進行業模型庫的發展水平。

元模型是具有獨立決策功能且不可繼續拆分的模型單元，創建特定領域中模型的基本構建元素（即模型的“模型”）；作為具有復雜功能的獨立單元，是代碼的抽象表示、多個基本函數融合而成的高級功能單元。模型由若干個元模型共同定義，成為元模型的高級組合，是接近于應用服務的實例，相應功能較元模型更為豐富；作為元模型的結構化組合，可通過并聯集成、加權集成、串聯集成、嵌套集成、結構網絡化集成、部分方法替代集成等方式將元模型進行組合。單個元模型可被多個模型使用，單個模型也可與多個元模型相關聯。元模型驅動工程總體分為3 層架構，從下至上為代碼塊層M0、元模型層M1、模型層M2（見圖1）。

圖1 元模型驅動工程三層架構

元模型是面向對象的，將特定功能相關的代碼組織成一個整體，從更高層次進行系統建模，更貼近事物的自然運行模式。元模型作為模型的細粒度表現，本質上仍是模型的存在形式，與模型擁有相同的適用范圍、結構形式、方法集合等屬性；通過代碼抽象和模型解耦，以適中的復雜度對工業知識進行沉淀與固化。每個元模型可由三元組進行表示，元模型就是包含該三元組且不可再細分的模型單元；模型則可描述為一組元模型的有機組合。

元模型是具備復雜功能的獨立智能單元，從元模型驅動工程、工業互聯網環境下的軟件開發及應用角度看，主要特點如下。①可復用。元模型被構建為標準化、通用化的可重用構件，在不同應用中保持一致性。可復用的元模型具有良好的適應性，可以提高模型開發與應用效率，降低開發成本，改善系統可維護性。②互操作。不同開發語言和開發環境下開發的元模型，可相互連接并無障礙地進行數據交換，多個元模型的互操作形成了模型服務。③跨平臺。元模型可在不同語言環境、不同操作系統、不同硬件配置、不同工業互聯網平臺下直接運行，無需修改原始文件或代碼；相比原生開發，基于跨平臺元模型的服務開發具有成本低、周期短、難度小等優勢。

（二）有色金屬工業元模型建模范式

有色冶金知識專業性強、跨領域差異大，建模過程對知識理解程度及描述手段的差異性往往導致元模型質量參差不齊。為保證元模型的整體一致性、提升元模型建模效率與質量，需要流程化、標準化的元建模范式作為方法論指導。本研究提出了基于MODELING架構的有色冶金元模型建模方法，通過“層次開發-迭代優化”構建對象抽象化、描述具象化、應用軟件化的元模型。

有色冶金元模型MODELING 建模方法包括建模對象、功能定義、表達形式、邏輯接口、標準化編碼、逐步優化。①在建模之初，確定建模對象（如流程、工序、設備等），對元模型功能進行詳細定義，明確建模目的（如決策、控制、診斷等）；②結合建模對象和功能方面累積的經驗知識，以機理描述或數據描述等多種形式對元模型進行準確表達（如數學公式、網絡結構、流程規則等），從建模對象抽象出用于信息交互的邏輯接口（輸入、輸出、形參）；③采用多種編程語言，依照元模型功能及接口進行標準化編碼，完成元模型的數字化描述和軟件化實現；④依據元模型測試結果及用戶評價，逐步優化并迭代更新，提升元模型成熟度。

在MODELING 建模方法中，元模型可通過多種形式進行具體描述。通過各種表現形式的編碼與封裝，形成具有標準化接口的通用元模型。例如，有色冶金過程中的物質轉化、反應動力學、場相變化等工藝機理，可用化學反應方程式、差分方程等形式進行建模；趨勢分析、參數設定等操作經驗和最佳實踐，可用專家規則、模糊函數、Petri網等形式進行具象化表示以形成知識元模型；AI方法可用神經網絡、樹結構等進行表示。

以鋅冶煉除鈷過程的反應機理建模為例，闡述MODELING 建模方法的應用過程。將鋅冶煉除鈷過程的反應機理作為建模對象，旨在揭示鋅冶煉除鈷過程中的關鍵指標隨時間、操作參數變化的動態特性。基于鋅冶煉工藝知識、物料平衡、生產數據、物化性質等先驗知識，結合過程關鍵變量，構建由動力學、熱力學、反應類型、反應步驟、具體反應組成的鋅冶煉除鈷過程反應機理表達形式；通過機理與數據結合的建模方法，確定除鈷過程的反應動力學及具體參數；以軟件化手段對反應機理元模型進行編碼和封裝，形成工業機理元模型實體，通過元模型調用和應用效果對該元模型進行反饋更新。

四、有色金屬工業智能模型庫構建技術

（一）基于工業互聯網的智能模型庫架構

工業互聯網作為連接裝置/設備、物料、人、信息系統的基礎網絡，實現工業數據的全面感知、動態傳輸、實時分析，支撐科學決策與智能控制，是智能制造的關鍵基礎設施[23]。在基于工業互聯網的有色金屬工業智能模型庫總體架構中（見圖2），工業互聯網IaaS層中各項基礎設施為模型庫的構建提供豐富資源，同時將不同來源的數據進行廣泛采集與匯聚存儲，為元模型的開發與測試應用提供“原料”；PaaS 層中具有可擴展的開放式云操作系統，基于通用PaaS、工業大數據系統等形成面向應用的工業云中間件和微服務，以多樣化、可兼容的平臺環境為模型庫提供服務支撐；SaaS層中的微服務和工業應用開發工具，可快速構建定制化的工業APP，形成滿足不同行業及場景的應用服務，解決工業實踐和應用創新需求，為元模型的便捷調用提供便利途徑。將有色金屬工業智能模型庫中的元模型集成開發平臺、綜合管理平臺、開發者社區以及各項元模型統一部署在工業互聯網PaaS層，為各類工業APP應用提供核心技術基礎。

圖2 基于工業互聯網的有色金屬工業智能模型庫架構

基于工業互聯網的有色金屬工業智能模型庫總體技術路線如圖3所示。在底層數據層，對生產過程中的海量數據進行動態采集、實時流計算、加載抽取及分布式存儲，以Java 數據庫連接（JDBC）、開放數據庫互連（ODBC）等標準接口的形式提供數據庫訪問能力。對于集成開發環境，通過JSONRPC、Docker、WebSocket 等技術，將各種語言的編譯環境與JupyterLab 適配整合，構建支持C++、Java、Python 等多類型編程語言的集成開發環境，實現多語言、交互式的元模型代碼建模。同時，基于Docker、Kubernetes、Render 等技術構建圖形化開發環境，實現元模型的組態式操作、原子化交互，對各元模型進行“拖拉拽”連接即可快速開發智能服務。

圖3 基于工業互聯網的有色金屬工業智能模型庫技術路線

在元模型全生命周期綜合管理平臺中，基于“五層兩維”有色冶金元模型分類體系，利用非關系型圖數據庫Neo4j構建有色冶金元模型知識圖譜，通過知識抽取、知識融合、語義理解等，實現元模型的快速精準搜索與智能推薦。對于模型庫中數字化、標準化的元模型，針對在線使用場景，將其實例化封裝成RESTful應用程序編程接口（API），支持curl、Python、Scala 等多方式靈活調用；針對離線使用場景，則封裝成PMML格式文件，實現多場景跨域使用。在應用服務層各類瀏覽器/服務器模式（B/S）、服務器/客戶機（C/S）架構應用中，“即插即用”的元模型調用方式可提升工業APP 的開發效率并改善系統的可維護性。

（二）多語言融合的模型集成敏捷開發環境

1.多語言融合的元模型集成開發環境

考慮元模型開發語言、開發工具、開發環境的差異性，提出了多語言融合的元模型集成開發環境構建框架。用戶可根據開發需求自由切換編譯環境，實現多語言協同下交互式的元模型代碼開發。在底層，利用Docker 技術分別為C++、Python、Java等語言構建虛擬編譯環境；各環境相互獨立并采用并行操作模式，消除不同環境之間的耦合干擾，有利于提升計算資源利用效率。在前端，利用JupyterLab 將各種語言的內核鏡像進行適配，通過WebSocket、Bridge、JSON-RPC 等技術完成前端編碼界面與后端編譯內核之間的消息傳遞，實現多語言代碼的在線運行與結果實時反饋[24]。

2.圖形化、組態式模型敏捷開發環境

為合理降低模型開發門檻、提升模型開發效率，發展了圖形化、組態式模型敏捷開發環境。將代碼編程的單個元模型封裝為獨立鏡像，以標準化服務的形式發布并供外部調用。用戶在該開發環境下可快速定制所需的個性化模型。在圖形化、組態式界面中，通過對象圖、活動圖等將各元模型封裝為可“拖拉拽”的獨立模塊；各模塊采用熱拔插技術，可直接選取并連接調用。用戶通過拖動模塊選擇所需的元模型，根據應用中元模型的邏輯關系進行輸入/輸出關系連線，以可視化組態的形式快速完成模型開發。在執行過程中，元模型根據連線的邏輯關系進行數據流傳輸，按此順序依次調用對應的服務，服務又與底層算子鏡像相連。當調用某個元模型時，通過服務將計算任務下發至底層鏡像，待計算完成后上傳至圖形化界面，將結果傳遞至下一元模型。特別地，當某個元模型任務執行完畢，與其直接相連的多個元模型可并行化執行，以此顯著提升計算效率。

在圖形化、組態式模型敏捷開發環境中，模型應用者基于已有的基礎元模型，利用知識關聯與邏輯策略對元模型進行圖形化“拖拉拽”和指向性連線；從過去的語句級編程轉變為構件組裝，快速完成不同模型的開發并實現具有復用特征的編程。“流程即代碼”形式很大程度上規避了有色冶金行業人員在計算機編程技能方面的短板，有利于發揮有色冶金行業人員的專業優勢，降低模型開發門檻及成本。

（三）有色冶金元模型封裝方法

在元模型進行代碼編輯及接口定義后，為方便模塊化存儲管理、標準化便捷調用，還需對元模型進行面向對象的封裝，以此隱藏實體內部的細節（僅對外提供訪問接口）；用戶無需知曉功能內部具體實現過程即可直接調用。標準化、模塊化方式簡化了應用編程，有利于提高元模型管理與應用效率、提升系統的可維護性、保護元模型開發者的知識產權。從元模型定義以及開發、管理、應用的全生命周期角度看，元模型封裝需滿足可復用、互操作、跨平臺、標準化、接口兼容、安全性等要求。

所提出的有色冶金元模型封裝架構（見圖4），對元模型進行建模、編碼、接口定義，得到包含明確輸入/輸出/參數的元模型原型，隨后通過標準化封裝獲得元模型屬性及元模型代理。元模型屬性包括編號、名稱、功能、接口、語言等，是對元模型相關信息的具體描述，為元模型管理與調用提供依據。元模型代理作為元模型原型的引用，只對外暴露輸入/輸出接口及有限的參數。調用者無需訪問元模型原型，而是通過元模型代理進行調用。代理模式可保護元模型原型，避免對原對象的代碼或方法進行隨意修改，同時兼顧調用者在元模型代理基礎上自由添加額外功能，顯現出良好的擴展性。

圖4 有色冶金元模型封裝架構

在元模型的調用過程中，部署環境及方式可能存在較大差異。例如，元模型封裝發布后可在平臺內部署、在同一網絡環境中在線調用；亦可采用云端發布、邊緣調用的云邊協同模式，支持網絡互通情況下的在線調用。此外，由于不同企業或同一企業不同地域的網絡限制，元模型發布端與調用端無法實現有效的雙向通信，只能將元模型離線傳輸至調用端進行部署。綜合考慮元模型部署環境的差異性以及元模型封裝的專有要求，提出了面向在線調用、離線調用的有色冶金元模型封裝方法。通過RESTful API 鏈接、PMML 文件形式構建的元模型代理，分別對元模型進行在線封裝和離線封裝，具有良好的獨立性、通用性、復用性、兼容性等，支持異構語言的統一化描述及跨平臺調用。

對于在線調用，元模型在開發云平臺上經代碼編輯與接口定義后，以RESTful API形式封裝為元模型代理對外發布。RESTful API主要包括供調用的連接統一資源定位符（URL）、用于權限認證的令牌（token）[25]。用戶獲得token后與URL進行認證獲得使用權限，在調用模板中接入輸入數據及參數即可獲得元模型的輸出結果。RESTful API基于運行態黑盒復用概念，將元模型本體以URL鏈接的形式供外部調用，對使用者屏蔽了內部實現細節，只保留接口和有限參數，避免了對元模型原型的影響。此外，對使用者的編程語言及資源環境無特殊要求，無需對部署環境進行改造配置，以接口的開放性實現了跨平臺靈活調用；采用結構化格式的消息體對輸入/輸出以平臺規范的格式進行呈現，標準化、開放式的接口方式賦予了元模型的互操作性。

對于離線調用，可將元模型以PMML形式進行封裝，以文件形式來離線推送給使用方[26]。使用方獲得元模型代理PMML 文件后，可用Python、Java等語言進行標準化加載調用。PMML依托統一的XML 格式描述生成的元模型，調用者應用時可用目標環境解析PMML庫加載元模型，可在不同操作系統和應用平臺上運行，具有良好的獨立性、可移植性。

（四）元模型全生命周期綜合管理平臺

元模型全生命周期綜合管理平臺主要包括審核測試、分類管理、發布管理、版本管理、精準搜索、模型下載、性能評價。①審核測試，從專業角度考慮功能性、可靠性等，對開發者上傳的元模型進行質量審核，審核測試通過后可存儲至模型庫供用戶使用。②分類管理，對數量繁多的元模型建立多維度分類體系，依此賦予元模型標簽并進行分類管理。③發布管理，對元模型合理分配計算、內存等資源，選擇性地將待使用元模型上線。④版本管理，結合元模型使用中的迭代更新，對發布的元模型進行滾動升級，構建新鏡像并固化歷史鏡像。⑤精準搜索，用戶結合自身需求并根據類別標簽篩選元模型，也可自行搜索關鍵詞以快速獲得所需元模型。⑥模型下載，針對元模型的在線、離線使用需求，分別以RESTful API、PMML 形式下載元模型。⑦性能評價，元模型的用戶根據使用體驗，對元模型進行數值評分及描述評論，以用戶反饋的持續積累促進元模型質量的不斷優化。從突出重點內容的角度，主要闡述分類、審核評價、搜索方面的研究與進展。

1.有色冶金元模型的分類體系

有色冶金作為典型的流程工業，按照過程層級可分為全流程層、工序層、設備層，各個過程之間存在大量的耦合關系；元模型與元模型之間可以相互嵌套，利用多個元模型的級聯能夠得到新的模型，如多個工序元模型級聯得到全流程模型，多個設備元模型級聯得到工序模型。此外，各層級中的所有元模型都具有相應功能，如生產優化控制、物料配方優化、運行狀態監測等主要的功能域，在每一功能域下又包含具體的功能屬性。基于此，提出了“全流程-單元工序-設備-功能域-功能標簽”的有色冶金元模型多維度分類體系（見圖5）。

圖5 有色冶金元模型分類體系

在“五層兩維”的元模型分類體系中，主要分為過程維度、功能維度：前者根據不同的金屬類別及冶煉過程的物理結構，自頂向下分為“全流程-單元工序-設備”3 個層級；后者包括“功能域-功能標簽”兩個層級，分別從宏觀類別、微觀屬性兩方面描述元模型的功能特點。例如，鋅焙砂可溶鋅率預測元模型屬于鋅冶煉全流程-焙燒工序-焙燒爐設備；通過輸入標溫、鋅精礦化驗值等可預測鋅焙砂可溶鋅率并指導標溫設定值的優化，因此在功能維度屬于生產優化控制-指標預測。通過標準化、結構化的分類體系，將具有相同屬性或特征的元模型進行歸集，所形成的條理清晰、層次鮮明的架構有助于元模型的查詢、識別、管理、調用。

2.有色冶金元模型的審核評價體系

元模型的優劣決定了有色金屬工業智能模型庫的整體質量水平。從開發者角度出發，審查元模型的功能性、可靠性等，測試通過的元模型方可添加至模型庫供用戶使用。從用戶角度出發，評價元模型的成熟度、運行效率等，基于用戶體驗開展元模型的迭代提升。

開發者提交的元模型源代碼、使用說明書、需求說明書等，由系統管理員及行業專家從形式標準、功能/性能等方面進行評判與測試；只有當總體指標評分、特定單項評分均滿足審核標準時，元模型才能存儲至模型庫供用戶使用。多維度的審核體系從源頭保障了模型質量，相關的審核指標主要有功能性、可靠性、健壯性、安全性、易用性、執行效率：功能性通過功能完備性與正確性評估；可靠性描述了元模型在規定時間及條件下完成規定功能的能力，可由平均無故障工作時間來表征；健壯性通過容錯能力和恢復能力定性描述；安全性指遭受惡意攻擊時仍能正確運行且確保軟件在授權范圍合法運行；易用性指使用過程對元模型輸入/輸出及參數的易理解、易學習、易操作；執行效率由多服務并發條件下的時間特征和資源特性進行定量描述。

關于評價，只有具備使用過程和經驗的用戶才能對元模型進行評價，分為用戶評分和用戶評論：前者包括功能完整性、正確性、穩定性、容錯性、易用性，用戶分別對各維度進行數值評分；后者作為定性評價，可直接顯式表達用戶對該模型的意見（如使用感受、改進建議等）。用戶反饋直接體現了元模型在應用階段的實際表現，開發者可根據評價反饋進行模型的迭代優化。

3.基于領域知識圖譜的元模型搜索引擎

有色冶金元模型間關聯性強，隨著元模型數量增加，元模型之間的關聯復雜度呈指數型上升。傳統關系型數據庫搜索時間長、資源負載大，難以滿足數量龐大的有色冶金元模型快速搜索需求。知識圖譜是一種揭示實體間關系的語義網絡，可以清晰明了的關系網絡支持結果快速檢索，據此構建元模型搜索引擎，能夠實現元模型的高效檢索與管理，有助于提升元模型的應用效率。

有色冶金領域知識圖譜構建流程包括本體設計、知識抽取、知識映射、知識融合、知識存儲五部分。①本體設計，采用基于行業專家經驗、自頂向下方式構建本體，輸入有色冶金領域知識、術語詞典、專家經驗等，輸出包括構成知識圖譜的實體類別以及類別之間的關系；采用七步法[27]挖掘有色冶金領域知識，定義元模型的概念本體，形成有色冶金元模型本體庫（見圖6）。②知識抽取，從各類數據源提取用于創建知識圖譜節點的實體、屬性以及實體之間相互關系，采用基于規則的方法進行實體識別和關系抽取，以“實體-關系-實體”三元組形式建立圖狀知識庫，形成本體化知識表達。③知識映射，按照本體的設計組織抽取出實體、屬性、關系，進而形成節點，完成內部知識的統一表示，便于多源知識融合、知識圖譜應用推理。④知識融合，整合獲得的新知識，消除矛盾和歧義，通過指代消解、實體消歧、實體鏈接等方式融合各類知識。⑤ 知識存儲，圖數據庫作為非關系型數據庫，可存儲實體與實體間關系，節點、邊、屬性等基本組成要素與知識構件中的實體、關系、屬性相對應；以圖數據庫Neo4j[28]為介質完成知識存儲，顯著改善關聯查詢的效率。

圖6 有色冶金元模型本體庫

基于領域知識圖譜的元模型搜索過程為：①針對用戶所選標簽或輸入的查詢文本，通過語義理解提取標簽或查詢文本中的屬性和關系；②基于Neo4j 圖數據庫的Cypher 查詢語言，利用相關屬性和關系自動生成圖數據庫查詢語句；③根據查詢語句搜索得到知識圖譜中的元模型編號，依此索引獲取庫中的元模型，從而返回搜索結果。用戶搜索所需元模型的方式主要是標簽選擇、關鍵詞搜索：前者主要依賴模型關聯節點的分類查詢，即以元模型本體節點為起點，以所選工序、功能域、功能標簽節點為終點，通過Neo4j圖數據庫的Cypher查詢語言檢索出指向該標簽節點的全部元模型節點；后者基于Neo4j圖數據庫中的Cypher查詢語言，將元模型屬性的關鍵字自動轉換為Match查詢語句中的查詢條件，輸出屬性值符合查詢條件的元模型節點。

五、有色金屬工業智能模型庫及其應用案例

（一）有色金屬工業智能模型庫

基于上述元模型、模型庫的構建技術，本研究在服務器集群上搭建了具有工業互聯網架構特征的有色金屬工業智能模型庫；在多語言融合的元模型集成敏捷開發環境下，對有色冶金工藝機理、經驗知識、數據模型、AI 方法等進行沉淀（見圖7）。為充分滿足元模型開發、測試、運行、發布、管理等需求，智能模型庫的物理運行環境配置了高性能的中央處理器/存儲系統/圖形處理器。

圖7 有色金屬工業智能模型庫

有色金屬工業智能模型庫重點面向銅、鋁、鉛、鋅等有色金屬的生產過程，涵蓋設備、工序、全流程、通用、優化算法5個大類的25個子類，目前已有元模型1251個。圍繞有色冶金生產過程中的裝備智能監控、原料供應鏈優化等迫切需求，制定了相應的解決方案并在有色冶金重點企業中進行應用，在有效提升行業智能化水平的同時，創造了可觀的經濟效益。

（二）應用方案之一——鋅冶煉焙燒爐智能監控

焙燒爐是鋅冶煉過程的大型裝備，運行狀態對冶煉過程的下游工序乃至全流程的穩定運行至關重要[29]；工況識別與運行優化是保證焙燒爐長周期安全、穩定、高效運行的關鍵。由于焙燒爐體積龐大、結構復雜、子系統關聯耦合強、多采樣率運行數據及化驗數據嚴重不平衡等問題，導致相關裝備的運行狀態監測與優化控制較為困難。在當前依賴人工的運維服務模式下，裝備運行效率低、異常狀態頻發、溫度波動范圍大、長周期穩定運行困難。

針對這一工程難題開發了系列應用，調用了模型庫中的焙燒爐流化速度計算模型、焙燒爐故障判別模型、焙燒爐標溫設定模型、焙燒爐運行工況分類模型、重構誤差控制限計算模型、誤差觸發更新模型等元模型，形成了鋅冶煉焙燒爐智能監控解決方案，實現了運行狀態自主評估、多層級設備故障診斷、運行溫度穩定控制等功能。以焙燒爐運行溫度實時穩定控制為例，按照業務邏輯，對入料總顯熱、煙氣顯熱、機理模型下進料量控制、溫度趨勢提取分析、模糊規則控制算法等元模型進行“拖拉拽”連接，快速構成機理與數據聯合驅動的焙燒爐溫度實時穩定控制模型；應用服務以API形式進行封裝發布，供B/S、C/S等架構下的應用調用。除了對元模型組態式操作構建模型服務外，單個元模型也能以API或PMML形式供各項應用系統的調用。

基于鋅冶煉焙燒爐智能監控相關元模型，構建了包含系列應用在內的解決方案，在鉛鋅冶煉企業進行了工程應用（見圖8），顯著降低了焙燒爐的生產故障率，提升了溫度控制精度，實現了長周期穩定運行。

圖8 鋅冶煉焙燒爐智能監控解決方案

（三）應用方案之二——鋅冶煉企業原料供應鏈優化

鋅精礦是鋅冶煉過程的重要原料，采購供應及調配協同直接影響企業的生產運營。一方面，原料鋅精礦的年采購成本達數十億元，占生產總成本70%左右，資金占用率高[30]；每降低1%的采購成本，將為企業增加5%～10%的利潤。另一方面，鋅冶煉是連續性生產過程，因斷料恢復成本高昂而要求原料的持續供應；配料作為鋅冶煉過程的第一道工序，原料配混質量將直接影響后續生產工序的運行穩定及成品質量。由于原料市場價格波動劇烈、供應商量大質異，人工決策的主觀性強、缺乏合理信息反饋，往往導致原料庫存占用高、采購成本居高不下、原料雜質含量超標等情況的發生。

針對鋅冶煉企業原料供應鏈中的上述問題，依托智能模型庫中的相關元模型，構建了原料供應鏈優化解決方案（見圖9）；采用的元模型有配料過程金屬平衡、鋅精礦安全庫存設定、鋅精礦供應商多維度評價、鋅精礦多金屬綜合計價、鋅精礦訂單分配等。在應用原料供應鏈優化解決方案后，實現了從原料采購到物料配比在內的全流程一體化優化，以物料供貨質量及配料質量提升、后續工序穩定高效生產支持企業生產成本的顯著改善。

圖9 原料供應鏈優化解決方案

六、結語

有色金屬工業在我國經濟社會發展中占據重要地位，工業軟件是有色金屬工業高質量發展的創新動力。本文應工業知識自動化、軟件化的現實需求，從有色金屬工業模型開發利用的現實困境出發，提出了有色冶金元模型建模封裝理論體系、基于工業互聯網的有色金屬工業智能模型庫架構，構建了多語言融合的模型集成敏捷開發環境、元模型全生命周期綜合管理體系。有色冶金典型場景的實際案例分析表明，有色金屬工業智能模型庫在實際應用中發揮了提升行業智能化水平的預期作用，為有色金屬工業強國建設提供了創新技術支撐。

有色金屬工業知識復雜多樣、生產過程動態多變，未來在知識發現、模型自學習等方面仍需深入探索。①隱性知識深度挖掘與顯性表征。有色冶金的工藝機理、智能方法等顯性知識可相對容易地沉淀為元模型，但知識型工作者的訣竅、直覺等隱性知識難以準確獲取，相關內容有待深入研究。②復雜動態環境下的模型自適應在線更新。現有模型多為固定結構，對于復雜多變、動態不確定強的有色金屬生產過程適應性不佳；需研究模型自適應在線更新方法，通過模型自學習來建立自洽、自治的軟件系統。相關問題的研究突破，將進一步提升色金屬工業模型庫的智能化水平，促進新技術、新思維、新業態的穩健發展。