智能决策系统

智能决策系统（精选11篇）

智能决策系统 篇1

摘要：介绍泰安在线智能调度决策系统及其功能。

关键词：智能调度,故障分析,辅助决策,操作校核

0 引言

国民经济和电网互联的发展,对电力系统运行的可靠性和经济性提出了更高的要求,使调度人员面临巨大挑战:一方面,电网规模不断扩大,结构越来越复杂,运行方式灵活多变,多重故障、连锁故障造成的后果日益严重,在这种复杂的环境下,确保系统安全运行变得越来越困难;另一方面,随着电力市场化改革的推进,以及对节能降耗、环境保护的重视,电网调度部门在承担传统的调度任务以外,还增加许多与电力交易、节能环保相关的工作,其在运行中承担的角色和任务变得更加复杂和繁重。

泰安电网智能调度系统集电网智能监视、故障分析、辅助决策、电网操作校核、电网分析、高性能计算和可视化展示功能于一体,主要目的在于帮助调度员监视电网运行状态,对当前运行的电网进行分析,对调度员的操作进行验证,对电网发生的故障进行分析和判断并提供一定的负荷转供策略,最终减轻调度员的工作压力,提高电网调度的安全性和经济性。

1 电网状态智能化分析及其结果的可视化展示

泰安在线智能调度决策系统提供诸多类数据的监视与统计,包括变压器力率、母线电压、线路负载率、线路有功、变压器负载率,以及电网N-1分析监视、电压稳定分析监视、电气量越限监视、短路容量扫描,并应用可视化展示平台提供监视数据直观展示和醒目的提示信息,帮助调度员及时有效地了解当前电网各项数据状态,以实现对电网调度的安全监控。

系统的三维可视化展示平台,采用Qt进行界面编程,使用Qt提供的OpenGL封装类进行OpenGL设计和开发。使用OpenGL技术使本系统的可视化功能可以运行在任何硬件和操作系统平台之上。

1.1 变压器负载率和力率监视

在三维可视化界面中增加变压器力率或负载率监视主题,用220kV电网潮流图为背景,以三维圆柱的方式展示。界面根据设定限值变化颜色,在接近限值或是越限时颜色变化,以醒目提示。

系统提供对变压器力率和负载率的底色渲染。图形底色会根据变压器力率或负载率越限区域而变化,使调度员对整体的变压器力率和负载率情况有更直观的认识。

1.2 母线电压监视

在可视化界面上增加母线电压监视主题,用220kV电网潮流图为背景,以双向标尺的形式展示。界面根据设定限值变化颜色。系统提供对母线电压的底色渲染。

1.3 线路负载率和线路有功监视

在可视化界面上增加线路监视主题,与线路有功监视共同构成线路监视主题,用220kV电网潮流图为背景,以圆饼的方式展示。界面根据设定限值变化颜色,提供对线路负载率的底色渲染。

在可视化界面上增加线路监视主题,与线路负载率监视共同构成线路监视主题,用220kV电网潮流图为背景,以流水线的方式展示。根据设定限值变化颜色,在接近限值或越限时流水线三角形箭头大小和颜色变化以醒目提示。流水线可以启动或停止动画,以控制流水线是否流动。流水线流动的方向标识潮流的方向。通过流水线和三角形箭头大小,调度员能够一目了然地获知潮流的流动方向和负载轻重。

1.4 越限事项监视

系统提供越限事项展示对话框,展示当前电网越限的遥测事项,包括线路负载率、变压器负载率、变压器力率、母线电压的越限信息。点击事项可以察看具体的越限信息,并包括当前值。

系统提供母线电压异常告警功能,针对母线电压分析三相电压,判断母线是否接地,给出可靠的母线接地信息提示,提出告警事项,并提供对历史告警信息的查询。凭借规则化的电网监视扫描系统,结合负荷水平、温度、季节等信息动态调整监视限值,确保电网的安全经济运行。

1.5 电网N-1分析监视

在线智能调度决策系统周期性地对电网进行安全分析计算,不仅可以计算设备故障对电压、潮流的影响,而且可以得到设备故障对重要用户的影响,另外考虑到同塔架设的两条线路同时发生故障的可能性大,可以对同塔双回线路进行N-2扫描,扫描周期可以人工设定。在可视化界面上增加N-1分析监视主题,用地理电网潮流图为背景,以三维圆柱的方式展示。N-1扫描结果分值越高,说明设备故障的后果越严重,三维圆柱的高度越高。

N-1的展示界面分概览场景和详细场景。概览场景描述了所扫描的设备,以圆柱表示,并且可以根据关注度的不同,在220kV概览场景、110kV概览场景和全概览场景之间进行切换。双击圆柱可进行该圆柱所表示设备的详细场景。详细场景描述该设备所引起的故障信息,以圆锥表示,圆锥的个数表示故障设备影响的设备或者厂站的个数。

1.6 电压稳定分析监视

定时对电网所有母线进行基于循环潮流法的电压稳定分析计算,扫描周期可以人工设定。在可视化界面上增加电压分析监视主题,用地理电网潮流图为背景,以地理区域划分,分别展示泰安市区、宁阳、东平、新泰、肥城5个区域变电站中具有最小负荷裕度的母线负荷裕度信息,以三维圆柱的方式展示母线的负荷裕度。

电压稳定分析主题的界面支持右键菜单,提供对电压稳定分析结果的详细数据查询。

1.7 系统短路容量扫描

以当前电网运行方式作为断面,周期进行电网的三相和单相短路电流扫描计算,计算母线设备故障的短路容量,与开关的遮断容量和最大方式短路容量进行比较,如果接近或者超过短路母线连接开关的遮断容量,进行报警。扫描结果可以在可视化平台上进行展示,把开关遮断容量、最大方式短路容量和当前方式短路容量的大小关系用不同颜色嵌套的圆柱表示出来。

1.8 无功分布展示

电力无功潮流分布是否合理,不仅关系到电力系统向电力用户提供电能质量的优劣,而且还影响到自身运行的安全性和经济性。若无功电源容量不足,系统运行电压将难以保证。电网容量增加,对电网无功要求也与日增加,网络的功率因数和电压的降低会使电器设备得不到充分利用,降低网络传输能力,并引起损耗增加。

针对潮流计算的结果进行系统无功分布的分析统计,得到各厂站的无功产生、消耗和厂站间无功传输的数据,分析当前电网的无功传输与无功补偿的状态,确定电网的无功分布。采用可视化的展示手段,通过三维可视化展示平台提供的三维圆柱与飘带功能,使调度员和运行人员全面直观地了解当前电网无功状态和分布的统计结果。

2 故障识别与分析

不断分析EMS产生的开关变位事项、保护动作事项以及实时的电网运行方式,根据EMS中保护配置信息和设备的对应关系以及相邻元件保护的配合关系,利用petri网故障诊断模型,实现故障设备的自动定位,并在三维可视化展示平台中提供故障信息展示窗口以展示当前故障对应的保护信息和量测信息,并作为事故分析辅助决策功能的输入。

系统可以根据故障定位的结果,分析引起故障的可能原因,根据故障前后电网设备带电状态的变化分析故障引起的失电范围。故障定位完成之后,与调度运行辅助决策模块进行通信,得到该事故下的事故处理方案,并且在故障信息展示窗口中进行事故处理方案的展示。

系统具备了故障识别与分析功能,能够使调度员迅速定位故障发生的原因,缩短事故处理的时间。

3 调度运行辅助决策

电网辅助决策功能是在电网出现一些特殊情况时进行辅助决策分析。电网的特殊状况包括监视量达到或超过预警限值和电网故障。辅助决策分析针对处理的情况提供合理的解决方案,支持人工输入预案和自动分析推出方案。当电网出现越限时,此模块能够使电网从紧急状态回复到正常状态,当电网发生故障时,能够提供快速的事故处理方案,缩短事故停电时间。

3.1 基于专家库的人工预案

人工方式将事先指定的预案输入专家库系统,在电网出现变压器过载、母线电压告警等越限报警事项时,自动匹配寻找合适预案,并根据当前电网方式进行校核,把满足条件的方案提示给调度员,如果方案有多种,则按照方案执行效果排序后提供给调度员。

3.2 针对过载预警的辅助决策

电网出现变压器过载及线路过载时,辅助决策系统接收系统预警的该类事项,根据电网的实时运行方式和数据,结合全网灵敏度扫描结果,最终给出以线路投退为基本操作手段的负荷转移或切负荷的方案,以消除越限和预警事项。

切负荷时提供重要用户、高危用户及拉路序列的判断,优先切除负荷等级低的负荷,并且提示哪些站需要拉掉多少负荷。

4 序列化操作和操作安全校核

智能调度系统将设备的程序化操作和智能操作有机的结合在一起,通过对操作对象的点选智能生成设备的操作序列,并根据对象间的防误操作顺序,程序化进行批次遥控操作。其间的每个步骤都严格按照五防要求进行校验,在程序化操作系统中各个步骤之间相互关联,上步操作没完成时下步操作不能进行。

在能量管理系统中增加专用的校核功能,在部件操作菜单中添加操作安全校核触发功能;提供针对开关和刀闸的合转分、分转合及多步校核功能;在实时环境下可以实现调度防误、潮流计算等基本功能。

4.1 五防校核

通过开关、刀闸等设备的拓扑连接关系,进行拓扑分析,提供针对基本五防的操作验证,给出校验结果,供调度员参考。实现的五防校核主要针对五防中的“防止误分、合断路器”、“防止带负荷分、合隔离开关”、“防止带电挂(合)接地线(接地开关)”、“防止带地线送电”等4种防误验证。

4.2 拓扑校核

通过开关、刀闸等设备的拓扑连接关系对调度员的操作进行拓扑校验,主要校验解环、合环、解列、并列、倒闸的操作顺序、失电提示等方面,对操作产生的风险提示给调度员进行参考。

4.3 潮流校核

在对操作进行五防和拓扑校核后,提供对操作后潮流断面的校核。主要针对操作后的潮流断面进行越限信息的判断和筛选,并对重要的、越限率较大的设备给出提示,供调度员参考。

4.4 N-1分析

针对基于Rocks的高性能计算集群环境,开发支持并行计算的N-1分析程序,对操作后的数据断面进行准实时的N-1分析校核,提供N-1分析的结果,得到操作后的系统运行危险点,供调度员参考。使用高性能计算平台能够使耗时分钟级的N-1扫描,能够在秒级的时间内完成,达到准实时N-1计算的效果。

4.5 多步校核

支持对多步操作的校核,即操作序列校核。在多步校核过程中提供每一步的五防、拓扑校验结果及潮流校验结果供调度员参考。在所有的操作执行完成后同时进行准实时的N-1分析计算,并提供N-1分析的结果,供调度员参考。

5 结语

智能分析与辅助决策是对现有的能量管理系统功能的扩展,该应用利用电网运行信息帮助调度相关人员进行分析和决策,使电网调度由目前的“人工分析型”上升为“自动智能型”。系统可有效提高调度运行人员驾驭电网的能力,保障系统安全,缩短事故处理时间,提高供电可靠性。

参考文献

[1]陈珩.电力系统稳态分析(第二版)[M].北京:水利电力出版社,1995

[2]于尔铿.能量管理系统[M].北京:科学出版社,1997

[3]王毅.智能电网故障辨识系统设计研究[J].华东电力,2009

[4]吴琼.智能型电网调度决策支持系统的开发与实现[J].电力系统自动化,2006

[5]姚建国.中国特色智能调度的实践与展望[J].电力系统自动化,2009,33(17):16-20

[6]任慧.基于编码Petri网的电网故障诊断[J].电网技术,2004

[7]李倩.电网可视化技术及其在N-1静态安全分析中的应用[J].电网技术,2009

[8]王文林.新型调度操作票防误系统的研究与应用[J].电力安全技术,2006,8(10)

智能决策系统 篇2

摘 要：随着电力企业向市场化迈进，供电设备的检修工作，由状态检修代替定期检修是必然的。采用人工智能的思想设计了供电设备状态检修决策支持系统。该系统具有供电设备状态评估、故障诊断、检修决策、制定检修计划、自学习和企业网站检修信息发布功能。并且重点介绍了故障诊断的两个诊断模块：基于专家系统的单一诊断模块和基于人工神经网络的综合诊断模块。

关键词：[HTSS]供电设备；状态检修；专家系统；人工神经元网络

状态检修方式以设备当前的实际工作状况为依据，它通过先进的状态监测和诊断手段、可靠性评价手段以及寿命预测手段，判断设备的状态，识别故障的早期征兆，对故障部位其及严重程度、故障发展趋势做出判断，并根据分析诊断结果，在设备性能下降到一定程度或故障将要发生之前主动实施维修［1］。它为电气设备安全、稳定、长周期、全性能、优质运行提供了可靠的技术和管理保障。

作到状态检修的关键是对设备状态的判断，不仅要识别已经发生的故障，而且预测未来可能发生的故障。解决这些问题，一些常规的计算程序和分析程序无能为力或不够有效。因为在这些问题中，人类专家的经验起着主导作用。因此，专家系统技术已经运用到电力设备状态检修中，特别是发电设备的状态检修。而专家系统技术用于供电设备的状态检修还不多见。原因在于供电设备的状态检修起步比较晚，这与早年实行“重发轻供不管用”的政策有关。当前电力企业深化改革，以利润为中心，实行内部模拟电力市场，促使供电企业努力提高供电可靠率和检修的经济性。因此供电设备的状态检修势在必行。

状态检修能够使检修和管理效率提高，设备大修间隔延长和小修频率降低，杜绝不足维修和过剩维修，减少重大事故的发生，提高了设备的可用系数，从而降低了企业经营成本。

1、配电设备状态检修决策支持系统的总体结构

随着传感技术、微电子、数字信号处理和计算机网络技术在状态监测中的应用，使状态检修成为可能。而人工神经网络、专家系统、模糊集理论等综合智能技术在状态识别和故障诊断中的应用，使状态检修得以实现［2，3］。

本系统根据在线和离线监测诊断数据、设备寿命预测数据、可靠性评价数据、设计参数、检修历史数据、同类设备统计数据等进行综合分析，并利用状态评价准

则体系对设备状态变化趋势进行预测，运用决策模型给出检修什么和何时检修的建议，并制定检修计划，发布到企业网站。总体结构如图1所示。

1.1设备综合管理模块

状态检修需要大量描述设备状态及其演变过程的准确数据，即要有足够的信息用于分析与决策，这就是设备数据综合管理。该模块管理、存储所有设备资产清单，设备台帐图纸、设备设计数据、设备安装状况及系统图、维修历史数据、设备变更与维修记录、设备状态监测与诊断数据、事故及异常记录、测点设置、设备可靠性状态统计分析数据等等。

1.2智能化诊断模块

该模块用专家系统与人工神经元网络结合的方法实现。既能对单一试验数据进行故障诊断，也能对多种试验数据进行综合诊断。单一诊断用产生式专家系统，将规程规定和专家知识存储在知识库，可以随时更新、修改。综合诊断用人工神经元BP网络。功能模块之间用状态驱动。每一个层次的数据可以维护、查询，有利于程序的模块化设计［4，5］。

1.3检修决策模块

对单一设备，根据不同运行方式和检修方式，运用技术经济分析方法，对检修费用、效益进行评估，给出对该设备来说最佳检修时间、检修措施和检修项目，并形成检修决策报告。

1.4编制检修计划模块

状态检修并不排斥检修计划的作用，恰恰相反，状态检修体制还要利用一些先进的技术手段来动态地制订和优化供电设备检修计划，以充分发挥检修计划的指导作用。在状态检修体制下，面对众多需要检修的设备，检修计划的编制根据检修决策的结果，负荷预测、趋势分析、动态规则等手段考虑配网的运行方式、供电可靠性、经济性等要求，使检修计划既具有可行性，又具有科学性和经济性。

1.5企业网站检修信息发布模块

将排定的检修计划发布在供电企业网站上，供生产单位执行，也为用户提供了检修信息，大用户据此安排生产，减少供电设备检修带来的损失。这能提供服务质量，增加供电工作的透明度。

2、基于专家系统的单一诊断模块

2.1单一诊断功能

单一诊断是指对一种检测方法所取得的数据进行处理和判断，得出故障征兆或有关设备状态的初步结论。这些检测方法指：油中气体色谱检测、绕组直流电阻检测、绝缘电阻及吸收比、极化指数检测、绝缘介质损耗检测、油质检测和绝缘老化的检测等等。检测的数据与规程比、与历史比、与同类设备比，并考虑当前系统的运行状况，将这些知识保存在专家系统的规则库中。

通过各种方法检测到的数据，或通过检测数据计算出的数据，并不能说明当前设备的状况，只有与标准值比较，才能得到设备可能故障的征兆。如在变压器预防性试验中，绕组直流电阻MVA以下的变压器，相间差别是5%，与规程比较，规程规定一般不超过4%，所以得出绕组直流电阻相间差别过高的征兆。

单一诊断是对单项试验数据进行诊断。该方法简单、宜于实现，有时可直接定位故障。但更多时给的结论不够清晰，或结论片面。因此，该过程可以看作综合诊断的前期数据处理［6］。

单一诊断的结果可能有四种：

1）明确定位故障；

2）参数正常，不存在与此参数有关的故障；

3）不确定故障是否存在；

4）故障确实存在，但不能定位。后两种情况给出的结果不明确，需要更多的信息进行明确判断，由综合诊断来完成。但单一诊断的所有诊断结果都送到综合数据库里。在综合诊断中，对四种结论的处理各不相同。

单一诊断的过程是：

（1）数据采集：采集定期或不定期的试验数据；

（2）参数计算：有些参数据不能直接测得，需要用试验数据计算得到。

（3）参数换算：有时要把试验数据或参数换算成某一环境下的数据；

（4）数据比较：试验数据或换算后的数据与规程规定的标准试验数据比较，与设备原始数据比较；

（5）得出结论：单一诊断的结论是上述的四种结论。如果不需综合诊断，则可以直接生成诊断报告。

2.2专家系统各模块的功能

单一诊断功能由专家系统实现，该专家系统的模块如下：

（1）数据库：数据来源于设备综合管理模块。该库需要的数据有：设备工况数据，设备设计参数，设备缺陷与检修历史数据，事故记录，同类设备统计数据；

（2）知识库：该库包括故障诊断知识和设备状态预测知识。包含有设备的有关标准、规程、导则和有关设备性能指标的资料，以及收集的国内外诸多专家分析判断设备故障的权威经验，用产生式知识表示法表示知识；

（3）推理机：能进行故障诊断和设备状态预测，并设置监控预警功能，发现设备缺陷，向运行值班和检修负责人发出警报。考虑到供电设备故障的特点：有时是一种故障引起多个征兆；有时是一种征兆是由多个故障引起的，因此推理方式采用混合推理；

（4）学习机：随着标准、规程及导则中有关内容的变化，经验不断积累和增加。诊断知识库要随时扩充、修改、更新，增强专家系统的诊断、决策能力。因此，要求学习机有很强的自学习功能。自学习包括三个方面的内容：

①就诊断对象的功能状态去识别系统未曾掌握的征兆，并形成新的知识；②有新的设备时，能够学习新设备的故障征兆和判断设备状态的规则；③对知识的自行校正，如一致性检验、冗余检验等。

3、基于神经元网络的综合诊断模块

神经网络是对人脑神经系统的数学模拟，其目的是学习和模仿人脑的信息处理方式。神经网络把知识变成网络的权值和阀值，并分布存储在整个神经网络之中。在确定了神经网络的结构参数、神经元特性和学习算法之后，神经网络的知识表达是与它的知识获取过程同时进行、同时完成的。当训练结束时，神经网络系统所获取的知识就表达为网络权值矩阵和阀值矩阵。神经网络具有知识容量大，处理的问题范围广，推理速度快等优势。所以综合诊断是运用人工神经元网络在故障征兆与故障位置之间建立起数学模型，将综合诊断知识存储在网络的权值和阀值里。采用

BP网络进行模型。故障征兆是输入层的X1，X2，X3，XL；输出层的Y1，Y2，Y3，YN是具体的故障。这里的故障征兆就是单一诊断的结论。

4、结束语

供电设备状态检修决策支持系统中设备状态诊断是关键，不仅能对已经发生的故障做出诊断，还能对将要发生的故障进行预测，这样才能根据状态进行检修。自学习功能，增加了该系统的灵活性，随着经验的积累，知识库的日益丰富，状态诊断的可靠性将日益提高。

状态检修离不开状态检测技术，供电设备的状态监测已经有许多的方法，如直流电阻测量，油色谱分析，绝缘性能测试，远红外测温，有载调压开关特性测试等。随着这些监测手段的日益完善，监测点逐渐增多，监测设备的功能强大，通过先进的通讯手段和计算机网络化管理，状态检修系统就更为健全。

从电力行业发展看，供电设备状态检修代替定期检修是必然的，但要有一段很长的过渡过程，在这期间，可能两种检修方式并存。做到真正的状态检修，仅有技术支持系统是不够的，还需要管理工作的配合、加强检修人员的培训等。参考文献

［1］杨叔子，郑晓军。人工职能与诊断专家系统［M］。西安交通大学出版社，1990.

［2］许婧，王晶，高峰，束洪春。电力设备状态检修技术研究综述［J］。电网技术，2000（8）。

［3］白建青。供电设备从定期维修制向状态检修制过渡［J］。青海电力，1998

（4）。

［4］尤钟晓，卢章辉，岑文辉。面向对象的电力系统调度操作专家系统［J］。电力系统自动化，1999（1）。

［5］邵胜利。开展状态检修实现可靠性和经济性相统一［J］。电力建设，1999

（3）。

智能决策系统 篇3

关键词：物联网；智慧企业；生产监控；云服务平台

智慧企业是现代企业信息化发展的新阶段。是将先进的自动控制、通信、计算机、信息和现代管理等技术相结合，将生产过程的控制、运行与管理作为一个整体，以实现企业的优化运行、控制与管理。利用物联网对物体全面感知的能力，对企业内的人、设备、环境全面感知。运用云计算等技术将自主感知和人工采集的数据进行运算处理，从而为企业的安全生产提供保证，为企业的科学决策提供支持。

一、智慧企业总体设计

物联网是典型的以应用为驱动的网络技术，通过传感技术、无线网络技术、云计算等技术将各种数据进行集成和分析实现生产过程的智能控制，才是运用物联网技术的核心。由于综合自动化及数字化企业在我国企业中已经有了众多的实际应用，综合自动化的监控系统、基础网络建设等相对成熟。因此，智慧企业的建设是建立在已有数字化建设的基础上，要充分运用原有系统和数据，将老系统和新技术有机结合，才能真正发挥智慧企业的作用。运用物联网技术的智慧企业体系结构分为感知层、传输层和应用层。

感知层通过传感器、RFID标签、摄像头等数据采集设备随时随地进行数据采集和获取。传输层是利用工业以太网、移动通讯网和无线网络技术，将设备与网络相连，从而保证采集到的数据的交互和共享。应用层则结合智慧企业的实际需求，运用云计算机技术对数据进行智能分析与决策，形成安全生产监控与决策解决方案。

二、安全生产监控与决策系统设计

（一）硬件平台设计

硬件平台由Web服务器、防火墙、交换机、工作站、UPS电源等组成。设置1台Web服务器用于应用程序的安装与部署；设置1台数据服务器用于存储生产过程中采集到的数据信息；设置1台I/O服务器，采集生产数据后提供给以太网上的工作站；设置5台工作站，用于监控各个子系统的运行；为保证监控网的相对独立，通过1台硬件防火墙将监控网与厂区局域网隔离；设置1台核心工业交换机实现整个生产数据的交互；在局域网内设置1台邮件服务器和1台文件服务器；设置后备时间不小于4小时的UPS电源设备，以备临时停电时持续供电。

（二）软件平台建设

通过软件平台将为智慧企业提供统一的门口入口和各种应用的统一集成环境，使原始数据能够通过平台协调有序的运行，实现各应用系统的信息共享。软件平台由五个主要部分组成。数据输入接口实现与原有系统的衔接；数据输出接口根据各监控系统的反馈控制需求，按照标准协议规范，提供标准输出接口；数据中心是业务数据的存储和处理中心，核心是异构数据分析、转换处理，从而实现原有信息系统的业务数据能够得到有效利用；WEB SERVER为各应用系统的数据显示与控制提供WEB服务功能；门户网站是建立数据中心的基础上，为智慧企业的用户提供满足不同需求的应用服务。

门户网站的主要业务需求包括：

1.生产调度管理

生产调度管理是以企业生产调度业务为核心，为生产调度管理相关工作人员提供的计算机应用系统。系统全面整合生产调度日常管理数据、安全监控系统实时数据、自动化设备运行实时数据、工业视频数据、事故处理记录、人员考勤记录等多种信息。系统涵盖作业计划制定、生产过程监控、日常调度指挥、应急事件处理等企业生产调度相关的各项业务，结合通讯调度机为调度员提供一个桌面办公平台，辅助调度员全面、迅速、准确地进行生产调度。

2.灾害预警与防治

系统借用人工智能技术，建立各种灾害预警数学模型，并随着历史数据积累进一步完善数据模型；通过数据仓库、数据挖掘和数据集市等数据分析技术，达到生产车间环境参数的预测和预警的作用。

3.安全生产监控与决策管理

安全生产监控主要包括对生产环节中环境因素、人员因素和设备因素的监控等。利用数据挖掘技术及智能信息处理技术，综合多系统数据对安全生产环节中的安全隐患进行实时评估并提供辅助决策功能。此外还具有历史数据查询、筛选、各种标准生产报表功能。

4.产品运销管理系统

功能包括运输车辆管理、合同管理、押金管理、运费结算、客户订单回单管理、预收款管理、欠款管理、销售统计、报表输出等功能，能按企业的要求提供各种销售明细报表和汇总报表。

5.设备材料管理系统

利用数据集成平台，实现企业主要设备管理的网络化，从而提高设备的周转、调配效率，提高设备的使用率。主要功能包括设备材料档案信息管理、计划管理（使用计划、租赁计划、购置计划、维修计划等）、出入库管理、维修管理、特种设备管理、使用状况监控、报废管理、费用结算、配件信息维护等功能。

（三）海量数据处理需求

在智慧企业中设置的智能监控设备每秒钟就会采集大量的业务数据，当面对数据库中海量的监控数据时，兼顾平台的实时性需求，应用服务对数据进行快读的访问、读取和操作显得十分重要。首先需要对数据库性能进行严格考量，来提高数据的存取效率，提升海量数据的处理速度。其次，设计数据库表格时应满足第三范式的要求。第三，建立云服务平台，利用云计算技术实现海量数据的处理。云服务平台的设计结构如图4所示。

四、结束语

物联网技术的应用，为企业的生产经营管理提供了更便捷、更智能的模式。文章设计了基于物联网技术的智慧企业的总体结构、硬件平台、软件平台和云服务平台，为智慧企业的建设提供了解决方案。

【参考文献】

[1] 张申，张滔.论矿山物联网的结构性平台与服务性平台[J].工矿自动化，2013，39（1）：34-38.

[2] 张申，丁恩杰，赵小虎，等.数字矿山及其两大基础平台建设[J].煤炭学报，2007，32（9）：997-1001.

[3] 李建军，张华栋.煤矿安全生产决策支持系统的设计[J].科技情报开发与经济，2006，16（21）：262-264.

[4] ]吕鹏飞.基于组件技术的煤矿监控软件的研究[J].工矿自动化.2005，（4）：13-16.

[5] 喻昕，王敬一.基于云计算技术的数字图书馆云服务平台架构研究[J].情报科学.2011，29（7）：1049-1053.

智能决策支持系统研究 篇4

1 智能决策支持系统及其关键技术

1.1 DSS和IDSS概念及应用

决策支持系统 (DecisionSupportSystem) 这个概念是1970年由美国莫顿教授提出, 决策支持系统 (DSS, DecisionSupportingSystem) , 是以管理科学、运筹学、控制论和行为科学为基础, 以计算机技术、仿真技术和信息技术为手段, 针对半结构化的决策问题, 支持决策活动具有智能作用的人机系统。该系统能够为决策者提供决策所需的数据、信息和背景材料, 帮助明确决策目标和进行问题的识别, 建立或修改决策模型, 提供各种备选方案, 并且对各种方案进行评价和优选, 通过人机交互功能进行分析、比较和判断, 为正确决策提供必要的支持。此后它发展迅速, 在美国许多部门中成功地获得应用, 如对城市规划决策、商品销售决策等, 深受用户欢迎。经过国内学者的不懈努力, DSS在实际应用方面取得了丰硕的成果。这些方面的主要成就可以概括为以下几大方面: (1) 政府宏观经济管理和公共管理问题; (2) 水资源调配与防洪预警系统; (3) 产业 (或行业) 规划与管理、各类资源开发与利用决策; (4) 生态和环境控制系统的决策以及自然灾害的预防管理; (5) 金融系统的投资决策与风险分析与管理; (6) 企业生产运作管理的决策。

智能决策支持系统 (IDSS, IntelligenceDecision SupportingSystem) , 是人工智能 (AI, ArtificialIntelligence) 和DSS相结合, 应用专家系统 (ES, Expert System) 技术, 使DSS能够更充分地应用人类的知识, 如关于决策问题的描述性知识, 决策过程中的过程性知识, 求解问题的推理性知识, 通过逻辑推理来帮助解决复杂的决策问题的辅助决策系统。IDSS的概念最早由Bonczek等人于80年代提出, 它的功能是, 既能处理定量问题, 又能处理定性问题。IDSS的核心思想是将AI与其他相关科学成果相结合, 使DSS具有人工智能。

1.2 IDSS的分类

根据IDSS智能的实现可将其分为以下4种类型。

1) 利用AI实现系统的智能, 又分为基于ES的IDSS、基于机器学习的IDSS和基于AI新技术Agent的IDSS。其中Agent的研究成为目前人工智能研究的热点, 主要有智能型Agent研究、多Agent研究和面向Agent的程序设计研究3个方面, 基于Agent的计算被认为是软件开发的下一个重要的突破。

2) 利用数据库领域的新工具———数据仓库、联机分析处理及数据挖掘技术来帮助实现智能。这些工具使用户在分析大量复杂数据时变得轻松而高效, 可以迅速做出正确判断。其中数据挖掘是从大型数据库或数据仓库中发现并提取隐藏在其中的信息的一种新技术, 它可以从DSS执行者没有想到去问的数据库中找出与决策问题相关的信息, 帮助决策者寻找数据间潜在的关联, 发现被忽略的要素, 并通过分析现有的方式来预期将来的行为。随着网络及数据库的普遍应用, 这种方法具有广泛的应用前景。

3) 利用逻辑观点、面向对象方法或关系来表示系统各部件, 使IDSS在总体上统一表示、相互协调以实现系统的整体智能行为。

4) 具有知识学习能力的IDSS。根据IDSS的学习能力的不同, 知识系统可分为静态知识系统和动态知识系统。静态知识系统的知识维护需要人工干预, 系统的行为在求解过程开始前就已经确定了, 而动态系统则可以自动从决策过程中获得经验, 自动对知识库进行维护与更新, 从而支持复杂环境下的决策过程, 反映了较高级的智能活动。

1.3 IDSS的关键技术

1.3.1 模型库系统的设计与实现

它包括模型库的组织结构、模型库管理系统的功能、模型库语言等方面的设计与实现。

1.3.2 部件接口

包括对数据部件的数据的存取、对模型部件的模型的调用和运行、对知识部件的知识完成推理。

1.3.3 系统综合集成

决策支持系统需要对数据、模型、知识、用户交互四个部件组成。需要强大的计算能力和数据处理能力, 一般的计算机语言如C、PASCAL、FORTRAN等不支持数据库的操作, 而VF、ORACLE、SQL等的数值计算能力不足。而决策支持系统既要数值计算又要数据库操作, 对开发语言的要求是很高的。

2 数据仓库、OLAP和数据挖掘的决策支持技术

数据仓库和OLAP是90年代初提出的概念, 到90年代中期已经形成潮流。在美国, 数据仓库已成为仅次于Internet之后的又一技术热点。数据仓库是市场激烈竞争的产物, 它的目标是达到有效的决策支持。大型企业几乎都建立或计划建立自己的数据仓库, 数据库厂商也纷纷推出自己的数据仓库软件。目前, 已建立和使用的数据仓库应用系统都取得了明显的经济效益, 在市场竞争中显示了强劲的活力。

数据仓库将大量用于事务处理的传统数据库数据进行清理、抽取和转换, 并按决策主题的需要进行重新组织。数据仓库的逻辑结构可分为近期基本数据层、历史数据层和综合数据层 (其中综合数据是为决策服务的) 。数据仓库的物理结构一般采用星型结构的关系数据库。星型结构由事实表和维表组成, 多个维表之间形成多维数据结构。星型结构的数据体现了空间的多维立方体。这种高度集中的数据为各种不同决策需求提供了有用的分析基础。数据仓库对底层数据库中的事务级数据进行集成、转换和综合, 重新组织成面向全局的数据视图, 为DSS提供数据存储和组织的基础。

随着数据仓库的发展, OLAP也得到了迅猛的发展。数据仓库侧重于存储和管理面向决策主题的数据;而OLAP则侧重于数据仓库中的数据分析, 并将其转换成辅助决策信息。OLAP的一个重要特点是多维数据分析, 这与数据仓库的多维数据组织正好形成相互结合、相互补充的关系。OLAP技术中比较典型的应用是对多维数据的切片和切块、钻取、旋转等, 它便于使用者从不同角度提取有关数据。OLAP技术还能够利用分析过程对数据进行深入分析和加工。OLAP从数据仓库中的集成数据出发, 构建面向分析的多维数据模型, 再使用多维分析方法从多个不同的视角对多维数据进行分析、比较。利用OLAP还可以实现实时行情的计算机模拟。

数据挖掘 (DataMining) 是从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的知识和规则, 为经营决策、市场策划、金融预测等提供依据, 使大型数据库作为一个丰富可靠的资源为知识归纳服务。数据挖掘技术涉及数据库、AI (人工智能) 、机器学习、神经计算和统计分析等多种技术, 它使决策支持工具 (DSS) 跨入了一个新阶段。实际上OLAP就是一种广义的、简化了的较浅层次的数据挖掘, 而数据挖掘是OLAP的扩展, 是使这一过程尽可能自动化的分析过程。数据挖掘以数据仓库和多维数据库中的大量数据为基础, 自动地发现数据中的潜在模式, 并以这些模式为基础自动做出预测。这些模式往往是动态的, 发现这些模式是非常重要的工作。根据这些模式可以进行投资决策, 这是开发的关键环节。数据挖掘表明, 知识就隐藏在日常积累下来的大量数据之中, 仅靠复杂的算法和推理并不能发现知识, 数据才是知识的真正源泉。

3 智能投资决策支持系统架构

证券投资决策支持系统的组件包括即时行情数据库和公司经营数据库, 以及数据接口模块, 数据接口模块负责把以上数据转换到数据仓库中。元数据 (Metadata) 是数据共享的基础, 可简单理解为数据的数据。内容上是关于数据的内容、质量、条件和其他特性的数据。

用途上是关于数据的结构化描述, 用于对数据的精确理解、搜索和处理。元数据为各种形态的数字化信息单元和资源集合提供规范、普遍的描述方法和检索工具, 为分布、由多种数字化资源有机构成的数据共享体系提供整合的工具和纽带。由于内在的统一性, 这种新架构很好地解决了相互间的衔接问题。数据仓库为OLAP提供了充分可靠的数据基础, 数据挖掘可以从数据仓库和多维数据库中找到所需的数据, 数据挖掘中发现的知识可以直接用于指导OLAP的分析处理, 而OLAP分析得出的新知识也可以立即补充到系统的知识库中。

4 总结

通过对证券投资决策支持系统的研究, 可以看出, 随着证券市场的飞速发展, 信息量增大、变化加快、种类增多, 在这样一种复杂的环境中进行决策, 充分利用数据挖掘等技术是今后投资决策支持系统发展的方向。

参考文献

[1]安淑芝.数据仓库与数据挖掘.北京:清华大学出版社[M].2005.

[2]蔚成香, 宁伟, 李艳.一智能决策支持系统的设计与实现[J].山东科技大学学报, 2001 (12) .

数据智能决策在监狱发展中的应用 篇5

监狱数据智能决策系统的构建

五角场监狱 朱旭东、周飞、方小琦

摘要

大数据时代的来临，带来的不仅仅是数据量的剧增，更重要的是带来了数据技术、数据应用和数据价值的变革。这场变革使得数据分析技术更加智能，人工干预更少，并且由于数据量更大，数据间更多可能的相关关系被分析挖掘出来。

本文基于监狱目前信息化发展的现状，利用监狱现有的数据作为基础，利用智能分析数据与数据间的相互关联，建立智能决策系统应用的模型。通过数据智能决策模型的应用来辅助监狱进行更为有效的管理。[1]关键字：数据决策、智能预警、数据中心

大数据时代需要我们对监狱信息化建设进行再思考，目前的“问信息化要警力”，主要表现在民警借助监狱政务、安防等信息化手段对罪犯进行管理，即便是系统需要调用另外系统的数据，往往也只是单纯的数据的叠加。但在大数据时代，更多需要考虑的是数据与数据之间的互相影响和作用，更多的挖取无直接关联数据间隐藏的价值。如果说我们通过大数据“问信息化要警力”，我们需要的是数据背后的关联价值，以便为监狱提供更加智能的决策能力。

[1]大数据，维基百科[EB/OL]，[2013-08-05]，http://zh.wikipedia.org/wiki/大数据

一、监狱信息化数据应用现状

同大多数企事业单位一样，随着监狱信息化建设规模的不断扩大，跨条线、跨科室、业务关联、信息沟通等需求的不断提高，随之新的问题也就日益凸现。主要表现为信息系统日益增多，包括办公自动化系统（OA）、狱政管理系统、罪犯一卡通系统、人事管理系统、财务管理系统和生活卫生系统等，这些系统的上线运行使监狱的管理效率得到了大幅度的提高，有力的支撑了日常管理工作运作，促进了管理效能的提升。然而顶层统一规划的缺乏使得这些系统仍然有许多不足之处，例如这些业务管理系统各成体系，各自独立，横向却缺少沟通，形成了大量的信息孤岛，监狱决策者只能得到针对具体业务的简单分散的数据和报表，既不能从长期积累的海量历史数据中挖掘发现狱内所存在的问题，也不能通过各业务系统汇总的信息辅助决策支持[2]来完成针对性的预判。

二、监狱数据数据决策发展面临的问题

（一）数据本地策略升级和存储面临的问题

从目前来看，对端点数据的安全已经具备了成熟的本地安全防护系统，但与大数据安全的需求还存在一定的距离，需要及时调整。所以在本地策略的构建上，需要加大对内部管理的监控，用纯数据的模式来避免由于人为原因造成的数据流失和信息泄露。

[2]Gotting H W,Weimann P,Intelligen decision supprot systems[J],Decision Support Systems,1992,8(4):317332

（二）管理和应用人员专业知识更新的问题

大数据在一个新的环境运行，就必须要为信息技术专业民警定制一个专门的培训计划，培训计划应该着眼于数据库的分析和修复，因为大数据仓库将通过这些来标记和报告不寻常的活动和网络流量，这类的培训通常需要大量的资金和时间。

（三）数据分析工具发展水平的问题

目前使用中的数据仓库，其数据存储类型仍受到一定的限制，数据仓库的扩展性能还需要进一步加强；数据挖掘在标准化和通用性方面存在一系列问题，数据挖掘引擎与数据库系统还是松散耦合的；数据挖掘语言有待于向标准化方向发展等。目前，OLAP作用没有得到充分发挥，还是一种传统决策支持方法，是一种用户驱动的验证性分析，受到用户水平的制约。目前大多数智能分析系统功能集中在分析方面，对系统的智能性不够重视，决策支持功能主要还是依赖数据挖掘、OLAP 等工具的数据分析、趋势预测功能来实现，不具备专门的决策支持系统提供方案生成、方案协调，方案评估的功能[3]，更不具备群体决策和智能决策的能力，也就是说数据分析的智能化水平还很低[4]。

三、监狱数据智能决策的建设目标

决策是提供统计信息的最终目的。监狱信息化使得监狱工作的效率大大提高,产生和积累了丰富的统计信息资源。科学决策的基础是 [3]危辉，潘云鹤.从知识表示到表示：人工智能认识论上的进步[J],计算机研究与发展，2000，37(7):819-825 [4]史忠植.高级人工智能[M],北京：科学出版社,1998 62-211 对数据的整合和开发利用。虽然数据本身并不直接作用于决策,但当数据转化为信息或知识时就可以用于决策分析。

对数据的搜集、管理和分析过程，使监狱各级决策者获得更多决策依据，做出更加合理的决策。数据智能分析将联机分析处理（OLAP）、数据仓库和数据挖掘等结合起来应用于监狱日常运作活动中，从不同的数据源收集的数据中提取有用的数据，对数据进行清洗以保证数据的正确性，将数据转换、重构后载入数据仓库或数据集市；然后利用合适的工具对数据进行处理，这时信息变为辅助决策的知识；最后将知识呈现于用户面前，为管理决策提供参考。

为了保证监狱各项工作的顺利运行，同时使监狱具备高效率的指挥决策能力，亟需建设一套完善的智能化决策平台，通过对现有条件的充分分析和利用，对监狱中各类应用系统及安全系统进行集成改造，减少监狱的信息安全保密风险，才能实现监狱信息资源的安全共享和利用，提高监狱的工作效率。

四、监狱数据智能决策需求分析

（一）系统需求概述

本系统需整合监狱各类信息系统：政工类包括人力资源系统，指挥中心干警调度平台（生活现场、劳动现场、押送罪犯就医，防暴队）、外来人员管理、外来车辆管理、对讲呼叫管理、气象管理，管教类狱政。罪犯管理类包括（新进、调入、保外就医、释放），会见管理（会 4 见罪犯、会见家属、会见类型、会见监复听），刑罚执行正常释放、减刑假释、立管专控、耳目情况，狱内侦查。生活卫生类罪犯就医（医务所就医、总医院就医、社会医院就医、保外就医），罪犯伙食管理，罪犯大帐管理，劳动管理（生产数量、品质控制、原料数量、外来人员配置、工伤情况）。教育改造（教育类型、教学计划、受教罪犯、教学场地、教学内容、教育成果），督察（督察类别、督察内容、督察计划、督察结果、整改意见）财务管理（干警工资、工勤工资、劳动支出、生活支出、后勤支出、车辆支出、民警伙食、外事接待支出，生产收入、财政拨款、专项拨款）外围管理局重大任务、武警工作、重特大事件处理、安全零报告等。

分别建立相应的业务数据抽取，转换清洗和加载方案，并根据处理得到的业务数据建立数据模型，整理和抽取其中必要的关键分析指标，最终以直观，生动，多样的展示方式将基于不同维度的分析结果呈现给监狱管理层。系统需分为数据源、数据仓库、应用层和展示层四个层次，分别完成数据的抽取、转换、加载、建模、整理、分析、提取、展示等功能。

（二）系统功能需求

数据源可从各应用系统自动抽取，部分因各种原因则需人工采集。承担数据采集需求的部门涉及政工部门，财务部门，指挥中心，劳动管理部门，教育改造部门，督察部门，综合管理部门，各监区等。根据需求设计了如刑罚执行年度采集表，重要决策季度采集表，规章 5 制度季度采集表，生产利润季度采集表，财务结算信息季度采集表，项目施工季度采集表，干警考核季度采集表，安全生产指标季度采集表，安全生产指标年度采集表，干警警力配置日采集表，罪犯出入监日采集表等。以满足数据访问的灵活性和效率的均衡。

（三）基本功能需求

1、浏览功能：干警可通过web页面方式查看授权的指标数据。可针对用户使用不同的系统首页。在系统首页及各主题首页中，需要提供对时间维，单位维度的选择。

2、钻取功能：干警可查看到组成某指标的基础数据或下级单位的具体数据。提供各种图表类型的转换，使干警能从多视点对同一指标进行分析。

3、查询分析：干警可以自己定义查询条件，需要的话还可以自己定义查询指标和维度信息，这样可以更有目的性地查看报表，获取信息。

4、输出功能：干警可以水晶易表等形式将查看到的指标数据输出。

（四）数据展现方式需求

为了更好的、更直观的展示多维度数据，在一个界面中展示尽可能多的信息量，系统应采用多种综合的数据展示方式，包括仪表盘、趋势图、饼图、柱状图、固定报表等等形式。根据具体指标需求，其展示方式有严格要求。

五、监狱数据智能决策系统结构

（一）监狱智能决策包含的组件

决策支持系统通过结合个人的智力资源和计算机的能力来改进决策的质量。它是一个基于计算机的支持系统，服务于处理半结构化问题的管理决策制定者。一个决策支持系统将包括如下典型的组件：

1、数据管理子系统：决策支持系统(Decision Support System，简称DSS)[5]的数据库通常包括在数据仓库中。数据仓库是集成的、面向主题的数据库集合，它是用来提供决策支持功能的，其中每个数据单元都不随时间改变。数据仓库的数据通常从内部和外部数据源中抽取。内部数据主要来自于监狱内部各处理系统。外部数据包括行业数据、相关法律文献制度规范、社会普查数据、国家经济数据等。

2、模型管理系统：一个包含有财务、统计、运筹和其它定量模型的软件包，能够提供系统的分析能力和合适的软件管理能力。在模型库中的模型可以分为战略性的、策略性的、运营性的等等。

3、知识管理系统：许多非结构化和半结构化的问题是非常复杂的，以至于除了通常的 DSS外，它们还需要特别的专业知识。这些知识可以由专家系统或者其它智能系统提供。因此，更高级的 DSS 系统[6]还应该包含成为知识管理的组件。

4、用户界面子系统：用户与 DSS 应用之间的交流。如交互式界面、报表打印。为了实现组织内的信息共享，还应包括

[5]陈文伟.决策支持系统极其开发[M],北京：清华大学出版社,2000.311-327 [6]田大岗,费奇.DSS结构的联结主义观点[J],系统工程理论与实践,2000，20(1):7-18 Intranet/Internet 的发布方式。

5、用户：用户可看作系统的一部分。DSS 的用户主要是监狱各层次的管理者和业务模型分析人员。

（二）监狱数据智能决策的架构

监狱数据智能决策的框架层级：整个框架包含多个单位，从小到大以此为，数据、事件、罪犯个体，监区，监狱。其中数据作为框架中的最低层级是预警分析中基础的输入来源，包括了各业务系统的数据以及民警各台帐数据。事件是罪犯个体的相关行为的属性，一个事件包含了罪犯各项基础数据的变化。罪犯个体的表现情况及其对应的数据和事件的集合，以此类推监区是以监区为单位的罪犯个体的集合。监狱是多个监区的集合。

监狱数据智能决策的整体思路：通过从各个业务系统抽取罪犯相关数据，打造以罪犯个体为核心的数据中心，并建立与业务系统的罪犯信息的溯源通道；建立犯情预警评估模型，对罪犯静态信息和动态改造异常信息实现智能预警和排查处置。

监狱数据智能决策的整体框架：最上层犯情综合信息系统（静态信息），包括：罪犯档案，信息检索，分析预测，汇总统计。数据智能决策系统（动态信息），包括信息采集，排查处置，预警分析，台帐管理，评估模型。在数据总线上，数据的来源于目前的监狱各信息系统：管教信息系统，综合评估系统，亲情会见系统，亲情电话系统，大帐系统，计分考核系统，监管日报系统，点名系统。

这些数据经过数据交互总线进入数据中心，通过信息的筛选和合 并可以分为以下几个板块：罪犯信息：包括罪犯信息、顽危犯，重点罪犯。狱政管理：罪犯调动，计分考核，行政奖惩。改造评估：入监评估，心理测试，出监评估。狱内侦查：坦白检举，耳目管理，信息员。刑罚执行：减刑假释，刑罚变更，监外执行。其他系统，大帐信息，会见信息，亲情电话，如图-1所示。

图-1 监狱数据智能决策的整体框架

总体架构分为三个模块，即信息汇总、职能预警、排查监督。信息汇总模块，吸收业务系统对接过来的包括管教系统，亲情会见，亲情电话，一卡通大帐等，以及信息渠道的录入包括个别谈话、民警执勤、罪犯汇报、奖惩考核、狱情分析等，将这些汇总的信息分类为外部因素例如亲情危机、家庭变故、经济纠纷。监狱环境例如劳动状况、岗位变动、同犯矛盾。犯人状况例如健康状况、情绪状况、心理状况。制度执行例如人帐制度、安检制度、清抄制度、报告制度。设施隐患例如警戒设施、监控设施、警备设施、生活设施。改造信息例如实训信息、综合评测、心理咨询、考核信息，如图-2所示。

图-2 监狱数据智能决策的总体架构

在智能预警模块中，将汇总收集来的信息，通过预警评估规则定义的运算，计算出罪犯危险的等级，对于过高等级的评估结果提出预警，与此同时，监狱不同层级的民警对系统发出的智能预警进行问题处置，通过各项有可能导致罪犯破坏监狱规范的诱导因素排查和干预，从而降低评估规则中评估要素危险程度，最终使得此次报警回归到正常值水平，如图-3所示。

图-3 智能预警

在狱情评估模型中对收集的罪犯信息采用多维度计量方法进行评估运算，其中考虑的纬度包括静态纬度，参考罪犯的年龄、学历、犯罪类型、余刑等。个性纬度包括外倾、冲动、自卑、从属、波动、焦虑、暴力、犯罪思维等。特殊技能纬度包括双特、从军、从警等。依照动态信息汇总分析，提出罪犯个体倾向性分析包括脱逃倾向，自杀倾向，行凶倾向，破坏倾向。根据倾向推测的可能性程度以及后果的严重性提出智能预警，预警等级从高到低分为一级、二级、三级，如图-4所示。

如图-4狱情评估模型

六、数据仓库技术研究

数据仓库是一个面向主题的、集成的、稳定的、包含历史数据的数据集合，用于支持管理决策的制定。数据库是实现智能分析的数据基础，是监狱长期事务数据的准确汇总。数据仓库完成了数据的收集、集成、存储、管理等工作，数据智能分析面对的是经过加工的数据，使得数据智能分析能更专注于信息的提取和知识的发现.数据仓库为数据智能分析撷取或载入大量原始信息，归并各种数据源的数据，用于支持监狱管理和决策。

数据仓库是数据智能分析的灵魂，数据智能分析的很多工作都是以数据仓库为基础展开的。利用数据仓库，监狱可以制定准确的战略策略与预警行动；数据智能分析充分利用数据仓库的分析结果制定策略、合理调配警力，促进监狱管理平稳有序。

（一）监狱智能决策数据中心

从各个业务系统抽取罪犯个体关键数据，汇总成罪犯改造档案，提供检索、预测、类聚、分析等功能；并通过各业务提供相应接口，可对关键业务数据进行溯源查询；并为狱情系统提供罪犯个体动态信息，如图-5 所示。

图-5 监狱智能决策数据中心

数据中心将各个业务系统的数据明细进行筛选，数据中心以罪犯个体为单位对罪犯个体的数据进行类聚，将类聚后的数据存入罪犯改造档案，同时这些数据互相牵制或者影响所构成的动态数据又为狱情系统提供了素材。狱情系统通过对动态数据的分析和理解进行计算，其结果作为预警数据存入数据中心。对于狱情系统计算的结果提供溯源机制，可以查询到是哪些业务系统提供的基础数据，造成了最终的计算结果。

罪犯个人信息分类及来源：管教信息系统中入监等级表信息、收 监体检表信息作为罪犯个体信息的罪犯档案部分。

管教信息系统中罪犯调动、计分考核、等级管理、行政奖励、行政处罚、其它处理、日常管理作为罪犯个体信息的狱政管理部分。

改造质量评估系统中入监评估、出监评估作为罪犯个体信息心理测试、改造评估部分。

管教信息系统中坦白、检举、申诉、顽固犯、危险犯、耳目、信息员作为罪犯个体信息的狱内侦查部分。

监管日报信息系统中狱情日报、狱情周报、狱情月报、监狱月报、重危分子、民警值班记录、监管隐患排查作为监管日报系统部分。

管教信息系统中减刑假释、暂予监外执行、刑罚变更作为罪犯个体信息的刑罚执行部分。

大帐系统中大帐管理作为罪犯个体信息的生活卫生部分。会见系统、亲情电话系统作为罪犯个体信息中会见信息、电话信息部分。

数据智能决策中违规违纪（打架斗殴、对抗管教、自伤自残、抗拒劳动）、家庭变故、患病、债务纠纷、余罪漏罪、提回重审、心理异常、警囚矛盾、囚囚矛盾等作为罪犯个体信息中改造异常表现部分。

数据智能决策作为罪犯个体信息中的预警情况部分。

狱情动态分析思路：从收集罪犯基本信息、评估信息以及月度考核信息，通过从业务系统、各类信息渠道等获取日常动态信息，实现狱情信息收集汇总、预警智能分析预测和安全隐患排查监督，如图-6所示。

如图-6 狱情动态分析思路

七、监狱数据智能决策规则配置

在数据智能决策规则配置中，各相关科室可以联合制定多种逃脱、自杀、行凶等倾向的相关联的触发信息。例如在定义罪犯家庭因素得知家中亲人病重或将要离世；对改造缺乏信息；对入狱前未决事项牵挂；定义罪犯行为异常经常窥探周围环境、交通状况的；私自制作或存放雨衣等绝缘物的；这些因素都将作为触发罪犯逃脱倾向预警的计算因素，如图-7所示。

图-7 数据智能决策规则配置

在狱情排查监督阶段，实时采集的预警异常信息，根据配置的相关处理流程以及相应环节，实现对各类监狱安全问题的处理、跟踪、提醒等。

图-8 罪犯危险倾向性

八、监狱民警对数据智能决策影响

从层级上来划分将民警分为主管民警、监区领导、业务科室以及 16 监狱领导。

从民警在与狱情动态分析交互的过程中产生的功能来划分，可以分为民警的导入功能和排查监督功能。为罪犯个体信息的输入即数据源的导入功能，民警对依据采集的信息进行人工预判，定义倾向性模型触发信息，即预警规则配置的功能。民警根据预警提示对预警产生的溯源信息或情况进行处理、跟踪等工作，即预警提示后排查监督功能。

从具体的角色分工来看，作为罪犯的主管民警，处在第一线监管岗位，与自己所管辖范围内的罪犯了解沟通最为直接，因此主管民警的信息收集汇总的准确率对后期的预警评估起着决定性作用。因此，主管民警必须做好日常个别谈话、计分考评、录音复听等工作。对于日常工作中生成的谈话、会见、电话复听台帐务必保证详实、准确、具体、同时，针对预警信息，排查预警的溯源信息，询问核实罪犯情况，并采取有效的针对措施，降低评估因素的危险程度。

监区领导根据预警提醒对所在监区内被列为预警的罪犯情况进行确认，如果确定其确有危害监管安全隐患的，查找隐患的原因，是否符合预警的倾向性判断，如果完全复合，则在犯情分析会上讨论分析针对预警的跟踪以及解决办法，如果非完全符合，则通过信息收集入口及时调整信息源，或者提交反馈给业务科室修改预警配置规则。

业务科室具备三方面的角色职能，一方面针对自身科室的专职功能，向狱情分析提供对口的基础信息。另一方面根据预警分析结果监 督各监区对预警信息予以排查和解决。除此之外，联合各业务科室，对狱情分析的配置规则进行管理，增加新的配置规则和触发信息权重。给出处理流程的实时内容和跟踪步骤。

监狱领导根据预警提示了解监狱内可能存在的安全隐患，分析狱内罪犯危机倾向，通过召开狱情分析会议，通报监狱内罪犯动态倾向并布置业务科室和狱区预警工作重点。

九、总结

在大数据时代来临之际，为让数据智能决策更好的服务于监狱，第一步要建立自己的核心数据集，也就是要搞清楚监狱的数据需求；第二步是要找到内部的一些外围数据，通过一系列的收集和整理分析，像滚雪球般建立监狱自己的数据信息集合；第三步是收集监狱内部的数据，国外有很多成功的大数据案例，都有一个前期的挖掘过程，监狱同样需要在监狱内部找出有价值的数据；第四步就是收集外部的、社会化的或非结构化的数据，即现在所谓的社会化媒体数据，提高监狱的整体数据分析能力和数据价值水平。

智能决策系统 篇6

【关键词】物联网；多智能体；信息支持技术

中图分类号：TP212 文献标识码：A 文章编号：1674-098X（2015）06（b）-0000-00

物联网其实质指的是将某种事物跟另一种事物相互连接在一起的互联网系统，其现代技术中极为重要的一个组成部分。互联网是物联网的核心内容和主要基础，物联网同时也是在互联网基础上发展起来的[1]。当存在于物联网的客户端向一个与另一个事物间扩展进行数据及信息的通信和交互时便成为所谓的“物物相息”，物联网也被称为“继计算机”。

1.多智能体决策信息系统浅析

在多智能体决策信息系统中，其主要由由诸多个智能体共同组合而形成的一种集合，该种集合的主要目标体现为将巨大、存在复杂性的系统建设成为一个诸多个较小的，但有存在相互联系，能够进行通信及协调，且管理更具简便性的新系统[2]。多智能体决策信息系统的特点主要表现如下：第一，存在于多智能体决策信息系统中的相关智能体均存在其各自的独立性，可自主进行并完成相关问题，同时可对总系统中所分配给的相关子问题进行更加灵活的处理。此外，智能体还可自主进行相关规划及推理过程，并最终选取一个最具合理性和科学性的策略。第二，存在于系统中的每个智能体间均能进行相互通信，并进行有效的相互协调。第三，多智能体决策信息系统支持分布式应用，该种系统存在较为理想的易于扩展性和模块性，且在设计上较为简单，同时还具有良好的灵活性。第四，以面向对象作为主要根据，进行系统构建，促进智能体更具层次性和多元化。第五，智能体存在异质性和分布性，其可不一样的人或者组织私用相关设计方法和计算机语言来实施相关开发研制工作。第六，系统中存在的相关智能体均存在其各自的自治性。智能体自治性主要体现为其拥有自己的进程，同时可以自身具体运行方式作为主要依据进行异步运行。在结构上，存在于系统中的组成主要六大部分，分别为多智能体系统、数据库、物联网查询分解模块、任务接口、物联网、物联网语义覆盖网络。其实现原理表现为：当任务接口接收具体任务时，将任务发送至多智能体决策信息系统，系统根据数据库中信息将任务转变成任务子集，再将任务子集中的各子任务分配到相应的智能体中。智能体在解决子任务的同时会对物理世界中的世界实际情况进行感知，进而做出相应的决策。物联网环境下多智能体决策信息支持技术探析

2.物联网环境下多智能体决策信息支持技术

2.1“TOP”模型建立

“TOP”模型指的是以所面向的对象作为基础，拥有较大的规模，且均可对各个任务进行合理地分配、决策、处理的智能体模型。“TOP”模型的构建原理为：组建一个具有任务性的组织机制，使可进行自主性活动的软件或硬件实体按照自身的具体需求及实际运行情况，在“TOP”任务的相关组织机制中自主选择一个子任务进行一系列的决策、分析、处理等活动。在这个模型中同时还具有一个规模较大大的实体图。在这个实体图中的每个点均是代表一个具有独立性的子任务。所以在“TOP”模型中可以将对集中有任务的各个子任务进行分解，其分解出来后的这些子任务间也存在一定的逻辑关联性。在这种情况下，多智能体决策信息系统在对相关任务进行分配的过程中，便可通过这个模型将诸多个任务分配到智能体中，在这个过程中子任务的分配具有更高的简便性和高效性，同时还可将各个子任务之间存在的相互关系及逻辑关联性进行完好的保持，保证各个任务子集均可保持良好的准确性和完整性。

2.2以物联网作为基础的查询分解

第一，将一个任务资源概念提出之后，系统可以在数据库中进行相应的查找，查找到和该种资源概念相互对应的相关信息和数据。查找步骤一旦成功，多智能体决策信息系统便会根据所提出的资源概念，将查找得到的相关数据信息进行分解，使其被分解成为一个倒置树状模型。同时，多智能体决策信息系统也同时存在于这个模型当中，并继续对符合物联网语义的叶节点进行逐个查找，然后在查找得到的叶节点来判断在数据库中是否有符合该叶节点相关要求的资源对象存在。第二，将与叶节点的具体要求相符合的兄弟节点进行集合，使这些兄弟节点共同组合成另一个叶节点，这个叶节点具有一个全新的概念，且可在物联网语义中查找得到。第三，根据第一和第二操作步骤，将倒置树状模型中存在的叶节点进行分配，将其均匀地分配到具体资源对象中。第四，当存在于树状模型当中的相关根节点符合时空约束，且该根节点在数据库中也有相应的资源对象，那么系统将可进行任务查询和任务分解过程。但是需要注意的问题为，若把物联网语义当做实物主体时，多智能体决策信息系统便可通过较小的概念资源来实现对数据库符合该概念要求的物联网实物资源存在与否进行判断[3]。但在实际情况中，现阶段的物联网领域实物语义信息通常均是以分布式的方式存在对的。同时各个种类的实物对象存在的本体也存在差异性，因此将物联网作为基础对任务进行查询和分解的过程中，无法将物联网语义当成一个具有独立性的个体，而是需要将其当成一个包含有诸多实物概念的数据信息整体来看待。

3.结束语

多智能体决策信息支持技术是一种存在较高效率的信息技术，其在各个领域中的应用不断扩大。该种技术的应用均可大大加快各行业的发展速度。近年来，物联网行业的发展速度依然呈现出不断加快的趋势，因此多智能体决策信息支持技术也随之在不断得到更新和发展，其在应用过程中的优势不断突显。在这样的发展趋势中，将多智能体决策信息支持技术与物联网技术更加科学、合理地融合在一起，并在此基础之上开发、研制出更具高科技效力的技术，进而促进智能体决策信息系统不断得到完善，促进其作用能够得到更好的发挥，使其能够更好地促进各个行业能够得到持续快速发展。

【参考文献】

[1]杨龙祥，朱洪波，于全，等.物联网的技术思想与应用策略研究[J].通信学报，2014，11（05）：44-45.

[2]高阳，江资斌.基于多智能体的虚拟企业协同生产计划模型[J].武汉理工大学学报（信息与管理工程版），2012，11（5）：65-66.

智能决策系统 篇7

关键词：智能财务决策系统,数据挖掘,人工智能,构建

当前日趋激烈的全球化市场竞争, 以及飞速发展的信息技术、Internet和电子商务浪潮构成了企业生存和发展的宏观环境, 使企业传统的财务管理受到新的挑战, 尽快提高企业财务管理决策水平迫在眉睫。计算机技术的快速发展, 使得以往复杂得令人望而却步的许多会计模型和方法的实现变得简单易行。数据仓库与数据挖掘技术可以实现从海量数据中提取隐含在其中的、人们事先不知道的有用信息和知识, 而人工智能技术则可以实现对专家求解复杂问题所利用的知识和推理能力的模拟。这些技术为财务分析和会计信息系统的创新提供了强有力的支持, 利用信息技术建立相应的智能财务决策支持系统, 是实现会计信息系统由核算型向经营决策型转变的有效途径。

一、智能财务决策支持系统概述

智能决策支持系统是以信息技术为手段, 应用计算机科学、管理科学及有关学科的理论和方法, 针对半结构化和非结构化的决策问题, 通过提供背景材料、协助明确问题、修改完善模型、列举可能方案、进行分析比较等方式, 为管理者决策提供帮助的智能型人机交互信息系统。它是人工智能技术与决策支持系统相结合的结果。

智能财务决策支持系统是智能决策支持系统在财务领域中的具体应用, 是财务信息化发展的必然趋势。特别是近年来, 企业经营环境的国际化、网络化、信息化发展趋势, 要求企业必须更快、更准确地做出决策, 而传统财务系统远远不能满足复杂问题的求解要求。为了使系统更加有效地工作, 企业应利用计算机领域的相关新兴技术, 如数据库系统、决策支持系统、神经网络以及基于事例的推理、数据仓库及数据挖掘等, 研究和设计智能化财务决策支持系统, 以辅助决策者进行战略决策和战术决策, 实现财务决策的动态化、智能化。

智能财务决策支持系统的主要特点是:

(1) 允许决策者能自始至终地介入系统的决策过程, 并要求系统有一定的学习能力, 可以使决策者与决策支持系统的决策能力在实际的决策过程中同步提高。

(2) 实现知识推理和数值运算相结合, 从而提供比初级的决策支持系统更强的决策支持能力。

(3) 建立更为通用的决策支持系统结构, 以扩大系统的服务领域, 也使系统对环境的变化和决策方式的变化具有一定的适应性。

二、企业智能财务决策支持系统的构建目标和功能

1.系统的构建目标

目前, 我国传统财务决策支持系统还大多局限在利用图表对现有状况进行描述, 属于财务分析的范畴, 而把专家的经验融进软件, 解决企业普遍的管理与决策问题, 让计算机最大限度地代替人工进行决策, 提高决策的效率是智能财务决策必须要研究和解决的问题。因此, 笔者认为企业智能财务决策支持系统构建的总体目标可以概括为:

(1) 不仅支持企业财务管理决策中的结构化决策问题, 还要支持半结构化和部分非结构化决策问题。

(2) 支持企业不同管理层次的财务管理问题, 如支持高层管理的筹资、投资、利润分配及预算编制等问题的宏观管理决策;支持中层管理控制决策, 如生产决策、成本决策、销售决策、库存决策中的计划管理控制等;支持基层作业控制决策, 如生产决策、销售决策、库存决策中的作业控制决策等。

(3) 支持用户之间的通讯, 以便支持相互依赖的决策制定。

(4) 提供方便的人机对话和良好的数据传输功能。

2.系统功能

传统的财务决策支持系统具有3个功能:核算、管理和决策。核算, 即会计功能。在会计层, 它完成会计原始数据的收集、记账、算账和报账的业务处理后输出会计信息, 同时将会计基础信息传输到管理层。管理, 即管理信息功能。在管理层, 进行会计基础信息的分析并将分析结果输出, 同时传给决策层。决策, 即根据会计分析信息和其他管理信息进行预测、判断和决策, 然后将决策方案下达到管理层。在管理层进行指标分解, 编制财务计划;再下达到核算层, 并对核算层的执行过程进行控制。

而智能财务决策支持系统实现的功能应在传统财务决策支持系统的功能基础上, 通过应用数据挖掘技术, 深入分析挖掘历史的、现实的、清晰的、模糊的、内在的、客户的等多层次多角度的信息, 运用模糊数学、神经网络、数理统计等多种数学方法, 对有效信息进行计算分析, 以辅助决策者进行财务决策。

智能财务决策支持系统实现的主要功能有:

(1) 财务分析。

能自动实现资产分析、权益分析、利润分析、现金流量分析、费用分析、企业盈利能力分析、企业偿债能力分析、企业营运能力分析等基本功能。

(2) 财务计划与控制。

能帮助编制利润计划、成本计划、现金流量计划、资产及其资金来源计划, 还有各种经济指标控制和预算等功能。

(3) 财务预测与决策。

能代替或最大限度地帮助决策者完成投资预测决策、筹资预测决策、成本预测决策、销售预测决策、存货预测决策以及利润分配预测决策等。

三、企业智能财务决策支持系统的架构模型

本文提出的企业智能财务决策支持系统, 运用数据仓库和数据挖掘技术, 采用关系型数据存储格式存储海量业务主题数据, 增强了大数据量系统管理扩展的能力;采用并行处理技术处理复杂的查询请求服务, 实现了决策支持查询优化, 同时亦可支持多维分析的查询模式。该系统从企业大量的数据集合中收集整理信息, 并运用数学模型和数据处理技术, 灵活、交互式地提供统计趋势分析和预测报告。系统还需要建立多种数据挖掘模型, 自动分析数据, 对数据仓库中的数据进行归纳性推理和联想, 寻找数据间内在的某些关联, 从中发掘出潜在的、对信息预测和决策行为起着十分重要作用的模式, 从而建立新的业务模型, 以达到帮助决策者制定市场策略、做出正确决策的目的。

1.系统架构

系统的整体架构分为3个层次:数据获取层、数据组织存储层和数据分析展示层 (如图1所示) 。

2.系统处理

系统从逻辑上可划分为3个处理步骤:后端处理、中间处理和前端处理。

(1) 后端处理。

利用数据ETL工具将多个数据源的业务数据, 包括企业内部财务系统、本地外部财务系统、远程外部财务系统以及企业已经建立的诸如ERP、SCM、CRM、OA等系统和一些相关系统, 根据定义的企业数据仓库模型进行抽取、清洗、净化、加载, 对业务数据清零、清空、去除、格式转换, 对原有的数据及其机构进行调整, 为后续查询、报表、多维分析和数据挖掘等应用提供稳定、可靠的数据源。

(2) 中间处理。

根据定义的企业信息模型, 利用数据建模工具, 形成按企业信息模型存储的多级别、多层次的数据库, 为财务数据分析、财务预测决策提供数据。

(3) 前端处理。

前端处理进行数据表示, 利用多维分析工具、多维报表工具以及数据挖掘工具对数据进行综合数据查询、分析统计和生成统计图表等, 通过人机交互界面, 实现人机交互, 为企业决策提供辅助支持功能。

四、结束语

企业智能财务决策支持系统的构建与实施将会更好地适应我国知识经济与网络时代的发展, 推动我国企业科学管理的实现。这一项目的实施, 要求企业相应地实施管理思想、管理人才、管理组织、管理方法和管理手段的现代化, 不断提高企业的经济效益, 对培养具有国际竞争力的大型企业集团、对发展我国经济及提高我国的综合国力具有重要的意义。笔者根据自己开发信息系统的经验和多年的教学实践经验, 探讨了智能财务决策支持系统的构建目标、功能和框架, 对企业智能财务决策支持系统建设具有一定的指导意义。

参考文献

[1]任明仑, 杨善林, 等.智能决策支持系统:研究现状与挑战[J].系统工程学报, 2002 (5) :48-58.

[2]谢榕.数据挖掘与决策支持系统[J].计算机系统应用, 1999 (8) :9-11.

基于智能决策的火箭安控系统 篇8

随着航天事业的不断发展, 火箭发射成为世界各国所关注的焦点。然而火箭发射是一项复杂的任务, 经常发生故障, 落点将超出允许落点范围而危及地面安全时, 必须加以控制, 终止火箭动力飞行并将其炸毁。如果不能准确控制, 造成的后果是非常严重的。因此火箭发射的安全控制成为世界各国需要解决的首要问题[1,2]。

火箭飞行安全控制系统一般由地面控制系统和火箭控制系统组成[3]。其中, 地面控制系统主要观察火箭飞行状态并对其进行判断, 发出相应的报警或炸毁指令;火箭控制系统接收地面系统发来的炸毁指令, 经过判断分析, 点燃爆炸器。结合这两个控制系统各自的特点, 构建的火箭安控系统要求具有极高的可靠性、实时性, 所采用的安全控制信息要有很高的精度, 才能对火箭的飞行状态进行实时诊断, 及时有效地做出判断, 为安控领域专家的最终决策提供支持发挥着重要作用。

传统的火箭安全控制系统是在确定性的安控知识的基础上, 通过简单的逻辑判断推理, 得出安控决策方案。这种方法经常产生错误的报警, 导致安控专家做出错误决策。本文针对火箭安控知识的特点及现有系统存在的不足, 采用人工智能领域的智能决策技术和推理技术, 融合安控决策知识, 提出了基于智能决策的火箭安控系统, 并给出了相应的系统模型。通过对两个安控系统的比较分析表明, 该智能决策系统能够更加准确地对火箭的发射状态进行观测, 及时迅速地得到火箭发射过程中的各种状态, 更加有效地对其进行控制决策。

1 安控系统结构

火箭安全控制决策系统是一个集弹道数据处理和安全控制决策于一体的计算机决策支持系统, 具体处理流程如下:计算机对各种测量设备提供的实时弹道数据进行实时处理, 从中选择可靠性最高的一条弹道, 并进行落点计算;然后将计算结果与事先所存储的理论弹道数据进行比较。当偏差值在故障线范围内时, 认为火箭飞行正常;当实际参数值达到或超过故障线范围时, 根据安控知识库进行推理决策, 判断火箭是否处于不安全的故障状态, 此时通过计算机向发射指挥控制中心发出告警信号;当安判结论达到允许炸毁线, 且预测的故障火箭落点已进入保护区边界线时, 则发出炸毁指令;当实际参数值达到必炸线时立即发出炸毁指令。除由地面进行安全控制外, 火箭上的安全自毁系统也将每一瞬间的实际参数值与预先输入的规定值加以比较。当超出允许值时, 一般先使航天员脱离火箭, 解除保险, 接通延时装置, 以便地面安全分系统选择炸毁时机或落点, 而在预定的迟滞时间内, 即使地面没有发出炸毁指令, 延迟时间一到也要自动起动爆炸装置将火箭炸毁。

基于这种处理流程, 安控系统的框架结构如图1所示。该框架结构主要包括四个部分:弹道选择、落点计算与选择、安控知识库和安控推理决策。其中弹道选择、落点计算与选择是弹道数据处理部分;安控知识库和安控推理决策是安全控制决策部分。

(1) 弹道选择

弹道选择首先根据火箭弹道特点的先验知识把测量所得的弹道数据 (包括外测数据和遥测数据) 与事先所存储的理论弹道数据进行比较, 判断其可靠性, 剔除误测弹道;然后再根据各测量设备的精度, 在可靠性的基础上选用测量精度最高的一条弹道[4], 用于落点计算与安全判断。其中理论弹道的数据值可根据在特定时间点的插值来获取;遥测数据和外测数据均可从调用模块中获得。

(2) 落点计算与选择

落点计算是在任务实施中瞬时计算出火箭在飞行中的任何一点上的状态, 如果发生故障, 它落在地面上的位置为安全控制提供依据。落点计算的输入量由测量设备测得的数据经计算机计算后, 提供给落点计算的弹体在发射坐标系中的参数, 具体包括位置参数:Xk、Yk、Zk和速度参数vxk、vyk、vzk。输出量则是火箭在轨道上瞬时任一实测点的速度值、速度倾角、偏航角、当地高度、星下点经纬度、落点经纬度、落点射程、沿射向的射程、射程偏航量等。

弹道选择、落点计算与选择作为弹道数据处理部分, 为安全控制决策提供了数据基础。

(3) 安控知识库

安控知识库是安控决策系统工作的基础, 用来描述火箭安控系统中的各种知识和规则, 由安控参数、原子事实和规则知识库3个表的形式组织起来[3]。这样不仅简化了知识库, 便于知识库中知识的组织和管理, 而且避免知识的相互交叉, 保证了知识的相容性和完整性。

(4) 安控决策推理

安控决策推理由定性的知识推理和不确定的推理模型构成。安控系统推理采用基于不确定知识表示的决策网络, 在安控推理决策过程中, 推理机根据安控知识的特点, 通过正向推理机制和深度优先搜索策略进行推理, 最终给出基于智能决策的火箭安控系统。

2 安控知识库

2.1 安控知识的分类

在安控系统中, 领域专家所给的安控知识复杂, 影响因素众多, 如果把这些安控知识不加区分地表示出来, 一方面增添了知识表示的复杂性, 另一方面也给安控知识的推理带来了困难。针对这一难点, 系统把安控知识进行了分类, 把它分为安全控制参数 (简称安控参数) 、原子事实和规则知识库3类。

(1) 安控参数

安控参数主要是描述火箭安控系统中所用到的参数, 可以分为3类:外测弹道落点、遥测弹道落点、遥测压力参数。其中外测弹道落点和遥测弹道落点都包括落点、速度、偏角、倾角、射程等几类参数[3];而遥测压力参数包括俯仰角偏差、滚动角偏差、偏航角偏差、一级压力1、一级压力2、一级压力3、一级压力4、二级压力几个参数。只有落点、速度、射程参数同时参与炸毁和告警, 其他参数仅参与告警而不参与炸毁报警。

在每个采样周期都进行安控参数的形成, 作为安控系统判断决策的依据。由于在具体实现中, 参数的提供不是很完全 (仅有飞行的位置和速度数据) , 而且没有管道数据, 这些都为完整的测试增加了困难。在实际实现中系统只好采取一种随机产生安控参数的办法。

(2) 原子事实

原子事实主要描述各个状态变量是否连续多点越界的信息。一般以这种Si (Y, Vk, 20, Z) 形式表示, 其含义是遥测 (Y) 弹道速度 (Vk) 连续20点超越炸毁线 (Z) , 用来表示规则知识库中的一个前提条件或者结论。其实则是方便进行安全判断的推理而提出的中间变量。

(3) 规则知识库

规则知识库主要描述火箭安控系统中的规则知识, 由多个原子事实组成, 采用才产生式的表示形式, 如下所示:

在此产生式中, 前提条件S1和S3, 结论Sy都是以Si的形式来表示, 为原子事实。如果某条规则的前提条件多于两条, 则可以引入中间变量, 再把规则分成两条来进行存贮;如果某条规则的前提条件少于两条, 则可以在前提2处输入一个9999或其他的代码来表示此条前提无效, 此时就只有一条前提。

在安控系统中, 所得到的安控知识往往是不精确的, 因此系统要在产生式表示的基础上, 具体采用不确定的知识表示形式[5,6], 如下所示:

式中, Ei是规则的前提条件, ωi是规则各前提条件的权值 (∑ωi=1) , H是结论, CF (H, E) (0

式中, “*”表示“取极小”运算。

如果式中前提条件E由多个前提条件Ei组成, 则有如下公式:

产生式 (2) 的表示形式, 可以用不确定性知识表示, 如下所示:

经安控系统弹道数据处理部分可以得到S1可信度CF (S1) =0.8, S3可信度CF (S3) =0.6。

由式 (4) 可得:

规则被激活, 结论H的可信度由式 (3) 得:

根据上面的知识分类, 系统把安控知识用表Para、表Atom、表Rule的形式组织起来, 如图2所示。这样不仅简化了知识库, 便于知识库中知识的组织和管理, 而且避免知识的相互交叉, 保证了知识的相容性和完整性。

2.2 安控决策网络的形成

根据安控知识的分类及不确定性的知识表示形式, 其决策过程可以用一个与/或树来表示, 即用逻辑或门“OR”和逻辑与门“AND”来表示, 建立相应的安控决策网络[7,8]。以部分安控规则 (如表1所示) 为例, 建立如图3所示决策网络。

表1中, “9999”表示此条前提无效, 此规则就只有一条前提。

在图3的决策网络中, 为了使网络结构层次明显, 便于推理决策, 引入了S13、S14、S23、S24几个中间变量结点。

3 安控推理流程

结合安控知识的特点及相应的决策网络, 以Visual C++6.0为开发平台, 构建了安控推理决策模型[9], 如图4所示, 具体的安控推理流程如图5所示。

(3) 结合上述安控推理流程, 采用了面向对象的系统模型, 以Visual C++6.0为开发平台, 实现了上述安控决策系统。图6给出了该系统的仿真实验结果, 包括轨道轨迹的选择、安判结果、落点参数和推理解释四大模块。在具体的实验, 显示了X方向弹道的位置轨迹, 安判结果显示为外测告警、遥测告警、联合告警及炸毁 (催发指令k1) , 推理解释给出了“151.980炸毁”, 并有相应的解释依据。上述仿真实验结果表明, 该系统能有效地进行弹道选择, 实时检测火箭的飞行状态, 给出相应的安控决策方案, 为安控领域专家的最终判断决策提供参考。

4 结论

本文针对现有安控系统存在的缺陷和不足, 结合数据库技术和人工智能中的推理技术, 建立和完善了火箭飞行安全控制决策系统, 它是智能决策支持系统在理论和实践上的一个新突破。实验和仿真表明, 该系统很大程度上提高了火箭安控系统的准确性和可靠性, 能对其进行有效的管理。

摘要：火箭在飞行过程中经常发生各种故障, 因此需要对其飞行状态进行监视、判断, 及时有效地做出相应的安全控制决策。在分析原有火箭安控系统的基础上, 针对火箭飞行的特点及不确定的规则知识, 提出了基于智能决策的火箭安控系统。首先给出了集弹道数据处理和安全控制决策于一体的计算机决策支持系统模型;然后根据安控系统的特点, 对安控知识进行分类, 给出了安控系统知识不确定的表示方法, 形成了相应的安控决策网络;最后以Visual C++6.0为开发平台, 构建了安控推理决策模型, 给出相应的推理流程。仿真实验表示, 该方法 能实时监测出火箭的飞行状态, 对其进行有效的管理, 为安控领域专家的最终决策提供支持。

关键词：安控系统,智能决策,安控知识,决策推理,决策网络

参考文献

[1]张庆振, 李清东, 任章.基于故障模式分析的运载火箭发射决策系统推理技术研究[J].航天控制, 2006, 24 (3) :81-83.

[2]Probabilistic Risk Assessment of the Space Shuttle.A study of the potential of losing the vehicle during nominal operation[R]. (NASA-CR-197808) .New York:Science Application International Corporation, Advanced Technology Division, 28 February, 1995.

[3]李娅, 张建勋, 杨欣.不确定推理模型的火箭安全决策系统[J].重庆大学学报 (自然科学版) , 2010, 33 (10) :118-122.

[4]Zhang Xiaokun, Gong Yingkui, Qu Jianghua.An optimal selection model of the satellite lurk orbit[C].Applied Mechanics and Materials, 2013, 249-250:270-273.

[5]蔡自兴, 徐光佑.人工智能及其应用 (第二版) [M].北京:清华大学出版社, 1996.

[6]黄洪, 任卫红, 余达太, 等.基于故障树的等级测评专家系统模型研究[J].计算机应用研究, 2010, 27 (1) :204-208.

[7]Liao Ruijin, Zheng Hanbo, STANISLAW G.An integrated decision-making model for condition assessment of power transformers using fuzzy approach and evidential reasoning[J].IEEE Transactions on Power Delivery, 2011, 26 (2) :1111-1118.

[8]Wang Jianqiang, Nie Rongrong, Zhang Hongyu.Intuitionistic fuzzy multi-criteria decision-making method based on evidential reasoning[J].Applied Soft Computing Journal, 2013, 13 (4) :1823-1831.

智能决策系统 篇9

智能决策支持系统(IDSS),是将人工智能(AI)和DSS相结合,应用专家系统(ES)技术,使DSS能够更充分地应用人类的知识,如关于决策问题的描述性知识,决策过程中的过程性知识,求解问题的推理性知识,通过逻辑推理来帮助解决复杂的决策问题的辅助决策系统。

2 规则引擎工作原理

规则引擎是基于规则的专家系统(RBES)的一部分。RBES包括三部分:Rule Base(knowledge base)、Working Memory(fact base)和Rule Engine(推理引擎)。结构如图1所示。

推理引擎包括三部分:Pattern Matcher、Agenda和Execution Engine。Pattern Matcher决定选择执行哪个规则,何时执行规则;Agenda管理Pattern Matcher挑选出来的规则的执行次序;Execution Engine负责执行规则和其它动作。

规则引擎的推理步骤如下:

(1)将初始数据输入Working Memory;

(2)使用Pattern Matcher比较规则和数据;

(3)如果执行规则存在冲突,即同时激活了多个规则,将冲突的规则放入冲突集合;

(4)解决冲突,将激活的规则按顺序放入Agenda;

(5)使用Execution Engine执行Agenda中的规则,重复步骤(2)至(5),直到执行完所有Agenda中的规则。

考虑到专家系统具有人机交互功能,在开发过程中,用预设规则的可信度来解决冲突,这里可信度的值设定在0到1之间,并组织成一个链表结构,供系统使用。最后对推理所得到的结论进行可信度累加,其值越高,结论越可信。

3 JSR 94:Java规则引擎API

Java规则引擎API由javax.rules包定义,是访问规则引擎的标准企业级API。Java规则引擎API允许客户程序使用统一的方式和不同厂商的规则引擎产品交互,就像使用JDBC编写独立于厂商访问不同的数据库产品一样。Java规则引擎API包括创建和管理规则集合的机制,在规则集中添加、删除和修改对象的机制,以及初始化、重置和执行规则引擎的机制。

4 Java规则引擎Drools

Drools是用Java语言编写的开放源码规则引擎,实现了JSR 94 Rule Engine API并提供了单元测试代码。应用了Rete核心算法。Drools提供了声明式程序设计,并且使用域描述语言(DSL)来描述用户问题域。目前Drools被纳入JBoss门下,更名为JBoss Rules,成为了JBoss应用服务器的规则引擎。Drools允许使用声明方式表达业务逻辑。可以使用Java/xml语法编写规则,可以将Java代码直接嵌入规则文件中。Drools还具有其它优点:非常活跃的社区,易用,快速的执行速度,在Java开发人员中流行以及JSR94兼容等。

5 在Eclipse IDE中搭建Drools开发平台

具体步骤如下:

(1)在官方网站下载Eclipse 3.2,并且安装到D盘E-clipse文件夹下;

(2)到官方网站下载Drools-4.0.4-eclipse3.2.zip插件包文件,解压后把features和plugins文件夹下的内容直接覆盖到Eclipse相应的目录下即可;

(3)下载GEF,开始—打开eclipse—Help/Software Updates/Find and Install—Search for new features to install—点击New Remote Site—Name:随便填一个名字,U-RL:http://download.eclipse.org/tools/gef/update-site/releases/site.xml—然后一直下一步—结束;

(4)重启Eclipse,工具栏多了一个图标就是Drools的标志,完成安装。然后可创建一个Rule Project,能够为编规则文件提供自动完成的功能,并且提供了Agenda view、Working Memory view、Global Data view,可以通过Eclipse视图很清楚的看到Agenda、Working Memory和Gl-obal Data的情况。

6 结束语

结果证明,使用规则引擎可以显著降低实现应用程序中业务规则逻辑部分的复杂性,而且更容易维护和扩展。

摘要：提出了解决基于规则专家系统的规则冲突的方法,构建了使用Eclipse和Drools的集成开发环境。

关键词：规则引擎,智能决策支持系统,JSR 94,Drools

参考文献

[1]胡于进,凌玲.决策支持系统的开发与应用[M].北京:机械工业出版社,2006-09:124-169.

[2]庞伟正,金瑞琪,王成武.一种规则引擎的实现方法[J].哈尔滨:哈尔滨工程大学学报,2005(6):385-389.

[3]张宇,陈德礼.Drool规则引擎应用分析[J].福建:福建电脑,2007(10):11-12.

智能决策系统 篇10

从20世纪50年代起, 国内外就已经进行了很多高炉过程控制方面的研究。从早期的单一静态模型到70年代的基于理论推理与实践相结合的炉况综合判断 (GO-STOP) 系统, 80年代出现的基于规则库和推理机的炉况诊断专家系统, 90年代结合数学模型的多目标专家系统, 近年又出现了直接参与控制的闭环专家系统。国外具有代表性的专家系统有芬兰罗德洛基专家系统[1,2,3]、奥钢联VAIron专家系统[1,2];国内有冶金部自动化研究院 (现名冶金自动化研究设计院) 的河北钢铁集团宣化钢铁集团有限责任公司和马鞍山钢铁股份有限公司高炉专家系统[1,4], 中国科学院的河北钢铁集团石家庄钢铁有限责任公司高炉专家系统[5], 北京科技大学与首钢集团合作的高炉冶炼专家系统, 浙江大学的高炉智能控制专家系统[6,7]等。

由于国外专家系统是基于原料品位高、稳定性好、监测数据齐全的高炉开发的, 因此虽然价格昂贵, 但在国内的使用效果却并不理想。而国内专家系统或偏重炉况炉热诊断专家系统, 或偏重优选法寻找最优操作模式, 功能相对单一, 故不少未能坚持下去。另外, 以上系统大都没有把专家系统与决策支持结合起来, 没有提供建立在一代炉龄数据库基础上的数据分析方法。

为此, 本文开发了基于专家系统的高炉智能诊断与决策支持系统, 并于2006年在江苏沙钢集团有限公司华盛炼铁二分厂6#高炉 (以下简称“沙钢6#高炉”) 应用, 充分发挥了计算机、人工智能与辅助决策的综合作用, 降低了异常炉况出现频率, 保障了高炉顺行, 达到了“高产、优质、低耗、长寿”的目的, 解决了工长凭经验判断炉况的片面性、工艺改进缺乏数据和分析方法、手抄报表费时易错等问题, 通过代替工长思考和帮助工长思考, 给工长省力, 实现了高炉智能诊断与决策支持。

1 系统组成

系统构成如图1所示。沙钢6#高炉原有位于主控室的监控高炉本体、上料、热风炉的工业计算机各两台, 采集数据的PLC包括高炉本体、热风炉、上料、喷煤、化验室PLC各一台, 构成生产局域网。本项目在主控室增加两台计算机作为服务器和客户端, 并新增一台打印机 (见图中虚线框内部分) , 其中服务器可以通过公司网与信息中心和厂办连接, 客户端可以增加为多个, 只要能连接服务器的均可。系统在服务器上运行数据采集软件模块和数据库, 将PLC检测参数处理后存储在数据库中, 高炉智能诊断与决策支持系统软件模块运行在客户端上。

运行在服务器上的数据采集软件模块以10 s, 1 min, 1 h, 1 d为周期, 对来自高炉本体、热风炉、上料系统、化验室和喷煤PLC的检测数据 (包括温度、压力、流量、出铁出渣成分、铁水质量、加料组成及质量) 进行处理后存储到数据库。数据处理包括对直接采集数据进行二次计算获得透气性指数、压量指数、全压差、鼓风动能、理论燃烧温度等, 并对冷风流量、热风压力、热风温度、料速等数据进行波动和梯度计算, 其中, 波动用于表征数据变化幅度, 梯度表征变化方向及加速度。

数据库采用关系型数据库, 记录了所有采集的过程数据和手工录入数据。共有数据表160余个, 按记录是否递增分为动态表和静态表。

动态表包括实时数据表、预处理数据表、历史数据表、生产数据表、统计数据表等。其中, 实时数据表是秒级记录的暂存, 每10 s一条记录, 对秒级数据均需进行均值滤波处理, 个别随加料周期变化的数据 (如十字测温等) 还需进行加料周期内滑动均值滤波处理;预处理数据表是分钟级记录的暂存, 每1 min一条记录, 这些表主要用于炉况诊断;历史数据表为小时级, 以1 h为间隔长期存储记录 (一代炉龄) , 主要作为数据仓库之用, 其中的炉缸温度也作为长期炉况趋势的判断依据;生产数据表包括出铁、出渣、变料、炉顶煤气成分等数据表, 这些表的记录是不定期的, 相应的生产事件发生时才记录;统计数据表为天级, 以1 d为间隔长期存储记录 (一代炉龄) , 主要包括利用系数、焦比等日生产指标。

静态表包括设备信息、数据字典、系统设置、人员信息、常数等表。每张表保存数据条数可以设置, 存储过程中数据库定期删除过期数据, 清理超过存储数目的记录以确保数据库不过度膨胀。此外, 还设有数据库阈值自学习功能, 供存储过程定期进行专家系统阈值自学习。自学习采用统计自学习方式, 可学习目标值 (最理想情况) 、正常值上下限 (高炉正常情况) 、极大极小值 (高炉异常但不是非常严重) 、最大最小值 (高炉炉况严重异常, 或者数据出现错误) , 并根据学习结果以一定学习率更新原阈值。该自学习算法在学习目标值、正常值上下限时, 以某个指标量作为抽取学习样本的参照, 指标量应该能够表征高炉状态, 一般为利用系数、焦比或冷风流量。指定指标量正常取值范围后, 系统自动抽取样本, 统计样本偏态分布 (相对于正态分布有一定的偏移) 的期望值作为目标值, 取某百分比作为正常值上下限。极大极小值、最大最小值的学习基于全体样本取某百分比。

2 系统功能

运行在客户端上的高炉智能诊断与决策支持系统软件模块, 通过生产管理、炉况诊断和数据分析等功能, 实现高炉状态分析和炉况诊断, 为决策提供支持。

2.1 生产管理

在客户端上进行生产管理时, 采用高炉配料计算Excel程序进行配料计算, 该程序将配料计算公式定义到Excel单元格中, 可以根据原料成分、焦炭水及配比的修改立即计算出焦比、碱度等, 一次操作几秒即可完成, 配料后使用变料单窗体导入高炉配料计算Excel文件, 系统自动将本次物料成分及配比等数据存入数据库。有新出铁时, 系统自动从化验室PLC读取铁渣成分、铁水质量等, 计算理论铁量、理论渣量、残存铁量等, 并由操作人员在出铁出渣画面手动输入估计成分和铁水去向。化验室电话通知炉顶煤气化验成分时, 由操作人员在混合煤气成分画面手动输入煤气成分、煤气利用率和热值。调整风口后, 操作人员可以在风口参数画面手动输入风口直径和长度等参数。班次结束时, 操作人员在交接班画面输入交接班记录。每天生产结束时在高炉日志画面生成日报并打印, 在加料报表画面生成加料报表并打印。每月结束时在高炉月报画面生成高炉月报并打印。报表以Excel文件形式存储在指定的年月目录中以便查看。

2.2 炉况诊断

高炉生产操作主要是配料并把炉料及时装入炉内、保持煤气流与炉料良好接触并使炉料均匀下降以及保持规定的炉缸热状态, 从而获得合格的生铁。由于高炉是密闭机组, 难以直接了解炉内情况, 因此通常高炉工长要监视许多表征炉内反映炉况的参数并综合判断, 出现异常或失常炉况时及时调整, 以保证高炉顺行, 这是工长最主要的工作。在本系统中, 炉况诊断由专家系统根据建立的规则由推理机自动完成。

2.2.1 建立规则库

规则库存储根据熟练工长判断炉况的经验和炼铁工艺理论编写的规则。所用规则属于产生式规则, 规则形式为:“If风量>正常值上限and热风压力<正常值下限then炉况=炉温向凉概率=30”, 本规则可解释为:如果风量偏大且风压偏小, 则有30%的可能是炉温向凉。由于对应每种异常炉况都有多条规则, 因此, 我们采用综合运算方法 (又称独立乘积法) , 把相同结论 (规则中then部分) 但前提 (If部分) 不同的规则进行综合运算, 以得出该结论的最终概率。例如当两条规则同时推出炉温向凉时, 如果概率分别为20%和30%时, 经过概率综合运算后的概率为 (1- (1-0.2) (1-0.3) ) ×100=44%, 计算结果表明:如果高炉出现两条规则的前提所示情况时, 则会出现炉温向凉的概率为44%。采用概率综合运算方式, 就可以将多影响因素分别放在多条简单的规则中, 不仅简化了构成规则的复杂度, 而且符合操作员判断炉况的推理思维。

这里值得一提的是, 规则中的“正常值上限”和“正常值下限”是可以改变的阈值, 这是本系统的创新点之一, 具体做法是根据高炉冶炼问题的本质, 将规则分为本体和阈值两种, 规则本体反映的冶炼规律是国内外多年炼铁经验的积累, 在不同高炉上都适用, 属于质的层面;而阈值则反映了不同高炉及同一座高炉不同时期的差异性, 属于量的层面。规则本体是固定的, 阈值是可以改变的, 这样, 规则中的“正常值上限”和“正常值下限”就可以通过阈值自学习或在辅助功能模块的数据界限值画面设置来修改。由多条规则形成的规则库以XML文件的形式保存, 规则库的编辑在专门的专家系统开发工具中完成, 修改规则就像编辑文档一样方便, 修改完成后直接覆盖旧规则库文件就实现了规则库的更新。

2.2.2 推理

推理机定时将高炉实际运行数据 (包括整理的复合数据) 与规则库中的规则进行比较和推理以得到炉况诊断结果。推理使用的事实来源于存储在数据库中的采集数据和输入数据等, 通过将规则库变量与数据表列进行配对可以提取用于推理的数据, 当数据库增加新列时, 不需要修改程序即可将其用于推理。在事实 (包括中间推理结论) 使用完成之前, 系统会一直循环匹配规则库, 每循环一次产生的中间结果存放在冲突集中, 对冲突集进行冲突消解时取规则中优先级高的, 如果优先级相同则取第1个。推理机的推理流程如图2所示, 推理方式为正向推理, 推理过程中保存了规则的匹配状态等, 而略过了已经证真或证伪的规则, 以提高推理效率。推理过程解释图中包括使用的规则、规则成立的原因, 如图3所示。

2.2.3 炉况诊断结果

系统每隔1 min进行炉况短期诊断, 包括边缘过分发展、边缘不足、中心过分发展、中心不足、偏料、悬料、崩料、管道;每隔15 min进行中期诊断, 包括炉温向凉、炉温向热、碱害、低料线;每隔2 h进行长期诊断, 包括炉缸堆积、炉墙结厚。炉况诊断结果中将操作指导以醒目的画面 (如图4所示) 显示供工长决策, 诊断结果按照概率从高到低排列, 并以醒目的饼图方式显示各种异常炉况, 颜色愈红表示发生的几率越大, 颜色越绿表示发生的几率就越小 (图下方显示的“异常炉况”饼图的颜色由左至右分别为红、橙红、黄、浅绿、绿、深绿) 。系统针对各种异常炉况给出操作指导并且保存在数据库中 (可修改) 。

2.3 数据分析

通过数据分析画面可以进行数据挖掘的趋势及频度分析、回归分析、相关分析、主影响因素分析和分布分析, 分析对象是存储到数据库中的所有过程数据, 分析后可以导出Excel格式的分析报告, 还可以保存/打开一个分析, 以避免重复设置。

数据趋势表示特征的连续变化, 高炉生产属大惯性连续过程, 掌握既往炉况变化趋势是进行当前高炉操作的必要条件。本系统设有高炉主要数据趋势的图表及柱状图画面, 进行趋势分析时, 只需设定好时间范围后在备选列表中选好要分析的表的列名, 用鼠标拖拽到绘图区, 系统就可绘制趋势加频度图, 只需拖动红色拉杆就能查看某时刻的具体值, 可以在一个或多个坐标系上同时绘制多个单位相同或不同的量以查看量之间的关系, 还可以切换到柱状图画面查看分布状况。

回归分析是将因果关系定量化的方法, 所得方程可作为经验公式使用。回归分析采用的是基于最小二乘法的多元线形回归和一元多项式回归。操作时只需选择2个以上绘图变量拖拽到绘图变量框, 即可绘制散点图并计算回归方程。

对于影响因素之间的定性关系往往可从操炉实践中获得, 比如风量与产量成正相关关系, 但是其间的定量关系必须通过统计方式才能获得。相关分析通过解协方差矩阵计算过程量两两相关系数, 越接近1表示越正相关, 越接近-1表示越负相关, 接近0表示不相关。本系统设有高炉主要相关数据的图表, 例如要分析鼓风动能、喷煤量、富氧量与炉顶煤气利用率之间的相关关系, 只需在含有该相关数据的图表中, 拖拽至少一个原因变量和至少一个结果变量, 系统即可自动计算变量间的相关系数。

分布分析的一个典型应用是分析一段时间内以十字测温表征的煤气流分布曲线, 该曲线能直观地反映出是否有边缘或中心发展或不足, 是否有管道行程, 这些是衡量炉况的重要依据。分布分析还可以定制成炉体各段温度分布曲线看是否有边缘发展或不足。例如使用十字测温东西向9个点和南北向9个点分别绘制一条曲线, 代表炉顶煤气分布, 指定时间范围后, 该分布图还可代表一段时间内的炉况, 比如一班或一天。

另外, 还可以在工艺计算画面进行物料平衡、热平衡、直接还原度、理论焦比计算, 计算依据物质不灭论和能量守恒定律。指定计算起止时间后, 相关的原料、渣铁、煤气等成分可由系统自动提取平均值并计算, 该计算可以作为报表导出到Excel。工艺计算中常用的鼓风动能、风口区理论燃烧温度、冷却强度等均可在服务器数据处理过程中在线计算。通过工艺计算, 可以检验高炉是否存在丢料和不明热损失等。而Rist操作线反映了矿石氧化度、生铁成分、鼓风量、高炉内铁还原度、炉顶煤气成分等变化与燃料比的关系, 它用于分析高炉内能量利用情况, 探求高炉冶炼最佳条件, 对进一步提高高炉冶炼效果和降低能耗, 具有十分重要的理论和实际意义。在本系统Rist操作线画面中, 只需输入成分即可自动绘图并计算出理论操作线方程、实际操作线方程、炉身效率和节焦潜力等, 如图5所示。

2.4 数学模型

由于高炉过程复杂, 许多表征高炉状态的数据靠经验很难准确判断, 必须经过复杂的计算。为此, 本项目开发了多个数学模型, 包括一般模型 (如配料模型[1]等) 和控制模型, 其中, 控制模型中的炉热推断模型计算碳温指数, 使工长间接了解炉温水平;下料模型计算某溜槽角度的炉料落点, 使工长调整矿石、焦炭的溜槽角度时不再盲目;热风炉燃烧优化模型计算最佳空燃比, 保障送风热量, 保护拱顶和烟道设备;离线软熔带模型根据输入的炉喉径向煤气成分, 采用分割圆筒的方法计算软熔带形状及位置;等等。

2.5 软仪表

软仪表综合了实际单一仪表的测量结果, 通过改变其排列组合和显示方式使检测结果更直观。本项目开发了多个软仪表, 其中有代表性的是炉喉煤气分布 (图6) 。高炉炉内煤气流分布反映炉料与煤气流是否接触良好, 是高炉操作的重要指标, 但由于设置多台或多点切换自动分析炉喉多点的煤气成分系统难以实现且价格昂贵, 因此, 通常利用炉喉料面上各点的煤气温度与其煤气CO和CO2体积分数有关, 采用十字测温装置测量东西和南北两个径向各点温度, 以间接了解煤气流分布。这里我们采用软仪表将通常仪表只能记录的温度与时间关系曲线变换成如图5所示的炉喉径向各点位置与温度的关系曲线;此外, 还利用炉顶测量总煤气成分测得的CO和CO2体积分数、高炉炉喉十字测温装置处的总面积、十字测温径向各点圆环面积, 通过专门的数学模型和每隔一定时间人工分析炉喉各点的煤气CO和CO2体积分数进行修正, 以连续得出径向各点的CO和CO2体积分数关系曲线。

3 技术创新点

(1) 将人工智能与数据挖掘技术结合, 发挥智能诊断、决策支持、管理自动化的综合效应, 提高了工长决策质量;

(2) 立足于现有检测条件对同一炉况建立多条规则, 对不同因素的影响进行概率综合, 增强专家系统诊断准确性和对数据缺失的容错能力;

(3) 区分专家知识中的不变与变, 不变的部分作为规则本体写入规则库, 变化的部分作为阈值由计算机进行统计自学习。这种知识工程方式解决了不同高炉和同一高炉不同时期规则库的适用问题, 大大方便了专家系统的推广, 增强了专家系统的鲁棒性;

(4) 建立了一代炉龄数据库, 并在此基础上为工长提供了趋势频度分析、相关分析、回归分析、主影响因素分析等手段, 分析场景可保存, 可导出分析报告;

(5) 开发了Excel配料程序及配料Excel文件导入程序, 使配料只需几秒即可完成。

4 总体性能指标与国内外同类先进技术的比较

沙钢6#高炉总体性能指标与国内外同类先进技术的比较如表1所示。

本系统与国外先进技术对比, 优点是对原燃料、基础自动化无特殊要求;规则与阈值分离以及结合阈值自学习使专家系统规则修改方便, 且有自适应能力;提供一代炉龄数据库基础上的数据挖掘工具;具有丰富的中文报表;成本低。不足之处是数学模型不多, 特别是依赖于特定数据的工艺模型少, 这主要是考虑到国内大部分钢铁厂的设备和原料条件较差, 导致工艺模型很难适用。

5 经济效益

厂方统计了沙钢6#, 7#, 8#高炉2006年8~11月的指标, 见表2, 这3座高炉类型和容积相同, 6#高炉应用了专家系统, 而7#和8#高炉未使用。

按生铁目前市场价2 400元/t, 生铁利润300元/t, 焦炭价格1 000元/t, 煤价格600元/t, 每年按实际生产353 d计算, 根据表1可得到本系统使用后所带来的经济效益如下:新增产值2 795.76万元/a, 增产利润349.47万元/a, 降低焦比节支428.47万元/a, 增加喷煤成本146.9万元/a, 年增收节支总额631.04万元/a, 新增利税788.22万元/a。上述经济效益是经财务部门认可并盖章的。该项目总投资为100万元, 由此可见, 其投资回收期不到2个月。

6 结束语

本系统已在江苏沙钢集团华盛炼铁二分厂6#高炉上使用7年, 并申报项目专利一项[8]。

本系统对已具备基本的基础自动化条件的中小高炉均可推广, 项目周期在2个月以内。对基础自动化齐全的大高炉, 如果原燃料及铁渣成分分析准确、及时, 还可扩充规则库和有针对性地增加数学模型。由于规则具有开放性以及专家知识具有通用性 (指其中定性部分) , 因此专家系统会随着项目的推广和工艺人员的改进越来越强大。

本系统的推广将使第2代高炉操作水平发生质的飞跃, 能提高操炉科学性和管理信息化水平, 起到稳定炉况、节能降耗、降低成本作用。本系统作为厂级信息化节点可在其上构建三级系统, 实现计划执行跟踪、铁水质量跟踪、能源管理、指标横向对比分析等功能, 从而提高全厂信息化水平。

参加本系统共同开发的还有冶金自动化研究设计院何岱、祝小鸥, 江苏沙钢集团有限公司孙自卫、陆亚飞、崔崇高、高永生、钱兴南等同志。

摘要：根据国内外高炉自动化的进展及运行经验, 开发了基于专家系统的高炉智能诊断与决策支持系统, 其主要特点是低成本、功能齐全、实用、先进和经济效益明显, 它是在原有系统中增设少量硬件而成。该系统实现了生产管理、炉况诊断、数据分析、数学模型和软仪表等功能。系统投入使用后, 起到稳定炉况、节能降耗、降低成本的作用。

关键词：专家系统,智能诊断,决策支持,高炉

参考文献

[1]马竹梧.炼铁生产自动化技术[M].北京:冶金工业出版社, 2005.

[2]马竹梧.高炉专家系统的最新进展[J].世界钢铁, 2003, 3 (5) :1-6.

[3]马竹梧, 许祖泽.芬兰罗德洛基拉赫钢铁厂自动化[J].冶金自动化, 1999, 23 (5) :6-11.

[4]冯云凤, 王文敬, 马竹梧, 等.高炉异常炉况预报专家系统在宣钢300高炉上的应用[J].冶金自动化, 1993, 17 (5) :36-39.

[5]孙铁栋, 张京, 杨章远, 等.石钢高炉炉况智能预测系统[J].冶金自动化, 1996, 20 (4) :27-30.

[6]刘祥官, 刘芳, 李满喜, 等.炼铁优化专家系统在济钢高炉的应用[J].冶金自动化, 2001, 25 (2) :15-19.

[7]刘祥官, 刘显著, 蒋美华, 等.智能控制专家系统在莱钢高炉的应用[J].冶金自动化, 2002, 26 (6) :15-18.

智能决策系统 篇11

射频识别(Radio Frequency Identification,RFID)是一种自动识别技术,已被广泛用于获取信息,它具有识别距离远、安全性高、可实现多目标识别、环境适应性强等优点,非常适用于危险品物流的监控管理。但由于缺乏与之配套的危险品物流智能决策系统,利用RFID技术所获取的数据信息无法有效地为物流企业和监管部门提供决策参考[3]。

1 基于射频识别的危险品物流智能决策系统框架

智能决策系统是在决策支持系统DSS的基础上集成人工智能(Artificial Intelligence,AI)而形成的管理系统平台,它可对复杂问题、不确定性问题及非结构化问题进行建模、推理和求解,从大量的数据中提取有用的信息和知识并做出决策。智能决策系统的核心思想是将人工智能与其他相关技术有机结合,进一步提升系统辅助决策的能力和范围。

基于射频识别的危险品物流智能决策系统(下文中简称“系统”)是从危险品物流管理的现状和需求出发,综合国内外最新的危险品物流管理模式和解决方案,构建基于RFID技术、数据通信网络、GPS全球定位系统、GIS地理信息系统、GPRS技术和专业模型,对危险品物流进行管理决策的智能化系统。智能决策系统的结构如图1所示,它包含用户接口子系统(人机交互系统)、数据库子系统、模型库子系统、知识库子系统和方法库子系统等组成部分,这些部分联成有机统一的整体,支持决策的制定。

系统以数据仓库(DW)为基础,将联机分析处理(OLAP)、数据挖掘(DM)、人工智能(AI)和射频识别(RFID)技术有机结合起来,充分发挥各自的特长[4]。通过货物和运输车辆上的RFID标签实时采集相关信息,整合企业的物流资源,根据模型优化运输路线,确定最优的物流方案(包括货物的收集方案、装配方案、运输方案、应急救援方案等),节约运输成本,综合运用GPS全球定位系统、GIS地理信息系统和GPRS技术实时跟踪危险品的运输,确保应急救援的有效性,保证危险品运输的快速、可靠和实效性,从而提高企业的运行效率,提高管理决策的科学性,增强企业对物流过程的宏观管理与调控能力。

2 系统的主要功能

为将RFID技术真正用于危险品物流的管理和智能决策,系统应具备以下功能:

(1)危险品动态监测:系统应全程跟踪危险品,在其物流活动的各个环节主动完成危险品的信息监测,实时获取其状态的完整信息,只要危险品进入监测的有效范围,系统便能自动触发阅读,并将所读取的信息自动录入系统数据库。

(2)信息融合:信息融合是指利用计算机技术、通信技术对来自同类(或不同类)的多源信息按一定规则进行自动分析和综合后自动生成人们所期望的合成信息[5]。基于射频识别的危险品物流智能决策系统不但要将来自RFID、传感器、GPS和移动终端的信息进行实时融合,而且要把实时融合信息与来自物流订单、过程、企业ERP和CRM等应用系统的信息进行融合。

(3)智能决策:要从大量的危险品动态监测信息中发现数据规律或数据的相互关系,通过机器自动识别的方式减少人工干预,为用户的决策分析提供智能的、自动化的辅助。包含2个子功能:(1)积累企业运作各类危险品物流的历史数据,利用数据挖掘工具和知识发现工具,采用多目标优化决策等人工智能算法,及时发现企业现有运行过程的缺陷,借鉴CMM(成熟度模型)的思想,运用相关的定量模型,通过循序渐进的方式提高企业危险品物流能力。(2)针对危险品物流的特殊性,在发生物流事故的情况下,系统应提供应急预案选择、应急物资查询、应急道路选择等功能。

(4)信息查询:根据用户的需求生成各类数据视图,对物流过程进行实时、可视化的管理。企业用户和各级监管部门可以根据自身的需要查看危险品物流的相关实时信息,包括危险品信息、运输车辆及驾驶员信息、车辆的行驶路径信息、紧急救援信息等。危险品信息主要有类别、名称、数量、实时状态(位置、温度、湿度等)等。运输车辆信息主要有车辆类型、编号、最大载货量、最大容量、车厢的尺寸(长、宽、高)、车辆位置等。

3 系统的关键技术

3.1 RFID系统设计

基于射频识别的危险品物流智能决策系统的RFID系统结构如图2所示,它主要包括RFID标签、RFID阅读器、RFID中间件和数据通信网络等4个部分。

RFID标签放置在要识别的物体上,用来存储信息。为了避免更换电池时损坏标签数据,同时满足快速、远距离识别的要求,宜选用无源、工作在超高频段的可读写RFID标签。

RFID阅读器负责读或读/写RFID标签的内容。由于危险品运输车辆的移动速度较快,系统宜采用具备高速识别能力的双通道RFID阅读器,确保在不停车的情况下,不遗漏的读取标签存储的数据信息,提高系统的可靠性。

RFID中间件是RFID系统的核心组件,其主要任务是屏蔽不同RFID硬件设备(芯片、标签和读写器等)、操作系统和数据库等的差异,对阅读器传来的与RFID标签相关的事件和数据进行过滤、汇集和计算,从大量的原始数据中抽取有意义的信息,减少从阅读器传往后端数据库和应用软件的原始数据量,并融合来自GPS、GIS和GPRS等移动智能终端的信息,实时获取货物状态的完整性信息。

数据通信网络将RFID中间件抽象和融合后的信息传递到后端数据库和应用软件。

3.2 RFID碰撞处理

系统通过在物流路径的关键位置设置阅读器,监控进入阅读器识别范围、并携带有RFID标签的车辆,自动完成阅读器与RFID标签的通信和信息交换。RFID标签只要进入阅读器的工作范围,就会收到阅读器的射频信号而工作。当工作范围内同时出现了多个阅读器和多个标签时,阅读器与阅读器之间、标签与标签之间的相互干扰现象称为碰撞。碰撞会导致系统读取信息失败,影响决策结果,因此在发生碰撞时,要执行对应的防碰撞程序,确保系统的正常工作。目前,典型的防碰撞算法有两种:一是基于Aloha的算法,又称为随机性算法;二是基于树的算法,又称为确定性算法。基于Aloha的防碰撞算法原理简单、容易实现,但响应时间不确定,当需要识别的标签数量较多时系统性能将明显下降,甚至会出现个别标签永远无法被识别的情况,后者对于危险品物流来说,将会是一个致命的缺陷,因此应选择基于树的算法来处理RFID数据碰撞现象。

3.3 紧急救援辅助决策

紧急救援辅助决策是系统的核心功能之一。紧急救援事件触发时,系统需要提供两方面的信息:一是危险品的详细信息,二是救援资源的详细信息。为了实时响应辅助决策的需求,系统应采用性能优越的数据库管理系统(如SQL Server)实现危险品智能决策信息专家库的功能。紧急救援专家库包含危险品信息专家库和救援资源信息专家库两部分。

危险品信息专家库主要提供危险品信息的管理和查询功能。具有相应权限的用户可以增加、修改和删除危险品的信息,也可以按名称等属性查询危险品的各类参数、事故处理预案、对应的救援物质等信息,并生成符合用户需求的视图。

救援资源信息专家库应提供救援资源信息的管理和查询功能。具有相应权限的用户可以增加、修改和删除各类救援资源的信息,也可以按辖区等属性查询各救援单位和救援资源的信息,并生成符合用户需求的视图。

4 结束语

通过开发基于射频识别的危险品物流智能决策系统,可建立企业的商业智能,能有效帮助企业规范和持续改进企业的运作流程,合理调配内部和外部资源,实施物流运作的精细管理,打造“实时精细物流”,全面提高企业的竞争力,同时能实现物流过程的实时监管,减少危险品物流的风险和灾害损失。

参考文献

[1]高贫,刘大斌,倪欧琪.危险化学品管理现状及其分类的一般程序[J].爆破器材,2004,12(33):116-120.

[2]孙代平.一种危险化学品罐箱/槽车的实时监测系统[D].大连:大连理工大学,2006:13-14.

[3]闫利勇,陈永光.危险化学品公路运输事故新特点及对策研究[J].中国安全生产科学技术,2010,8(4):65-70.

[4]焦李成,刘芳,刘静,等.智能数据挖掘与知识发现[M].西安:西安电子科技大学出版社,2006.