CN102129242A - 基于两层混合智能优化的批处理生产过程产品质量控制方法 - Google Patents

基于两层混合智能优化的批处理生产过程产品质量控制方法 Download PDF

Info

Publication number
CN102129242A
CN102129242A CN2011100907161A CN201110090716A CN102129242A CN 102129242 A CN102129242 A CN 102129242A CN 2011100907161 A CN2011100907161 A CN 2011100907161A CN 201110090716 A CN201110090716 A CN 201110090716A CN 102129242 A CN102129242 A CN 102129242A
Authority
CN
China
Prior art keywords
algorithm
particulate
batch processing
quality control
production
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2011100907161A
Other languages
English (en)
Inventor
贾立
程大帅
施继平
曹鲁明
袁凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN2011100907161A priority Critical patent/CN102129242A/zh
Publication of CN102129242A publication Critical patent/CN102129242A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明公开了一种基于两层混合智能优化的批处理生产过程产品质量控制方法。本方法通过对批次产品质量控制量进行优化控制可以保证批处理生产过程取得最大收益，涉及到工业中的批处理生产过程和智能算法以及传统数学计算方法。本方法首先根据工业生产特点把批处理生产过程的终点作为优化目标，批处理生产过程中的限制条件作为目标函数的约束条件，然后使用本发明提出的基于智能算法和传统数学计算方法对批处理生产过程产品质量优化控制，并用迭代法以迭代方式消除模型误差，从而使优化性能指标渐次达到最优。本方法通过结合智能算法和传统数学计算方法的特点，可以保证在批处理生产过程中取得最高的产品质量。

Description

基于两层混合智能优化的批处理生产过程产品质量控制方法
技术领域
本发明涉及批处理生产过程和智能计算两大领域。具体而言，是指一种基于两层智能混合优化的批处理生产过程产品质量控制方法。
背景技术
现代过程工业正逐渐由生产大批量、通用性的基础材料向即生产基础材料又生产小批量、多品种、系列化、高附加值的专业产品发展，并以高新技术为基础、以市场需求为导向、以产品具有特定功能、高附加值、小批量、多品种、系列化为特点。批处理生产过程(Batch Process)具有小批量、多品种、系列化、合成步骤复杂、技术密集等特点，能够满足现代过程工业的特点和要求。目前，批处理生产过程广泛应用于半导体加工、制药、注塑、造纸、发酵等领域，其中在制药和造纸领域，批处理生产过程所占的比例已经达到了80%以上，如图1所示。可以预见，随着21世纪精细化工和制药工程等领域的飞速发展和相关产品的研发和生产，批处理生产过程作为一种具有很强生命力的一种现代过程工业的生产形式，将发挥更大的作用。
企业在批处理生产中最关注的问题是如何提高每批次生产的产品质量，即要研究如何在有限的资源下确定最佳的生产策略，尽可能地提高设备使用率和生产效率，从而最大程度地提高产品质量。其中批次处理单元是批处理生产过程中的最小组成单位，是实施优化和控制的基础。对批处理单元的优化控制包括确定最优操作轨迹和实施最优操作轨迹的跟踪，这里最优操作轨迹是指生产过程中易于测量的控制变量如温度、流量、体积等在整个生产过程中的变化曲线。在最优操作轨迹确定的条件下，批处理生产过程处理单元的最优控制实际上是跟踪控制，其目标是过程变量快速准确地跟踪既定轨迹，从而满足优化指标的要求。因此， 当最优操作轨迹确定后，批次生产过程对最优轨迹的跟踪实际上是一个带约束的非线性优化问题。
批处理生产过程不同于连续生产过程，具有一些特殊的性质，如在整个生产过程中没有稳定的工作点、运行时间有限、运行具有重复性等等，这些特点给批处理生产过程的优化带来了很多困难。目前，工业界对批处理生产过程产品质量的优化通常是采用确定性的优化方法，如序贯二次算法（Sequential Quadratic Programming，SQP）。由于SQP算法具有良好的局部收敛性和较快的非线性收敛速度引起了研究者的广泛关注，但较快的收敛速度往往使得SQP算法容易陷入局部最优解。对于该问题，目前工业生产中还提出行之有效的应对方案。近年来，随着计算机科学的发展，许多智能优化方法，如遗传算法、模拟退火算法、蚁群算法和粒子群算法等，是解决优化问题的一个重要途径，具有较大的潜能。其中，微粒群算法（Particle Swarm Optimization ,PSO）算法以其强大的全局搜索能力、鲁棒性以及简单易实现的特点引起了研究者的广泛关注。PSO算法是Eberhart博士和kennedy博士于1994年通过研究鸟群捕食的行为所提出的一种群体智能算法。PSO 的基本思想是首先假设存在一个群体，群体中每个个体都具有一个位置和一个速度信息，评价函数依据个体的位置信息，计算每个个体对评价函数的适应度；然后个体依据其位置和速度信息向种群中具有最优适应度的个体移动进入新一代的种群。由于PSO 具有实现简单，控制参数少，稳定性强，并且具有全局收敛的优点，目前已广泛应用于约束优化计算、模糊控制器优化设计、神经网络优化、滤波器设计等方面。但是，PSO算法移动方式采用的是个体当前位置信息加上当前速度信息，这种方式使得PSO算法对于局部搜索能力不足，最优解精度往往不能达到要求。
为了更好地对批处理生产过程产品质量进行优化求解，本发明设计了一种PSO算法和SQP算法结合的两层智能算法，该两层算法利用PSO算法强大的全局搜索能力先将问题的可行解限定在相对较小的范围内，然后再采用SQP算法在这个小范围内精确搜索，从而得到问题的全局最优解。
发明内容
本发明的目的在于针对已有技术存在的缺陷，提供一种基于两层混合智能优化的批处理生产过程产品质量控制方法，能更好地对批处理生产过程产品质量进行优化控制。
本发明的技术关键是要解决传统数学优化方法和智能计算方法不能得到批次生产过程的最优解的问题。
本发明的技术方案是：一种基于两层混合智能优化的批处理生产过程产品质量控制方法，通过数据采集、数据驱动、优化控制、实验验证等手段，首先建立批处理生产过程的数据驱动模型，然后基于该模型设计批处理生产过程产品质量的迭代学习优化控制策略，具体采用两层智能混合优化算法计算出产品质量的最优控制序列，利用PSO算法在求解空间中搜索得到次优化解，再以此作为SQP算法的初始点，对问题进行局部精细搜索，从而提高SQP算法的求解能力。实施中通过种群多样性判定指标在PSO算法和SQP算法中进行切换，经过几个批次后，产品质量控制序列将收敛到最优解。
本方法的具体操作步骤如下：
(1) 数据采集：采集工业生产中批处理生产装置的现场操作数据，综合历史数据和操作经验，确定产品质量数据驱动软测量模型的输入变量和目标变量，分别记为                                                
Figure 2011100907161100002DEST_PATH_IMAGE001
和
Figure 2011100907161100002DEST_PATH_IMAGE002
（其中
Figure 2011100907161100002DEST_PATH_IMAGE003
表示生产批次，
Figure 2011100907161100002DEST_PATH_IMAGE004
表示输出产品质量变量，
Figure 2011100907161100002DEST_PATH_IMAGE005
表示对应产品质量的输入控制变量）；
(2) 数据处理：对步骤(1)中采集到的实际工业装置运行数据进行数据预处理，剔除部分异常工况数据点，构造样本集
Figure 2011100907161100002DEST_PATH_IMAGE006
，取其中的样本数据作为训练集
Figure 2011100907161100002DEST_PATH_IMAGE008
，剩余的样本数据则作为测试集
Figure 2011100907161100002DEST_PATH_IMAGE009
；
(3) 建立模型：用训练集
Figure 272824DEST_PATH_IMAGE008
建立批处理过程产品质量数据驱动软测量模型，并用测试集
Figure 189964DEST_PATH_IMAGE009
进行验证，该软测量模型对批处理生产过程产品质量进行预测；
(4) 算法初始化：借助步骤(3)建立的批处理生产过程产品质量软测量模，采用两层智能混合算法对批处理生产过程进行优化控制，得到产品质量最优控制操作序列（轨迹）,根据实际批处理生产过程的情况，将每条产品质量控制操作轨迹记为PSO算法中的第
Figure 2011100907161100002DEST_PATH_IMAGE010
个微粒,
Figure 2011100907161100002DEST_PATH_IMAGE012
，其中
Figure 2011100907161100002DEST_PATH_IMAGE013
和
Figure 2011100907161100002DEST_PATH_IMAGE014
是与实际生产环境有关的常数，与具体的批处理生产设备有关，
Figure 2011100907161100002DEST_PATH_IMAGE015
是微粒的维数，与具体的生产过程有关；同时将相应的产品质量控制操作轨迹的变化记为PSO算法中微粒速度
Figure 2011100907161100002DEST_PATH_IMAGE016
，
Figure 2011100907161100002DEST_PATH_IMAGE017
，其中
Figure 2011100907161100002DEST_PATH_IMAGE018
和
Figure 2011100907161100002DEST_PATH_IMAGE019
是常数，由用户设定；
(5) 参数设置：根据批次生产的实际情况，设定PSO算法中的各个控制参数，包括种群规模
Figure 2011100907161100002DEST_PATH_IMAGE020
，
Figure 2011100907161100002DEST_PATH_IMAGE021
为自然数，微粒的位置范围
Figure 2011100907161100002DEST_PATH_IMAGE022
，速度范围
Figure 2011100907161100002DEST_PATH_IMAGE023
，速度权重
Figure 2011100907161100002DEST_PATH_IMAGE024
，学习因子
Figure 2011100907161100002DEST_PATH_IMAGE025
和
Figure 2011100907161100002DEST_PATH_IMAGE026
；
(6) 数据输入：把微粒所代表的产品质量控制操作轨迹作为批处理过程生产设备的输入量，这里借助步骤(3)建立的批处理过程产品质量软测量模型预测产品质量，将相应的输出产品质量作为评价指标，用来衡量控制操作轨迹的优劣。对第
Figure 2011100907161100002DEST_PATH_IMAGE027
个微粒，选择使产品质量性能指标最优的微粒位置
Figure 2011100907161100002DEST_PATH_IMAGE028
作为该微粒的最优位置
Figure 2011100907161100002DEST_PATH_IMAGE029
，即该微粒代表的产品质量控制操作轨迹；
(7) 选取全局最优微粒：在
Figure 2011100907161100002DEST_PATH_IMAGE030
个微粒中选取使产品质量性能指标最优的微粒位置
Figure 2011100907161100002DEST_PATH_IMAGE031
作为全局最优位置
Figure 2011100907161100002DEST_PATH_IMAGE032
。考虑到在算法迭代后期，种群的最优解已经接近于问题的全局最优解，这时应当减小微粒的移动速度使得微粒能够在一个相对较小的范围内进行精确搜索，动态惯性权重
Figure 2011100907161100002DEST_PATH_IMAGE033
按照公式
Figure 2011100907161100002DEST_PATH_IMAGE034
计算（其中是惯性权重
Figure 159581DEST_PATH_IMAGE024
的起始值， 
Figure 554791DEST_PATH_IMAGE003
是当前的迭代次数）；
(8) 位置和速度更新：更新产品质量控制操作轨迹变化率，公式为：
Figure 2011100907161100002DEST_PATH_IMAGE036
；更新产品质量控制操作轨迹，公式为：
Figure 2011100907161100002DEST_PATH_IMAGE037
。式中
Figure 2011100907161100002DEST_PATH_IMAGE038
和是介于
Figure 2011100907161100002DEST_PATH_IMAGE040
之间的随机数，用于保持种群的多样性；
Figure 57579DEST_PATH_IMAGE025
和
Figure 880041DEST_PATH_IMAGE026
为学习因子；
(9) 计算种群多样性：计算整个群体代表的产品质量控制操作轨迹的多样性：
Figure 2011100907161100002DEST_PATH_IMAGE041
，其中
Figure 2011100907161100002DEST_PATH_IMAGE042
为种群中的产品质量控制操作轨迹总数，
Figure 209391DEST_PATH_IMAGE027
代表第
Figure 470608DEST_PATH_IMAGE027
微粒，
Figure 2011100907161100002DEST_PATH_IMAGE043
为种群中的第条产品质量控制操作轨迹，
Figure 711281DEST_PATH_IMAGE032
为种群的全局最优产品质量控制操作轨迹，
Figure 2011100907161100002DEST_PATH_IMAGE044
为两个产品质量控制操作轨迹之间的欧式距离；
(10) 算法选择：通过设定参数
Figure 2011100907161100002DEST_PATH_IMAGE045
切换PSO算法和SQP算法，即当产品质量控制操作轨迹的多样性
Figure 2011100907161100002DEST_PATH_IMAGE046
 时，转向STEP 8，否则转向STEP 4；
(11) SQP算法求解：以STEP1-STEP5搜索的最优解
Figure 2011100907161100002DEST_PATH_IMAGE047
作为初始点，用SQP算法进行精细求解，得到下一批次的产品质量控制操作轨迹。
(12) 计算误差：将步骤(11)中所得到的产品质量控制操作轨迹作为实际批处理生产设备的输入控制量，再与步骤(3)中软测量模型预测值进行比较；
(13) 迭代操作：利用由步骤(11)中得到误差修正调整下一批次的产品质量控制操作轨迹；
(14) 结束判断：如果产品质量满足要求则停止，否则转到步骤(4)继续进行优化。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：
本发明是一种能够应用于批处理生产过程的两层PSO-SQP智能方法，该方法结合批处理生产过程产品质量优化控制问题的特点和各种约束条件，利用PSO算法在非线性问题求解及大尺度空间搜索上的优势，结合SQP算法求解精度高的特点，通过迭代改变批处理生产过程鲁棒优化收缩控制变量的搜索域，减少模型误差，从而使优化性能指标渐次达到最优。同时，在迭代学习控制的架构上，利用当前批次所获得的信息，通过两层智能混合优化算法对下一生产批次的控制策略进行修正，从而优化控制轨迹。
附图说明
图1——批处理生产过程和连续在工业生产中所占比例图
图2——两层混合智能优化的批处理生产过程产品质量控制流程图。
具体实施方式
本发明的优选实施例结合附图说明如下：
实施例一：参见图2，本基于两层混合智能优化的批处理生产过程产品质量控制方法，其特征在于在批处理生产过程的优化控制中使用两层智能混合优化算法，这种算法结合PSO算法和SQP算法的优点，具有对复杂的问题求解速度快精度高的特点，具体操作步骤如下：
(1) 数据采集：采集工业生产中批处理生产装置的现场操作数据，综合历史数据分析操作经验总结，确定软测量模型的输入变量和目标变量；
(2) 数据处理：对步骤(1)中采集到的实际工业装置运行数据进行数据预处理，剔除部分异常工况数据点，构造样本集
Figure 590244DEST_PATH_IMAGE006
，取其中的样本数据作为训练集
Figure 912958DEST_PATH_IMAGE008
，剩余的样本数据则作为测试集
Figure 342802DEST_PATH_IMAGE009
；
(3) 建立模型：用训练集
Figure 148210DEST_PATH_IMAGE008
建立批处理过程产品质量数据驱动软测量模型，并用测试集进行验证，该软测量模型对批处理过程产品质量进行预测；
(4) 算法初始化：借助步骤(3)建立的批处理过程产品质量软测量模，采用两层智能混合算法对批处理生产过程进行优化控制，得到产品质量最优控制操作轨迹，根据实际批处理生产过程的情况，将每条产品质量控制操作轨迹记为PSO算法中的第
Figure 66804DEST_PATH_IMAGE010
个微粒
Figure 464287DEST_PATH_IMAGE011
,
Figure 193209DEST_PATH_IMAGE012
，其中
Figure 334340DEST_PATH_IMAGE013
和
Figure 832318DEST_PATH_IMAGE014
是与实际生产环境有关的常数，与具体的批处理生产设备有关，
Figure 603965DEST_PATH_IMAGE015
是微粒的维数，与具体的生产过程有关；同时将相应的产品质量控制操作轨迹的变化记为PSO算法中微粒速度
Figure 616920DEST_PATH_IMAGE016
，
Figure 499425DEST_PATH_IMAGE017
，其中
Figure 412761DEST_PATH_IMAGE018
和
Figure 355310DEST_PATH_IMAGE019
是常数，由用户设定；
(5) 参数设置：根据批次生产的实际情况，设定PSO算法中的各个控制参数，包括种群规模
Figure 855561DEST_PATH_IMAGE030
，其中
Figure 2011100907161100002DEST_PATH_IMAGE048
，
Figure 276178DEST_PATH_IMAGE021
为自然数，微粒的位置范围
Figure 811065DEST_PATH_IMAGE022
，速度范围
Figure 924514DEST_PATH_IMAGE023
，速度权重
Figure 912062DEST_PATH_IMAGE024
，学习因子
Figure 136370DEST_PATH_IMAGE025
和；
(6) 数据输入：把微粒所代表的产品质量控制操作轨迹作为批处理过程生产设备的输入量，这里借助步骤(3)建立的批处理过程产品质量软测量模型预测产品质量，将相应的输出产品质量作为评价指标，用来衡量控制操作轨迹的优劣；对第个微粒，选择使产品质量性能指标最优的微粒位置
Figure 458526DEST_PATH_IMAGE028
作为该微粒的最优位置
Figure 548842DEST_PATH_IMAGE029
，即该微粒代表的产品质量控制操作轨迹；
(7)选取全局最优微粒：在
Figure 730424DEST_PATH_IMAGE030
个微粒中选取使产品质量性能指标最优的微粒位置
Figure 920097DEST_PATH_IMAGE031
作为全局最优位置；考虑到在算法迭代后期，种群的最优解已经接近于问题的全局最优解，这时应当减小微粒的移动速度使得微粒能够在一个相对较小的范围内进行精确搜索，动态惯性权重
Figure 448348DEST_PATH_IMAGE033
按照公式
Figure 812333DEST_PATH_IMAGE034
计算，其中
Figure 172907DEST_PATH_IMAGE035
是惯性权重
Figure 126737DEST_PATH_IMAGE024
的起始值， 
Figure 496539DEST_PATH_IMAGE003
是当前的迭代次数；
(8) 位置和速度更新：更新产品质量控制操作轨迹变化率，公式为：；更新产品质量控制操作轨迹，公式为：
Figure 246506DEST_PATH_IMAGE037
，式中
Figure 855342DEST_PATH_IMAGE038
和
Figure 91151DEST_PATH_IMAGE039
是介于
Figure 101833DEST_PATH_IMAGE040
之间的随机数，用于保持种群的多样性；
Figure 132105DEST_PATH_IMAGE025
和
Figure 228237DEST_PATH_IMAGE026
为学习因子；
(9) 计算种群多样性：计算整个群体代表的产品质量控制操作轨迹的多样性：
Figure 2011100907161100002DEST_PATH_IMAGE049
，其中
Figure 503623DEST_PATH_IMAGE042
为种群中的产品质量控制操作轨迹总数，
Figure 368811DEST_PATH_IMAGE027
代表第
Figure 569985DEST_PATH_IMAGE027
微粒，为种群中的第
Figure 403129DEST_PATH_IMAGE027
条产品质量控制操作轨迹，
Figure 450720DEST_PATH_IMAGE032
为种群的全局最优产品质量控制操作轨迹，
Figure 760478DEST_PATH_IMAGE044
为两个产品质量控制操作轨迹之间的欧式距离；
(10) 算法选择：通过设定参数
Figure 893519DEST_PATH_IMAGE045
切换PSO算法和SQP算法，即当产品质量控制操作轨迹的多样性 时，转向步骤(11)，否则转向步骤(7)；
(11) SQP算法求解：以步骤(4)和步骤(8)搜索的最优解
Figure 786706DEST_PATH_IMAGE047
作为初始点，用SQP算法进行精细求解，得到下一批次的产品质量控制操作轨迹；
(12) 计算误差：将步骤(11)中所得到的产品质量控制操作轨迹作为实际批处理生产设备的输入控制量，再与步骤(3)中软测量模型预测值进行比较；
(13) 迭代操作：利用由步骤(11)中得到误差修正调整下一批次的产品质量控制操作轨迹；
(14) 结束判断：如果产品质量满足要求则停止，否则转到步骤(4)继续进行优化。
实施例二：
本实施例与实施例一基本相同，可以说是实施例一中的一个实例，本实施例中对批处理单元的优化控制包括确定最优操作轨迹和实施最优操作轨迹的跟踪，这里最优操作轨迹是指生产过程中易于测量的控制变量如温度、流量、体积等在整个生产过程中的变化曲线。本专利中主要针对温度这一操作变量进行说明，下述将使用温度轨迹作为产品质量控制操作轨迹。
(1) 数据采集：通过数据采集装置采集批处理生产过程中的运行数据：反应温度和产品终点质量。采用筛选、归一化和离群点方法处理数据，具体如下：
筛选：从数据库中提取与分析任务相关的数据，去掉明显无关的数据。
归一化：将待分析的数据按照式
Figure 2011100907161100002DEST_PATH_IMAGE050
归一化成无量纲的形式。
离群点处理：采用基于边界信息检验所有的数据，当出现离群点后，判断离群点是否由系统受外部突发因素刺激而引起的，如果是则剔除离群点。
定义数据：将批次长度
Figure 2011100907161100002DEST_PATH_IMAGE051
分为
Figure 2011100907161100002DEST_PATH_IMAGE052
等份，则批处理过程的反应温度和产品终点质量输出序列分别为
Figure 890535DEST_PATH_IMAGE001
和（其中
Figure 102390DEST_PATH_IMAGE003
表示批次，
Figure 796677DEST_PATH_IMAGE004
表示产品的质量输出变量，
Figure 510555DEST_PATH_IMAGE005
表示对应产品质量的输入变量）。
三维矩阵展开法：在批次轴上面取
Figure 2011100907161100002DEST_PATH_IMAGE053
个批次数据作为训练样本，并将批处理过程的所有
Figure 119653DEST_PATH_IMAGE053
个批次训练数据在时间轴上展开，由于每个批次长度划分为
Figure 514862DEST_PATH_IMAGE052
等份，即每个批次的时间轴长度为
Figure 63655DEST_PATH_IMAGE052
，则训练数据数为
Figure 2011100907161100002DEST_PATH_IMAGE054
(记为
Figure 2011100907161100002DEST_PATH_IMAGE055
)个，每个数据点
Figure 2011100907161100002DEST_PATH_IMAGE056
均为
Figure 2011100907161100002DEST_PATH_IMAGE057
维向量。
(2)数据处理:建立终点产品质量数据驱动软测量模型。采用神经模糊网络建立批处理生产过程产品质量数据驱动软测量模型，具体方法是：采用模糊聚类算法进行聚类分析，由类内元素之间的紧度与类之间的分离度为指标优化调整聚类，得到数据在空间上的分布情况，融合相似聚类，确定局部模型的数目；由聚类中心确定局部模型模糊规则的前件参数；采用Lyapunov函数法或最小二乘法得到局部模型的后件参数。
(3) 建立模型：采用迭代学习控制方法，利用先前批次的控制经验和输出误差来修正当前批次的反应温度轨迹，对下一批次的产品质量进行控制，使产品终点产品质量在有限时间区间内尽可能收敛于期望的终点产品质量。
定义终点产品质量的预测误差为：
Figure 2011100907161100002DEST_PATH_IMAGE058
其中
Figure 2011100907161100002DEST_PATH_IMAGE059
是第
Figure 338648DEST_PATH_IMAGE003
批次产品终点质量的测量值，
Figure 2011100907161100002DEST_PATH_IMAGE060
是第
Figure 160674DEST_PATH_IMAGE003
批次产品终点质量的预测值。此外考虑到产品质量的测量值中往往包含测量噪声和扰动，所以定义历史批次终点产品质量的平均预测误差为：
Figure 2011100907161100002DEST_PATH_IMAGE061
通过利用历史批次的平均预测误差，修正终点产品质量数据驱动软测量模型预测值为
Figure 2011100907161100002DEST_PATH_IMAGE062
；
Figure 2011100907161100002DEST_PATH_IMAGE063
其中
Figure 2011100907161100002DEST_PATH_IMAGE064
表示偏差修正项参数。
(4)算法初始化：借助步骤(2)建立的批处理生产过程产品质量软测量模型，采用两层智能混合算法对批处理生产过程进行优化控制，得到产品反应温度控制轨迹，如图2所示。对于批处理生产过程的产品质量控制，我们关心的是产品的终点质量
Figure 2011100907161100002DEST_PATH_IMAGE065
。优化控制的目的就是寻找最优反应温度控制序列
Figure 2011100907161100002DEST_PATH_IMAGE066
，使得，且
Figure 2011100907161100002DEST_PATH_IMAGE068
。因此，构造二次型目标函数：
Figure 2011100907161100002DEST_PATH_IMAGE069
其中，
Figure 2011100907161100002DEST_PATH_IMAGE070
和
Figure 2011100907161100002DEST_PATH_IMAGE071
是权重矩阵。然后根据实际批处理生产过程的情况，将每条反应温度轨迹记为PSO算法中的一个微粒
Figure 172623DEST_PATH_IMAGE011
,，其中
Figure 897183DEST_PATH_IMAGE013
和
Figure 651512DEST_PATH_IMAGE014
是与实际生产环境有关的常数，与具体的批处理生产设备有关；同时将相应反应温度轨迹的变化率记为PSO算法中微粒速度
Figure 450841DEST_PATH_IMAGE016
，
Figure 974226DEST_PATH_IMAGE017
，其中
Figure 404070DEST_PATH_IMAGE018
和
Figure 940969DEST_PATH_IMAGE019
是常数，由用户设定；
(5) 参数设置：根据批次生产的实际情况，设定PSO算法中的各个控制参数。设种群规模为
Figure 481671DEST_PATH_IMAGE020
，其中
Figure 187459DEST_PATH_IMAGE021
为实数；微粒的位置范围，即温度变量的范围
Figure 522626DEST_PATH_IMAGE022
；速度范围，即温度变化率范围
Figure 251547DEST_PATH_IMAGE023
，速度权重
Figure 392678DEST_PATH_IMAGE024
，学习因子
Figure 890656DEST_PATH_IMAGE025
和
Figure 459041DEST_PATH_IMAGE026
。
(6) 数据输入：把微粒所代表的反应温度轨迹作为批处理生产过程设备的输入控制量，这里借助步骤(3)建立的批处理过程产品质量软测量模型预测产品质量，将相应的输出产品质量作为评价指标，用来衡量反应温度轨迹的优劣。对第
Figure 675258DEST_PATH_IMAGE027
个微粒，选择使产品质量性能指标最优的微粒位置
Figure 557764DEST_PATH_IMAGE011
作为该微粒的最优位置
Figure 474029DEST_PATH_IMAGE029
，即该微粒代表的反应温度轨迹；
(7) 选取全局最优微粒：在
Figure 416577DEST_PATH_IMAGE030
个微粒中选取使产品质量性能指标最优的微粒位置
Figure 916829DEST_PATH_IMAGE031
作为全局最优位置
Figure 337446DEST_PATH_IMAGE032
。本发明考虑到在算法迭代后期，种群的最优解已经接近于问题的全局最优解，这时应当减小微粒的移动速度使得微粒能够在一个相对较小的范围内进行精确搜索，所以动态惯性权重
Figure 872333DEST_PATH_IMAGE033
按照公式
Figure 720203DEST_PATH_IMAGE034
计算（其中
Figure 645433DEST_PATH_IMAGE035
是惯性权重的起始值， 
Figure 259134DEST_PATH_IMAGE003
是当前的迭代次数）；
(8) 位置和速度更新：更新反应温度轨迹的变化速率，公式为：；更新反应温度轨迹，公式为：
Figure 522723DEST_PATH_IMAGE037
。式中
Figure 2011100907161100002DEST_PATH_IMAGE072
和
Figure 2011100907161100002DEST_PATH_IMAGE073
是介于之间的随机数，用于保持种群的多样性；
Figure 591360DEST_PATH_IMAGE025
和为学习因子。
(9) 计算种群多样性：计算整个群体反应温度轨迹的多样性：，其中
Figure 574862DEST_PATH_IMAGE042
为种群中的反应温度轨迹总数，
Figure 610951DEST_PATH_IMAGE027
和为种群的任一反应温度轨迹，
Figure 800886DEST_PATH_IMAGE043
为种群中的第
Figure 250322DEST_PATH_IMAGE027
个反应温度轨迹，
Figure 354544DEST_PATH_IMAGE032
为种群的全局最佳反应温度轨迹，
Figure 510719DEST_PATH_IMAGE044
为两个反应温度之间的欧式距离。
(10) 算法选择：通过设定参数
Figure 370091DEST_PATH_IMAGE045
切换PSO算法和SQP算法，即当反应温度轨迹的多样性
Figure 978927DEST_PATH_IMAGE046
 时，转向STEP 8，否则转向STEP 4；
本发明定义PSO算法的种群多样性为：
Figure 2011100907161100002DEST_PATH_IMAGE075
，该函数表明了PSO算法的微粒差异性。其中为种群中的微粒总数，
Figure 225417DEST_PATH_IMAGE027
和
Figure 754225DEST_PATH_IMAGE074
为种群的任一微粒，
Figure 850357DEST_PATH_IMAGE043
为种群中的第i个微粒的位置，
Figure 358699DEST_PATH_IMAGE032
为种群的全局最优位置，
Figure 489466DEST_PATH_IMAGE044
为两个微粒之间的欧式距离。在本发明中，种群的多样性通过当前种群中任意微粒与微粒种群的平均位置之间最大的距离值来衡量。分析表明：PSO算法种群的多样性将随着PSO算法的搜索迭代次数的增加逐渐下降，当多样性下降到一定程度时，微粒群算法就陷入了局部最优解。这时应切换到序贯二次规划算法，找到问题的最优解。因此，
Figure 690640DEST_PATH_IMAGE045
的选择是关键：
Figure 274068DEST_PATH_IMAGE045
如果选择过小，会导致微粒群算法搜寻最优解的时间增长，甚至找不到满意解；
Figure 523784DEST_PATH_IMAGE045
如果选择过大，则不能充分利用微粒群算法的全局搜索能力，从而使得序贯二次规划算法不能搜索到全局最优解。
(11) SQP算法求解：以Step1-Step5搜索的最优解
Figure 571375DEST_PATH_IMAGE047
作为初始点，用SQP规划算法进行精细求解，得到下一批次的反应温度的最佳轨迹。
(12) 计算误差：将步骤(11)中所得到的反应温度轨迹作为实际批处理生产设备的输入控制量，再与步骤(3)中软测量模型预测值进行比较；
(13) 迭代操作：利用由步骤(11)中得到误差修正调整下一批次的反应温度轨迹；
(14) 结束判断：如果产品质量满足要求则停止，否则转到步骤(4)继续进行优化。

Claims (4)

1.一种基于两层混合智能优化的批处理生产过程产品质量控制方法，其特征在于在批处理生产过程的优化控制中使用两层智能混合优化算法，这种算法结合PSO算法和SQP算法的优点，具有对复杂的问题求解速度快精度高的特点，具体操作步骤如下：
(1) 数据采集：采集工业生产中批处理生产装置的现场操作数据，综合历史数据分析操作经验总结，确定软测量模型的输入变量和目标变量；
(2) 数据处理：对步骤(1)中采集到的实际工业装置运行数据进行数据预处理，剔除部分异常工况数据点，构造样本集                                                
Figure 2011100907161100001DEST_PATH_IMAGE001
，取其中
Figure 2011100907161100001DEST_PATH_IMAGE002
的样本数据作为训练集
Figure 2011100907161100001DEST_PATH_IMAGE003
，剩余的样本数据则作为测试集
Figure 2011100907161100001DEST_PATH_IMAGE004
；
(3) 建立模型：用训练集
Figure 330657DEST_PATH_IMAGE003
建立批处理过程产品质量数据驱动软测量模型，并用测试集
Figure 401381DEST_PATH_IMAGE004
进行验证，该软测量模型对批处理过程产品质量进行预测；
(4) 算法初始化：借助步骤(3)建立的批处理过程产品质量软测量模，采用两层智能混合算法对批处理生产过程进行优化控制，得到产品质量最优控制操作轨迹，根据实际批处理生产过程的情况，将每条产品质量控制操作轨迹记为PSO算法中的第
Figure 2011100907161100001DEST_PATH_IMAGE005
个微粒
Figure 2011100907161100001DEST_PATH_IMAGE006
,
Figure 2011100907161100001DEST_PATH_IMAGE007
，其中
Figure 2011100907161100001DEST_PATH_IMAGE008
和是与实际生产环境有关的常数，与具体的批处理生产设备有关，
Figure 2011100907161100001DEST_PATH_IMAGE010
是微粒的维数，与具体的生产过程有关；同时将相应的产品质量控制操作轨迹的变化记为PSO算法中微粒速度，
Figure 2011100907161100001DEST_PATH_IMAGE012
，其中
Figure 2011100907161100001DEST_PATH_IMAGE013
和
Figure 2011100907161100001DEST_PATH_IMAGE014
是常数，由用户设定；
(5) 参数设置：根据批次生产的实际情况，设定PSO算法中的各个控制参数，包括种群规模
Figure 2011100907161100001DEST_PATH_IMAGE015
，其中
Figure 2011100907161100001DEST_PATH_IMAGE016
，
Figure 2011100907161100001DEST_PATH_IMAGE017
为自然数，微粒的位置范围
Figure 2011100907161100001DEST_PATH_IMAGE018
，速度范围
Figure 2011100907161100001DEST_PATH_IMAGE019
，速度权重，学习因子和；
(6) 数据输入：把微粒所代表的产品质量控制操作轨迹作为批处理过程生产设备的输入量，这里借助步骤(3)建立的批处理过程产品质量软测量模型预测产品质量，将相应的输出产品质量作为评价指标，用来衡量控制操作轨迹的优劣；对第
Figure 2011100907161100001DEST_PATH_IMAGE023
个微粒，选择使产品质量性能指标最优的微粒位置作为该微粒的最优位置，即该微粒代表的产品质量控制操作轨迹； 
(7)选取全局最优微粒：在
Figure 83816DEST_PATH_IMAGE015
个微粒中选取使产品质量性能指标最优的微粒位置
Figure 2011100907161100001DEST_PATH_IMAGE026
作为全局最优位置
Figure 2011100907161100001DEST_PATH_IMAGE027
；考虑到在算法迭代后期，种群的最优解已经接近于问题的全局最优解，这时应当减小微粒的移动速度使得微粒能够在一个相对较小的范围内进行精确搜索，动态惯性权重
Figure 2011100907161100001DEST_PATH_IMAGE028
按照公式
Figure 2011100907161100001DEST_PATH_IMAGE029
计算，其中是惯性权重
Figure 609082DEST_PATH_IMAGE020
的起始值， 
Figure 2011100907161100001DEST_PATH_IMAGE031
是当前的迭代次数；
(8) 位置和速度更新：更新产品质量控制操作轨迹变化率，公式为：
Figure 2011100907161100001DEST_PATH_IMAGE032
；更新产品质量控制操作轨迹，公式为：
Figure 2011100907161100001DEST_PATH_IMAGE033
，式中
Figure 2011100907161100001DEST_PATH_IMAGE034
和
Figure 2011100907161100001DEST_PATH_IMAGE035
是介于
Figure 2011100907161100001DEST_PATH_IMAGE036
之间的随机数，用于保持种群的多样性；
Figure 778158DEST_PATH_IMAGE021
和
Figure 70599DEST_PATH_IMAGE022
为学习因子；
(9) 计算种群多样性：计算整个群体代表的产品质量控制操作轨迹的多样性：
Figure 2011100907161100001DEST_PATH_IMAGE037
，其中为种群中的产品质量控制操作轨迹总数，
Figure 52330DEST_PATH_IMAGE023
代表第
Figure 808933DEST_PATH_IMAGE023
微粒，
Figure 2011100907161100001DEST_PATH_IMAGE039
为种群中的第条产品质量控制操作轨迹，
Figure 60804DEST_PATH_IMAGE027
为种群的全局最优产品质量控制操作轨迹，
Figure 2011100907161100001DEST_PATH_IMAGE040
为两个产品质量控制操作轨迹之间的欧式距离；
(10) 算法选择：通过设定参数
Figure 2011100907161100001DEST_PATH_IMAGE041
切换PSO算法和SQP算法，即当产品质量控制操作轨迹的多样性
Figure 2011100907161100001DEST_PATH_IMAGE042
 时，转向步骤(11)，否则转向步骤(7)；
(11) SQP算法求解：以步骤(4)和步骤(8)搜索的最优解
Figure 2011100907161100001DEST_PATH_IMAGE043
作为初始点，用SQP算法进行精细求解，得到下一批次的产品质量控制操作轨迹；
(12) 计算误差：将步骤(11)中所得到的产品质量控制操作轨迹作为实际批处理生产设备的输入控制量，再与步骤(3)中软测量模型预测值进行比较；
(13) 迭代操作：利用由步骤(11)中得到误差修正调整下一批次的产品质量控制操作轨迹；
(14) 结束判断：如果产品质量满足要求则停止，否则转到步骤(4)继续进行优化。
2.根据权利要求1所述的两层智能混合优化的批处理生产过程迭代学习控制方法，其特征在于，步骤(1)中所述操作数据，包括批次生产过程中的操作温度输入或原料添加输入，目标物的浓度输出或者目标物的质量输出；而且在迭代过程中采用分发明中的两层智能混合算法，该算法前期使用PSO算法在大范围内搜索问题的目标解，后期使用序列SQP在小范围内精确地搜索问题的目标解。
3.根据权利要求1所述的两层智能混合优化的批处理生产过程产品质量控制方法，其特征在于，所述步骤(4)和步骤(6)中的PSO算法中的权重是动态权重按照公式进行更新，其中
Figure 191757DEST_PATH_IMAGE030
是惯性权重的起始值， 
Figure 546832DEST_PATH_IMAGE031
是当前的迭代次数。
4.根据权利要求1所述的两层智能混合优化的批处理生产过程产品质量控制方法，其特征在于，两层智能混合算法使用微粒群算法的多样性作为两个算法切换的判定条件；微粒群种群多样性：定义为种群多样性（其中
Figure 43934DEST_PATH_IMAGE038
为种群中的微粒总数，
Figure 775130DEST_PATH_IMAGE023
和
Figure 2011100907161100001DEST_PATH_IMAGE045
为种群的任一微粒，
Figure 34073DEST_PATH_IMAGE039
为种群中的第i个微粒的位置，
Figure 585140DEST_PATH_IMAGE027
为种群的全局最优位置，
Figure 587731DEST_PATH_IMAGE040
为两个微粒之间的欧式距离）；当微粒群多样性
Figure 173433DEST_PATH_IMAGE042
时转到则采用SQP算法，否则仍然采用PSO算法，其中
Figure 337698DEST_PATH_IMAGE041
为设定的常数。
CN2011100907161A 2011-04-12 2011-04-12 基于两层混合智能优化的批处理生产过程产品质量控制方法 Pending CN102129242A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011100907161A CN102129242A (zh) 2011-04-12 2011-04-12 基于两层混合智能优化的批处理生产过程产品质量控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011100907161A CN102129242A (zh) 2011-04-12 2011-04-12 基于两层混合智能优化的批处理生产过程产品质量控制方法

Publications (1)

Publication Number Publication Date
CN102129242A true CN102129242A (zh) 2011-07-20

Family

ID=44267356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011100907161A Pending CN102129242A (zh) 2011-04-12 2011-04-12 基于两层混合智能优化的批处理生产过程产品质量控制方法

Country Status (1)

Country Link
CN (1) CN102129242A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360181A (zh) * 2011-09-07 2012-02-22 上海优华系统集成技术有限公司 基于ga-sqp混合优化策略的低温热实时优化系统
CN102662356A (zh) * 2012-03-30 2012-09-12 宁波腾工精密机械制造有限公司 一种送料机构公差优化方法
CN104460318A (zh) * 2013-09-25 2015-03-25 北京化工大学 一种基于闭环过程信息约束的前向通道模型多目标优化辨识整定方法
CN105279605A (zh) * 2015-09-25 2016-01-27 安徽工程大学 一种动态变化权重下的批加工机调度方法
CN106483942A (zh) * 2016-09-20 2017-03-08 广东家易科技有限公司 一种半导体制造设备和工艺的智能控制系统及方法
CN111007807A (zh) * 2018-10-08 2020-04-14 财团法人资讯工业策进会 一种为一生产线的一预设控制条件组决定一目标调整路径的装置及方法
CN113050580A (zh) * 2021-03-31 2021-06-29 镇江市高等专科学校 一种基于蚁群算法的秸秆发酵制取乙醇控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101396617A (zh) * 2008-10-29 2009-04-01 华东理工大学 工业分馏系统负荷配置在线优化方法
US20100185336A1 (en) * 2006-07-19 2010-07-22 Rovnyak Steven M Integrated and optimized distributed generation and interconnect system controller

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100185336A1 (en) * 2006-07-19 2010-07-22 Rovnyak Steven M Integrated and optimized distributed generation and interconnect system controller
CN101396617A (zh) * 2008-10-29 2009-04-01 华东理工大学 工业分馏系统负荷配置在线优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《化工学报》 20100831 贾立 等 基于无约束迭代学习的间歇生产过程优化控制 第61卷, 第8期 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360181A (zh) * 2011-09-07 2012-02-22 上海优华系统集成技术有限公司 基于ga-sqp混合优化策略的低温热实时优化系统
CN102360181B (zh) * 2011-09-07 2013-06-19 上海优华系统集成技术有限公司 基于ga-sqp混合优化策略的低温热实时优化系统
CN102662356A (zh) * 2012-03-30 2012-09-12 宁波腾工精密机械制造有限公司 一种送料机构公差优化方法
CN104460318A (zh) * 2013-09-25 2015-03-25 北京化工大学 一种基于闭环过程信息约束的前向通道模型多目标优化辨识整定方法
CN104460318B (zh) * 2013-09-25 2017-07-11 北京化工大学 一种基于闭环过程信息约束的前向通道模型多目标优化辨识整定方法
CN105279605A (zh) * 2015-09-25 2016-01-27 安徽工程大学 一种动态变化权重下的批加工机调度方法
CN105279605B (zh) * 2015-09-25 2018-10-12 安徽工程大学 一种动态变化权重下的批加工机调度方法
CN106483942A (zh) * 2016-09-20 2017-03-08 广东家易科技有限公司 一种半导体制造设备和工艺的智能控制系统及方法
CN106483942B (zh) * 2016-09-20 2019-06-04 孙敬玺 一种半导体制造设备和工艺的智能控制系统及方法
CN111007807A (zh) * 2018-10-08 2020-04-14 财团法人资讯工业策进会 一种为一生产线的一预设控制条件组决定一目标调整路径的装置及方法
CN113050580A (zh) * 2021-03-31 2021-06-29 镇江市高等专科学校 一种基于蚁群算法的秸秆发酵制取乙醇控制方法

Similar Documents

Publication Publication Date Title
CN102129242A (zh) 基于两层混合智能优化的批处理生产过程产品质量控制方法
Shastry et al. Prediction of crop yield using regression techniques
CN104408518B (zh) 基于粒子群优化算法的神经网络学习优化方法
Ho et al. Optimizing fuzzy neural networks for tuning PID controllers using an orthogonal simulated annealing algorithm OSA
Pholdee et al. Hybridisation of real-code population-based incremental learning and differential evolution for multiobjective design of trusses
CN109472321A (zh) 一种面向时间序列型地表水质大数据的预测与评估模型构建方法
CN105160444A (zh) 电力设备故障率确定方法及系统
Venkat et al. Identification of complex nonlinear processes based on fuzzy decomposition of the steady state space
CN102831269A (zh) 一种流程工业过程工艺参数的确定方法
CN106022377A (zh) 一种铁矿烧结料层透气性状态的在线预测方法
CN104375478B (zh) 一种轧钢生产过程产品质量在线预测与优化的方法及装置
CN103440368A (zh) 一种多模型动态软测量建模方法
CN109214449A (zh) 一种电网投资需求预测方法
CN102129259A (zh) 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法
Jiang et al. Melt index prediction using optimized least squares support vector machines based on hybrid particle swarm optimization algorithm
CN108537366A (zh) 基于最优卷积二维化的水库调度方法
CN113094988A (zh) 一种基于数据驱动的浆液循环泵运行优化方法及系统
CN102004444A (zh) 稀土萃取过程组分含量多模型预测控制方法
Peng et al. A hierarchical particle swarm optimizer with latin sampling based memetic algorithm for numerical optimization
CN103778466B (zh) 一种基于矢量误差的转炉炼钢温度建模预测方法及系统
CN102662322A (zh) 一种fpga处理器及pid膜优化神经网络控制器
CN110221580A (zh) 一种基于主轴数据仿真的进给速度优化方法
Braik et al. A comparison between GAs and PSO in training ANN to model the TE chemical process reactor
PVGDP et al. Multi objective particle swarm optimization for software cost estimation
CN105808929A (zh) 一种高炉十字测温装置中心温度估计方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20110720