CN103955760A - 铝杆氧化染色工艺参数优化专家系统 - Google Patents
铝杆氧化染色工艺参数优化专家系统 Download PDFInfo
- Publication number
- CN103955760A CN103955760A CN201410163951.0A CN201410163951A CN103955760A CN 103955760 A CN103955760 A CN 103955760A CN 201410163951 A CN201410163951 A CN 201410163951A CN 103955760 A CN103955760 A CN 103955760A
- Authority
- CN
- China
- Prior art keywords
- parameter
- production
- neural network
- module
- data
- 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.)
- Granted
Links
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
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种铝杆氧化染色工艺参数优化专家系统,以实现铝杆氧化染色生产过程的工艺参数动态优化。本发明从全局生产动态柔性优化的角度出发对化学抛光、电解抛光、药砂处理及二次处理四条工艺路线进行了优化控制。在工艺参数采集装置的生产信息收集基础上,建立柔性神经网络识别器模拟生产线上状态,拟合可控参数组合与生产效果之间的联系,最后通过PSO群智能优化模块动态寻找到最优的实时参数集合反馈至生产现场调控装置上指导生产,信息化与自动化技术的结合使得该发明在复杂工艺生产现场的应用性强,柔性的工艺参数处理使得该发明能适应应用单位的发展进行升级,降低了生产成本同时提高了产品的合格率。
Description
技术领域
本发明涉及一种适用于铝杆氧化染色工艺多路线的动态参数优化专家系统,属于电子信息技术与自动化控制技术交叉领域。
背景技术
现代铝氧化加工生产现场在多批次、多品种产品需求驱动下产生了多工艺复杂路线的生产特点。但在中小型企业的生产线上做到动态控制和优化是极为困难的,归纳为要集中解决以下4点问题:(1)原材料的质量实时变化问题;(2)生产的混合化学制剂内部配比难测定问题;(3)设备和人为因素的影响;(4)多工艺路线造成的复杂控制问题。传统的铝氧化染色工艺的控制方法开始应用,可以归纳为两类:(1)设计实验根据试验结果进行优化生产;(2)咨询专家或文献资料根据历史经验生产参数组合进行生产。
这两种基本方法在动态环境中效果并不理想,对生产的连续性以及中小企业的实际操作难度考虑不足。具体来说,实验室环境与生产现场的动态因素没有在实验中体现。其次,成本极高并且和无法实时的反应生产现场的变化。因此,由于这些方法的局限性,在面对着生产现场波动频繁的情况下,企业的生产收益大大的降低。
在传统工艺参数优化方法效果不佳的背景下,一些新的融合自动化技术的方法被提出来,可以归类为两种:一是针对生产现场的关键环节的参数进行重点控制;二是对一些关键参数进行建模计算,进而从全局进行控制。
以中国铝业股份有限公司和沈阳东大自动化有限公司共同拥有的专利“一种氧化铝生产过程中苛性比值与溶出率在线检测方法”(200310117214.9)作为第一类新技术的代表。该方法是重点监测铝氧化过程中的关键环节中2个重要指标:苛性比值与溶出率。通过通讯模块将获取的矿浆中一些组合参数输入到计算机中,如:氧化铝、氧化硅、苛性钠、氧化钙及氧化钛的含量、原矿浆的固含、液固比及磨细粒参数及包括各溶出器的温度、压力及原矿浆的流量高压溶出工况等;进而对采集的数据在计算机中应用软测量集成模块处理,从而得到溶出过程的苛性比值与溶出率值。这种方法能够比较精确的预测了苛性比值及溶出率,苛性比值的相对误差均在5%以内。
第二种面向生产全局进行控制的方法则以华东理工大学拥有的专利“工业乙烯裂解炉裂解深度在线优化方法”(CN200910056294)为例进行说明。该发明本发明从工业乙烯裂解全过程进行在线优化,采用生产数据中原料密度、原料直链烷烷烃含量之和、原料正构烷烃异构烷烃含量之比、进料流量、汽烃比、炉管出口温度COT、炉管出口压力,模型输出变量为乙烯收率和丙烯收率(或三烯总收率)的组合为模型输入,根据油品实测值来修正建立的神经网络聚类模型。最后利用SQP方法,以经济效益最大为目标,在裂解深度和汽烃比约束下,确定最优裂解深度值及汽烃比,并在裂解炉的当前裂解深度值附近不断滚动优化。然而,在公开技术文献中直接应用于铝杆氧化染色工艺生产现场的基本没有。
现有的优化技术多是针对单一路线、固定参数组合的优化,并且较少引入信息化和自动化结合技术来解决生产现场动态优化。因此,现有技术在应用中凸显出一系列的问题:
(1)实时优化效果差
在产品多批次,现场动态变化的环境下的等待试验结果才能进一步生产不切实际,并且时间等待产生的动态因素又进一步使得现场环境更复杂。而咨询专家库意见也不能反应当前状态下的实际问题。归结来说,传统方法在实际应用中不具优势。
(2)优化成本高
现有技术并没能形成一整套成熟的自动化优化系统,问题出现时再进行优化,付出的优化成本极高。这些成本来源于:生产停滞、原材料重置。
(3)重预测轻优化
一些现有的技术发明针对生产现场效果的预测提出了有效的方案,但并不针对生产现场产生指导性优化方案。这就意味,即使实时得到了成品的有效成分组合也只能依靠传统方法进行工艺优化,并没形成现场优化的技术。
(4)全局性和适应性差
在非铝氧化染色工艺领域的其他应用领域中出现的一些优化技术,同时考虑的预测和优化的问题。但在全局性能上还需改进,这些技术着重与单一工艺路线或固定环节工艺参数组合的优化上,这意味在优化过程中必然会遗漏人为认为不重要的工艺节点。另外,当现场变化、应用单位自动化水平提升后,固定的优化系统则无法适应需求,应用单位又需要重新建立一整套的优化装置。
发明内容
为了解决上述问题,实现在多工艺路线动态生产环境下工艺参数的组合优化,从而指导生产现场进行工艺参数调整,本发明提供了一种铝杆氧化染色工艺参数优化专家系统,包括生产数据采集装置、工艺参数交互器、可靠传输终端、数据存储服务器、数据管理模块、基础参数管理模块、神经网络识别器、PSO群智能参数优化模块、人员管理认证模块、辅助数据存储服务器。
其中,生产数据采集装置与工艺参数交互器放置于生产现场,二者构成整个铝杆氧化染色工艺参数优化专家系统的前端感知部分,并通过可靠传输终端与数据存储服务器连接;可靠传输终端、数据存储服务器、数据管理模块与神经网络识别器相连,实现对生产现场的动态模拟;基础参数管理模块与神经网络识别器及PSO群智能参数优化模块相连,同时连接辅助数据存储服务器构建中央优化部分基础结构;PSO群智能参数优化模块、工艺参数交互器相连,指导现场生产;人员管理认证模块与辅助数据存储服务器相连,并与基础参数管理模块共同构成本系统的辅助处理端。
生产数据采集装置包括:酸度采集器、温度检测器、电压检测器、电流检测器、特定化学制剂检测器、比重仪器、硫酸测定设备、封闭液浓度测定器。检测器件安放在相应的工艺参数检测点;
工艺参数交互器包括从生产现场发送至中央优化部分的发送端以及接收端;通过这个交互过程,实现生产现场的工艺参数控制;
可靠传输终端包含传输控制机制,具体包括:传输线程调度、失败任务还原、更新执行任务;
传输线程调度——核心功能在于开始、停止以及删除数据传输任务;
失败任务还原——用于处理意外终止的数据传输,并保证再次数据传输的完整性;
更新执行任务——根据数据传输任务所处的阶段更新数据传输任务;
数据存储服务器:用于存储生产现场发送来的工艺参数组合及对应的产品合格率、产品型号、生产日期辅助信息,并根据不同工艺路线存储至数据存储服务器,用于神经网络识别器的学习和训练;
数据管理模块负责管理(增加、删除及修改)数据存储服务器中的工艺参数组合数据,并输送需要学习的工艺参数组合数据到神经网络识别器中;学习指令的发出需要得到人员管理认证模块的认可;
所述基础参数管理模块负责设置和更新神经网络识别器以及PSO群智能参数优化模块(PSO为粒子群算法英文缩写)的算法参数,通过对算法参数的调整(参数包含:神经网络学习次数、预测的精度、动量项因子,PSO算法中的惯性权重、局部及最优值影响因子),实现对本系统的适应性和准确性调整;
神经网络识别器包含两个部分:BP神经网络结构框架以及神经网络权值管理;BP神经网络结构框架是用于根据不同工艺路线形成不同神经网络的层数及神经元节点数;神经网络权值管理是指存储神经网络中各神经元的连接权值。该模块中不同神经网络的区别在于神经元的个数以及网络权值的不同,通过变化这两方面因子使得神经网络可以学习铝杆氧化染色工艺的四条工艺路线:化学抛光、电解抛光、药砂处理及二次氧化处理,拟合工艺参数组合与生产效果之间的联系进而用于工艺参数优化和问题诊断;
PSO群智能参数优化模块包括生产预测功能及智能优化功能,通过调用相应的神经网络识别器来预测现有工艺参数组合的产品合格率并对相应工艺路线上的工艺参数组合进行优化。“生产预测”及“智能优化”都以神经网络接口处作为寻优粒子输入端,区别在于寻优迭代过程以合格率最优为终止目标,得到工艺参数优化组合发送至生产现场指导生产;
人员管理认证模块及辅助数据存储服务器用于管理登录本系统内的人员权限及管理人员基本信息,并处理登入本系统的人员的身份认证。
本系统的工作方式如下:生产数据采集装置在生产现场采集工艺参数组合数据,经由工艺参数交互器进行数据完整性检查后,通过可靠传输终端发送至数据存储服务器,作为神经网络识别器的学习对象;
人员管理认证模块负责处理系统操作人员发送的登入本系统的请求,通过比对辅助数据存储服务器存储的人员身份信息,赋予系统操作人员相应的操作权限,以明晰本系统的权责及提高安全性能;
获取操作权限的系统操作人员发出学习指令至神经网络识别器,此时神经网络识别器促发基础参数管理模块调入算法参数并将数据管理模块提供的工艺参数组合数据纳入学习内容,学习完成后反馈误差情况并提示转入PSO群智能参数优化模块;根据实际需求,在PSO群智能参数优化模块中可以使用生产预测来诊断工艺参数组合中出现问题的环节或寻找当前最优的工艺参数组合;
经上述寻找得到的当前最优的工艺参数组合经可靠传输终端发送至工艺参数交互器,反馈至生产现场进而实现对生产现场的动态工艺参数优化控制。
本系统中的工艺参数检测点及其数量可以弹性变化。
本发明通过柔性化处理(柔性化处理是指对现有技术背景下无法准确监测的工艺参数通过检测其在化学性质上的其他表现),提高了工艺参数采集器的实用性和实时性:如混酸中各酸性物质的比例,原材料的浓度等检测耗时的问题得到解决。而引入的神经网络识别器有效的鉴别了多工艺路线并模拟了现场的动态因素,将生产现场的难表述和控制的动态因素消除,本发明形成的一整套自动化优化控制系统能有效优化生产现场工艺参数集合。
以化学抛光路线为例本方法从酸洗、化学抛光、氧化、染色以及固色封闭5个路线中提取出19个可控的柔性参数:酸洗液酸度、酸洗时间、酸洗温度、化抛PH值、化抛时间、化抛温度、氧化PH值、氧化时间、氧化温度、氧化硫酸浓度、氧化电压、氧化电流、染色液酸度、染色时间、染色温度、染料浓度、封闭时间、封闭温度以及封闭液浓度等。以此建立生产参数监控集,采集器将现场数据发送至核心管控模块,经过神经网络识别器的训练后PSO群智能优化模块反馈当前最优工艺参数组合至现场。
本发明在生产过程参数优化过程的现有技术基础做出了创新,从全局生产动态柔性优化的角度出发对化学抛光、电解抛光、药砂处理及二次处理四条工艺路线进行了优化控制。在工艺参数采集装置的生产信息收集基础上,建立柔性神经网络识别器模拟生产线上状态,拟合可控参数组合与生产效果之间的联系,最后,通过PSO群智能优化模块动态寻找到最优的实时参数集合反馈至生产现场调控装置上指导生产。本发明对于现有技术的特点在于:
(1)通用性:由于采用了针对生产现场的整体优化策略,使用BP神经网络模拟工艺参数组合与生产效果的联系,使得动态因素转化为复杂的网络权值,而形成的映射则反应了工艺参数组合与生产效果的联系。神经网络识别器的自适应构造可适应多条工艺路线打破了现有方法优化固定路线、固定参数的局限性,在加工型中小企业的实际应用中可通用。
(2)实时性:由于传统技术的工艺优化针对生产现场直接进行的较少,从试验角度出发的技术具有后效性对生产现场的反应不敏锐。本发明引入PSO群智能优化模块,在训练完成的神经网络输入端寻优能够实时的指导生产。因此,这种设计具备良好的实时性。
(3)高效性:由于记录了历史数据信息以及引入了动态策略自适应方法,系统更为智能,它总是倾向最优的基础结构,加快了优化的速度提高了效率。
(4)延展性:由于优化系统的前端是柔性的控制参数,能够在应用单位自动化水平提高时对具体的控制参数进行调整,而不必重新构建优化系统,具有良好的延展性。系统通过改变输入接口的参数及相应的检测设备即可实现更新。
(5)经济性:由于系统具备良好的延展性这也减少了相应的成本支出,提供了系统应用经济性。另一方面,面向现场的优化系统通过实时调整优化降低了生产要素重置需求产生的几率,给应用单位节省了巨大的经济开支。
附图说明
图1是本发明系统结构图。
图2是本发明神经网络识别器示意图。
图3是本发明算法流程图。
图4是本发明专家信息系统功能框图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
本发明系统的组成部分及连接关系如图1所示,本实施例包括:生产数据采集装置、工艺参数交互器、可靠传输终端、数据存储服务器、数据管理模块、基础参数管理模块、神经网络识别器、PSO群智能参数优化模块、人员管理认证模块、辅助数据存储服务器。
其中,生产数据采集装置与工艺参数交互器放置于生产现场,二者构成整个铝杆氧化染色工艺参数优化专家系统的前端感知部分,并通过可靠传输终端与数据存储服务器连接;可靠传输终端、数据存储服务器、数据管理模块与神经网络识别器相连,实现对生产现场的动态模拟;基础参数管理模块与神经网络识别器及PSO群智能参数优化模块相连,同时连接辅助数据存储服务器构建中央优化部分基础结构;PSO群智能参数优化模块、工艺参数交互器相连,指导现场生产;人员管理认证模块与辅助数据存储服务器相连,并与基础参数管理模块共同构成本系统的辅助处理端。
如图2所示,本发明神经网络识别器采用能有效解决非线性映射问题的自适应神经网络构建,在.net框架下采用C#编程实现,预留接口作为网络接口。不确定因素通过生产数据反映到神经网络中,形成的动态的模拟生产现场变化的“灰箱”,作为预测的基础。神经网络识别器,通过不断学习、更新和识别生产数据中工艺参数组合与生产效果的联系,最大程度贴近现场环境,进而实现对生产现场的再现。
如图3所示,本系统算法总流程如下:
(1)生产现场的工艺参数检测,由现场生产数据采集装置完成,包括:酸度采集器、温度检测器、电压检测器、电流检测器、特定化学制剂检测器、比重仪器、硫酸测定设备、封闭液浓度测定器;
因为本发明中工艺参数检测点的数量和检测点可以弹性变化,称为柔性检测。对柔性检测得到的工艺参数组合进行数据完整性检查,存储至数据存储服务器,作为神经网络识别器的学习对象;
(2)神经网络识别器在BP神经网络基础上形成,位于智能学习模块。神经网络识别器的模型训练启动,是由操作者向专家系统发出优化请求,系统对请求发出者进行身份认证,此步应用的是SQL数据库技术;
(3)运用C#在.net框架下编写的神经网络识别器具备动态适应的功能,即根据需要优化的工艺参数组合维度自动计算神经网络层数、设置各层神经元个数、设定训练步长、初始化神经元连接权值以及创建激活函数。运用数据库技术从数据存储服务器中调用相应的历史工艺参数组合数据进行模型训练,在训练过程中使用多线程技术,神经网络识别器的训练需要进行多次迭代,多线程技术能提高效率;
(4)存储训练完成的神经网络基本信息,信息包括:神经网络层数、各层神经元个数、神经元连接权值以及激活函数。训练完成的神经网络将作为PSO群智能参数优化模块实现生产预测和智能优化的基础;
(5)PSO群智能参数优化模块位于生产规划模块,包括两个功能:生产预测和智能优化。运用C#编程实现PSO群智能参数优化模块首先要根据目标优化的工艺参数组合初始化工艺参数粒子群规模、粒子值、惯性权重及速度更新式中的c1和c2值初始化,并设定终止迭代次数。在生产预测功能中系统操作人员根据要求输入工艺参数,系统内部的程序在神经网络识别器的基础上做出产品合格率预测。在智能优化功能中,调用步骤(4)存储的神经网络结构,运用PSO算法生成的工艺参数粒子输入神经网络的输入端得到对应的适应度值,并以适应度值做为优化目标通过不断的迭代找到当前情况下最优的工艺参数组合;
(6)优化得到的工艺参数方案反馈至生产现场进而实现动态实时的工艺参数优化。
如图4所示,本发明专家信息系统功能如下:
一、用户管理
1)身份认证
每一个使用该系统的用户都需要一个账号和密码,对于首次使用的用户,要根据系统提示进行注册,已经拥有账号和密码的用户可以直接登录进行相应权限的操作,只有成功注册并登录系统才可以使用该专家系统中的相应功能。
2)信息管理
信息管理包括信息维护功能和用户管理功能。信息维护功能主要是针对之前已经成功注册成功的用户进行完善个人信息、修改用户密码的操作。用户管理功能主要是针对管理员审核用户的注册申请并对用户进行管理的模块。
二、生产数据管理
生产数据模块下设化学抛光数据维护、电抛数据维护、药砂处理数据维护、二次氧化处理数据维护四个子模块,对应的功能为管理和处理化抛生产数据、电解抛光生产数据、药砂处理数据和二次氧化处理数据。
三、智能学习
智能学习模块下设化学模型、电抛模型、药砂模型和二次氧化模型四个子模块,分别对应化学抛光数据维护模块、电抛数据维护模块、药砂处理数据维护模块、二次氧化处理数据维护模块的神经网络识别结构,并调用存储的对应存储的工艺参数组合数据进行神经网络的学习与训练,以实现对生产的模拟和再现。
四、生产规划
生产规划功能模块下设生产预测功能模块和智能优化功能模块。在生产预测功能模块中系统操作人员根据要求输入生产工艺参数,系统内部的程序根据这些工艺参数组合对应的产品合格率,对生产线情况作出判断和调整。在智能优化功能模块中,在神经网络充分学习的基础上,寻找在当前状态下的最优的工艺参数组合。
五、系统维护
系统维护下设系统参数设置和灾难恢复两个子模块。系统参数设置功能是设置系统、模型训练、算法寻优参数以及一些默认值的设置。灾难恢复包括系统备份和还原用于备份和还原数据库,防止计算机突然崩溃导致的数据丢失。
对比已有技术本发明具有以下特点:
(1)建立了生产现场与终端优化系统的连接,通过工艺参数采集器将现场状态反馈至中央控制优化系统;
(2)柔性化处理耗时、难测的工艺控制点,提高了现场优化的实时性和可操作性,并在设立中心优化组合时考虑了自动化水平提升后的优化器升级问题,例如在应用单位具备实时监测具体化学成分技术时,现有的优化接口可以调整;
(3)从生产全局出发以生产效果为目标进行工艺参数优化,不仅考虑关键工艺节点的参数组合,而是对生产全局各方面可控制点及其动态因素考虑进优化系统中;
(4)自动化优化模块计算并反馈适应当前生产状态的最优参数组合,解决了现场控制和动态优化的难题;
(5)通过神经网络识别器的作用,解决了多工艺路线的优化问题,本发明可以适应不同工艺路线的优化并不断的学习与调整。
Claims (5)
1.一种铝杆氧化染色工艺参数优化专家系统,其特征在于,包括生产数据采集装置、工艺参数交互器、可靠传输终端、数据存储服务器、数据管理模块、基础参数管理模块、神经网络识别器、PSO群智能参数优化模块、人员管理认证模块、辅助数据存储服务器;其中,生产数据采集装置与工艺参数交互器放置于生产现场,二者构成整个铝杆氧化染色工艺参数优化专家系统的前端感知部分,并通过可靠传输终端与数据存储服务器连接;可靠传输终端、数据存储服务器、数据管理模块与神经网络识别器相连,实现对生产现场的动态模拟;基础参数管理模块与神经网络识别器及PSO群智能参数优化模块相连,同时连接辅助数据存储服务器构建中央优化部分基础结构;PSO群智能参数优化模块、工艺参数交互器相连,指导现场生产;人员管理认证模块与辅助数据存储服务器相连,并与基础参数管理模块共同构成本系统的辅助处理端;
所述生产数据采集装置负责在生产现场采集工艺参数组合数据,经由工艺参数交互器进行数据完整性检查后,通过可靠传输终端发送至数据存储服务器,作为神经网络识别器的学习对象;
所述工艺参数交互器包括从生产现场发送至中央优化部分的发送端以及接收端;通过交互过程,实现生产现场的工艺参数控制;
所述可靠传输终端包含传输控制机制,具体包括传输线程调度、失败任务还原、更新执行任务;
所述数据存储服务器用于存储生产现场发送来的工艺参数组合及对应的辅助信息,并根据不同工艺路线存储至数据存储服务器,用于神经网络识别器的学习和训练;
所述数据管理模块负责管理数据存储服务器中的工艺参数组合数据,并输送需要学习的工艺参数组合数据到神经网络识别器中;学习指令的发出需要得到人员管理认证模块的认可;
所述人员管理认证模块负责处理系统操作人员发送的登入本系统的请求,通过比对辅助数据存储服务器存储的人员身份信息,赋予系统操作人员相应的操作权限;获取操作权限的系统操作人员发出学习指令至神经网络识别器,此时神经网络识别器促发基础参数管理模块调入算法参数并将数据管理模块提供的工艺参数组合数据纳入学习内容,学习完成后反馈误差情况并提示转入PSO群智能参数优化模块;
所述基础参数管理模块负责设置和更新神经网络识别器以及PSO群智能参数优化模块的算法参数,通过对算法参数的调整,实现对本系统的适应性和准确性调整;
所述神经网络识别器包含两个部分:BP神经网络结构框架以及神经网络权值管理;该模块中不同神经网络的区别在于神经元的个数以及网络权值不同,通过对二者进行改变使得神经网络可以学习铝杆氧化染色工艺的四条工艺路线,拟合工艺参数组合与生产效果之间的联系进而用于工艺参数优化和问题诊断;
PSO群智能参数优化模块包括生产预测功能及智能优化功能,通过调用相应的神经网络识别器来预测现有工艺参数组合的产品合格率并对相应工艺路线上的工艺参数组合进行优化;根据实际需求,在PSO群智能参数优化模块中使用生产预测功能来诊断工艺参数组合中出现问题的环节或寻找当前最优的工艺参数组合;经上述寻找得到的当前最优的工艺参数组合经可靠传输终端发送至工艺参数交互器,反馈至生产现场进而实现对生产现场的动态工艺参数优化控制。
2.根据权利要求1所述的方法,其特征是所述传输线程调度负责开始、停止以及删除数据传输;所述失败任务还原负责处理意外终止的数据传输,并保证再次数据传输的完整性;所述更新执行任务负责根据数据传输任务所处的阶段更新数据传输任务。
3.根据权利要求2所述的方法,其特征是,所述工艺参数的检测点及其数量根据实际情况进行设置。
4.根据权利要求2或3所述的方法,其特征是,所述生产数据采集装置包括:酸度采集器、温度检测器、电压检测器、电流检测器、特定化学制剂检测器、比重仪器、硫酸测定设备、封闭液浓度测定器;
在基础参数管理模块中,所述参数包括:神经网络学习次数、预测的精度、动量项因子,PSO算法中的惯性权重、局部及最优值影响因子。
5.根据权利要求4所述的方法,其特征是数据存储服务器中,所述辅助信息包括产品合格率、产品型号、生产日期;
PSO群智能参数优化模块中,所述生产预测及智能优化都以神经网络接口处作为寻优粒子输入端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410163951.0A CN103955760B (zh) | 2014-04-22 | 2014-04-22 | 铝杆氧化染色工艺参数优化专家系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410163951.0A CN103955760B (zh) | 2014-04-22 | 2014-04-22 | 铝杆氧化染色工艺参数优化专家系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955760A true CN103955760A (zh) | 2014-07-30 |
CN103955760B CN103955760B (zh) | 2017-01-25 |
Family
ID=51333033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410163951.0A Active CN103955760B (zh) | 2014-04-22 | 2014-04-22 | 铝杆氧化染色工艺参数优化专家系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955760B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019102187A (ja) * | 2017-11-29 | 2019-06-24 | 株式会社カネカ | 二次電池製造システム |
JP2019102186A (ja) * | 2017-11-29 | 2019-06-24 | 株式会社カネカ | 二次電池製造システム |
CN111105127A (zh) * | 2019-11-06 | 2020-05-05 | 武汉理工大学 | 一种基于数据驱动的模块化产品设计评价方法 |
CN111966061A (zh) * | 2020-07-23 | 2020-11-20 | 珠海格力电器股份有限公司 | 产品工艺参数的优化方法、装置、电子设备和存储介质 |
WO2021007845A1 (zh) * | 2019-07-16 | 2021-01-21 | 东北大学 | 一种氧化铝生产指标的云-边协同预报系统及方法 |
CN113435699A (zh) * | 2021-05-24 | 2021-09-24 | 深圳大学 | 一种质量智能管控方法及系统 |
CN116088451A (zh) * | 2023-02-15 | 2023-05-09 | 陕西西微测控工程有限公司 | 一种采用模块集群方式实现板纸品种切换的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101097617B (zh) * | 2006-06-30 | 2012-08-29 | 东北大学 | 一种金属热轧优化调度方法及其系统 |
CN101447039A (zh) * | 2008-04-30 | 2009-06-03 | 北京奥腾讯达科技有限公司 | 生产性企业计算机管理系统 |
CN101464972A (zh) * | 2008-05-27 | 2009-06-24 | 北京奥腾讯达科技有限公司 | 计算机远程生产管理系统 |
CN101782743A (zh) * | 2010-02-11 | 2010-07-21 | 浙江大学 | 神经网络建模方法及系统 |
CN102831269B (zh) * | 2012-08-16 | 2015-03-25 | 内蒙古科技大学 | 一种流程工业过程工艺参数的确定方法 |
-
2014
- 2014-04-22 CN CN201410163951.0A patent/CN103955760B/zh active Active
Non-Patent Citations (1)
Title |
---|
王罗英 等: "基于BP神经网络的铝合金表面处理工艺参数优化", 《腐蚀与防护》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019102187A (ja) * | 2017-11-29 | 2019-06-24 | 株式会社カネカ | 二次電池製造システム |
JP2019102186A (ja) * | 2017-11-29 | 2019-06-24 | 株式会社カネカ | 二次電池製造システム |
JP7137303B2 (ja) | 2017-11-29 | 2022-09-14 | 株式会社カネカ | 二次電池製造システムの制御方法 |
JP7137302B2 (ja) | 2017-11-29 | 2022-09-14 | 株式会社カネカ | 二次電池製造システムの制御方法 |
WO2021007845A1 (zh) * | 2019-07-16 | 2021-01-21 | 东北大学 | 一种氧化铝生产指标的云-边协同预报系统及方法 |
CN111105127A (zh) * | 2019-11-06 | 2020-05-05 | 武汉理工大学 | 一种基于数据驱动的模块化产品设计评价方法 |
CN111105127B (zh) * | 2019-11-06 | 2023-04-07 | 武汉理工大学 | 一种基于数据驱动的模块化产品设计评价方法 |
CN111966061A (zh) * | 2020-07-23 | 2020-11-20 | 珠海格力电器股份有限公司 | 产品工艺参数的优化方法、装置、电子设备和存储介质 |
CN113435699A (zh) * | 2021-05-24 | 2021-09-24 | 深圳大学 | 一种质量智能管控方法及系统 |
CN116088451A (zh) * | 2023-02-15 | 2023-05-09 | 陕西西微测控工程有限公司 | 一种采用模块集群方式实现板纸品种切换的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103955760B (zh) | 2017-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103955760A (zh) | 铝杆氧化染色工艺参数优化专家系统 | |
CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
CN102831269B (zh) | 一种流程工业过程工艺参数的确定方法 | |
Kitova et al. | Hybrid intelligent system of forecasting of the socio-economic development of the country | |
CN104798043B (zh) | 一种数据处理方法和计算机系统 | |
DE102018204740A1 (de) | Aktionsinformationslernvorrichtung, Robotersteuersystem und Aktionsinformationslernverfahren | |
KR101825881B1 (ko) | 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템 | |
WO2021036546A1 (zh) | 基于有偏估计的近红外定量分析模型构建方法 | |
RU2519315C2 (ru) | Способ автоматического управления судном по курсу и интеллектуальная система для осуществления способа | |
CN109407654A (zh) | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 | |
CN104123847B (zh) | 基于acp方法的交通信号推荐系统及相应方法 | |
CN107153869A (zh) | 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法 | |
CN108665093A (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
CN108734567A (zh) | 一种基于大数据人工智能风控的资产管理系统及其评估方法 | |
CN107506862A (zh) | 一种基于物联网的磨矿粒度在线实时预测系统及方法 | |
CN105320987A (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
CN103559542A (zh) | 基于先验知识的可拓神经网络模式识别方法 | |
CN110363355A (zh) | 一种氧化铝生产指标的云-边协同预报系统及方法 | |
CN103323484A (zh) | 甘蔗煮糖过程结晶状态预测方法 | |
CN109711665A (zh) | 一种基于金融风控数据的预测模型构建方法及相关设备 | |
TWI696971B (zh) | 金融商品的相關性預測系統及其方法 | |
WO2022098601A1 (en) | Autonomous fluid management using fluid digital twins | |
WO2020034248A1 (zh) | 一种基于核磁共振分析仪的原油快速评价建模云平台 | |
RU2359308C2 (ru) | Нейросетевой регулятор для управления курсом судна | |
Falcao et al. | Q-learning based hyper-heuristic for scheduling system self-parameterization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |