CN111652402A - 一种基于大数据分析的光纤预制棒沉积工序智能优化的方法 - Google Patents

Abstract

本发明公开了一种基于大数据分析的预制棒沉积工序智能优化方法，该方法主要包括以下步骤:1、将质量分类后的光纤预制棒指标测试结果与生产工况和配方进行拼接，去除冗余、矛盾记录后形成决策表2、通过数据预处理实现滤波、去离群数据等功能3、采用粗糙集算法分析影响预制棒质量的关键配方和工况4、根据粗糙集给出的关键配方+工况训练神经网络，预测关键质量参数DELTA、CV、B/A、SLOPE，调整找出最高精度的配方工况组合5、单变量分析找出配方工况跟DELTA的方向性关系6、阶跃实验验证神经网络预测的配方跟预制棒质量的方向性及量化关系7、实现在线预测、虚拟设备等实际功能应用。本发明确保了优化过程紧凑有序运行，降低了生产成本，实现效益最大化。

Description

一种基于大数据分析的光纤预制棒沉积工序智能优化的方法

技术领域

本发明属于基于大数据挖掘的复杂工业过程智能化技术领域，具体涉及一种基于历史生产数据分析的光纤预制棒沉积过程智能优化方法。

背景技术

光纤预制棒沉积过程是一个存在强耦合、MIMO、化学与物理变化共存、干扰因素难以精确定位的典型复杂工业过程。配方涉及15钟气体，15种气体配方组合存在非线性的耦合关系，简单的线性阶跃模型难以描述配方跟预制棒关键质量指标间的关系。在配方稳定的情况下，环境的波动也会影响预制棒质量，导致预制棒关键质量出现跟随环境工况的随机波动，但超过十个的环境工况都会引起关键质量参数波动，环境工况和预制棒关键质量参数间的关系也是一个复杂模型。基于历史生产数据，拼接生产工况、配方和质量关键参数，形成决策表，然后对经过预处理后的决策表采用粗糙集等属性约简算法找出核属性，然后采用深度神经网络学习“工况+配方-->关键质量指标”的关系。沉积过程智能化对提高生产效益和企业竞争能力具有重要意义，目前我国大多数光纤预制棒生产过程的管理技术和信息化水平明显滞后于发达经济体的相关行业水平，没有形成实际可行的的智能化系统。

发明内容

为解决基于历史生产数据分析，对光纤预制棒沉积工序进行智能化的问题，本发明目的在于从历史生产数据中挖掘影响预制棒质量的关键配方和工况因素，建立神经网络在线质量预测模型给出DELTA、CV_VALUE、B/A和SLOPE等预制棒关键质量参数变化趋势的在线预测；同时分析配方和工况对质量参数的影响关系。

为实现上述目的，图1为本发明方案框架图，本发明技术方案主要包括以下内容：根据历史沉积数据，深入分析预制棒生产沉积工序工艺，研究预制棒质量参数影响因素，拼接生产工况，配方和PK测试点，形成决策表，并进行数据预处理实现滤波、去离群数据等功能，采用粗糙集算法进行属性约简，采用上下近似集实现最优配方工况组合，基于预制棒关键质量参数，深度训练神经网络，并不断调整从而实现在线预测等实际应用。该智能化主要包括以下几个步骤：

1)、数据对齐和拼接：对数据进行拼接主要是将PK测试结果与生产时沉积的数据进行拼接，而PK测试结果表(PPD_NHCS)与沉积的生产数据表(PPD_EQU_YRP)没有直接的对应关系，因此需要运用数据对齐方案里的方法来将数据进行对齐和拼接。所述数据对齐是将每一条PK测试结果计算出对应在粉棒上的长度位置，通过棒号和粉棒上的长度位置就能够将PK测试结果和沉积生产数据进行对齐的过程。

2)、数据预处理：所述数据预处理指将拼接后的数据去除数据库中异常数据冗余数据、矛盾数据的过程，该过程首先进行离群点去除、空数据去除等基本的预处理操作，然后绘制配方+工况对DELTA的对比散点图，找出对DELTA有直接影响的配方和工况，绘制配方实际值与MFC设定值的对比误差散点图，分析MFC精度对预制棒质量的影响度，去除没有变化的列属性，空白缺失值等异常数据，主要包括如下内容：

a、依据棒子多组PK测试结果的6个参数(CV、Delta、Slope、工艺方式、内径、剖面类型)将历史数据化分为三类：tight类、standard类、报废类。

b、采用聚类和分类两种方法对数据分析其特性，K-Means是聚类算法中的最常用的一种，算法最大的特点是简单，好理解，运算速度快，但是只能应用于连续型的数据。本项目数据根据kmeans算法尝试聚类，但是聚类结果与现场工艺分类结果有较大差异。故放弃用聚类算法。

c、所述空白缺失值即为去除各个配方为空的行数据，不参与模型训练。当前数据库里面只有YRP1、YRP2、YRP8、YRP9有非空的配方数据。而在这四个设备中只要其中一个配方有缺失值情况出现，其余所有的配方也会同样存在缺失值，所以在处理配方缺失值时，只需把其中一个配方的缺失值全部剔除即可。

d、所述异常数据判断标准主要有以下三个方面：

(1)坏点数据，通过工艺业务逻辑，筛选数据库中明显的坏点数据。

(2)箱形图分析，箱形图标准：离群值为小于Q1-1.5IQR或大于Q3+1.5IQR的值，Q1为下四分位，Q3为上四分位，IQR位四分位数间距，是上四分位和下四分位的差值，包含全部观察值得一半。

(3)阈值判断，因属性DELTA、CV、SLOPE、BA值分布非常稳定，所以通过阈值来判断数据为离群点的标准为平均值20％以外的数据点。

3)粗糙集属性约简:所述粗糙集是一种离群的数据预处理算法，目的是减少属性冗余，提高神经网络模型精度。该算法首先将拼接后配方、工况和预制棒质量数据分别离散化，然后去除冗余和矛盾数据，形成决策表形式，然后采用重要度相对算法及分辨矩阵对条件属性进行约减，采用上下近似集方法获取最优配方+工况组合，主要包括以下内容：

a、所述决策表是一种知识表示方法，决策表将各类影响因素描述为条件属性，将配方+工况描述为决策属性。

b、所述相对重要度算法是根据对决策属性的分类所做贡献的重要程度对条件属性进行约减的一种算法，

c、所述分辨矩阵认为当决策属性发生变化时，引起该变化的条件属性越少则该条件属性对于决策表的影响越大的思路形成一个三角矩阵，采用分辨函数或者启发式算法对矩阵进行约减，求取核属性及最终的约简属性组合，

d、所述上下近似集方法可以求解决策发生的充分条件、决策不发生的充分条件以及决策可能发生也可能不发生的条件，从而给出棒子在Tighte和报废情况下各个配方的最优组合区间。

4)、神经网络训练；采用多层bp神经网络，根据粗糙集给出的最优配方+工况组合训练神经网络，预测预制棒关键质量参数DELTA、CV、B/A、SLOPE，同时采用“添油”策略，在粗糙集属性约简的基础上依次筛选对预测结果有帮助的关键属性，不断加入新的配方和工况，最后组成最优良的预测属性组合。主要包括以下内容：

a、所述多层bp神经网络目前取3层，调用函数network＝Network([Input,15,Output])，其中Input是输入层数据的属性个数，Output是输出变量个数，15为中间节点个数，python代码，该代码可扩展到深度神经网络(DNN)，

b、所述神经网络为离线训练模型，若沉积设备发生重要变动，例如更换喷灯—调整喷灯角度+位置—更换MFC后重新校正等设备更换时需要重新积累数据训练模型，否则模型预测失效；若设备没有明显的设备更改可定期的离线拼接历史数据，基于更多、更新的拼接数据训练网络以期提高模型预测精度。

5)单变量影响矩阵：由于阶跃实验配方调整幅度过小，不具备参考意义。所以当变量影响矩阵只能用神经网络模型尝试给出输出与输入的随动关系。以一个样本的输出为参考，修改各个配方值，记录DELTA、CV、BA、SLOPE、GR这五个变量输出的相应变化。制作配方与输出的配方关系表，并进行逻辑分析。

6)将设计好的智能优化方法以VC界面的形式展示给用户，并提供手动调整输入实现实际功能应用。

本发明所采用的技术方案具有以下有益效果：

1、可根据实时生产参数预测出产品的优劣评判标准指标，从而在线实时指导工艺调整配方和工况参数用；

2、可将产品的结果变化因素与工艺参数变化的关联关系进行实时展现；

3、可对产品优劣参数的关键指标权重进行分类统计，从而指导工艺不断优化产品配方，提高合格率；

4、可模拟调节配方和工况给出能保证合理质量参数的合适推荐配方。

附图说明

图1为本发明的光纤预制棒沉积工序整体方案框架图。

图2为本发明的光纤预制棒沉积工序工艺图。

图3为本发明的数据对齐方案。

图4为本发明在神经网络训练中YRP09在不同配方下神经网络训练结果对比图。

图5为本发明的在线预测、虚拟设备、质量分布分析及调整建议界面。

具体实施方式

下面结合附图进一步说明本发明的具体实施方式。

图1为本发明方案框架图，本发明主要包括以下内容：(1)深入分析预制棒生产沉积工序工艺，研究预制棒质量参数影响因素，(2)基于时间拼接生产配方、工况和芯棒PK测试点，(3)对拼接的质量决策表进行数据预处理，(4)采用粗糙集算法分析影响质量指标的关键配方和工况，(5)训练深度神经网络模型，基于配方和工况预测预制棒关键质量参数，(6)研究质量参数不合格时的调整策略，(7)开发软件系统并现场应用，指导生产，详细过程如下：

图2为本发明的光线预制棒沉积工序工艺图，工艺过程主要由芯灯、层灯两个喷灯构成，每个喷灯首先由氢氧气燃烧生成水，然后由水跟四氯化硅反应生成二氧化硅+氯化氢气体；为减少光传输过程中的衰减损耗，以保证信号在光纤中全反射传输，在芯灯管道加入四氯化锗气体增加芯棒折射率；沉积过程中提升机以每秒0.01毫米的速度稳速提升预制棒粉棒，粉棒被提升的同时在旋转电机的带动下匀速旋转保证棒子被喷成圆柱形；沉积工序是预制棒质量的决定性工艺环节：

深入分析预制棒质量指标的影响因素，表1为光纤预制棒沉积过程影响因素分析结果。预制棒质量等级影响因素主要包括DELTA、CV_VLAUE、B/A、SLOPE和剖面类型，其影响因素主要是人、机、料、法、环、测，考虑到其他因素的难以描述性，我们重点从机、料、环、测四点考虑：

a:机器设备提升机速度、旋转电机速度、蝶形阀门开度、MFC精度、喷灯位置角度等硬件设备参数；

b:配方，芯层氧气、氢气、四氯化硅、四氯化锗流量，包层1氢气、氧气、四氯化硅流量；

c:环境工况，腔体压力、腔体温度、气流速度、激光测量等；

d:检测量：如生长速度、粉棒密度、生产效率等；

预制棒关键质量指标的影响因素：生长速度的影响因素主要有设备参数、配料流量等，包括火焰温度，激光器检查，抽风压力，料管温度等；Delda值影响因素有芯层温度，脱水条件等；芯径，外径的控制与生长速度，芯层Sicl4流量有关；剖面类型影响因素有生长速度，芯灯位置，料管温度等。

表1影响因素表

数据拼接：所述数据拼接是因为沉积工序生产的粉棒容易断裂，需经过烧结工序生成母棒，粉棒到母棒烧结过程棒子长度会由2m收缩为1.8m，母帮经过拉伸工序由1.8m拉伸为6m芯棒，质量检测部门对6m的芯棒进行位置抽样做PK测试，得到不同位置的DELTA、Slope、B/A值和破面类型等预制棒关键质量参数。因沉积工序干扰，关键参数波动较大，甚至超出合格区间，为实现关键质量参数稳定调节，需要根据配方和生产工况预测各芯棒质量参数，但PK测试针对的是拉伸后的芯棒，而沉积工序的工况和配方是影响芯棒质量参数的关键因素，要根据沉积工序预测芯棒质量就需要找出每个PK测试点对应的沉积工序配方和工况数据，因此需要进行数据对齐，建立“配方+工况—〉芯棒PK测试点”的决策数据表，主要包括以下内容：

a、图3是本发明的数据对齐方案，将PK测试点通过拉伸比例换算反推到母棒位置，然后再根据烧结收缩比例换算到粉棒位置，然后根据粉棒生长速度根据粉棒开始生产时间找出粉棒位置的生产配方和工况，具体步骤如下：

①根据公式(1-3)反推母棒到粉棒，其中δ为粉棒收缩率，L为母棒长度，Lc为沉积长度，L_G为母棒G端损失长度，L_G熔接为母棒G端熔接损失长度，L_G分切为母棒G端分切损失长度；

L_G＝L_G熔接+L_G分切--------------------(3)

②根据公式(4-5)反推芯棒到母棒，p0为拉伸比例，L_总为芯棒总长度

pos_母棒＝pos_芯棒*p0--------------------(5)

b、芯棒到母棒反推的误差补偿，由于母棒实际上是纺锤型，不是标准的圆柱体，等距离芯棒对应到母棒的长度，即拉伸同样长度的芯棒，需要的粗端和细端母帮长度不同，针对该问题，提出如下拉伸比例的补偿算法：

①首先将芯棒分为两部分，前面一半的头部称为G端，后面一半的尾部称为P端，前后半部分按长度各分割为25等分，前半部分命名为G₂₅、G₂₄、G₂₃…，而后半部分则命名为P₂₅、P₂₄、P₂₃…；

②公式(6)为前面一半芯棒反推到母棒的公式，其中pos_母棒为母棒位置，pos_G为

pos_母棒＝pos_G*p0+Gn*a--------------------------(6)

芯棒距离G端位置，公式(7)为后面一半芯棒反推公式，pos_P为芯棒距离P端位置，其中，

pos_母棒＝L_总-[pos_P*p0-P_n*a]------------------(7)

上下两部分n都是从头部从大到小排列，公式(8)为a计算公式，其中R为芯棒外径，r_min为

母棒最小外径，r_max为母棒最大外径

c、补偿保证了芯棒和母棒的头部和尾部重叠，同时根据母棒头尾外径差对50等分的芯棒反推位置做补偿，即芯棒尾部对应母棒粗端，因此要将线性拉伸比例计算的母棒位置减去一定长度，而芯棒头部对应母棒细端，因此要将线性拉伸比例计算的母棒位置加上一定长度，从而减少芯棒PK测试点到母棒位置的对齐误差。

数据预处理：所述数据预处理是指将拼接后的数据，去除DELTA值超过或低于正常值的离群点，去除配方缺失值，去除无变化的列属性，主要包括以下几个步骤：

a、分析MFC(配方PID回路控制器)控制精度，绘制配方设定值与实际值差值稳定性散点图，分析配方实际值跟设定值的偏差；

b、绘制预制棒各关键质量参数的分布散点图，分析质量参数波动范围；

c、去除属性和决策中超过或低于正常值的离群点，因属性DELTA、CV、SLOPE、BA值分布非常稳定，所以通过阈值来判断数据为离群点的标准为平均值20％以外的数据点；

d、去除配方缺失值，去除各个配方为空的行数据；

e、去除坏点数据，通过工艺业务逻辑，筛选数据库中明显的坏点数据。

属性约简：所述属性约简是指将拼接后配方数据、工况数据和预制棒质量数据分别离散化，然后去除冗余数据和矛盾数据，形成一致决策表，如表2，再采用分辨矩阵算法计算属性重要性，列出对预制棒质量影响比较大的配方和工况，最后采用下近似算法获取保证优秀质量的配方和工况组合，具体步骤如下：

a、将基于历史生产数据，拼接生产工况、配方和质量的关键参数去除冗余数据和矛盾数据，形成表2所示的决策表形式，其中MFC_2D_ACTVALUE、MFC_CORE_OH_ACTVALUE、MFC_CLAD1_OO_ACTVALUE、MFC_1A_ACTVALUE、MFC_2A_ACTVALUE、MFC_CLAD1_IS_ACTVALU、LS1B_ACTVALUE为属性，COREDELTA、CV_VALUE、BA、SLOPE为决策。

表2决策表

b、配方离散化：通过配方最小值向上递增最小变化区间来进行离散化，即配方离散化根据配方最小调节量,配方最小值离散值设定为0，每增加一个最小调节量离散值加1；

c、工况离散化：工况离散化把工况属性划分成k等份，离散值为0—k的常数；

d、预制棒质量参数离散化，预制棒质量参数根据工艺要求分为优良、合格和报废三种类型，具体划分区间如表3所示；可以看出不同种类的预制棒工艺参数，Ric200-Tight、Ric200-Standand、Ric150-OVD-CTN-Tight、Ric150-OVD-CTN-Standand型在不同剖面类型下CV、Delda、Slope、B/A的工艺规则，

表3预制棒质量分类工艺规则

e、分辨矩阵约简：分辨矩阵是一个依主对角线对称的n阶方阵，而矩阵中的每一个元素都是通过分辨函数求出来的，采用分辨矩阵可以方便的求解属性集合的核属性和约简组合，通过算出属性集中的核，可以在不改变原来对象的分类下消去冗余信息；

f、根据公式(9)计算每个属性重要度，代表分辨矩阵每项所包含属性的个数，从式(9)可以看出，属性在分辨矩阵中出现的次数越多属性重要性越大，属性在分辨矩阵中的项越短属性重要性越大，综合重要性排序及分辨矩阵中的单项属性找出核属性，

g、属性重要度排序：对于YRP01、YRP02、YRP06、YRP08、YRP09这五个设备，通过粗糙集算法输出影响每个设备的关键配方与工况参数，并利用分辨矩阵算法计算重要度并进行属性排序，如表4所示即为DELTA的配方重要度排序，列出对预制棒影响较大的配方和工况；

表4 DELTA的配方重要度排序

	YRP1	YRP02	YRP08	YRP09
					1	MFC_2A_ACTVALUE	MFC_2A_ACTVALUE	MFC_CLAD1_IS_ACTVALUE	MFC_CLAD1_IS_ACTVALUE
1/2	LS1B_ACTVALUE	MFC_CLAD1_00_ACTVALUE	MFC_1A_ACTVALUE	MFC_CLAD1_00_ACTVALUE
					1/4	MFC_CORE_OH_ACTVALUE	LS1B_ACTVALUE	LS1B_ACTVALUE	MFC_2A_ACTVALUE
1/8	MFC_CORE_OH_ACTVALUE	MFC_2D_ACTVALUE	MFC_CORE_OH_ACTVALUE	LS1B_ACTVALUE
					1/16	MFC_2D_ACTVALUE	MFC_CORE_OH_ACTVALUE	MFC_2D_ACTVALUE	MFC_2D_ACTVALUE
1/32		MFC_CORE_IH_ACTVALUE	MFC_CORE_IH_ACTVALUE	MFC_CORE_OH_ACTVALUE

h、粗糙集上下近似集：下近似集的概念为所有能确切判定是否属于给定类的集合，也就是什么样的条件组合肯定能得到什么样的给定决策，而上近似集的概念为所有能确切判定或者可能判定给定类的集合，即什么样的条件组合可能或者肯定能得到什么样的给定决策。通过上下集近似分析，能够给出棒子在Tight状况下，设备YRP01，YRP02，YRP08，YRP09在各个配方下最优组合区间。

图4为DELTA、CV-VALUE、B/A、SLOPE进行深度神经网络训练，实际值与预测值的对比图，可以看出训练DELTA和SLOPE时训练结果能够随阶跃变化但波动能力差，CV和BA时训练结果明显有了波动特性，但跟随性较差，本发明选择多层bp神经网络，根据粗糙集配方和工况设备训练神经网络，训练过程中通过不断的增加、删除属性，先找出影响预制棒质量阶跃变化的配方属性，然后找出导致质量指标波动的工况属性，经多次网络结构和参数的调整以及配方和工况的不同组合训练找出适应度最小的模型到处权值和偏置。主要包括以下几个步骤：

a、提取关键属性：从原始数据中由粗糙集等特征提取算法提取关键属性，训练时不同属性组合预测精度不同，需要人工鉴别每种组合的合理性。

b、如果工艺不够深入，采用“添油”策略，在粗糙集属性约简的基础上依次筛选对预测结果有帮助的关键属性，不断增加删除属性，最后组成最优良的预测属性组合。

c、将神经网络训练后的两个权矩阵分为输入层矩阵(W1)和输出层矩阵(W2)，存入数据库matrix array表中，然后c#程序定时读取这两个矩阵跟输入矩阵做内积便可在线实时根据配方和工况预测：DELTA-SLOPE-B/A-CV_VALUE等光纤预制棒的关键质量参数。

图5是本发明的在线预测、虚拟设备、质量分布分析及调整建议界面。能完成以下基本内容，

a、在线预测，通过配方+工况在线实时预测预制棒质量四大关键参数和生长速度，每根棒子的预测结果通过统计曲线展示，如图5(a)，用户只需在此界面只需输入需要实时预测的设备号，即可查询出目前设备上正在生产的预制棒信息。

b、虚拟设备，若某个关键质量参数超出控制范围，模拟调节虚拟设备找出保证质量参数在合理范围内的合理配方，

c、PK结果统计分析，根据输入时间段统计分析PK测试质量参数分布饼图及统计表，如图5(b)(c)，进入界面后输入相应的工艺类型及开始、结束时间，点击查询即可出现该时间段内相应类型的指标对产品影响的权重关系，下方的饼图会显示不同工艺类型在该段时间之内的优秀、合格、报废情况。

d、调节建议，如图5(d)，此界面的功能在于在界面上对参数进行虚拟调整，从而虚拟预测出产品的结果参数的变化，当产品结果参数在此界面中调整合格后，即可将此界面的调整后的参数导出，从而指导工艺到现场进行参数的实际调整。

经比较，本发明所提优化方法根据实时生产数据进行一些计算，操作简单，适应环境变化能力强，准确预测了预制棒的质量，降低了生产运营成本，节省能源，增强了企业管理，提高了生产效率，有利于促进企业效益最大化。

以上显示和描述了本发明的基本原理和主要特征。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种基于大数据分析的光纤预制棒沉积工序智能优化的方法，其特征在于：该方法主要包括以下步骤：

一：将实际的产品质量指标与生产工况和配方进行拼接，去除冗余、矛盾记录形成决策表，主要包括以下步骤：a、深入分析预制棒沉积工序工艺，绘制沉积工艺图，分析影响质量的可能因素，得到详细的配方步骤及工况。b、将实际PK测试点的点位信息与棒子实际生产时间段进行拼接。c、将实际的产品指标与即时的生产数据进行关联，形成标签数据d、去除冗余数据，记录存在的矛盾关系，并形成决策表。

二：通过数据预处理实现滤波、去离群数据等功能。具体包括如下：a、离群点去除、空数据去除等基本的预处理操作。b、绘制配方+工况对DELTA的对比散点图，找出对DELTA有直接影响的配方和工况。c、绘制配方实际值与MFC设定值的对比误差散点图，分析MFC精度对预制棒质量的影响度。

三：采用粗糙集算法分析影响预制棒质量的关键配方和工况，本发明采用粗糙集上、下近似集算法，具体步骤如下：a、建立决策表，将影响质量可能因素记录，其中将各类影响因素描述为条件属性，将配方+工况描述为决策属性b、属性约减，采用粗糙集重要度相对约减和分辨矩阵算法，约减部分对决策操作影响不大的条件属性c、采用上下近似集方法给出能保证Tight和报废的最优配方集合

四：根据粗糙集给出的关键配方+工况训练神经网络，预测预制棒关键质量参数DELTA、CV、B/A、SLOPE，同时采用“添油”策略，不断加入新的配方和工况，找出预测精度+跟随性最优的配方和工况组合。

五：对单因素影响矩阵实验结果进行逻辑分析，单变量分析找出配方、工况跟DELTA的方向性关系。步骤如下：a、制作其他所有变量固定，只有一种因素变化的散点图。b、分析配方、工况和DELTA方向性关系。

六：采取阶跃实验，分析DELTA阶跃变化前后配方对比关系，现场验证各变量跟预制棒质量的方向性及量化关系。

七、系统界面展示，将生成的的界面展示给用户，用户可通过控制输入实现在线预测、虚拟设备、调节建议矩阵和PK结果统计分析等实际功能应用。

Images