CN114707686A - 一种面向多工序混合生产的联合优化方法 - Google Patents

一种面向多工序混合生产的联合优化方法 Download PDF

Info

Publication number
CN114707686A
CN114707686A CN202111565494.4A CN202111565494A CN114707686A CN 114707686 A CN114707686 A CN 114707686A CN 202111565494 A CN202111565494 A CN 202111565494A CN 114707686 A CN114707686 A CN 114707686A
Authority
CN
China
Prior art keywords
production
population
full
ith
matrix
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
CN202111565494.4A
Other languages
English (en)
Inventor
宫会丽
侯瑞春
于树松
丁香乾
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202111565494.4A priority Critical patent/CN114707686A/zh
Publication of CN114707686A publication Critical patent/CN114707686A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种面向多工序混合生产的联合优化方法，包括以下步骤；选取对轮胎制造全流程优化目标起关键作用的操作变量为全流程优化算法模型的决策变量，获得约束条件；针对橡胶轮胎生产过程，构建全流程优化算法模型；对全流程优化算法模型的所述决策变量的参数进行优化，并迭代更新至收敛于全局最优解；通过已有未用数据验证全流程优化算法模型在混合生产中的生产能耗和经济效益。本发明提供一种多工序联合优化方法，通过建造多工序全流程优化算法模型及根据已有产品的质量标准及操作变量得出新产品的质量标准及操作变量，保证产品质量及经济效益最优。

Description

一种面向多工序混合生产的联合优化方法
技术领域
本发明属于橡胶轮胎制造技术领域，具体地说，是涉及一种面向多工序混合生产的联合优化方法。
背景技术
橡胶轮胎制造采用典型的混合生产模式。由于多个工序、多外场因素与产品质量的高度耦合，使得制造过程复杂性和调度管控难度增加。特别是要求严苛的领域的重大工程中的橡胶轮胎产品，为适应高速起降、复杂路况等复杂多变应用场景，提出了耐强冲击、耐高低温、重量轻的定制化功能需求，对平衡度、弹性、耐磨性等重要产品性能提出了更高要求。需要对连续工艺过程及离散生产工序各影响参数进行联合调控，最终获得满足一定目标要求的产品质量。
橡胶轮胎的生产过程由若干个工序组成，如密炼工序、混炼工序、胶布件工序、硫化工序、成型工序等，每一个关键工序都有各自的优化目标，但是各工序之间相互制约、互为约束，所以单个工序的最优并不能保证整个流程的最优。比如某一工序的控制参数的提高会直接影响该工序半成品质量，但并不意味着整个流程的优化目标达到最优。因此复杂工业过程中各工序之间关系密切，相互影响，仅仅依靠实现单一工序的优化并不能解决全流程优化问题，必须从生产过程整体角度出发协调各工序最终实现全流程优化。
全流程优化方法是在满足生产约束的条件下，力求获取一组最佳的操作变量，平衡整个流程中的各项消耗和原料成本，获得的经济利益最大。这种优化技术，是在不改变工艺流程和生产设备的情况下，仅通过调整各工序的具体操作量，就可以使整个生产过程达到最佳的运行状态。
目前来看，橡胶轮胎行业进行个性化产品定制时，全流程质量建模还没有较好方案。对企业已有产品的质量控制参数主要依靠前期经验和设定参数，但对于市场上突然要求的个性化定制产品，企业还无法给出详细的方案。
发明内容
本发明提供一种多工序联合优化方法，通过建造算法模型及已有产品的质量标准及操作变量得出新产品的质量标准及操作变量，保证产品质量及经济效益最优。
为解决上述技术问题，本发明采用以下技术方案予以实现：
一种面向多工序混合生产的联合优化方法，包括以下步骤：
步骤S101：选取对轮胎制造全流程优化目标起关键作用的操作变量为全流程优化算法模型的决策变量，获得约束条件；
步骤S102：针对橡胶轮胎生产过程，构建所述全流程优化算法模型；
步骤S103：对全流程优化算法模型的所述决策变量的参数进行优化，并迭代更新至收敛于全局最优解；
步骤S104：通过已有未用数据验证所述全流程优化算法模型在混合生产中的生产能耗和经济效益。
在一实施例中，所述全流程优化算法模型为：
Figure RE-GDA0003632424510000021
其中，fi为第i个工序的模型，
Figure RE-GDA0003632424510000022
为状态向量，Ni为状态向量的维数，ui为第i个工序的所述操作向量，zi为第i个工序的关联向量， Aij为第i个工序和第j个工序的关联矩阵，它是一个Nj×Nj方阵。
在一实施例中，
Figure RE-GDA0003632424510000031
Figure RE-GDA0003632424510000032
为第j个工序的第k个状态变量对第i个工序的影响因子，为0或者1；无影响为0，有影响为1。
在一实施例中，目标函数为：
maxJ＝P(u)-C(u)
其中，J为全流程综合生产指标；P为收益；C为生产成本；u为所述决策变量；
u[u1 T,u2 T,…,un T]T。
在一实施例中，所述约束条件为：
xi＝fi(ui,zi)
xi,min≤xi≤xi,max
ui,min≤ui≤ui,max,i＝1,2,,3…,n
zi,min≤zi≤zi,max,i＝1,2,,3…,n-1
其中，向量xi,min和xi,max为第i个工序的质量指标的取值范围；向量ui,min和 ui,max为第i个工序的所述操作变量的取值范围的上限和下限；向量zi,min和 zi,max为第i个工序的关联变量的上限和下限。
在一实施例中，采用麻雀搜索算法对全流程优化算法模型的所述决策变量进行优化。
在一实施例中，将各道所述工序上的所述决策变量u通过所述麻雀搜索算法生成种群位置矩阵C的的初始值；工序数为n；种群位置矩阵C为n维矩阵，
Figure RE-GDA0003632424510000041
并计算各位置点处的适应度值，获得适应度矩阵F(C)，
Figure RE-GDA0003632424510000042
在一实施例中，设定所述麻雀搜索算法种群进化的次数E，将种群划分为加入者、发现者、侦察者三个群体；运用惩罚函数的约束处理策略，通过对不可行的解施加某种惩罚，使得全流程逐渐收敛。
在一实施例中，所述观察者为种群提供食物资源信息，引导种群觅食方向，每一轮种群进化过程中位置变化为：
Figure RE-GDA0003632424510000043
t代表当前迭代次数，ci,j表示第i只麻雀在第j维中的位置；R2(R2∈[0,1])和 ST(ST∈[0.5,1])分别表示预警值和安全值，即每道所述工序的生产参数的阈值范围；R2≥ST表示位置安全能够进行搜索，反之发出预警并离开当前位置；Emax 是一个常数，表示最大的迭代次数；Q是服从正态分布的随机数；L表示一个1× d的矩阵，其中该矩阵内每个元素全部为1；
所述加入者通过侦听所述发现者的位置信息更新觅食方向，争夺优质资源，所述加入者位置更新如下：
Figure RE-GDA0003632424510000051
cp是所述发现者所处的局部最优位置，cworst表示全局最差的位置。A表示一个1×d的矩阵，其中每个元素随机赋值为1或-1，并且A+＝AT(AAT)-1；当
Figure RE-GDA0003632424510000052
时，表明第i个所述加入者仍没有获得食物且适应度较低，需找寻其他位置获得食物资源；
所述侦察者为种群及时提供危险信息，其占据种群数量的10％到20％，根据如下公式进行位置的更新：
Figure RE-GDA0003632424510000053
cbest是本轮迭代中全局最优位置。η作为步长控制参数，是服从均值为0，方差为1的正态分布随机数。当fi＞fb表示麻雀所处位置易遭受捕食者攻击且正处于种群的边缘，当fi＝fb时，表明麻雀意识到了危险，需要更新其位置降低被攻击的风险；各个所述工序组成的复杂工业过程须在合理的范围内调整关键参数的大小，以此来达到全流程的经济利益、质量生产指标和能耗指标的最优，即麻雀搜索算法在E次种群更新迭代后，种群中个体食物资源达到该区域的最优解；
K∈[-1,1]是一个随机数，表示麻雀移动的方向同时也是步长控制参数；fi则是当前麻雀个体的适应度值；fb和fw分别是当前全局最佳和最差的适应度值；ε是最小的常数，以避免分母出现零。
在一实施例中，在每一轮的种群位置更新过程中，对各所述工序的所述决策变量ui进行调整，需在达到生产参数的前提下，所述决策变量满足 ui,min≤ui≤ui,max时，最大程度的降低生产成本、生产能耗，提高生产的效率；
全流程的状态向量x＝[x1 T,x2 T,…,xn T]T在每道所述工序生产结束后更新并影响下一道所述工序，所述状态向量的变化影响整个工业生产的质量结果。
与现有技术相比，本发明的优点和积极效果是：
本发明的面向多工序混合生产的联合优化方法针对橡胶轮胎行业采用典型的混合制造生产模式，多工序之间具有紧密的相关性，制造过程各工序参数调控困难，使得生产质量受各种外部因素的影响。对全流程多个工序参数进行全局联合优化能够提高各道工序的生产效率，一定程度上能够使得经济效益最大化。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所提出的一种面向多工序混合生产的联合优化方法的一种实施例的流程示意图；
图2是由n个工序组成的生产流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中至始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
参照图1，本发明的面向多工序混合生产的联合优化方法包括以下步骤：
步骤S101：选取对轮胎制造全流程优化目标起关键作用的操作变量为全流程优化模型的决策变量，获得约束条件；
步骤S102：针对橡胶轮胎生产过程，构建全流程优化模型；
步骤S103：对全流程优化模型的所述决策变量的参数进行优化，并迭代更新至收敛于全局最优解；
步骤S104：通过已有未用数据验证全流程优化模型在混合生产中的生产能耗和经济效益。
本发明的面向多工序混合生产的联合优化方法针对橡胶轮胎行业采用典型的混合制造生产模式，多工序之间具有紧密的相关性，制造过程各工序参数调控困难，使得生产质量受各种外部因素的影响。对全流程多个工序参数进行全局优化能够提高各道工序的生产效率，一定程度上能够使得经济效益最大化。
整体技术方案主要将单一工序的优化思想直接引入全流程优化中，即将生产全流程作为一个整体进行优化。通过对全流程机理模型的分析，选取对轮胎制造全流程优化目标起关键作用的操作变量为全流程优化模型的决策变量，获得该流程优化所应满足的约束条件。
橡胶轮胎生产全流程的优化目标是在产品满足质量指标的情况下，获得最大的生产效率(或者最大经济受益、最低成本、能耗最小、质量最稳定)，并给出在最大生产效率的条件下的操作变量，用于指导现场实践。优化目标往往要对经济利益、质量指标和能耗指标作综合分析。针对橡胶轮胎生产过程，以单批次原料的经济利益最大化为优化。在构建全流程模型优化过程中，首先保证每个工序中影响产品工序性能的关键参数变量在合理的范围内，再通过调整权重参数使优化目标达到最优。
参照图2，对于一个由n个工序组成的复杂工业过程，各个工序前后相连组成一个完整的流程。
xi，ui，和zi，这三个向量分别为第i个工序的质量指标、操作变量、关联变量。对于一个由n个工序组成的复杂工业过程，当已经分别建立了各工序的机理模型的时候，由于每一个工序均通过相关的指标对下一工序产生影响并相互关联，通过工序之间的关联关系。
这n个工序是可以一个工序接一个工序相互连接的，也可以是部分重要工序连接在一起的。
多个工序模型联合可得全流程模型，如下：
Figure RE-GDA0003632424510000081
其中，fi为第i个工序的模型，
Figure RE-GDA0003632424510000082
为状态向量，Ni为状态向量的维数，ui为第i个工序的操作向量，zi为第i个工序的关联向量，Aij为第i 个工序和第j个工序的关联矩阵，它是一个Nj×Nj方阵。
公式为：
Figure RE-GDA0003632424510000083
Figure RE-GDA0003632424510000084
为第j个工序的第k个状态变量对第i个工序的影响因子，为0或者1。无影响为0，有影响为1。
目标函数为max J(x,u)为如下表达：
s.t.(约束条件)
xi＝fi(ui,zi),i＝1,2,…,n
zi＝[(Ai1x1)T,(Ai2x2)T,…,(Ai(i-1)x(i-1))T,(Ai(i+1)x(i+1))T,…,(Ainxn)T]t
J为综合经济效益，x＝[x1 T,x2 T,…,xn T]T为整个流程的状态向量。
maxJ＝P(u)-C(u)
s.t
xi＝fi(ui,zi)
xi,min≤xi≤xi,max
ui,min≤ui≤ui,max,i＝1,2,,3…,n
zi,min≤zi≤zi,max,i＝1,2,,3…,n-1
其中，J为全流程综合生产指标，P为收益，C为生产成本,生产成本是原料成本和消耗成本之和，通常原料成本为一定值，故P和C均由各工序操作变量u决定的，分别表示成P(u)和C(u)；向量xi,min和xi,max为工序质量指标取值范围；向量ui,min和ui,max为第i个工序操作变量取值范围的上限和下限；向量zi,min和 zi,max为第i个工序关联变量的上限和下限。
本发明采用基于麻雀搜索对橡胶轮胎生产全流程工序参数进行优化，结合约束处理机制，对全流程的工业生产参数进行调整，运用惩罚函数的约束处理策略，通过对不可行的解施加某种惩罚，经过不断的迭代更新，使得优化算法逐渐收敛于可行的全局最优解，技术方案实现如下：
(1)橡胶轮胎生产全流程优化是复杂的有约束的非线性优化问题，在保证生产质量的前提下，对生产过程中n道工序关键参数在合理范围之内进行优化，针对工业流程的输入与输出映射关系，使得生产质量和综合经济效益在全流程的约束条件下达到最优。将各道生产工序上的参数指标u对麻雀搜索算法进行种群位置的初始化，生成种群的初始位置矩阵C，根据n个工序的参数建立n维麻雀种群位置矩阵，并计算各位置点处的适应度值，获得n道工序的适应度矩阵F(C)。
Figure RE-GDA0003632424510000101
(2)设定麻雀搜索算法种群进化的次数E，将种群划分为加入者、发现者、侦察者三个群体，同时运用惩罚函数的约束处理策略，通过对不可行的解施加某种惩罚，即对工业参数的非全局最优解进行调整，使得全流程逐渐收敛。
(3)对每一轮进化更新的种群个体位置进行调整，不同身份的种群个体位置更新如下。观察者为种群提供食物资源信息，引导种群觅食方向，每一轮种群进化过程中位置变化为：
Figure RE-GDA0003632424510000102
t代表当前迭代次数，ci,j表示第i只麻雀在第j维中的位置；R2(R2∈[0,1])和 ST(ST∈[0.5,1])分别表示预警值和安全值，即每道所述工序的生产参数的阈值范围；R2≥ST表示位置安全能够进行搜索，反之发出预警并离开当前位置；Emax 是一个常数，表示最大的迭代次数；Q是服从正态分布的随机数；L表示一个1× d的矩阵，其中该矩阵内每个元素全部为1。
所述加入者通过侦听所述发现者的位置信息更新觅食方向，争夺优质资源，所述加入者位置更新如下：
Figure RE-GDA0003632424510000103
cp是所述发现者所处的局部最优位置，cworst表示全局最差的位置。A表示一个1×d的矩阵，其中每个元素随机赋值为1或-1，并且A+＝AT(AAT)-1；当
Figure RE-GDA0003632424510000111
时，表明第i个所述加入者仍没有获得食物且适应度较低，需找寻其他位置获得食物资源。
所述侦察者为种群及时提供危险信息，其占据种群数量的10％到20％，根据如下公式进行位置的更新：
Figure RE-GDA0003632424510000112
cbest是本轮迭代中全局最优位置。η作为步长控制参数，是服从均值为0，方差为1的正态分布随机数。当fi＞fb表示麻雀所处位置易遭受捕食者攻击且正处于种群的边缘，当fi＝fb时，表明麻雀意识到了危险，需要更新其位置降低被攻击的风险；各个所述工序组成的复杂工业过程须在合理的范围内调整关键参数的大小，以此来达到全流程的经济利益、质量生产指标和能耗指标的最优，即麻雀搜索算法在E次种群更新迭代后，种群中个体食物资源达到该区域的最优解。
K∈[-1,1]是一个随机数，表示麻雀移动的方向同时也是步长控制参数；fi则是当前麻雀个体的适应度值；fb和fw分别是当前全局最佳和最差的适应度值；ε是最小的常数，以避免分母出现零。
(4)在每一轮的种群位置更新过程中，对各所述工序的所述决策变量ui进行调整，需在达到生产参数的前提下，所述决策变量满足ui,min≤ui≤ui,max时，最大程度的降低生产成本、生产能耗，提高生产的效率；
全流程的状态向量x＝[x1 T,x2 T,…,xn T]T在每道所述工序生产结束后更新并影响下一道所述工序，所述状态向量的变化影响整个工业生产的质量结果。
(5)当整个种群所处位置资源占据全局最优，则优化完成。将麻雀搜索算法优化后的位置矩阵设定每道工序的参数值，从而实现整个制造工序的全流程整体优化。对优化后的各工序参数进行测试，验证优化工业生产参数对全流程生产结果的影响。通过对比生产成本、生产质量、生产能耗对优化后的关键参数进行综合分析，根据各工序本身的内在机理，运用能量平衡、物料平衡、相平衡以及反应动力学等基本原理建立各工序的参数优化方案。以单批次原料的经济利益最大化为目标，建立橡胶轮胎生产全流程常规化模型并加以求解，对各道工序关键参数β进行全局寻优，使得表征全流程的输入一输出映射 y＝f(u,β)在满足质量指标与工业参数等约束的条件下达到最优。
本发明提出了基于麻雀搜索算法的橡胶轮胎生产全流程工序参数优化设计方法，结合各道工序的约束条件，运用惩罚函数的约束处理策略，对混合制造生产各道工序参数进行全局优化。该优化方法针对生产过程中各生产工序相互制约、互为约束等问题，从全流程整体角度出发，对各生产工序进行协调，有效的缓解了个别工序参数改变导致的产品质量不稳定的问题，在满足生产约束的条件下，获得最大的生产效率。全局生产参数优化后使得各工序生产成本、生产能耗明显降低，产品质量性能有所提高，关键生产工序达到各自的优化标准，综合经济效益显著提升。该优化方法能够快速、精准地优化全局参数，为橡胶轮胎全流程优化提供了一种有效的解决方案。
全流程优化方法是在满足生产约束的条件下，力求获取一组最佳的操作变量 u，平衡整个流程中的各项消耗和原料成本，使获得的经济利益最大。这种优化技术，是在不改变工艺流程和生产设备的情况下，仅通过调整各工序的具体操作量，就可以使整个生产过程达到最佳的运行状态。
本专利重点使用优化算法，应用全流程机理模型，根据实际生产的约束条件确定最佳的操作变量u。在全流程优化中，操作变量应该是对目标函数有重要影响的变量，可以通过选择一组合适的操作变量，使优化目标达到最优。因此，对重要工序提取出关键操作变量u，使得u满足一定约束条件，并使得J达到最优目标。
具体实施例
一种面向多工序混合生产的联合优化方法，生产过程为橡胶轮胎生产过程，包括以下步骤：
步骤1：生产过程分析，识别出轮胎生产过程的最终质量指标、各个工序的质量指标及工序内的工艺参数；最终质量指标为拉伸强度，工序包括密炼和硫化两个工序，其它工序为离散工序，在此不做考虑。
1)密炼工序的质量指标包括门尼粘度和硬度，工艺参数包括顶栓压力、转子转速、混炼时间、混炼排胶温度。
2)硫化工序的质量指标包括拉伸强度、硬度和耐磨性，工艺参数包括入硫化时间、硫化的温度、胶囊充内蒸汽压力、内热水压力、内热水温度；
步骤2：以企业采集的8600条各工序工艺参数与批次对应的质量指标数据作为实验数据，随机选择80％样本作为训练集，20％为测试集。
步骤3：从建模数据集中筛选出轮胎最终产品指标拉伸强度、各工序的质量指标数据以及工序内工艺参数数据，形成各工序质量指标建模数据集。
步骤4：基于上述轮胎最终产品质量指标数据集和各工序质量指标数据集，分别建立各工序质量指标模型和轮胎拉伸强度模型：
1)：首先对所有数据数据集进行预处理，包括缺失值、异常值的去除等。对于缺失值，则直接删除该记录；对于异常值去除则根据数据大于±3σ标准差方法进行剔除。若数值不在(μ-3θ，μ+3θ)范围内，则判断其偏离正常值，需去除该条记录；
2)将预处理后的数据集按照8:2划分为建模数据集和测试集。
首先建立密炼工序和硫化工序的质量模型。基于工艺参数与各质量指标的初始机理模型架构，将工艺参数指标作为输入，质量指标作为输出，采用神经网络辨识方法确定模型的其它未知参数，形成密炼工序的门尼粘度和硬度指标的辨识模型和硫化工序的拉伸强度、硬度和耐磨性指标辨识模型，再用剩余20％样本数据验证各模型的准确率，使其模型具有较好的稳健性和推广性。
步骤5：基于密炼工学和硫化工序的最优化组合，获得最终产品质量拉伸强度模型，求解方法为：
1)：根据前面轮胎质量拉伸强度模型作为等式约束，根据步骤X、U、Z约束条件中的取值范围，即最优化问题的不等式约束，以拉伸强度最优作为目标函数，构建最优化问题；
2)：根据步骤1)构建的最优化问题，采用麻雀搜索算法进行单工序优化和多工序组合后多目标优化求解，从优化出的众多可行方案中推荐出最佳方案进行输出。
在具体应用中，从企业ERP、MES以及质量系统中导出2020年不同型号轮胎生产的生产工艺数据、质量检测数据等，按照批次号进行一一对应与数据汇总，形成包括各工序关键工艺参数、密炼工序的门尼粘度和硬度、硫化工序的拉伸强度、硬度和耐磨性、成品的拉伸强度等指标的数据集合。并对该数据集通过预处理等方法进行数据异常点提出、归一化等方法处理，基于各工序工艺参数与对应质量指标的初始机理模型架构，采用神经网络方法建立各工序质量指标模型，并采用麻雀搜索算法进行优化，获得此次优化运行后轮胎最优的拉伸强度为10.5mpa，密炼工序的门尼粘度为175，硬度为65a，硫化工序的拉伸强度为11mpa、硬度为85a和耐磨性为520。
将得到的最优解的工艺参数作为生产实际的指标，按照该指标进行轮胎生产，即可得到较优的产品质量性能。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种面向多工序混合生产的联合优化方法，其特征在于，包括以下步骤：
步骤S101：选取对轮胎制造全流程优化目标起关键作用的操作变量为全流程优化算法模型的决策变量，获得约束条件；
步骤S102：针对橡胶轮胎生产过程，构建所述全流程优化算法模型；
步骤S103：对全流程优化算法模型的所述决策变量的参数进行优化，并迭代更新至收敛于全局最优解；
步骤S104：通过已有未用数据验证所述全流程优化算法模型在混合生产中的生产能耗和经济效益。
2.根据权利要求1所述的面向多工序混合生产的联合优化方法，其特征在于，
所述全流程优化算法模型为：
Figure FDA0003421866990000011
其中，fi为第i个工序的模型，
Figure FDA0003421866990000012
为状态向量，Ni为状态向量的维数，ui为第i个工序的所述操作向量，zi为第i个工序的关联向量，Aij为第i个工序和第j个工序的关联矩阵，它是一个Nj×Nj方阵。
3.根据权利要求2所述的面向多工序混合生产的联合优化方法，其特征在于，
Figure FDA0003421866990000013
Figure FDA0003421866990000021
为第j个工序的第k个状态变量对第i个工序的影响因子，为0或者1；无影响为0，有影响为1。
4.根据权利要求3所述的面向多工序混合生产的联合优化方法，其特征在于，
目标函数为：
maxJ＝P(u)-C(u)
其中，J为全流程综合生产指标；P为收益；C为生产成本；u为所述决策变量；
u＝[u1 T,u2 T,…,un T]T。
5.根据权利要求4所述的面向多工序混合生产的联合优化方法，其特征在于，
所述约束条件为：
xi＝fi(ui,zi)
Figure FDA0003421866990000022
ui,min≤ui≤ui,max,i＝1,2,,3…,n
zi,min≤zi≤zi,max,i＝1,2,,3…,n-1
其中，向量xi,min和xi,max为工序质量指标取值范围；向量ui,min和ui,max为第i个工序操作变量取值范围的上限和下限；向量zi,min和zi,max为第i个工序关联变量的上限和下限。
6.根据权利要求1至5任一项所述的面向多工序混合生产的联合优化方法，其特征在于，采用麻雀搜索算法对全流程优化算法模型的所述决策变量进行优化。
7.根据权利要求6所述的面向多工序混合生产的联合优化方法，其特征在于，
将各道所述工序上的所述决策变量u通过麻雀搜索算法生成种群位置矩阵C的的初始值；工序数为n；所述种群位置矩阵C为n维矩阵，
Figure FDA0003421866990000031
并计算各位置点处的适应度值，获得适应度矩阵F(C)，
Figure FDA0003421866990000032
8.根据权利要求7所述的面向多工序混合生产的联合优化方法，其特征在于，设定所述麻雀搜索算法种群进化的次数E，将种群划分为加入者、发现者、侦察者三个群体；运用惩罚函数的约束处理策略，通过对不可行的解施加某种惩罚，使得全流程逐渐收敛。
9.根据权利要求8所述的一种面向多工序混合生产的联合优化方法，其特征在于，所述观察者为种群提供食物资源信息，引导种群觅食方向，每一轮种群进化过程中位置变化为：
Figure FDA0003421866990000033
t代表当前迭代次数，ci,j表示第i只麻雀在第j维中的位置；R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值，即每道所述工序的生产参数的阈值范围；R2≥ST表示位置安全能够进行搜索，反之发出预警并离开当前位置；Emax是一个常数，表示最大的迭代次数；Q是服从正态分布的随机数；L表示一个1×d的矩阵，其中该矩阵内每个元素全部为1；
所述加入者通过侦听所述发现者的位置信息更新觅食方向，争夺优质资源，所述加入者位置更新如下：
Figure FDA0003421866990000041
cp是所述发现者所处的局部最优位置，cworst表示全局最差的位置。A表示一个1×d的矩阵，其中每个元素随机赋值为1或-1，并且A+＝AT(AAT)-1；当
Figure FDA0003421866990000043
时，表明第i个所述加入者仍没有获得食物且适应度较低，需找寻其他位置获得食物资源；
所述侦察者为种群及时提供危险信息，其占据种群数量的10％到20％，根据如下公式进行位置的更新：
Figure FDA0003421866990000042
cbest是本轮迭代中全局最优位置。η作为步长控制参数，是服从均值为0，方差为1的正态分布随机数。当fi＞fb表示麻雀所处位置易遭受捕食者攻击且正处于种群的边缘，当fi＝fb时，表明麻雀意识到了危险，需要更新其位置降低被攻击的风险；各个所述工序组成的复杂工业过程须在合理的范围内调整关键参数的大小，以此来达到全流程的经济利益、质量生产指标和能耗指标的最优，即麻雀搜索算法在E次种群更新迭代后，种群中个体食物资源达到该区域的最优解；
K∈[-1,1]是一个随机数，表示麻雀移动的方向同时也是步长控制参数；fi则是当前麻雀个体的适应度值；fb和fw分别是当前全局最佳和最差的适应度值；ε是最小的常数，以避免分母出现零。
10.根据权利要求9所述的一种面向多工序混合生产的联合优化方法，其特征在于，在每一轮的种群位置更新过程中，对各所述工序的所述决策变量ui进行调整，需在达到生产参数的前提下，所述决策变量满足ui,min≤ui≤ui,max时，最大程度的降低生产成本、生产能耗，提高生产的效率；
全流程的状态向量x＝[x1 T,x2 T,…,xn T]T在每道所述工序生产结束后更新并影响下一道所述工序，所述状态向量的变化影响整个工业生产的质量结果。
CN202111565494.4A 2021-12-20 2021-12-20 一种面向多工序混合生产的联合优化方法 Pending CN114707686A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111565494.4A CN114707686A (zh) 2021-12-20 2021-12-20 一种面向多工序混合生产的联合优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111565494.4A CN114707686A (zh) 2021-12-20 2021-12-20 一种面向多工序混合生产的联合优化方法

Publications (1)

Publication Number Publication Date
CN114707686A true CN114707686A (zh) 2022-07-05

Family

ID=82166943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111565494.4A Pending CN114707686A (zh) 2021-12-20 2021-12-20 一种面向多工序混合生产的联合优化方法

Country Status (1)

Country Link
CN (1) CN114707686A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983721A (zh) * 2023-03-20 2023-04-18 青岛豪迈电缆集团有限公司 一种基于物联网大数据的电缆生产质量数据管理系统
CN117314143A (zh) * 2023-09-15 2023-12-29 中国人民解放军海军工程大学 一种产品修理线改造方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983721A (zh) * 2023-03-20 2023-04-18 青岛豪迈电缆集团有限公司 一种基于物联网大数据的电缆生产质量数据管理系统
CN117314143A (zh) * 2023-09-15 2023-12-29 中国人民解放军海军工程大学 一种产品修理线改造方法

Similar Documents

Publication Publication Date Title
CN114707686A (zh) 一种面向多工序混合生产的联合优化方法
CN111211994B (zh) 一种基于SOM与K-means融合算法的网络流量分类方法
CN108399451A (zh) 一种结合遗传算法的混合粒子群优化算法
CN112987666B (zh) 电厂机组运行优化调控方法及系统
CN111045326A (zh) 一种基于递归神经网络的烘丝过程水分预测控制方法及系统
CN108052968B (zh) 一种qsfla-svm的感知入侵检测方法
CN110571792A (zh) 一种电网调控系统运行状态的分析评估方法及系统
CN114417720B (zh) 一种毕赤酵母发酵过程多模型预测控制方法
CN113103535A (zh) 一种基于ga-elm-ga的注塑件模具参数优化方法
CN115271237A (zh) 一种基于改进pso-ga和svm的工业数据质量预测方法
CN110147825A (zh) 一种基于经验模态分解模型的草莓温室温度智能检测装置
CN116187507A (zh) 一种基于人工智能的中药生产调优系统
CN111914382B (zh) 一种基于代理模型的常减压装置的约束进化优化方法
CN109934344B (zh) 一种改进的基于规则模型的多目标分布估计方法
CN115619028A (zh) 一种基于聚类算法融合的电力负荷精准预测方法
CN109683558A (zh) 基于粒子群优化的生产过程系统多目标优化模型控制方法
CN112800680A (zh) 基于元学习的深度强化学习求解多目标旅行商问题的方法
Dlapa Cluster restarted DM: New algorithm for global optimisation
CN106446495B (zh) 碳纤维原丝生产过程中牵伸环节性能指标的预测方法
Qu et al. An automatic clustering algorithm using nsga-ii with gene rearrangement
CN109684666A (zh) 基于遗传算法的飞机指标参数敏感度优化方法
Zhang et al. A novel iterative learning control strategy based on hybrid genetic particle swarm optimization algorithm for batch processes
CN115167552B (zh) 基于响应曲面法优化加料循环风温的自动控制方法
CN117420803A (zh) 基于改进粒子群优化算法的多工序流程工艺参数融合优化方法
CN116913428A (zh) 碳纤维牵伸过程工艺参数动态优化方法及计算机存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination