CN115982178A - 一种蒸压加气混凝土制品智能配方配料方法及系统 - Google Patents

Abstract

本发明应用于工业化智能控制技术领域，本发明公开了一种蒸压加气混凝土制品智能配方配料方法及系统，方法包括构建历史配方数据库；利用数据库生成多个配方标记对应的配方预测模型；构建配方调整模型；采集当前化验数据，利用对应的配方预测模型得到生产配方；根据配方执行混凝土生产作业，对生产成品进行质检，得到当前反馈数据，并结合配方调整模型实现生产配方调整，根据调整的配方进行下一周期的生产。本申请可根据生产需求选择对应的配方预测模型以实现自动的配方生成，通过优化调整机制实现动态循环调整生产配方，降低了用人成本并提高了生产效率，使得生产配方标准化输出，确保配方符合实际的生产需求，保障混凝土制品的生产质量。

Description

一种蒸压加气混凝土制品智能配方配料方法及系统

技术领域

本发明涉及工业化智能控制技术领域，特别涉及一种蒸压加气混凝土制品智能配方配料方法及系统。

背景技术

目前，蒸压加气混凝土制品行业的配方工艺大多由经验丰富的配方师来进行配比。首先，配方师从已需生产的产品要求出发，根据化验室的各原材料检测数据选定配方的方法。然后，配方师通过原始数据计算和分析得出生产的配方的配料比，整个过程大概花费一至两个小时，得到初步配方，此配方会递交到生产车间进行试生产。最后，根据试生产的情况，对配方进行三至四次的调整，得到最终用于连续生产的配方。由于蒸压加气混凝土制品的生产属于连续流程性的制造，为了防止料浆出现凝固，需要连续生产二十四个小时。而在生产过程中各类料浆化验数据可能是动态变化的，因此在生产过程中仍需配方师对配方进行手动调整。

现有的蒸压加气混凝土制品的配方生成和调整方法存在如下缺陷：

第一，生产配方生成均由经验丰富的配方师进行手动配比，此配方生成方式耗时长，效率低，且用人成本高，并不适用于多生产需求的混凝土制品的生产。另外，配方师每次配比生产配方都需要按照材料化验数据进行配方调整，若配方师出现一次工作错误，则可能会导致一大批次的产品质量较差，严重地则导致一大批次的产品直接报废，存在生产线产品制造误差的风险，且此方式无法保证配方生成的准确率；

第二，在混凝土生产时，需要配方师根据动态变化的生产数据手动调整生产配方。这种方式不仅加重了配方师的工作量，而且配方的调整依赖配方师的工作经验实现，一旦配方师在调整配方时出错，则会导致调整后的配方偏离实际的生产需求，无法保证配方调整的精度。

因此，目前迫切需要一种在混凝土生产之前根据生产需求自动生成对应的配方，且能够在生产过程中根据检测到的数据对配方进行动态调整的方法及系统。

发明内容

本发明的目的是提供一种蒸压加气混凝土制品智能配方配料方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

本发明解决其技术问题的解决方案是：第一方面，本申请提供了一种蒸压加气混凝土制品智能配方配料方法，包括如下步骤：

采集历史生产周期内的历史化验数据和历史配方数据并进行数据预处理，得到配方整合数据以及其对应的配方标记，构建历史配方数据库；

利用所述历史配方数据库生成所述配方标记对应的初始配方预测模型；

基于改进遗传算法构建配方调整模型；

采集当前生产周期内的当前化验数据，所述当前化验数据携带有对应的配方标记,利用与所述配方标记对应的初始配方预测模型对所述当前化验数据进行配方生成，得到生产配方；

根据所述生产配方执行混凝土制品的生产作业，并监测所述生产作业期间的当前生产数据，得到制品成品，对所述制品成品进行质量检测，得到当前质检数据；

将所述当前生产数据和所述当前质检数据输入至所述配方调整模型，输出配方反馈数据，通过所述配方反馈数据调整所述生产配方，得到新的生产配方并返回上一步骤。

第二方面，本申请提供了一种蒸压加气混凝土制品智能配方配料系统，包括：

数据存储介质模块，搭载有历史配方数据库，所述历史配方数据库存储有配方整合数据以及其对应的配方标记，所述配方整合数据以及其对应的配方标记通过采集历史生产周期内的历史化验数据和历史配方数据并进行数据预处理得到；

数据处理模块，用于对所述历史化验数据和所述历史配方数据进行数据预处理；

数据输入模块，用于采集当前生产周期内的当前化验数据，所述当前化验数据携带有对应的配方标记；

智能初始配方计算模块，搭载有多个与配方标记对应的初始配方预测模型，所述初始配方预测模型利用所述历史配方数据库生成，所述智能初始配方计算模块用于利用所述配方标记对应的初始配方预测模型对所述当前化验数据进行配方生成，得到生产配方；

中央控制子系统，用于根据所述生产配方执行混凝土制品的生产作业，得到制品成品；

反馈数据输入模块，用于监测所述生产作业期间的当前生产数据，并对制品成品进行质量检测，得到当前质检数据；

智能反馈配方计算模块，搭载有基于改进遗传算法构建的配方调整模型，用于输入所述当前生产数据和所述当前质检数据至所述配方调整模型，得到配方反馈数据，通过所述配方反馈数据调整所述生产配方，得到新的生产配方。

本发明的有益效果是：提供一种蒸压加气混凝土制品智能配方配料方法及系统，利用人工智能技术分析化验数据的规律，生成与实际生产需求对应的智能初始配方预测模型，通过初始配方预测模型提供标准化的生产配方输出，同时建立优化调整机制，结合生产过程中的生产反馈数据，动态循环地调整生产配方；一方面，本申请无需采用人工配方的方式即可实现配方生成，根据生产目的和品级选择对应的配方预测模型进行多种配方生成，不仅降低了配方师的工作量和用人成本，提高了配方生成的工作效率，而且使得生产配方标准化输出，降低了人工配方失误导致批次产品质量降低的风险，能够有效地保证生产配方的准确率，适用于多生产需求的蒸压加气混凝土制品的生产；另一方面，本申请通过优化调整机制实现快速动态地循环调整生产配方，确保生产配方符合实际的生产需求，保障生产配方的准度，进而保障蒸压加气混凝土制品的生产效率和生产质量。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

图1为本申请实施例提供的智能配方配料系统的结构示意图；

图2为本申请实施例提供的中央控制子系统的结构示意图；

图3为本申请实施例提供的智能配方配料方法的流程图；

图4为本申请实施例提供的构建历史配方数据库的流程图；

图5为本申请实施例提供的改进遗传算法的流程图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

下面结合说明书附图和具体的实施例对本申请进行进一步的说明。所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

目前，蒸压加气混凝土制品行业的配方工艺大多由经验丰富的配方师来进行配比。首先，配方师从已需生产的产品要求出发，根据化验室的各原材料检测数据选定配方的方法。其中，一般的产品要求按照目前的工厂生产需求可以分为四个大类：产量高、成本低、强度高、一般综合产品。若根据蒸压加气混凝土制品的强度与干密度进行分级，按照抗压强度分为A1.5、A2.0、A2.5、A3.5、A5.0五个级别，按干密度分为B03、B04、B05、B06、B07。然后，配方师通过原始数据计算和分析得出生产的配方的配料比，整个过程大概花费一至两个小时，得到初步配方，此配方会递交到生产车间进行试生产。最后，根据试生产的情况，对配方进行三至四次的调整，得到最终用于连续生产的配方。另外，由于蒸压加气混凝土制品的生产属于连续流程性的制造，为了防止料浆出现凝固，需要连续生产二十四个小时。而在生产过程中各类料浆化验数据可能是动态变化的，如砂浆以及粉煤灰、尾矿砂、水泥浆等混合物的细度、浓度或比重数据、石灰粉质量数据、浇注的水温数据等均为动态变化的数据，在生产过程中仍需配方师对配方进行手动调整。

现有的蒸压加气混凝土制品的配方生成和调整方法存在如下缺陷：

（1）配方生成方面：目前的生产配方生成均由经验丰富的配方师进行手动配比，生成符合产品要求、抗压强度要求或者干密度要求的配方耗时长，效率低，且用人成本高，并不适用于多生产需求的蒸压加气混凝土制品的生产。而且，配方师每次配比生产配方都需要按照材料化验数据进行配方调整，调整频率大约为每天十次，工业生产配方无法标准化输出。若配方师出现一次配方错误，则可能会导致一大批次的产品质量较差，严重则会导致一大批次的产品直接报废，存在生产线产品制造误差的风险。此配方生成方式无法保障生成的配方的准确率。

（2）配方调整方面：在混凝土生产时，需要配方师根据动态变化的生产数据手动调整生产配方。这种方式不仅加重了配方师的工作量，而且配方的调整依赖配方师的工作经验实现，一旦配方师在调整配方时出错，则会导致调整后的配方偏离实际的生产需求，无法保证配方调整的精度。

（3）算法方面：复合形法具有较强的局部搜索能力，但是其全局性较差，在应用过程中很难找到全局最优解。另外，遗传算法具有良好的全局搜索能力，但遗传算法容易过早收敛，导致计算结果的精度低。

对于上述现有技术中存在的问题，本申请提供了一种蒸压加气混凝土制品智能配方配料方法和系统，利用原始化验数据、历史化验数据以及多环节生产反馈数据全面地反映原始配方指导后的生产状态，并且根据生产过程中的原材料、不同环节浆料、半成品状态的实际情况，提供智能、动态的配方输出。

参照图1至图2所示，图1所示为本申请实施例提供的蒸压加气混凝土制品智能配方配料系统的结构图；图2所示为本申请实施例提供的中央控制子系统的结构图。所述智能配方配料系统包括：中央控制子系统。中央控制子系统中生产系统集成控制模块用于控制工厂中各环节DCS（Distributed Control System）系统、PLC（Programmable LogicController）系统的集中控制，且响应各模块之间的信息传输，信息传输包括在系统控制中心发送到数据处理单元的操作指令，以及对存储介质单元发出操作指令等。中央控制子系统还用于根据生产配方执行混凝土制品的生产作业，通过生产作业得到混凝土制品成品。

进一步地，中央控制子系统包括生产系统集成控制模块、可视化操作模块、配料系统控制模块、物料磨细系统控制模块、搅拌系统控制模块、浇筑系统控制模块、预养系统控制模块、切割系统控制模块、翻转系统控制模块、蒸压养护模块、掰板模块和成品包装模块。其中：

可视化操作模块是用于将中控子系统中各生产环节物理2D模型可视化控制、数据存储单元、数据处理单元进行可视化处理提供良好的人机交互操作界面，通过数字、图像、数据图表等形式来反映系统各单元的运行状况。例如，提供与各个单元的操作界面，方便工程人员对整个系统的调整和维护。再例如，提供智能初始配方结果、智能反馈配方结果展示界面显示等。

可选地，中央控制子系统的硬件采用警示器、中心服务器、控制台、储存器、显示墙、DCS或PLC系统控制工作站等。其中，生产系统需集成加气混凝土制品工厂自动化控制系统，可以是DCS控制系统或PLC控制系统或DCS、PLC系统同时集成控制，需满足配料系统控制模块、物料磨细系统控制模块、搅拌系统控制模块、浇筑系统控制模块、预养系统控制模块、切割系统控制模块、翻转系统控制模块、蒸压养护模块、掰板模块、成品包装模块这10大流程模块的控制。而配料系统控制模块、物料磨细系统控制模块、搅拌系统控制模块、浇筑系统控制模块、预养系统控制模块、切割系统控制模块、翻转系统控制模块、蒸压养护系统控制模块、掰板系统控制模块、成品包装系统控制模块共同执行加气混凝土制品的生产，受DCS系统或PLC系统的系统，同时实现工厂实际生产的操作与数据交互。

另外，在预养系统中，需要在预养室中加设温度传感器、湿度传感器，在预养室模车出口处两旁架设高清摄像机，即图像采集模块，并对模车中正常发气标准进行喷漆，喷上标识线，方便预养室出口处的高清摄像机拍摄。采集的预养室数据同步上传至预养系统控制模块、数据存储介质模块中。

进一步地，所述智能配方配料系统还包括：

数据输入模块，包括：用于输入当前化验数据的化验数据输入单元、用于输入与当前化验数据对应的品级标记和配方标记的配方标记输入单元、用于输入历史配方数据的配方数据输入单元。功能是：采集当前生产周期内的当前化验数据，当前化验数据携带有对应的配方标记。

数据处理模块，包括：数据处理单元。功能是进行数据预处理。

数据存储介质模块，搭载有历史配方数据库和配方调整数据库，其中历史配方数据库包括配方整合数据以及其对应的配方标记，配方整合数据以及其对应的配方标记通过采集历史生产周期内的历史化验数据和历史配方数据，并通过数据处理模块进行数据预处理得到。

进一步地，此模块包括：数据存储单元、模型云服务存储单元。数据储存单元的作用是储存数据，并且利用储存数据进行挖掘和利用。数据存储模块接收数据处理单元传输的信号数据信息，接收管理终端发出的指令并响应。此模块主要用于存储处理后的化验数据、中央控制子系统操作指令数据、智能初始配方模型、智能反馈配方模型、以及模型生成的配方数据。而模型云服务单元的作用是响应调用中央控制子系统各模块指令，其所部署的云服务器将整合数据存储模块中的化验数据、中央控制子系统操作指令数据、智能初始配方模型、智能反馈配方模型、配方数据等历史数据，然后将数据传输到远程服务器中进行存储。同时可以将配方预测模型和配方调整模型置于云服务器中进行模型训练，将训练好的模型分别传输到智能配方计算模块、智能反馈配方计算模块中。

智能初始配方计算模块，包括产品高产量配方预测单元、产品高质量配方预测单元、产品低成本配方预测单元、一般综合产品预测单元，分别搭载有与配方标记对应的初始配方预测模型。此模块的作用是：利用配方标记对应的初始配方预测模型对当前化验数据进行配方生成，得到生产配方。其中，初始配方预测模型是通过历史配方数据库训练生成的。

反馈数据输入模块，包括：输入当前变化型数据的变化型数据输入单元、用于输入当前稳定型变化数据的稳定型变化数据输入单元、用于输入当前质检数据的质量检测数据输入单元。可选地，当前变化型数据和当前稳定型变化数据构成当前生产数据，而当前生产数据和当前质检数据合称为当前反馈数据。此模块的功能是：在生产作业期间监测每一环节对应的当前生产数据，并在生产作业后对制品成品进行质量检测，得到当前质检数据。

反馈数据处理模块，包括：反馈数据处理单元和图像数据处理单元。反馈数据处理单元的作用是对反馈数据输入模块输入的数据进行预处理，图像数据处理单元的作用是采集反映预养窑中的预养完成的半成品胚体发气状态的图像，并对此图像进行预处理。其中，半成品胚体发气状态的图像属于变化型数据。

需要说明的是，反馈数据处理模块与上述数据处理模块应用同一个核心，数据预处理的步骤一致。可选地，在将当前反馈数据输入到配方调整模型之前，通过反馈数据处理模块对当前反馈数据进行预处理。

智能反馈配方计算模块，搭载有配方调整模型，其作用是计算当前反馈数据，得到配方反馈数据，通过配方反馈数据调整生产配方，得到新的生产配方。需要说明的是，配方调整模型基于改进遗传算法实现。

可选地，反馈数据输入模块和数据输入模块所输入的数据的格式可以是表格格式、txt格式或json格式中的至少一种。数据处理模块、反馈数据处理模块、智能初始配方计算模块、智能反馈配方计算模块均采用高性能的ARM处理器和云服务器进行数据分析处理。

参照图3所示，图3所示为本申请实施例提供的蒸压加气混凝土制品智能配方配料方法的流程图。本申请的一个实施例，下面将结合配方配料系统对智能配方配料方法进行说明和阐述。所述智能配方配料方法可以包括但不限于以下步骤。

S100，采集历史生产周期内的历史化验数据和历史配方数据并进行数据预处理，得到配方整合数据以及其对应的配方标记，构建历史配方数据库；

S200，利用历史配方数据库生成配方标记对应的初始配方预测模型；

S300，基于改进遗传算法构建配方调整模型；

S400，采集当前生产周期内的当前化验数据，当前化验数据携带有对应的配方标记,利用配方标记对应的初始配方预测模型对当前化验数据进行配方生成，得到生产配方；

S500，根据生产配方执行混凝土制品的生产作业，并监测所述生产作业期间的当前生产数据，得到制品成品，对制品成品进行质量检测，得到当前质检数据；

S600，将当前生产数据和当前质检数据输入到配方调整模型中，输出配方反馈数据，通过配方反馈数据调整生产配方，得到新的生产配方并返回上一步骤。

参照图4所示，图4所示为本申请实施例提供的构建历史配方数据库的流程图。本申请的一个实施例，下面将对S100中的数据预处理进一步地说明和阐述。

首先，历史配方数据库的数据源包括历史化验数据和历史配方数据。其中，历史化验数据可以包括但不限于砂、石英矿粉末、淤沙、铝粉膏、水泥、原料生石灰、称料仓生石灰、粉煤灰、砂浆、废浆、混合料浆的化验数据。其中：

砂的详细化验指标数据包括二氧化硅含量、含泥量、含水率、小于0.08毫米的细度百分比以及小于1.18毫米的细度百分比；

石英矿粉末的详细化验指标数据包括二氧化硅含量、含水率、小于0.08毫米细度百分比以及小于1.18毫米细度百分比；

沙的详细化验指标数据包括二氧化硅含量、含水率、小于0.08毫米细度百分比以及小于1.18毫米细度百分比；

铝粉膏的详细化验指标数据包括固体粉的百分比、固体粉中活性铝成分、4分钟发气率、16分钟发气率、30分钟发气率、完全发气时间以及铝粉膏细度；

水泥的详细化验指标数据包括烧失量、氧化钙含量、氧化镁含量、二氧化三铁含量、氧化铝含量、二氧化硅含量、水泥的细度以及初凝时间；

原料生石灰的详细化验指标数据包括氧化钙含量、氧化镁含量、原料生石灰细度、A-CaO含量、消解时间以及消解温度；其中，A-CaO中的A是Active的缩写，CaO是氧化钙的分子式，A-CaO则表示有效氧化钙；

称料仓生石灰的详细化验指标数据包括称料仓生石灰的细度、A-CaO含量、消解时间以及消解温度；

粉煤灰的详细化验指标数据包括烧失量、氧化钙含量、氧化镁含量、二氧化三铁含量、氧化铝含量、二氧化硅含量、游离氧化钙含量、含水量、粉煤灰的细度、需水量比、流动度、表现密度和容重；

砂浆的详细化验指标数据包括含水率、砂浆的细度以及比重；

废浆的详细化验指标数据包括含水率以及废浆的比重；

混合料浆的详细化验指标数据包括混合料浆的细度以及水料比。

而历史配方数据则为由配方师按照化验数据结合经验计算调配而成的配方数据。每一批次的配方数据皆有对应的化验数据。配方数据可以包括但不限于品级、容重、总干料量、水料比、外加水、水泥、生石灰、石膏、淡砂、粉煤灰、铝粉膏、稳泡剂的用量及配比数据。可选地，配方数据可根据实际情况设置。可选地，配方数据输入单元在智能初始配方计算模块需要数据进行补充训练时才会使用，此单元用于智能初始配方预测模型的优化训练。

然后，通过数据处理模块预处理上述数据。在得到历史配方数据和历史化验数据之后，需要通过数据处理模块对数据进行预处理，进而得到配方数据以及其对应的配方标记，并将配方数据及其标记存储在数据存储介质模块中。预处理的具体步骤为：

第一，先对历史配方数据和历史化验数据进行遍历检索，将历史配方数据和历史化验数据中的重复数据删除；

第二，将历史配方数据和历史化验数据中的缺失数据进行拉格朗日插值填充；

第三，对历史配方数据和历史化验数据进行数据规范化处理。数据中不同特征的量纲可能不一致，进而数值之间的差别可能会很大，若不进行处理则可能会影响到数据分析的结果。因此，需要对数据按照一定比例进行缩放，使之落在一个特定的区域，便于进行综合分析。

第四，利用基于聚类的方法检索历史配方数据和历史化验数据中的离群点，将其中偏离过大的的数据进行剔除；

第五，将历史化验数据和历史配方数据整合为配方整合数据，并根据配方整合数据的属性赋予对应的配方标记。

更进一步地，在配方制作时一般会按照4种生产目的来进行配比，分别为：低成本、高产量、一般综合、高质量，然后再根据客户需求决定具体的配方品级，配方品级分为：B03、B04、B05、B06、B07。上述目的和配方品级对应于配方数据的属性，预先构建配方数据的属性和配方标记的对应关系：先定义低成本、高产量、一般综合、高质量这四种配方标记，定义B03品级、B04品级、B05品级、B06品级和B07品级这五种品级标记，并且将所述配方标记转换为“1”、“2”、“3”、“4”的数值信号，将所述品级标记转换为“3”、“4”、“5”、“6”、“7”的数值品级信号。其中，在配方标记数值信号中，低成本对应着标记“1”，高产量对应着标记“2”，一般综合对应着标记“3”，高质量对应着标记“4”。在品级标记的数值品级信号中，B03品级对应着数值“3”，B04品级对应着数值“4”，B05品级对应着数值“5”，B06品级对应着数值“6”，B07品级对应着数值“7”。进而可得如下10种配方关系标记：“1-3”、“1-4”、“2-4”、“2-5”、“3-4”、“3-5”、“3-6”、“4-5”、“4-6”、“4-7”，配方关系标记将作为最终的配方标记。如下表1所示。

表1：配方标记与配方分类对照表

因此，所述根据配方数据的属性赋予对应的配方标记具体包括：先通过配方标记输入单元输入配方标记，便于后续根据配方关系标记在智能初始配方计算模块选择相应的智能初始配方预测模型；再通过数据处理单元根据十种配方标记对配方数据进行分类，进而构建加气混凝土制品的历史配方数据库。

基于上述实施例，配方是提前预设好的，但加气混凝土制品的生产是一种动态24小时连续生产的过程，会出现预设的配方与实际生产时的配方不对等的情况。对此，需要配方师通过把控生产现场的生产反馈情况来调整生产加料的情况。本发明通过不同参数的数据采集、智能算法调整、来指导整个加气混凝土制品的生产过程，提高加气混凝土生产的效率和精度。本发明智能算法的实现步骤主要包括两个方面：综合配比目的和配方品级的配方生成算法、根据生产情况反馈调整配方的配方调整算法。

本申请的一个实施例，下面将对S200中与配方标记对应的初始配方预测模型的生成过程进行进一步地说明和阐述。前述通过数据处理模块得到配方数据及其配方标记，配方标记包括 “1-3”、“1-4”、“2-4”、“2-5”、“3-4”、“3-5”、“3-6”、“4-5”、“4-6”或“4-7”中的任一种，之后不同配方标记的配方数据分别通过生成对抗网络（GAN，GenerativeAdversarial Net）训练得到对应的初始配方预测模型。可选地，对应的初始配方预测模型包括：

产品低成本配方预测模型，被搭载于产品低成本配方预测单元，包括产品低成本B03品级配方预测模型和产品低成本B04品级配方预测模型，分别对应于标记“1-3”、“1-4”；

产品高产量配方预测模型，被搭载于产品高质量配方预测单元，包括产品高产量B04品级配方预测模型和产品高产量B05品级配方预测模型，分别对应于“2-4”、“2-5”；

一般综合产品预测模型，被搭载于一般综合产品预测单元，包括一般综合产品B04品级配方预测模型、一般综合产品B05品级配方预测模型、一般综合产品B06品级配方预测模型，分别对应于“3-4”、“3-5”、“3-6”；

产品高质量配方预测模型，被搭载于产品高产量配方预测单元，包括产品高质量B05品级配方预测模型、产品高质量B06品级配方预测模型、产品高质量B07品级配方预测模型，分别对应于“4-5”、“4-6”、“4-7”。

所述初始配方预测模型的生成步骤可以包括但不限于以下步骤。

S210，根据配方标记分类所述配方数据，得到若干个配方数据子集。

本步骤中，根据数值标记“1-3”、“1-4”、“2-4”、“2-5”、“3-4”、“3-5”、“3-6”、“4-5”、“4-6”、“4-7”，即配方标记，将数据划分至对应的数据子集中。

S220，对于每一个配方数据子集，均执行一次GAN的训练步骤，训练步骤包括S221至S225。

本步骤中，根据历史化验数据和历史配方数据，基于GAN，构建加气混凝土制品初始配方预测模型。GAN是由两个子模型组成的系统：判别器和生成器。其中：生成器以服从某种分布（一般为均匀分布或正态分布）的随机噪声作为输入去拟合真实数据，试图产生尽可能接近真实数据的生成数据。而判别器则努力去区分真实数据和生成数据。训练时，生成器和判别器交替训练，使得各自的生成能力和判别能力持续提高，直到达到纳什均衡状态，最终得到的生成器中的模型就是我们需要的初始配方预测模型。

S221，搭建生成对抗网络，初始化生成对抗网络的判别器的参数和生成器的参数；

S222，从分布为的配方数据子集中采样n个真实采样，同时从噪声先验分布数据集中采样n个噪声样本，使用生成器获得n个生成样本。

需要说明的是，分布为的数据集为真实数据集，为由若干个服从任一随机分布的随机变量构成的数据集，随机变量又称为随机噪声。本具体实施例中，随机分布为高斯分布。为了从分布中抽取出随机的样本，我们将会把随机噪声作为生成器的输入，使得生成器每次生成不同的结果。例如，在训练产品高产量配方预测模型时，我们首先从标记为“2”的数据中随机抽取n个样本作为真实样本，然后依据高斯分布抽取n个随机变量作为噪声样本，将噪声样本输入到生成器中生成n个生成样本。这样每一次迭代通过噪声样本产生的生成样本都不同，更有利于训练模型的泛化能力。

S223，固定生成器的参数，通过随机梯度上升算法循环多次训练判别器的参数，使其能够更好的判断样本是真实样本还是生成样本，直到判别器的参数达到最优值。

需要说明的是，训练判别器的参数满足以下公式：

其中，为计算梯度，n表示在所述配方数据子集中进行采样的次数，是生成器的生成数据，表示判别器对所述配方数据子集中的真实数据的判断，表示判别器对生成数据的真实性判断。

S224，固定判别器的参数，通过随机梯度下降算法训练生成器的参数。

需要说明的是，训练生成器的参数满足以下公式：

S225，交替执行S223和S224，使得生成对抗神经网络GAN的优化模型达到最优，直到生成对抗网络的误差值达到预期误差，求解生成对抗网络的全局最优解，得到最终的生成器中的模型，即初始配方预测模型。

本步骤中，生成对抗神经网络GAN的优化模型如下表示，多次更新之后，求得GAN优化模型的全局最优解，得到最终的生成器中的模型就是初始配方预测模型：

；

其中，z为随机噪声，x为配方数据子集中的真实数据，G和D分别为生成器和判别器，是真实数据分布，表示随机噪声数据分布，E是对相应的分布求期望；是生成器的生成数据，表示判别器对配方数据子集中的真实数据的判断，表示判别器对生成数据的真实性判断。

S230，当所有配方数据子集对应的训练步骤均执行完毕时，输出多个由配方数据子集训练生成的初始配方预测模型，每一个初始配方预测模型标记有对应的配方标记。

参照图5所示，图5所示为本申请实施例提供的改进遗传算法的流程图。本申请的一个实施例，下面将对配方调整模型的构建进一步地说明和阐述。本申请通过智能反馈配方预测单元对生产过程中的配方进行动态优化调整。具体地，通过接收数据存储介质模块中存储的历史变化数据、历史稳定型变化数据、历史质检数据，输入到CM遗传算法模型中，生成更精确更切合生产实际的配方优化调整模型。所述构建配方调整模型可以包括但不限于以下步骤。

S310，采集历史生产周期的历史生产数据以及历史质检数据，构建配方调整数据库。

本具体实施例中，历史生产数据包括：历史变化型数据和历史稳定型变化数据，历史生产数据与历史质检数据合称历史反馈数据。其中：

变化型数据可以包括但不限于：生产环节中的如砂浆、废浆、混合浆等料浆的检测数据、静养窑中的温度、湿度数据、半成品胚发气图像数据以及实际距离差值数据。实际距离差值数据通过对图像数据进行预处理后得到。变化型数据通过变化型数据输入单元输入至反馈数据处理模块中，并且传输至数据存储介质模块进行存储。

稳定型变化数据可以包括但不限于：蒸压釜气压数据、温度变化曲线数据、预养模块中预养时间数据。稳定型变化数据是指在生产过程中相对固定的数据，例如釜中升温降温的温度变化曲线也是相对是固定的，预养环节中预养时间数据都是较固定的。虽然这一部分数据出现偏差或错误的概率较小，但是一旦数据出现偏差，则会影响生产质量，且对调整模型的影响相对较大。因此，可选地，本申请中，当检测到稳定型变化数据出现偏差时，将会输出标记信号，输入到智能反馈配方模型中，最后生成标记为“注意”的配方，并且不会将此配方输入到中央控制子系统中实施生产。更进一步可选地，对所有积累的“注意”配方数据进行分析，探究生产误差与配方生产的影响与规律。稳定型变化数据通过稳定型变化数据输入单元输入到反馈数据处理模块中，并且传输至数据存储介质模块进行存储。

质检数据由生产后对成品进行检测而得到。可选地，检测指标包括压力测试、含水量检测和密度检测，根据检测指标对成品执行质量检测工作，进而得到压力数据、含水量数据、密度数据等质检数据。之后，质检数据通过质量检测数据输入单元输入到反馈数据处理模块中，并传输至数据存储介质模块进行存储。

可选地，通过图像数据处理单元对半成品胚发气图像数据进行处理，得到实际距离差值数据，此处理的步骤为：

第一步，采集预养完成的半成品胚体的发气状态图像数据；可选地，通过图像采集模块采集图像数据，采集到的图像数据被传输至数据存储介质模块中存储。

第二步，对发气状态图像进行二值化处理，并将发气状态图像的空间由RGB空间转换到GRAY空间，再对GRAY空间的发气状态图像进行中值滤波处理；

第三步，边缘化中值滤波处理后的发气状态图像，得到半成品胚体的发气边缘图像，根据边缘距离来判断胚体是否溢出模具车或无法到发气标准线。模车是一种用于加气混凝土浇注定型的可移动容器，发气正常的胚体应恰好装满模具车，允许误差为2cm左右。边缘距离定义为半成品胚体的平面的距离。

第四步，根据固定相机的拍摄距离以及模车出仓的位置，根据发气边缘图像与图像采集模块的距离，即实际测距距离，将发气边缘图像中的像素距离与实际测距距离进行等比换算，对半成品胚体的发气边缘与模车的标准标记线进行距离计算，得到半成品胚体发气边缘与模车的标准标记线的实际距离差值数据。需要说明的是，模车出仓的位置和图像采集模块的位置均为固定位置。可选地，将实际距离差值数据传输至反馈数据处理模块中进行处理，处理后再传输至数据存储介质模块中存储。

S320，将历史配方数据、历史生产数据和历史质检数据整合为历史配方调整数据，并赋予历史配方调整数据对应的评分标记，生成模型训练集。

需要说明的是，评分标记为位于[0,10]内的实数。并且，评分标记的值越大，评分标记与配方标记的契合度则越高；评分标记的值越小，评分标记与配方标记的契合度则越低。

本步骤中，根据先验知识，事先对历史配方数据、历史质检数据和历史生产数据进行对应的得分评估，并赋予历史配方数据、历史质检数据和历史生产数据不同的权重值。之后，将历史配方数据、历史质检数据和历史生产数据整合为历史配方调整数据，并根据数据的权重对数据的得分进行加权计算，得到对应的评分标记，并将其赋予给历史配方调整数据。本申请中，评分标记的值映射了历史配方调整数据与生产目的和品级目的的契合度，即历史配方调整数据是否符合生产目的和品级目的。前述步骤已将生产目的和品级目的对应的数值信号整合为配方标记，因此，评分标记的值映射了历史配方调整数据与配方标记的契合度。其中：评分标记越高，评分标记与配方标记的契合度则越高；评分标记越低，评分标记与配方标记的契合度则越低。通过赋予有评分标记的历史配方调整数据训练生成配方性能评价模型，有利于评估生产配方的得分，进而实现调整评分较低的生产配方，提高生产配方的质量的目的。

S330，利用所述模型训练集生成加气混凝土制品的配方性能评价模型。

本步骤中，输入模型训练集至回归决策树算法中。在模型训练集所在的输入空间中，递归地将每个区域划分为两个子区域，并确定每个子区域上的输出值，生成回归决策树模型，即配方性能评价模型。可选地，在模型生成之前，通过反馈数据处理模块处理模型数据集。

S340，根据配方性能评价模型设置配方调整模型的适应度函数，利用配方调整数据库构建CM遗传算法模型，即配方调整模型。

本步骤中，根据历史变化数据、历史稳定型变化数据、历史质检数据和配方性能评价模型，构建CM遗传算法模型，为了实现动态优化调整生产配方，本申请引入决策树构建配方性能评价模型，且将其作为改进遗传算法的适应度函数。CM遗传算法是针对遗传算法和复合形法的优缺点，将二者结合在一起，分别从全局和局部进行寻优。首先采用遗传算法寻找到最优解的位置，并把经过遗传算法计算后的值作为复合形法的初始点。然后，再按照复合形法的步骤，进行局部搜索，最终找到最优解。可选地，在模型构建之前，通过反馈数据处理模块处理配方调整数据库和模型训练集。

进一步地，S330中所述生成配方性能评价模型可以包括但不限于以下步骤：

S331，构建回归决策树模型的切分特征j与切分点s的优化问题：

；

；

其中，；是切分特征j和切分点s划分区域得到的两个子区域，模型训练集的真实值。

S332，求解以上优化问题。即遍历变量j，对固定的切分特征j扫描切分点s，选择使以上优化问题达到最小值的对，进而选定最优的切分特征j和切分点s。

S333，根据选定的切分特征j和切分点s划分区域，得到两个子区域，并决定子区域的输出值。

需要说明的是，子区域为：。

子区域为：。

的输出值满足：

其中，表示从模型训练集中划分到对应子区域的数据的数据量；

S334，持续对两个子区域循环以上S331至S333，直到拟合优度达到最大值。

需要说明的是，如下公式所示：

其中，为模型训练集的大小，为模型训练集的真实值，为预测值，为的平均值。

现有技术常使用均方根误差（Root Mean Square Error，RMSE）和平均绝对误差（Mean Square Error，MAE）来评估模型拟合数据的好坏程度。RMSE是均方误差的平方根，精确度会进一步放大，越接近零表示预测越准确。MAE是预测值与实际值之差的绝对值的平均值，能够有效地避免正负误差相互抵消，更好地反映预测值误差的实际情况。而本申请采用的是拟合优度，用来测量目标变量的变异度，根据自变量的变化来解释因变量的变体部分，进而评估模型拟合数据的好坏程度。其中，R值越接近1，表示自变量对因变量的解释程度越高。拟合优度可以帮助我们来判断哪些变量对拟合程度的影响较大，从而进一步改进模型的预测效果；再由于本申请所使用到的变量较多，因此采用拟合优度有助于缩短此模型的调优过程，而使用RMSE或MAE作为模型的评估参数则达不到上述效果。

S335，将模型训练集所在的输入空间划分为m个子区域，生成回归决策树模型，即配方性能评价模型：

，；

其中：，I为指示函数，是第个子区域的输出值。

本具体实施例中，采用上述配方性能评价模型作为遗传算法模型的适应度函数，进而得到配方调整模型。对于加气混凝土制品行业，原材料和配方都是分等级的，因此反馈数据也是存在一定的正常波动范围。也就是说，用于训练模型的数据在实际生产中存在如下情况：处于某一个范围内的数据是等效的，此范围可以理解为子区域。因此，本申请将可能存在的情况，即输入空间，划分为m个子区域，对每一个空间的数据均进行赋值，进而得到上述配方性能评价模型，使之更符合本申请的实际生产场景。

进一步地，本申请通过构建CM遗传算法模型来实现对配方的自动调整。S340中，构建CM遗传算法模型可以包括但不限于以下步骤：

S341，选择编码方式为浮点数编码，利用配方调整数据库的数据确定初始种群，使初始种群个体在预设的可行域内，根据配方性能评价模型，生成遗传算法模型的适应度函数，并通过适应度函数计算得到初始种群中所有个体的适应度值，构成遗传计算集合。

本步骤中，首先选择编码方式。复合形法主要采用浮点数编码，遗传算法主要采用二进制编码、浮点数编码等，为了编码方式的统一，两种算法均采用浮点数编码，不仅节省时间，同时也能提高算法的计算精度。

然后，建立初始种群，通过预处理历史配方数据库得到每种原料用量上限和用量下限的分布范围，并在每种原料用量上限和用量下限的分布范围内建立初始种群，使种群个体处在可行域内。

之后，选择适应度函数。标准遗传算法以目标函数为适应度函数，但对于个体是否能遗传到下一代，仅通过适应度这一标准难以判断。为此，本申请引入一个惩罚函数，通过惩罚函数对不可行解进行惩罚，以减少其适应度值，降低个体遗传到下一代的概率。同时，由于本申请引入了惩罚函数，使得优秀基因得以保留，遗传算法的最终结果得以收敛。

本具体实施例中，为了使得适应度函数更贴合本申请的应用场景，即在生产过程中对配方进行循环性地动态调整，本申请对惩罚函数进行了改进，并且将改进后的惩罚函数与配方性能评价模型进行结合，得到遗传算法的适应度函数。使用回归决策树模型作为CM遗传算法的目标函数和适应度函数，使得配方调整可以实现多目标综合考虑，例如在考虑成本的前提下，兼顾产品质量（即等级），甚至可以综合考虑成本、产量和质量。

进一步地，所述根据配方性能评价模型，生成遗传算法模型的适应度函数包括如下步骤：

首先，根据初始种群个体，初始种群个体位于可行域内，确定不等式约束条件和等式约束条件，如下：

需要说明的是，满足约束条件的个体位于可行域内，不满足约束条件的个体位于可行域外。

定义个体进化过程中产生的种群个体为x，则个体x到第j个约束条件的距离表示如下：

进而得到惩罚项，是基于个体到可行域的距离，表示如下：

其中，是一个正的不等式约束条件容忍值，记为个体进化过程中产生的种群违反约束的程度，它反映了个体进化过程中产生的种群到可行域的距离。

对以上约束条件和惩罚项的原理说明如下：

本申请的CM遗传算法的目的在于在可行域以内找寻到最优个体，即位于每种原料用量上限和用量下限的分布范围内，找寻到最优的解，这最优解为复合形法的初始点。

而在传统的遗传算法中，在种群个体进行选择、交叉和突变操作（以下简称个体进化）时，会产生若干新的种群个体。由于是进行了选择、交叉和突变操作，所产生的新的种群个体不一定和初始种群个体一样都位于可行域中。换言之，所产生的新的种群中，有部分个体因为变异等操作导致其位于可行域之外，而有部分个体却仍旧位于可行域内。

同时，传统的遗传算法仅通过适应度函数来判断个体是否能够遗传到下一代，但实际上，由于位于可行域之外的个体的存在，仅通过适应度函数这一标准难以判断是否遗传。所以，本申请引入了惩罚函数，通过这个惩罚函数来对位于可行域之外的解进行惩罚，而对于位于可行域内的解则不进行惩罚，以保证后续所得到的最优个体位于可行域内，即位于每种原料用量上限和用量下限的分布范围内，符合本申请的应用场景。

也就是说，首先需要判断个体进化所得到的新个体是否位于可行域内，然后通过计算个体与可行域之间的距离，来判定其违反约束的程度，进而确定用于惩罚可行域之外的个体的惩罚函数。

具体地，设定约束条件来判断个体进化所得到的新的种群个体是否位于可行域内。在前述步骤中，已经利用配方调整数据库的数据确定初始种群，使初始种群个体在预设的可行域内，即初始种群个体必然在可行域内。所以，可以根据初始种群个体来设定约束条件，将初始种群个体划分为两个数据范围“1,2,…,q”和“q+1,…,”，根据这两个范围，结合初始种群个体来设定不等式约束条件和等式约束条件。

在设定约束条件之后，在个体进化的过程中，通过约束条件来判断新的种群个体是否位于可行域内。根据是否位于可行域内，选择对应的距离公式来计算个体与可行域之间的距离，进而确定这个个体是否违反约束条件以及违反程度。

个体进化过程中所得到的种群个体x包含两种：位于可行域内的个体，以及位于可行域以外的个体。位于可行域内的个体，即可行解，则必然满足约束条件。但是位于可行域之外的个体，即不可行解，则必然不满足约束条件。

所以，在计算种群个体x到第j个约束条件的距离时，对于可行解，不论是“1,2,…,q”数据范围还是“q+1,…,”数据范围，其对应的距离必然等于零。

但是，对于数据范围为“1,2,…,q”的不可行解，其不满足不等式约束条件，换言之，其满足的是。因此，在计算数据范围为“1,2,…,q”的不可行解到第j个约束条件的距离时，得到的距离则是等于。对于数据范围为“q+1,…,”的不可行解，其不满足约束条件，换言之，其满足的是。因此，在计算数据范围为“q+1,…,”的不可行解到第j个约束条件的距离时，得到的距离则是等于。

简而言之，距离的取值情况如下：

对于位于可行域内的个体x，由于其位于约束条件内，所以其到任一个约束条件的距离必然是等于0的；

对于位于可行域之外的个体x，位于范围为“1,2,…,q”的个体x，其到第j个约束条件的距离为；位于范围为“q+1,…,”的个体x，其到第j个约束条件的距离为。

然后，在确定惩罚项后，确定惩罚因子。惩罚因子c会自适应变化，在优化过程中的早期，群体中没有或只有少量的可行解时，c是相对大的值，以引导搜索进入可行解区域。随着进化的进行，一些可行解将进入群体，这时，惩罚应该逐渐减小。并且随着可行解越多，惩罚应该越小，因此，c应随着可行解的比例的增大而逐渐减小，从而使得搜索策略的重心从搜索可行解转移到搜索好的目标函数上来。同时，惩罚因子c也可以让有较小目标函数值和较小违法约束条件的非可行解进入群体的能力，所以惩罚因子c对于最优解可能出现在可行域与不可行域的边界上的约束规划问题也非常重要。

本申请构建的惩罚因子表示如下：

；

其中，为种群中的可行解占总的种群个体的比例，为一个需要调整的参数，内的整数，惩罚因子为自适应变化的参数，惩罚因子随着可行解的比例的增大而减小。

之后，通过上述惩罚因子和惩罚项，得到如下惩罚函数：

。

最终，结合配方性能评价模型和惩罚函数，得到如下适应度函数：

其中：fitness表示适应度函数。

S342，根据遗传计算集合中选择适应度值最高的个体，确定复合形法的K个初始点，基于复合形法进行局部搜索，输出最优解，采用最优解替代遗传计算集合中适应度值最高的个体。

需要说明的是，最优解为K个初始点中适应度值最高的样本值。

更进一步地，S342可以包括但不限于以下步骤：

首先，将遗传计算集合中选择适应度值最高的个体作为复合形法的初始点，并以此初始点构建其余K-1个初始点，得到复合形法的K个初始点。可选地，构建其余K-1个初始点的方法同原复合形法一致。

然后，计算复合形法的好点、坏点和次坏点，并沿着坏点的方向计算映射点，并判断映射点是否优于坏点。

如果映射点未优于坏点，则将映射点向中心收缩，进行变换映射点的操作，之后重新判断坏点是否大于映射点。如果映射点优于坏点，则转至下一步骤。

采用映射点代替所述坏点，重新构成复合形法的初始点，并返回上一步骤，直到满足预设的复合形法的结束条件，输出最优解。

可选地，复合形法的结束条件为：连续3次迭代最优点差值小于0.01。

S343，采用移民策略优化种群个体的适应度值。

需要说明的是，移民策略定义为：筛选出当代种群个体中适应度值低于预设阈值的低阈值个体，并对低阈值个体进行交叉操作和变异操作，得到新的个体并将其代替低阈值个体。

本具体实施例采用移民策略的原因是：当代个体中存在一些适应度值相对较低的个体，但其具有价值，若放弃掉这些个体，最终结果可能就非最优解。所以，为了提高这些个体的适应度值，本申请提前对这些个体进行交叉和变异操作，得到新的个体，用以替换原来的个体。

S344，根据当前种群的个体的适应度值设置对应的交叉率和变异率，根据对应的交叉率和变异率进行个体进化，判断遗传算法的当前进化代数是否满足预设的进化代数。如果是，则输出进化计算结果，并转至S345。如果否，则返回S343。

本具体实施例中，CM遗传算法的交叉率和变异率是固定不变的。随着遗传代数的变化，固定的交叉率和变异率不能有效地调节CM遗传算法。因此，在改进的CM遗传算法中，本步骤对交叉率和变异率进行改进，使之随着遗传代数的进化而变化。具体地，以平均适应度值为基础，对于适应度较差的个体，采用较大的交叉率和变异率；对于适应度较好的个体，则根据适应度大小采用适当的交叉率和变异率。同时，当遗传代数逐渐增大时，逐渐降低交叉率和变异率，以利于算法的收敛。S344的具体实现如下：

首先，计算当前种群里所有个体的适应度值的平均值，记作平均适应度值。

然后，以平均适应度值为基础，对于适应度值小于平均适应度值的个体，采用第一交叉率和第一变异率。对于适应度大于或等于平均适应度值的个体，采用第二交叉率和第二变异率。

需要说明的是，第一交叉率大于第二交叉率。第一变异率大于第二变异率。

需要说明的是，交叉率满足：

其中：，；

变异率满足：

其中：，；

其中：gen为目前繁衍代数，G为常数，，为种群最大适应度值，为种群平均适应度值，为参与交叉的两个个体的较大适应值，f为变异个体适应值。

S345，将进化计算结果作为复合形法的初始点，利用复合形法重新进行最优解的计算，待满足复合形法的循环结束条件时，输出最终的最优解，即配方反馈数据。此时的最优解才是结合了全局和局部的最优解。

需要说明的是，利用复合形法重新进行最优计算的步骤与S342的一致。

基于上述实施例，本申请的一个实施例，下面将对S400至S600进行进一步地说明和阐述。上述S100至S300为混凝土生产之前的模型准备步骤。

S400中，当需要进行配方生成时，采集当前生产周期内的当前化验数据，根据其携带的配方标记，从模型云服务存储单元中加载对应的模型，并结合数据储存单元中传输过来的数据进行计算得到初始配方计算结果，即生产配方，并将配方计算结果传输至中央控制子系统中指导生产。

S500中，通过中央控制子系统执行混凝土制品的生产作业。在执行生产作业的期间，通过反馈数据输入单元监测当前生产数据，当前生产数据包括当前变化型数据和当前稳定型变化数据。生产作业输出制品成品，通过反馈数据输入单元对成品进行质量检测，得到当前质检数据。当前生产数据和当前质检数据构成当前反馈数据。

S600中，通过改进遗传算法得到的配方调整模型存储于模型云服务存储单元中。当智能反馈配方预测单元中进行计算时，从模型存储在模型云服务存储单元加载相应的模型，并接收反馈数据处理单元中处理完毕的当前反馈数据，包括当前变化型数据（例如砂浆、废浆、混合将化验数据，预养窑温度、湿度数据、半成品胚体发气图像数据）、当前稳定型变化数据（例如预养时间数据、蒸压釜气压数据、温度曲线数据）、当前质检数据（例如压力测试数据、含水量数据、密度数据）。根据当前反馈数据结合配方调整模型进行配方调整，具体地，模型对当前反馈数据进行评分和优化，若得到评分更高的配方，则利用此评分更高的配方来代替原生产配方；否则不做调整。将计算的配方结果传输至中央控制子系统中动态调整生产配方，计算的配方结果包括评分更高的配方以及表示替代原生产配方的指令，或者表示不做调整的指令中的任一种。最后，以调整后的配方作为新的生产配方执行下一轮的生产作业。

可选地，S400中得到的生产配方以及其对应的化验数据和配方标记被添加至历史配方数据库中，而S600中得到的调整后的配方数据以及其对应的化验数据和配方标记则被加入至配方调整数据库、历史配方数据库以及模型训练集中，实现配方调整模型、配方预测模型和配方性能评价模型的调优训练，进而生成更精确、更贴合生产实际的配方调整模型、配方预测模型和配方性能评价模型。可选地，当添加至配方调整数据库、历史配方数据库以及模型训练集中的数据量达到预设阈值时，执行模型的调优训练。

基于上述实施例，本申请提供的一种加气混凝土制品的智能配方配料方法及系统的工作原理和工作过程如下：

首先，工作人员通过数据输入模块输入当前生产周期的化验数据以及对应的配方标记数据，这些数据经过数据处理模块处理后传输至智能初始配方计算模块中。智能初始配方计算模块中搭载有配方标记对应的预测模型，智能初始配方计算模块根据配方标记选择对应的配方预测模型，进行配方预测，输出初始生产配方。初始配方包括总干料量、水泥、石灰、石膏、砂、石英矿粉末、铝粉膏、生石灰、粉煤灰的用量及配比数据等。

然后，初始配方传输至中央控制子系统中，中央控制子系统根据此初始配方开始混凝土生产作业。具体地，中央控制子系统中，由配料系统控制模块控制生产后，会经过物料磨细控制模块，物料磨细后需要对磨细后料浆的含水率、细度、密度进行检测。然后，继续由搅拌系统控制模块、浇筑系统控制模块继续执行生产，产品料浆浇筑到模具车中。浇筑完毕后，由预养系统系统控制模块控制，预养过程需要120分钟，半成品胚体在模具车中预养过程中由温度传感器、湿度传感器实时上传环境温湿度数据，预养结束后，需要将模具车按导轨控制前往切割。模具车在驶出预养车间时，出口处的高清摄像机会采集模具车中半成品胚体发气状态数据并上传至数据存储介质模块中。半成品胚体经过切割系统控制模块、翻转系统控制模块执行操作后，送入蒸压釜中进行蒸压养护。蒸压养护时，蒸压釜气压数据、温度变化数据实时上传至数据存储模块中。经过10小时的蒸压养护后，出釜进行掰板并将成品打包。成品出釜后需要进行采样质量检测，检测产品压力数据、含水量数据、密度数据等质检数据，并将质检数据由反馈数据输入模块上传至数据存储介质模块中。

在得到当前反馈数据之后，当前反馈数据包括当前质检数据、当前变化型数据和当前稳定型变化数据，通过反馈数据处理模块对这些数据进行处理。完成数据预处理后，输入至智能反馈配方计算模块中，进行配方调整计算，进而得到配方反馈数据。最后，根据配方反馈数据对当前配方进行调整，根据调整后的配方控制下一个生产周期的混凝土生产作业。

本申请的技术方案提供了如下技术效果：

（1）在配方生成方面，本申请利用人工智能技术分析化验数据的规律，生成4种对应的智能初始配方预测模型，分别为：产品高产量配方模型、产品高质量配方模型、产品低成本配方模型、一般综合产品模型，通过智能配方模型提供标准化的生产配方输出。这样做的好处是：一方面，无需采用人工配方的方式实现配方生成，为配方师省去大量计算的时间，降低了配方师的工作量和用人成本，提高了配方生成的工作效率，配方师只需每天对配方进行审核即可，使其更多时间投入到研发中，让配方师可以更专注于新配方研发。另一方面，利用生成对抗网络构建与配方标记对应的配方预测模型，不仅可以根据生产目的和品级选择对应的配方预测模型进行多种配方生成，适用于多生产需求的蒸压加气混凝土制品的生产，并且使得生产配方标准化输出，极大地降低了人工配方失误导致批次产品质量降低的风险，能够有效地保证生产配方的准确率。

（2）在配方调整方面，本申请建立了优化调整机制，根据生产过程中静养窑发气图像数据、生产过程料浆（包括砂浆、废浆、混合浆）数据、蒸压釜气压数据、蒸压釜气压数据、温度曲线数据等当前生产数据和成品的质检数据，结合配方调整模型，实现自动地、快速地、动态地调整生产配方，保证生产配方符合实际的生产需求，保障生产配方的准度。

（3）通过生产来积累大量的配方数据及生产过程变化数据，丰富历史配方数据库和配方调整数据库，例如将S400中得到的生产配方以及其对应的化验数据和配方标记添加至历史配方数据库中，将S600中得到的调整后的配方数据以及其对应的化验数据和配方标记加入至配方调整数据库和历史配方数据库。通过丰富后的历史配方数据库和配方调整数据库，持续循环训练配方调整模型和配方预测模型，提高配方调整模型和配方预测模型的精度，生成更精确、更贴合生产实际的配方调整模型和配方预测模型，进而提高蒸压加气混凝土制品的配方生成和配方调整的准确率。

（4）算法方面，首先通过设置拟合优度来评估模型拟合数据的好坏程度，测量目标变量的变异度，表示可以根据自变量的变化来解释因变量的变体部分，能够协助判断对模型的拟合程度影响较大的变量，且有助于缩短模型调优的过程，进一步地提高模型的预测效果。再者，通过回归决策树算法构建评价模型，根据处于同一子区域内的数据是等效的这一原理，将可能存在的情况划分为若干个空间，使之更贴合实际生产情况。之后，通过采用回归决策树模型（即评价模型）为基础，以最大化评价模型为目标函数，构建CM遗传算法模型，不仅能够在配方调整时实现多目标的综合考虑，且使得CM遗传算法拥有了自动优化调整配方的能力，进而提高配方调整的效果。例如在考虑成本的前提下，兼顾产品质量（即等级），甚至可以综合考虑成本、产量和质量。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或装置不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或装置固有的其他步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机、服务器或者网络装置等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

对于上述方法实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

Claims (10)

1.一种蒸压加气混凝土制品智能配方配料方法，其特征在于,包括如下步骤：

采集历史生产周期内的历史化验数据和历史配方数据并进行数据预处理，得到配方整合数据以及其对应的配方标记，构建历史配方数据库；

利用所述历史配方数据库生成所述配方标记对应的初始配方预测模型；

基于改进遗传算法构建配方调整模型；

采集当前生产周期内的当前化验数据，所述当前化验数据携带有对应的配方标记,利用与所述配方标记对应的初始配方预测模型对所述当前化验数据进行配方生成，得到生产配方；

根据所述生产配方执行混凝土制品的生产作业，并监测所述生产作业期间的当前生产数据，得到制品成品，对所述制品成品进行质量检测，得到当前质检数据；

将所述当前生产数据和所述当前质检数据输入至所述配方调整模型，输出配方反馈数据，通过所述配方反馈数据调整所述生产配方，得到新的生产配方并返回上一步骤。

2.根据权利要求1所述的一种蒸压加气混凝土制品智能配方配料方法，其特征在于,对所述历史化验数据和所述历史配方数据进行预处理，得到配方整合数据以及其对应的配方标记的步骤包括：

对所述历史化验数据和所述历史配方数据进行遍历检索，删除所述历史化验数据和所述历史配方数据中的重复数据，并通过拉格朗日插值法将所述历史化验数据和所述历史配方数据中的缺失数据插值填充；

规范化所述历史化验数据和所述历史配方数据；

通过基于聚类的方法检索所述历史化验数据和所述历史配方数据的离群点，将所述历史化验数据和所述历史配方数据中偏离过大的数据进行剔除；

将所述历史化验数据和所述历史配方数据整合为配方整合数据，并根据所述配方整合数据的属性赋予对应的配方标记。

3.根据权利要求1所述的一种蒸压加气混凝土制品智能配方配料方法，其特征在于,所述利用所述历史配方数据库生成所述配方标记对应的初始配方预测模型，包括：

根据所述配方标记分类所述配方数据，得到若干个配方数据子集；

对于每一个所述配方数据子集，均执行一次如下训练步骤：

搭建生成对抗网络，初始化所述生成对抗网络的判别器的参数和生成器的参数；

从分布为的所述配方数据子集中采样n个真实采样，同时从噪声先验分布数据集中采样n个噪声样本，使用所述生成器获得n个生成样本；

其中，为由若干个服从任一随机分布的随机变量构成的数据集；

固定所述生成器的参数，通过随机梯度上升算法循环多次训练所述判别器的参数,直到所述判别器的参数达到最优值；训练判别器的参数满足：

其中，表示计算梯度，n表示在所述配方数据子集中进行采样的次数，是生成器的生成数据，表示判别器对所述配方数据子集中的真实数据的判断，表示判别器对生成数据的真实性判断；

固定所述判别器的参数，通过随机梯度下降算法训练所述生成器的参数；训练生成器的参数满足：

交替执行以上训练所述判别器的参数和训练所述生成器的参数的步骤，直到所述生成对抗网络的误差值达到预期误差，求解所述生成对抗网络的全局最优解，得到如下最终的生成器中的模型，即所述初始配方预测模型：

；

其中，z为随机噪声，x为配方数据子集中的真实数据，G和D分别为生成器和判别器，是真实数据分布，表示随机噪声数据分布，E是对相应的分布求期望；是生成器的生成数据，表示判别器对配方数据子集中的真实数据的判断，表示判别器对生成数据的真实性判断；

当所有所述配方数据子集对应的所述训练步骤均执行完毕时，输出多个由配方数据子集训练生成的初始配方预测模型，每一个所述初始配方预测模型标记有对应的所述配方标记。

4.根据权利要求1所述的一种蒸压加气混凝土制品智能配方配料方法，其特征在于,所述基于改进遗传算法构建配方调整模型，包括：

采集历史生产周期的历史生产数据和历史质检数据，所述历史生产数据包括历史变化型数据和历史稳定型变化数据，构建配方调整数据库；

将所述历史配方数据、所述历史质检数据和所述历史生产数据整合为历史配方调整数据，并赋予所述历史配方调整数据对应的评分标记，生成模型训练集；其中，所述评分标记为位于[0,10]内的实数，且所述评分标记的值越大，所述评分标记与所述配方标记的契合度则越高；所述评分标记的值越小，所述评分标记与所述配方标记的契合度则越低；

利用所述模型训练集生成加气混凝土制品的配方性能评价模型；

根据所述配方性能评价模型设置所述配方调整模型的适应度函数，利用所述配方调整数据库构建CM遗传算法模型，即所述配方调整模型。

5.根据权利要求4所述的一种蒸压加气混凝土制品智能配方配料方法，其特征在于,所述利用所述模型训练集生成加气混凝土制品的配方性能评价模型，包括：

构建如下回归决策树模型的切分特征j与切分点s的优化问题：

，

其中，是切分特征j和切分点s划分区域得到的两个子区域，为模型训练集的真实值；

求解以上优化问题，即遍历变量j，对固定的切分特征j扫描切分点s，选择使以上优化问题达到最小值的对，进而选定最优的切分特征j和切分点s；

根据选定的切分特征j和切分点s划分区域，得到两个子区域，并决定所述子区域的输出值；

其中，所述子区域满足：；

所述子区域满足：；

所述输出值为：

其中，表示从模型训练集中划分到对应子区域的数据的数据量；

持续对两个所述子区域循环以上步骤，直到拟合优度达到最大值；其中，所述拟合优度满足：

其中，为模型训练集的大小，为模型训练集的真实值，为预测值，为的平均值；

将所述模型训练集所在的输入空间划分为m个子区域，生成如下回归决策树模型，即配方性能评价模型：

，；其中：，为第个子区域的输出值，I为指示函数。

6.根据权利要求4所述的一种蒸压加气混凝土制品智能配方配料方法，其特征在于,所述利用所述配方调整数据库构建CM遗传算法模型，包括：

选择编码方式为浮点数编码，利用所述配方调整数据库的数据确定初始种群，使所述初始种群个体在预设的可行域内，根据所述配方性能评价模型，生成遗传算法模型的适应度函数，并通过所述适应度函数计算得到所述初始种群中所有个体的适应度值，构成遗传计算集合；

根据所述遗传计算集合中选择所述适应度值最高的个体，确定复合形法的K个初始点，基于复合形法进行局部搜索，输出最优解，所述最优解为K个初始点中适应度值最高的样本值，采用所述最优解替代所述遗传计算集合中适应度值最高的个体；

采用移民策略优化种群个体的适应度值，所述移民策略定义为：筛选出当代种群个体中所述适应度值低于预设阈值的低阈值个体，并对所述低阈值个体进行交叉操作和变异操作，得到新的个体并将其代替所述低阈值个体；

根据当前种群的个体的适应度值设置对应的交叉率和变异率，根据对应的所述交叉率和所述变异率进行个体进化，判断遗传算法的当前进化代数是否满足预设的进化代数；如果否，则返回上一步骤；如果是，输出进化计算结果，并转至下一步骤；

将所述进化计算结果作为复合形法的初始点，利用复合形法重新进行最优解的计算，待满足复合形法的循环结束条件时，输出最终的最优解，即配方反馈数据。

7.根据权利要求6所述的一种蒸压加气混凝土制品智能配方配料方法，其特征在于,所述根据所述遗传计算集合中选择所述适应度值最高的个体，确定复合形法的K个初始点，基于复合形法进行局部搜索，输出最优解，包括：

将所述遗传计算集合中选择所述适应度值最高的个体作为复合形法的初始点，并以此初始点构建其余K-1个初始点，得到复合形法的K个初始点；

计算复合形法的好点、坏点和次坏点，并沿着所述坏点的方向计算映射点，判断所述映射点是否优于所述坏点；如果否，则将所述映射点向中心收缩，之后重新判断所述坏点是否大于所述映射点；如果是，则转至下一步骤；

采用所述映射点代替所述坏点，重新构成所述复合形法的初始点，并返回上一步骤，直到满足预设的复合形法的结束条件，输出最优解。

8.根据权利要求6所述的一种蒸压加气混凝土制品智能配方配料方法，其特征在于,所述根据当前种群的个体的适应度值设置对应的交叉率和变异率，包括：

计算当前种群里所有个体的适应度值的平均值，记作平均适应度值；

以所述平均适应度值为基础，对于所述适应度值小于所述平均适应度值的个体，采用第一交叉率和第一变异率；对于所述适应度大于或等于所述平均适应度值的个体，采用第二交叉率和第二变异率：

定义，，为第一交叉率，为第二交叉率，则对应的交叉率为：

定义，，为第一变异率，为第二变异率，则对应的变异率满足：

其中，gen为目前繁衍代数，G为常数，，为种群最大适应度值，为种群平均适应度值，为参与交叉的两个个体的较大适应值，f为变异个体适应值；所述第一交叉率大于所述第二交叉率，所述第一变异率大于所述第二变异率。

9.根据权利要求6所述的一种蒸压加气混凝土制品智能配方配料方法，其特征在于,所述根据所述配方性能评价模型，生成遗传算法模型的适应度函数，包括：

首先，根据所述初始种群个体，所述初始种群个体位于可行域内，确定如下约束条件：

其中，为不等式约束条件，为等式约束条件，满足所述约束条件的个体位于所述可行域内，不满足所述约束条件的个体位于所述可行域外；

定义个体进化过程中产生的种群个体为x，则个体x到第j个约束条件的距离表示为：

进而得到如下惩罚项：

其中，是一个正的不等式约束条件容忍值，记为个体进化过程中产生的种群违反约束的程度，其用于反映个体进化过程中产生的种群到可行域的距离；

然后，构建如下惩罚因子：

；

其中，为种群中的可行解占总的种群个体的比例，为一个需要调整的参数，且为整数，惩罚因子为自适应变化的参数，惩罚因子随着可行解的比例的增大而减小；

通过上述惩罚因子和惩罚项，得到如下惩罚函数：

；

最终，结合所述配方性能评价模型和所述惩罚函数，得到如下适应度函数：

其中：，c为惩罚因子，为惩罚项，为所述配方性能评价模型。

10.一种蒸压加气混凝土制品智能配方配料系统，其特征在于，包括：

数据存储介质模块，搭载有历史配方数据库，所述历史配方数据库存储有配方整合数据以及其对应的配方标记，所述配方整合数据以及其对应的配方标记通过采集历史生产周期内的历史化验数据和历史配方数据并进行数据预处理得到；

数据处理模块，用于对所述历史化验数据和所述历史配方数据进行数据预处理；

数据输入模块，用于采集当前生产周期内的当前化验数据，所述当前化验数据携带有对应的配方标记；

智能初始配方计算模块，搭载有多个与配方标记对应的初始配方预测模型，所述初始配方预测模型利用所述历史配方数据库生成，所述智能初始配方计算模块用于利用所述配方标记对应的初始配方预测模型对所述当前化验数据进行配方生成，得到生产配方；

中央控制子系统，用于根据所述生产配方执行混凝土制品的生产作业，得到制品成品；

反馈数据输入模块，用于监测所述生产作业期间的当前生产数据，并对制品成品进行质量检测，得到当前质检数据；

智能反馈配方计算模块，搭载有基于改进遗传算法构建的配方调整模型，用于输入所述当前生产数据和所述当前质检数据至所述配方调整模型，得到配方反馈数据，通过所述配方反馈数据调整所述生产配方，得到新的生产配方。

Images