CN117236202A - 结合智能算法和深度学习技术的胎面挤出温度预测方法 - Google Patents
结合智能算法和深度学习技术的胎面挤出温度预测方法 Download PDFInfo
- Publication number
- CN117236202A CN117236202A CN202311529647.9A CN202311529647A CN117236202A CN 117236202 A CN117236202 A CN 117236202A CN 202311529647 A CN202311529647 A CN 202311529647A CN 117236202 A CN117236202 A CN 117236202A
- Authority
- CN
- China
- Prior art keywords
- neural network
- individuals
- temperature
- phi
- algorithm
- 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
- 238000001125 extrusion Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000005516 engineering process Methods 0.000 title claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 102
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013178 mathematical model Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 44
- 230000000306 recurrent effect Effects 0.000 claims description 39
- 238000011156 evaluation Methods 0.000 claims description 17
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000011049 filling Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 239000011230 binding agent Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 11
- 238000013507 mapping Methods 0.000 abstract 1
- 239000000463 material Substances 0.000 description 15
- 238000005259 measurement Methods 0.000 description 10
- 238000004513 sizing Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000002508 compound effect Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010070 extrusion (rubber) Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
结合智能算法和深度学习技术的胎面挤出温度预测方法,包括收集影响胎面挤出温度的21项参数,通过设计多项式数学模型反映挤出温度与其影响因素之间的映射关系,利用预测温度与真实温度之间的误差作为优化目标,利用智能算法的不断进化迭代对多项式函数进行纠正,同时利用智能算法不断迭代种群中个体变化产生的序列数据去训练循环神经网络,利用训练过的循环神经网络辅助智能算法下一代个体的生成,以加快智能算法的收敛速度。本发明不需要太多先验知识却能准确预轮胎生产线中挤出工艺的挤出温度预测方法,可推广到其他任何生产线中,只需知晓影响待预测数据的影响因素,都能通过本文的多项式数学模型和优化方法去修正多项式参数,降低预测误差。
Description
技术领域
本发明涉及一种结合智能优化算法与深度学习技术的胎面挤出温度预测方法,具体涉及轮胎生产线中胎面生产时胶料挤出时挤出温度的预测方法,属于轮胎生产与深度学习技术领域。
背景技术
在工业实际生产过程中,往往会伴随着大量数据,这些数据通常是生产时的机器参数和环境数据。这些数据维度大,并且之间有很强的关联性,因此收集这些数据,挖掘这些超多维/强关联数据之间的联系,建立数学模型,就能够实时地观察产品的生产状况,指导后续的生产过程。轮胎是由橡胶制成,因此胶料的制备是轮胎生产的关键环节。挤出工艺与胎面、胎侧子口复合件、胶芯等胶料半成品的制备有关。胶料自加料口进入后,通过螺槽底部表面与机筒壁之间的间隙,在螺杆挟带和推挤作用下向前运动,开始时,胶料并不完全充满螺槽,而被搓成胶团滚动前进。随后,在螺杆的压缩、剪切和搅拌作用下,胶料进一步得到混炼和塑化,逐步升温,产生塑性变形,充满螺槽,呈现粘性流动状态;到机头口型处时,胶料被压得十分紧密,并以一定压力和温度通过机头、口型将胶料挤出,完成挤出过程。然而,现在的轮胎生产过程中,胎面挤出温度的测量技术还比较落后,如何快速、准确的测量胎面挤出温度是一个急需解决的关键问题。
然而,现在的轮胎生产过程中,胎面挤出温度的测量技术还比较落后,如何快速、准确的测量胎面挤出温度是一个急需解决的关键问题。如今,测量胎面挤出温度的方法主要有人工测量、仪器测量和建立数学模型的软测量三个方面。因测量者主观因素影响,人工测量方法易产生测量结果不准确、速度慢、反馈滞后等不良现象,耗财耗力。而仪器测量目前主要集中在采用激光红外测温仪定位探测挤出胎面,在线显示胶温。但因胎面三复合挤出联动线系统比较复杂,挤出温度受三台挤出机的复合影响较大,挤出胎面胶在口型外散热冷却的速度受外界影响较大,且胶面在接取装置上不断向前移动,易导致激光红外测温仪的稳定性不高。所以,三复合联动线的胎面挤出温度受多种因素共同影响,并且各个因素间的关系相当复杂,这给挤出温度的在线测量和控制带来了诸多不便。
此前,许多温度预测模型已经被提出,有传统建模方法和基于神经网络的预测方法等。传统的建模方法基于对生产过程物理、化学过程的深刻认识,通过生产过程的质量、能量和动量守恒定理,列写出宏观或微观的质量平衡、能量平衡、动量平衡方程等来确定难测量的主导变量和易测量的辅助变量之间的数学关系。基于人工神经网络的预测方法无需具备对象的先验知识,而根据对象的输入输出数据直接建模,能较好地解决高度非线性和系统严重不确定性等问题。前一类方法需要具有丰富专业知识的研究人员进行建模,同时工业生产过程的复杂性使得机理建模的代价较高,建模过程往往要耗费很大的人力物力,并且模型的可移植性较差,不同的对象其机理模型无论模型结构还是模型参数都千差万别。 第二类方法的不足之处是网络的性能要受训练样本的空间分布、样本的质量和训练算法的影响。
当今轮胎行业中流行的三复合胎面挤出联动线既具备许多工艺优点,又因其系统较复杂,也存在诸多技术难点,比如多台挤出机同时工作,相互关联,易使挤出温度和压力经常出现失调的现象。《胎面三复合挤出生产线挤出温度预测模型的研究》论文指出了影响胎面挤出温度各种因素,根据这些影响因素采用偏最小二乘回归方法建立了挤出温度预测模型,但无论是该论文中的方法,还是其他人的研究中,没有人将结合循环神经网络的智能优化算法用于挤出温度的预测中,本发明开创性的提出了建立一般的多项式数学模型去描述生产状态,再利用结合循环神经网络的智能优化算法去修正模型。
发明内容
针对传统方法的局限和现有神经网络预测方法的不足,本发明的目的在于提供一种泛化性强,无需多少先验知识和训练数据集的,结合智能算法和深度学习技术的胎面挤出温度预测方法。该方法很好地结合了智能优化算法的优化能力和循环神经网络强大的学习能力,利用智能优化算法的启发式规则为模型的待确定参数更好的候选值,并提出用固定长度的序列去记录智能优化算法基于每个个体产生更优秀下一代的继承关系,然后用循环神经网络去学习进化的规律,然后利用训练过的循环神经网络或智能优化算法去生成下一代模型参数候选值。待算法达到终止条件后,将误差最小的一组数据填入预测模型的待确定参数,输出预测模型。
一种结合智能算法和深度学习技术的胎面挤出温度预测方法,其特征是包括以下步骤:
步骤1:提取影响胎面复合生产线挤出温度的21项参数,包括Φ120挤出段温度,Φ120塑化段1温度/>,Φ120螺杆温度/>,Φ250挤出温度/>,Φ250塑化段1温度/>,Φ250塑化段2温度/>,Φ250螺杆温度/>,Φ150挤出段温度/>,Φ150塑化段1温度/>,Φ150螺杆温度,机头上摸温度/>,机头上中模温度/>,机头中模温度/>,机头下模温度/>,Φ120螺杆转速/>,Φ250螺杆转速/>,Φ150螺杆转速/>,Φ120机头压力/>,Φ250机头压力/>,Φ150机头压力/>,口型板高度/>;得到至少100组参数并形成数据集。
步骤2:根据数据集中影响挤出温度因素的参数种类,设计多项式数学模型:
+ />+…+ />,
其中,P为模型的预测输出,n=21,为数据集中各个影响因素的实际值,i=1,…,n,为常数,/>的值是模型未确定的系数/>的值是模型未确定的指数,是本发明中结合智能优化算法和循环神经网络的优化对象。
步骤3:将的取值范围,限定在[-200,200]内,算法初始时在[-200, 200]范围内随机生成N组随机数,N不少于100,每一组随机数都是/>的候选值。
步骤4:将N组随机数作为智能算法的初始种群,带入数学模型,并输入数据集中的参数进行计算,得到预测温度与真实温度之间的误差,用来评估这一组随机数的适应度;设定最大评估次数max nfes作为整个方法的终止条件,同时为N组随机数分别设计一个长度为L=5的档案库,将这N组数据加入到各自档案库中的第一个节点;
智能算法利用启发式规则,使种群中个体之间相互交流,进行种群的迭代,若某一代适应度优于其档案库中的所有个体,则将其加入档案库中,若档案库中的个体达到L时,新加入的个体替换掉最先加入的个体。
步骤5:当档案库的所有节点都被填满后,利用档案库中的前四个数据训练循环神经网络,最后一个数据作为标签数据,所述循环神经网络的输入层维度、隐藏层维度和输出层维度与随机数的维度相等,都为43,循环神经网络的输出y与最后一个数据之间的均方误差作为循环神经网络的损失函数来训练循环神经网络;这N组档案库作为一个训练批次,更新一次循环神经网络的权重。
步骤6:循环神经网络被训练之后,随机选择循环神经网络或智能算法的启发式规则去生成下一代个体。
步骤7:种群每迭代一次,档案库就会被更新一次,循环神经网络也会被训练一次,也即循环神经网络边使用边训练。
步骤8:待算法达到终止条件,将误差最小的数据填入数学模型,输出模型,将模型用于胎面挤出温度预测。
所述步骤4中,将随机数带入数学模型之前,先将的值除以20,以使/>限定在[-10,10]的范围内,而后带入数学模型。
所述步骤4中,最大评估次数max nfes被设计为10000000。
所述步骤6中,随机选择循环神经网络或智能算法的方式为:以预设参数lp控制算法选择神经网络指导或者智能算法的启发式规则去生成种群的下一代个体:在[0, 1]的范围内生成一个随机数,若随机数的值小于lp,那么算法会选择循环神经网络去指导下一代个体生成,反之,则会选择智能算法的启发式规则去生成下一代个体。
所述步骤6中,当选择循环神经网络去指导下一代个体生成时,按照如下规则:循环神经网络根据一个适应度逐渐提高的个体序列去预测更好的个体,是种群中序号为k个体适应度最好的一代,循环神经网络需要生成比该个体适应度还好的个体,因此,当使用循环神经网络指导生成更好的个体时,会使用/>组成的序列作为循环神经网络的输入,即/>,
为序号为k的个体所对应的序列经由循环神经网络结构的输出,/>再经由以下操作:
,
+ alpha * (/>-/>),
,
其中,alpha为控制参数,会随着算法迭代次数的增加而线性减小,nfes为已消耗的评估次数,max nfes为最大评估次数;
r1,r2为在[1,N]中随机选择的互不同的数,即是个体序号为r1,r2的最好一代个体,每个个体的信息包含43个数值,即/>,/>,代表每个个体中储存的元素的序号,/>表示/>中的第j个元素,Fout k,j 为Fout k 中的第j个元素;
rand为从[0,1]选取的一个随机数,意味着会以0.1的概率更换为当前个体对应档案库中末节点/>的对应值,最终得到的/>为RNN指导生成的种群中序号为k的新个体,这个新个体会与当代种群中序号为k的个体比较,适应度好的一个个体将会成为下一代种群的序号为k的个体;同时,如果这个新个体适应度好于其档案库中的所有个体,这个新个体也会按照步骤4中的规则更新其档案库。
所述智能算法包括经典的粒子群优化算法,差分进化算法,也可以是最新发表的单目标优化算法。
所述lp的值被初始化为0.5。
所述步骤7中,循环神经网络边使用边训练的同时,lp的值会根据两种方法过去5次使用时生成适应度更好下一代新个体的平均数量而动态改变,lp的值按照如下公式更改:
,
代表循环神经网络过去5次生成适应度更好新个体的平均数量,/>代表智能算法过去5次生成适应度更好新个体的平均数量。
本发明提出的结合智能优化算法于循环神经网络的胎面复合生产线胶料挤出温度预测方法可以预测任何场景下的难以测量的关键参数,无需太多训练数据集,结合了智能优化算法的优化能力和循环神经网络的学习能力,模型具有较高的可信度。传统的方法由于工业生产过程的复杂性使得机理建模的代价较高,建模过程往往要耗费很大的人力物力,比如从反应本征动力学和各种设备模型的确立、实际装置传热传质效果的表征到大量参数(从实验室设备到实际装置)的估计,每一步都很困难。相较而言本发明不需要多少先验知识,模型构造简单,成本低,针对不同的生产环境可以重新收集数据获得模型,能满足大多数实际工业场景的需求。基于人工神经网络的软测量方法无需具备对象的先验知识,而根据对象的输入输出数据直接建模,能较好地解决高度非线性和系统严重不确定性等问题。但建立的神经网络是一个存在性证明而非构造性证明,网络的性能要受训练样本的空间分布、样本的质量和训练算法的影响。本发明是直接针对具体环境设计的数学模型,模型具有可解释性,模型的收敛不受数据集的影响。同时模型是利用智能优化算法的搜索能力达到收敛,同时还利用模型参数的历史候选值去训练循环神经网络,使模型的收敛过程同时具备智能优化算法的优化速度和循环神经网络的学习能力。
附图说明
图1为本发明的整体流程示意图。
图2为循环神经网络训练时的示意图,
其中,RNN为循环神经网络;h 0 为初始时间步状态,一般为全0矩阵;h 1 ~h 4 为经由RNN单元计算得出的每一步时间状态;为种群中序号为k的个体的档案库中存储的信息,作为循环神经网络的输入;FC为线性层;y是循环神经网络的输出。
图3为本发明中模型的预测效果,
其中,纵坐标为温度,单位:度;横坐标为进行测试的次数。
具体实施方式
本发明所采用的技术方案包括:针对具体的胎面挤出生产线构造多项式函数数学模型,基于该模型利用智能优化算法去寻找使预测误差更小的多项式函数的系数与指数,记录智能优化算法迭代更新数据时数据之间的继承关系,利用记录继承关系的序列去训练循环神经网络,训练好的循环神经网络会在算法后续的迭代过程与智能优化算法竞争生成误差更小的多项式函数的系数与指数的机会,待算法达到终止条件停止迭代,将预测误差最小的一批数据带入模型,便可得到预测模型。
工厂实际轮胎生产时,胎面复合生产线挤出工艺包括预热、供胶、挤出、冷却、裁断、称量、接取、和停放等过程。胶料挤出温度主要受挤出过程的影响,挤出过程是在挤出机内完成的,胶料在挤出机内经过螺杆、机筒、机头和口型,胶料在螺杆和机筒间的流动,既像螺母轴向运动,同时又具有流体流动特征,这两种特征在螺杆的不同部位表现不同。因此,螺杆以其作用的不同大体上可分为加料段、塑化段和挤出段等三个工作段。在《胎面三复合挤出生产线挤出温度预测模型的研究》论文中,指出了影响胎面挤出温度的21个因素。
如图1所示,一种结合智能算法和深度学习技术的胎面挤出温度预测方法,其特征是包括以下步骤:
步骤1:提取影响胎面复合生产线挤出温度的21项参数,包括Φ120挤出段温度x1,Φ120塑化段1温度x2,Φ120螺杆温度x3,Φ250挤出温度x4,Φ250塑化段1温度x5,Φ250塑化段2温度x6,Φ250螺杆温度x7,Φ150挤出段温度x8,Φ150塑化段1温度x9,Φ150螺杆温度x10,机头上摸温度x11,机头上中模温度x12,机头中模温度x13,机头下模温度x14,Φ120螺杆转速x15,Φ250螺杆转速x16,Φ150螺杆转速x17,Φ120机头压力x18,Φ250机头压力x19,Φ150机头压力x20,口型板高度x21;得到至少100组参数并形成数据集。
步骤2:根据数据集中影响挤出温度因素的参数种类,设计多项式数学模型:
+ />+…+/>,
其中,P为模型的预测输出,n=21,为数据集中各个影响因素的实际值,i=1,…,n,为常数,/>的值是模型未确定的系数,是本发明中结合智能优化算法和循环神经网络的优化对象。
步骤3:将的取值范围,限定在[-200,200]内,算法初始时在[-200, 200]范围内随机生成N组随机数,N不少于100,每一组随机数都是/>的候选值。
步骤4:将N组随机数作为智能算法的初始种群,每一组随机数都是智能算法的一个个体,将个体带入数学模型时,会将的值除以20,使/>限定在[-10,10]的范围内,并输入数据集中的数据进行计算,计算得到预测温度与真实温度之间的误差,每一组随机数的预测误差会用来评估这一组随机数的好坏,误差小的个体其适应度就高,每评估一个个体的适应度,就会消耗一次评估次数,用nfes记录算法已使用的评估次数,当达到最大评估次数maxnfes时,整个方法终止,maxnfes被设计为10000000。同时,会为这N组数据分别设计一个长度为L的档案库,L的值设计为5,将这N组数据加入到档案库中的第一个节点中;
在智能算法中,为了得到适应度最好的个体,智能算法利用启发式规则,使种群中个体之间相互交流,生成新的下一代个体,称之为种群的迭代,每一个个体都会基于智能算法的迭代规则生成自己的下一代个体,即新的的值,对于新个体,如果其适应度优于其档案库中的所有个体,则会将其信息加入其档案库中,如果某个个体的档案库已达到了最大长度,即档案库已经存储了L代个体的信息,那么后续如果有新个体的信息被加入档案库的话,最先加入档案库中即档案库中第一个个体的信息会被删除。
步骤5:智能算法利用启发式规则不断生成新的下一代种群,同时每个个体的档案库也会被更新,当所有档案库都收集到L个个体的信息后,利用所有个体的档案库去训练循环神经网络。表1展示了种群档案库的信息,以二维矩阵表示,矩阵中的每一行都是一个个体档案库。对于每一个个体的档案库来说,排序在前的个体的适应度都小于排序靠后个体的适应度。循环神经网络的结构如图2所示,包括输入层,隐藏层和输出层,输入层维度、隐藏层维度和输出层维度与个体的维度相等,即43。,表示第k个个体的档案库中的前4个数据,所有档案库中的前4个数据作为循环神经网络的输入,y是循环神经网络的输出,每个个体档案库中的最后一个个体/>作为标签数据,y与/>之间的均方误差作为循环神经网络的损失函数来训练循环神经网络。这N组档案库作为一个训练批次,更新一次循环神经网络的权重。
表1 以二维矩阵表示的种群档案库中的信息
。
步骤6:循环神经网络被训练之后,以预设参数lp控制算法选择神经网络指导或者智能算法的启发式规则去生成种群的下一代个体:在[0, 1]的范围内生成一个随机数,若随机数的值小于lp,那么算法会选择循环神经网络去指导下一代个体生成,反之,则会选择智能算法的启发式规则去生成下一代个体,lp的值被初始化为0.5。
当选择智能算法时,利用所述启发式规则不断生成新的下一代种群。
当选择循环神经网络去指导下一代个体生成时,按照如下规则:循环神经网络根据一个适应度逐渐提高的个体序列去预测更好的个体,是种群中序号为k个体适应度最好的一代,循环神经网络需要生成比该个体适应度还好的个体,因此,当使用循环神经网络指导生成更好的个体时,会使用/>组成的序列作为循环神经网络的输入,即
,
为序号为k的个体所对应的序列经由循环神经网络结构的输出,/>再经由以下操作:
,
+ alpha * (/>-/>),
,
其中,alpha为控制参数,会随着算法迭代次数的增加而线性减小,r1,r2为在[1,N]中随机选择的互不同的数,即是个体序号为r1,r2的最好一代个体,每个个体的信息包含43个数值,即/>,/>,代表每个个体中储存的元素的序号,表示/>中的第j个元素,Fout k,j 为Fout k 中的第j个元素;
rand为从[0,1]选取的一个随机数,意味着会以0.1的概率更换为当前个体对应档案库中末节点/>的对应值,最终得到的/>为RNN指导生成的种群中序号为k的新个体,这个新个体会与当代种群中序号为k的个体比较,适应度好的一个个体将会成为下一代种群的序号为k的个体;同时,如果这个新个体适应度好于其档案库中的所有个体,这个新个体也会按照步骤4中的规则更新其档案库。
步骤7:算法根据在[0,1]之间随机生成的数与lp比较来控制选择智能算法的启发式规则还是循环神经网络模型指导来迭代产生下一代种群,种群每迭代一次,档案库就会被更新一次,循环神经网络也会被训练一次,也即循环神经网络是边使用边训练的。同时lp的值会根据两种方法过去5次使用时生成适应度更好下一代新个体的平均数量而动态改变,lp的值按照如下公式更改:
,
代表循环神经网络过去5次生成适应度更好新个体的平均数量,e/>代表智能算法过去5次生成适应度更好新个体的平均数量。
步骤8:待算法达到终止条件,将误差最小的数据填入数学模型,输出模型,将模型用于胎面挤出温度预测。
实施例
为实现对模型的训练,本发明选择轮胎行业中流行的三复合胎面挤出联动线作为实现目标,三复合胎面挤出温度是挤出过程中各种因素的一个综合指标,测量优化胶料的挤出温度对提高生产能力和半成品的挤出质量均有重大意义。根据《胎面三复合挤出生产线挤出温度预测模型的研究》论文中指出的影响胎面挤出温度的因素为Φ120挤出段温度x1,Φ120塑化段1温度x2,Φ120螺杆温度x3,Φ250挤出温度x4,Φ250塑化段1温度x5,Φ250塑化段2温度x6,Φ250螺杆温度x7,Φ150挤出段温度x8,Φ150塑化段1温度x9,Φ150螺杆温度x10,机头上摸温度x11,机头上中模温度x12,机头中模温度x13,机头下模温度x14,Φ120螺杆转速x15,Φ250螺杆转速x16,Φ150螺杆转速x17,Φ120机头压力x18,Φ250机头压力x19,Φ150机头压力x20,口型板高度x21。其中Φ120,Φ150,Φ250为三台挤出机的机筒直径规格分别是Φ250mm,Φ150mm,Φ120mm 标准。数据来自于广州华工百川科技股份有限公司生产的胎面三复合挤出联动线上记录的117条数据。如表2、表3所示。
表2第1至11项因素的采集数据
。
表3第12至21项因素的采集数据
。
首先将数据集按照4:1划分为训练数据和测试数据,训练数据用来训练模型,测试数据用来测试模型的泛化能力。
根据21条影响挤出温度的因素,设计多项式数学模型:
+ />+…+/>,
其中P为模型预测的温度,x1,x2…x21为各影响因素的实际测量值, 为模型的待确定参数。
该温度预测模型有43个未确定参数,生成400组随机数,每一组随机数包含43个值。这400组随机数视为智能优化算法的初始种群,每一组随机数都是种群的一个个体。为方便智能优化算法将,/>的值按照相同的规则处理,/>的取值范围都在[-200,200]内,也就是说,会在[-200,200]的范围内生成/>的值。而将个体信息带入多项式数学模型时,会将b的值除以20,使/>限定在[-10,10]的范围内。并输入数据集中的数据进行计算,计算得到预测温度与真实温度之间的误差,这一操作称之为个体的评估,每一组数据的预测误差会用来评估这一组数据的好坏,误差小的个体其适应度就高,每评估一个个体的适应度,就会消耗一次评估次数,用nfes记录算法已使用的评估次数,当达到最大评估次数maxnfes时,整个方法终止,max nfes被设计为10000000。
将初始生成的400组随机数带入多项式模型中去,并输入数据集中的数据进行计算得到400组预测温度,对这400个个体也就是整个种群进行评估,计算预测温度与真实温度的误差,此误差是智能优化算法的优化目标。同时为每个个体构造一个长度为5的档案库。将初始生成的400个个体加入到档案库中。
此时预测误差很大,智能算法不断利用启发式规则为每个个体生成它的后代,构成新的种群。若个体后代带入模型中测得的误差小于其档案库中所有个体的误差,将其加入到其档案库中。如表1所示,为种群中第k个个体档案库中所储存的信息,他们都是由初始种群中序号为k的个体的后代,t的下标代表了它们在档案库中的位置,下标值越大说明该个体生成的时间越晚,其预测误差越小。在算法迭代的过程中,模型的预测误差在不断减小,同时档案库也在充实。若档案库中某条记录的长度达到5,即L的值,若后续加入新的节点,该记录首先加入的个体将会从档案库中移除。
直至每个个体档案库都收集到5个个体过去的版本,便可利用该档案库去训练循环神经网络。循环神经网络的输入层维度和输出层维度,隐藏层维度维度与模型的未确定参数的个数相等,循环神经网络在多个时间步上共享,输出层由一个线性层定义,它将隐藏层的输出转换为最终的输出。损失函数选择均方误差损失函数。训练时,将个体档案库的最后一个个体除去作为循环神经网络的标签,剩下的便组成序列数据作为循环神经网络的输入。如图3所示,y时循环神经网络的输出,会与比较,y和/>都包含43个数据,43个数据的均方误差将会作为循环神经网络的损失函数去修正循环神经网络的权值。以此组成N对训练数据训练循环神经网络。
循环神经网络被训练之后,以预设参数lp控制算法选择神经网络指导或者智能算法的启发式规则去生成种群的下一代个体:在[0, 1]的范围内生成一个随机数,若随机数的值小于lp,那么算法会选择循环神经网络去指导下一代个体生成,反之,则会选择智能算法的启发式规则去生成下一代个体,lp的值被初始化为0.5。
当选择智能算法时,利用所述启发式规则不断生成新的下一代种群。
当选择循环神经网络去指导下一代个体生成时,对于种群中序号为k的个体,组成的序列作为循环神经网络的输入,循环神经网络输出它的预测结果/>。还会进行以下操作:
,
+ alpha * (/>-/>),
,
其中为循环神经网络的输出,alpha为控制参数,会随着算法迭代次数的增加而线性减小。r1,r2为在[1,N]中随机选择的互不相同的数,即/>为个体序号为r1,r2的最好一代个体。每个个体的信息包含43个数值,即/>的值为1-43,代表每个个体储存值得序号。rand代表算法从[0,1]这随机选取的一个随机数,意味着/>的每个值还会以0.1的概率更换为当前个体对应档案库中末节点/>的对应值。最终得到的/>为RNN指导生成的种群中序号为k的新个体,这个新个体会与当代种群中序号为k的个体比较,适应度好的一个个体将会成为下一代种群的序号为k的个体。同样,如果这个新个体适应度好于其档案库中的所有个体,这个新个体也会按照步骤四中的规则更新其档案库。
之后算法生成下一代种群的方法将会由参数lp控制,算法以lp的概率选择神经网络方法产生的下一代个体。后续lp的值将会由智能优化算法和循环神经网络方法产生下一代误差值更小个体的数量决定,具体由以下所示:
,
代表循环神经网络过去5次生成适应度更好新个体的平均数量,/>代表智能算法过去5次生成适应度更好新个体的平均数量。e为自然对数。
待算法达到终止条件后,输出模型,将模型用于胎面挤出温度预测。用测试数据集评估模型结果,如图3所示。模型在训练集的平均误差为1.74度,在测试集的平均误差为1.88度。
Claims (8)
1.一种结合智能算法和深度学习技术的胎面挤出温度预测方法,其特征是包括以下步骤:
步骤1:提取影响胎面复合生产线挤出温度的21项参数,包括Φ120挤出段温度,Φ120塑化段1温度/>,Φ120螺杆温度/>,Φ250挤出温度/>,Φ250塑化段1温度/>,Φ250塑化段2温度/>,Φ250螺杆温度/>,Φ150挤出段温度/>,Φ150塑化段1温度/>,Φ150螺杆温度/>,机头上摸温度/>,机头上中模温度/>,机头中模温度/>,机头下模温度/>,Φ120螺杆转速/>,Φ250螺杆转速/>,Φ150螺杆转速/>,Φ120机头压力/>,Φ250机头压力/>,Φ150机头压力/>,口型板高度/>;得到至少100组参数并形成数据集;
步骤2:根据数据集中影响挤出温度因素的参数种类,设计多项式数学模型:
+ />+…+ />,
其中,P为模型的预测输出,n=21,为数据集中各个影响因素的实际值,i=1,…,n,/>为常数,/>的值是模型未确定的系数/>的值是模型未确定的指数,是本方法的优化对象;
步骤3:将的取值范围,限定在[-200,200]内,算法初始时在[-200, 200]范围内随机生成N组随机数,N不少于100,每一组随机数都是/>的候选值;
步骤4:将N组随机数作为智能算法的初始种群,带入数学模型,并输入数据集中的参数进行计算,得到预测温度与真实温度之间的误差,用来评估这一组随机数的适应度;设定最大评估次数max nfes作为整个方法的终止条件,同时为N组随机数分别设计一个长度为L=5的档案库,将这N组数据加入到各自档案库中的第一个节点;
智能算法利用启发式规则,使种群中个体之间相互交流,进行种群的迭代,若某一代适应度优于其档案库中的所有个体,则将其加入档案库中,若档案库中的个体达到L时,新加入的个体替换掉最先加入的个体;
步骤5:当档案库的所有节点都被填满后,利用档案库中的前四个数据训练循环神经网络,最后一个数据作为标签数据,所述循环神经网络的输入层维度、隐藏层维度和输出层维度与随机数的维度相等,都为43,循环神经网络的输出y与最后一个数据之间的均方误差作为循环神经网络的损失函数来训练循环神经网络;这N组档案库作为一个训练批次,更新一次循环神经网络的权重;
步骤6:循环神经网络被训练之后,随机选择循环神经网络或智能算法的启发式规则去生成下一代个体;
步骤7:种群每迭代一次,档案库就会被更新一次,循环神经网络也会被训练一次,也即循环神经网络边使用边训练;
步骤8:待算法达到终止条件,将误差最小的数据填入数学模型,输出模型,将模型用于胎面挤出温度预测。
2.如权利要求1所述的结合智能算法和深度学习技术的胎面挤出温度预测方法,其特征是所述步骤4中,将随机数带入数学模型之前,先将的值除以20,以使/>限定在[-10,10]的范围内,而后带入数学模型。
3.如权利要求1所述的结合智能算法和深度学习技术的胎面挤出温度预测方法,其特征是所述步骤4中,最大评估次数max nfes被设计为10000000。
4.如权利要求1所述的结合智能算法和深度学习技术的胎面挤出温度预测方法,其特征是所述步骤6中,随机选择循环神经网络或智能算法的方式为:以预设参数lp控制算法选择神经网络指导或者智能算法的启发式规则去生成种群的下一代个体:在[0, 1]的范围内生成一个随机数,若随机数的值小于lp,那么算法会选择循环神经网络去指导下一代个体生成,反之,则会选择智能算法的启发式规则去生成下一代个体。
5.如权利要求1或4所述的结合智能算法和深度学习技术的胎面挤出温度预测方法,其特征是所述步骤6中,
当选择循环神经网络去指导下一代个体生成时,按照如下规则:循环神经网络根据一个适应度逐渐提高的个体序列去预测更好的个体,是种群中序号为k个体适应度最好的一代,循环神经网络需要生成比该个体适应度还好的个体,因此,当使用循环神经网络指导生成更好的个体时,会使用/>组成的序列作为循环神经网络的输入,即
,
为序号为k的个体所对应的序列经由循环神经网络结构的输出,/>再经由以下操作:
,
+ alpha * (/>-/>),
,
其中,alpha为控制参数,会随着算法迭代次数的增加而线性减小,nfes为已消耗的评估次数,max nfes为最大评估次数;
r1,r2为在[1,N]中随机选择的互不同的数,即是个体序号为r1,r2的最好一代个体,每个个体的信息包含43个数值,即/>,/>,代表每个个体中储存的元素的序号,/>表示/>中的第j个元素,Fout k,j 为Fout k 中的第j个元素;
rand为从[0,1]选取的一个随机数,意味着会以0.1的概率更换为当前个体对应档案库中末节点/>的对应值,最终得到的/>为RNN指导生成的种群中序号为k的新个体,这个新个体会与当代种群中序号为k的个体比较,适应度好的一个个体将会成为下一代种群的序号为k的个体;同时,如果这个新个体适应度好于其档案库中的所有个体,这个新个体也会按照步骤4中的规则更新其档案库。
6.如权利要求1所述的结合智能算法和深度学习技术的胎面挤出温度预测方法,其特征是所述智能算法包括经典的粒子群优化算法,差分进化算法,也可以是最新发表的单目标优化算法。
7.如权利要求4所述的结合智能算法和深度学习技术的胎面挤出温度预测方法,其特征是lp的值被初始化为0.5。
8.如权利要求7所述的结合智能算法和深度学习技术的胎面挤出温度预测方法,其特征是所述步骤7中,循环神经网络边使用边训练的同时,lp的值会根据两种方法过去5次使用时生成适应度更好下一代新个体的平均数量而动态改变,lp的值按照如下公式更改:
,
代表循环神经网络过去5次生成适应度更好新个体的平均数量,/>代表智能算法过去5次生成适应度更好新个体的平均数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311529647.9A CN117236202B (zh) | 2023-11-16 | 2023-11-16 | 结合智能算法和深度学习技术的胎面挤出温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311529647.9A CN117236202B (zh) | 2023-11-16 | 2023-11-16 | 结合智能算法和深度学习技术的胎面挤出温度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117236202A true CN117236202A (zh) | 2023-12-15 |
CN117236202B CN117236202B (zh) | 2024-01-30 |
Family
ID=89086611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311529647.9A Active CN117236202B (zh) | 2023-11-16 | 2023-11-16 | 结合智能算法和深度学习技术的胎面挤出温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236202B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859137A (zh) * | 2010-05-28 | 2010-10-13 | 武汉理工大学 | 胎面挤出过程速度链智能优化系统及其优化方法 |
US20200409333A1 (en) * | 2018-01-10 | 2020-12-31 | KraussMaffei Extrusion GmbH | Method for operating an extrusion system and extrusion system |
EP3939776A1 (de) * | 2020-07-17 | 2022-01-19 | Continental Reifen Deutschland GmbH | Verfahren zum ermitteln spulmusters für eine laufstreifenwicklung |
US20220194400A1 (en) * | 2015-05-20 | 2022-06-23 | Continental Automotive Systems, Inc. | System and method for enhancing vehicle performance using machine learning |
CN114862055A (zh) * | 2022-06-01 | 2022-08-05 | 河钢数字技术股份有限公司 | 一种基于多源数据驱动的钢铁企业高炉煤气预测方法 |
CN115238961A (zh) * | 2022-06-23 | 2022-10-25 | 合肥工业大学 | 基于鲸鱼算法优化bp神经网络的轮胎硫化质量预测方法 |
-
2023
- 2023-11-16 CN CN202311529647.9A patent/CN117236202B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859137A (zh) * | 2010-05-28 | 2010-10-13 | 武汉理工大学 | 胎面挤出过程速度链智能优化系统及其优化方法 |
US20220194400A1 (en) * | 2015-05-20 | 2022-06-23 | Continental Automotive Systems, Inc. | System and method for enhancing vehicle performance using machine learning |
US20200409333A1 (en) * | 2018-01-10 | 2020-12-31 | KraussMaffei Extrusion GmbH | Method for operating an extrusion system and extrusion system |
EP3939776A1 (de) * | 2020-07-17 | 2022-01-19 | Continental Reifen Deutschland GmbH | Verfahren zum ermitteln spulmusters für eine laufstreifenwicklung |
CN114862055A (zh) * | 2022-06-01 | 2022-08-05 | 河钢数字技术股份有限公司 | 一种基于多源数据驱动的钢铁企业高炉煤气预测方法 |
CN115238961A (zh) * | 2022-06-23 | 2022-10-25 | 合肥工业大学 | 基于鲸鱼算法优化bp神经网络的轮胎硫化质量预测方法 |
Non-Patent Citations (3)
Title |
---|
ANDRÉ SILVA: "A new approach to temperature control in the extrusion process of composite tire products", 《JOURNAL OF MANUFACTURING PROCESSES》, vol. 65, pages 80 - 96, XP086546239, DOI: 10.1016/j.jmapro.2021.03.022 * |
王哲;杨学军;柳林;: "混合智能算法在需水预测模型中的应用", 海河水利, no. 06, pages 52 - 54 * |
颜卫卫: "基于贝叶斯正则化BP神经网络的挤出温度预测模型", 《橡胶工业》, vol. 61, no. 4, pages 241 - 243 * |
Also Published As
Publication number | Publication date |
---|---|
CN117236202B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mohamed et al. | Optimization of fused deposition modeling process parameters for dimensional accuracy using I-optimality criterion | |
CN114881289B (zh) | 一种基于数字孪生的熔铸装药成型工艺参数优化方法及系统 | |
Finkeldey et al. | Learning quality characteristics for plastic injection molding processes using a combination of simulated and measured data | |
CN109460890B (zh) | 一种基于强化学习与控制性能监测的智能自愈方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
KR20200003041A (ko) | 스크류 형상 추정 장치, 스크류 형상 추정 방법 및 스크류 형상 추정 프로그램 | |
CN115309980A (zh) | 一种基于鲸鱼优化bp神经网络的协同过滤智能推荐方法 | |
Yu et al. | Intelligent setting of process parameters for injection molding based on case-based reasoning of molding features | |
Jong et al. | Integrating Taguchi method and artificial neural network to explore machine learning of computer aided engineering | |
CN117236202B (zh) | 结合智能算法和深度学习技术的胎面挤出温度预测方法 | |
CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
CN117139380A (zh) | 一种基于调控经验自学习的镰刀弯控制方法 | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
Wang et al. | A novel sensing feature extraction based on mold temperature and melt pressure for plastic injection molding quality assessment | |
CN108959787B (zh) | 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统 | |
JP2003288579A (ja) | 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム | |
CN112559904B (zh) | 一种基于门机制和多模态图网络的会话社交推荐方法 | |
Crawford et al. | A Bayesian belief approach to quality control of resin transfer molding process | |
CN114986833B (zh) | 一种动态调控的注塑方法、系统、装置及介质 | |
CN112016241A (zh) | 一种基于mLASSO-MLP模型的软测量建模方法 | |
CN109740221B (zh) | 一种基于搜索树的智能工业设计算法 | |
CN115409270A (zh) | 一种基于神经网络模型产品生产用预测方法 | |
CN116894379A (zh) | 一种注塑件质量优化方法 | |
CN116300401A (zh) | 一种基于遗传算法优化模糊pid的温度控制方法 | |
CN115408842A (zh) | 注塑成型仿真过程特性相似性分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |