[发明专利]基于两层混合智能优化的批处理生产过程产品质量控制方法

摘要

本发明公开了一种基于两层混合智能优化的批处理生产过程产品质量控制方法。本方法通过对批次产品质量控制量进行优化控制可以保证批处理生产过程取得最大收益，涉及到工业中的批处理生产过程和智能算法以及传统数学计算方法。本方法首先根据工业生产特点把批处理生产过程的终点作为优化目标，批处理生产过程中的限制条件作为目标函数的约束条件，然后使用本发明提出的基于智能算法和传统数学计算方法对批处理生产过程产品质量优化控制，并用迭代法以迭代方式消除模型误差，从而使优化性能指标渐次达到最优。本方法通过结合智能算法和传统数学计算方法的特点，可以保证在批处理生产过程中取得最高的产品质量。

主权项

1.一种基于两层混合智能优化的批处理生产过程产品质量控制方法，其特征在于在批处理生产过程的优化控制中使用两层智能混合优化算法，这种算法结合PSO算法和SQP算法的优点，具有对复杂的问题求解速度快精度高的特点，具体操作步骤如下：(1) 数据采集：采集工业生产中批处理生产装置的现场操作数据，综合历史数据分析操作经验总结，确定软测量模型的输入变量和目标变量；(2) 数据处理：对步骤(1)中采集到的实际工业装置运行数据进行数据预处理，剔除部分异常工况数据点，构造样本集，取其中的样本数据作为训练集，剩余的样本数据则作为测试集；(3) 建立模型：用训练集建立批处理过程产品质量数据驱动软测量模型，并用测试集进行验证，该软测量模型对批处理过程产品质量进行预测；(4) 算法初始化：借助步骤(3)建立的批处理过程产品质量软测量模，采用两层智能混合算法对批处理生产过程进行优化控制，得到产品质量最优控制操作轨迹，根据实际批处理生产过程的情况，将每条产品质量控制操作轨迹记为PSO算法中的第个微粒,，其中和是与实际生产环境有关的常数，与具体的批处理生产设备有关，是微粒的维数，与具体的生产过程有关；同时将相应的产品质量控制操作轨迹的变化记为PSO算法中微粒速度，，其中和是常数，由用户设定；(5) 参数设置：根据批次生产的实际情况，设定PSO算法中的各个控制参数，包括种群规模，其中，为自然数，微粒的位置范围，速度范围，速度权重，学习因子和；(6) 数据输入：把微粒所代表的产品质量控制操作轨迹作为批处理过程生产设备的输入量，这里借助步骤(3)建立的批处理过程产品质量软测量模型预测产品质量，将相应的输出产品质量作为评价指标，用来衡量控制操作轨迹的优劣；对第个微粒，选择使产品质量性能指标最优的微粒位置作为该微粒的最优位置，即该微粒代表的产品质量控制操作轨迹；(7)选取全局最优微粒：在个微粒中选取使产品质量性能指标最优的微粒位置作为全局最优位置；考虑到在算法迭代后期，种群的最优解已经接近于问题的全局最优解，这时应当减小微粒的移动速度使得微粒能够在一个相对较小的范围内进行精确搜索，动态惯性权重按照公式计算，其中是惯性权重的起始值，是当前的迭代次数；(8) 位置和速度更新：更新产品质量控制操作轨迹变化率，公式为：；更新产品质量控制操作轨迹，公式为：，式中和是介于之间的随机数，用于保持种群的多样性；和为学习因子；(9) 计算种群多样性：计算整个群体代表的产品质量控制操作轨迹的多样性：，其中为种群中的产品质量控制操作轨迹总数，代表第微粒，为种群中的第条产品质量控制操作轨迹，为种群的全局最优产品质量控制操作轨迹，为两个产品质量控制操作轨迹之间的欧式距离；(10) 算法选择：通过设定参数切换PSO算法和SQP算法，即当产品质量控制操作轨迹的多样性时，转向步骤(11)，否则转向步骤(7)；(11) SQP算法求解：以步骤(4)和步骤(8)搜索的最优解作为初始点，用SQP算法进行精细求解，得到下一批次的产品质量控制操作轨迹；(12) 计算误差：将步骤(11)中所得到的产品质量控制操作轨迹作为实际批处理生产设备的输入控制量，再与步骤(3)中软测量模型预测值进行比较；(13) 迭代操作：利用由步骤(11)中得到误差修正调整下一批次的产品质量控制操作轨迹；(14) 结束判断：如果产品质量满足要求则停止，否则转到步骤(4)继续进行优化。