產(chǎn)品質(zhì)量模型與控制模型的研究及應用

陳萬慶，陳昆昌，李仁旺，榮 杰，曹衍龍

(1.浙江理工大學 機械與自動控制學院，浙江 杭州 310018;2.浙江大學 機械工程學院，浙江 杭州 310058)

產(chǎn)品質(zhì)量模型與控制模型的研究及應用

陳萬慶1，陳昆昌1，李仁旺1，榮 杰1，曹衍龍2

(1.浙江理工大學 機械與自動控制學院，浙江 杭州 310018;2.浙江大學 機械工程學院，浙江 杭州 310058)

基于Data mining(數(shù)據(jù)挖掘)技術，在控制學科背景下提出了產(chǎn)品的質(zhì)量模型和質(zhì)量控制模型.以山東某造紙廠的大型造紙生產(chǎn)線和遼寧某鋼鐵廠的銅閃速爐為例，在現(xiàn)場獲得大量的關鍵輸入?yún)?shù)和產(chǎn)品質(zhì)量數(shù)據(jù)，通過BP神經(jīng)網(wǎng)絡建立數(shù)學模型，經(jīng)數(shù)據(jù)運算和校驗得到了產(chǎn)品穩(wěn)態(tài)質(zhì)量模型和質(zhì)量控制模型.提出反向質(zhì)量模型和動態(tài)產(chǎn)品質(zhì)量模型，以適用于復雜的生產(chǎn)實踐.

質(zhì)量控制；產(chǎn)品模型；反向質(zhì)量模型

在基于Data mining(數(shù)據(jù)挖掘)技術提出的產(chǎn)品質(zhì)量模型和質(zhì)量控制模型中，直接決定產(chǎn)品質(zhì)量的參數(shù)稱為操作參數(shù).這些參數(shù)是BP神經(jīng)網(wǎng)絡的關鍵輸入?yún)?shù)，對應其質(zhì)量指標是關鍵輸出參數(shù).本文以山東某造紙廠的大型造紙生產(chǎn)線和遼寧某鋼鐵廠銅閃速爐為例，基于BP神經(jīng)網(wǎng)絡，運用從生產(chǎn)現(xiàn)場得到的關鍵輸入?yún)?shù)和產(chǎn)品質(zhì)量數(shù)據(jù)，得到了產(chǎn)品的穩(wěn)態(tài)質(zhì)量模型.但是，由于生產(chǎn)線的實際情況和工業(yè)控制過程相對理論而言復雜程度極高，直接使用該質(zhì)量模型存在一定難度，因此，本文又提出了產(chǎn)品反向質(zhì)量模型和動態(tài)、穩(wěn)態(tài)質(zhì)量控制模型.

1 工業(yè)產(chǎn)品的質(zhì)量控制

1.1 產(chǎn)品的質(zhì)量模型

以造紙生產(chǎn)車間為例，車間主要的工藝流程有備漿段(碎解、打漿、混合)、上漿段(添加制劑、流送上漿)、紙機段(濕部、干部)和后續(xù)段等(圖1).

圖1 造紙生產(chǎn)流程

結合理論和實際生產(chǎn)數(shù)據(jù)，經(jīng)過多次篩選和模型對比，應用Data mining技術，將該造紙生產(chǎn)過程抽象成由28個關鍵輸入?yún)?shù)和4個關鍵輸出參數(shù)組成的函數(shù)，即：

y=f(x1,x2,…,x28，p1,p2,p3,p4)

該函數(shù)是非線性的，其4個輸出參數(shù)為紙張的最關鍵品質(zhì)指標：水分、緊度、松厚度、抗張強度.其28個輸入?yún)?shù)中包含了18個原材料參數(shù)和10個其他參數(shù)，如制備紙漿的濕度、溫度、時長等.本文在實際生產(chǎn)中收集到5 527個數(shù)據(jù)，進行運算，校驗28×40×20×1的單維BP神經(jīng)網(wǎng)絡，構建了針對單個品質(zhì)指標的產(chǎn)品質(zhì)量模型.

BP神經(jīng)網(wǎng)絡輸入?yún)?shù)是高維的，而BP神經(jīng)網(wǎng)絡普通訓練算法對于高維輸入問題的處理存在不足.因此，本文采用3種學習算法，即BP神經(jīng)網(wǎng)絡兩階段混合學習算法[1]、大慣性各權重獨立訓練的分散學習算法[2]、逐步擴大樣本學習算法[3]，分別進行了試驗.對比3種算法的結果發(fā)現(xiàn)，造紙生產(chǎn)車間的BP神經(jīng)網(wǎng)絡質(zhì)量模型采用第三種學習算法的數(shù)據(jù)精確度更高.使用第三種算法時，只要取均方差err<0.05的數(shù)據(jù)，子集數(shù)據(jù)就能與整體數(shù)據(jù)達到85%以上的近似度.

采用模糊神經(jīng)網(wǎng)絡為造紙生產(chǎn)車間建立紙品質(zhì)量模型時，將每個關鍵輸入?yún)?shù)對應的數(shù)據(jù)按照聚類法分成一些沒有交集的類別，即按照各個關鍵參數(shù)的域劃分，現(xiàn)場得到的5 527個數(shù)據(jù)大致被分成了5組.對這5組數(shù)據(jù)進行建模和校驗，然后用28維輸入?yún)?shù)和1維輸出參數(shù)的神經(jīng)網(wǎng)絡質(zhì)量模型進行運算，得出結果.該結果的校驗精度為71.5%，能夠滿足廠方的要求.

相比BP神經(jīng)網(wǎng)絡模型，建立模糊神經(jīng)網(wǎng)絡質(zhì)量模型的時間更短.這種產(chǎn)品穩(wěn)態(tài)質(zhì)量模型對各種產(chǎn)品研發(fā)和生產(chǎn)流程設計有一定的參考價值，能夠適應非標準產(chǎn)品制造企業(yè)的生產(chǎn).

1.2 產(chǎn)品的反向質(zhì)量模型

實際生產(chǎn)中因為客戶需求的變動，經(jīng)常對產(chǎn)品的設計和工藝做調(diào)整，會導致已建立的穩(wěn)態(tài)質(zhì)量模型失去參考價值.為此，本文提出了反向產(chǎn)品質(zhì)量模型，即將上述關鍵輸入與關鍵輸出的數(shù)據(jù)倒置，進行相同的模擬和驗證，獲得產(chǎn)品穩(wěn)態(tài)反向質(zhì)量模型.這樣，通過對應數(shù)據(jù)參數(shù)的調(diào)整和產(chǎn)品設計的改變可應對工藝加工質(zhì)量數(shù)據(jù)的更改.但是在這種情況下，干擾參數(shù)也會成為模型網(wǎng)絡的輸出參數(shù)，導致反向質(zhì)量模型在實際工業(yè)生產(chǎn)中運用受到局限.實際運行發(fā)現(xiàn)，在給定輸入?yún)?shù)、輸出參數(shù)以及干擾參數(shù)的數(shù)據(jù)量不大時，反向質(zhì)量模型還是可以應用的.

反向質(zhì)量模型有如下形式：

對于造紙生產(chǎn)線而言，本文對關鍵輸入、關鍵輸出的數(shù)據(jù)進行準確性校驗，使用基于BP神經(jīng)網(wǎng)絡的大慣性各權重獨立訓練的分散學習算法，得出了4維輸入?yún)?shù)、28維輸出參數(shù)的4×35×20×28BP神經(jīng)網(wǎng)絡造紙工藝反向質(zhì)量模型.其建模近似度能達到82%.而這對于1維和2維質(zhì)量標準的BP神經(jīng)網(wǎng)絡質(zhì)量模型來說卻是無法實現(xiàn)的.

1.3 產(chǎn)品質(zhì)量模型在產(chǎn)品質(zhì)量控制中的應用

實際生產(chǎn)中影響紙品品質(zhì)的可變輸入?yún)?shù)較多(50～70個)，進行生產(chǎn)工藝過程安排時，需要考慮至少22個會影響紙品品質(zhì)的可變輸入?yún)?shù)，由工業(yè)生產(chǎn)數(shù)據(jù)建模并得到一組參數(shù)變動范圍，使產(chǎn)品質(zhì)量達標，以便于實際生產(chǎn)使用.此外，結合現(xiàn)場操作經(jīng)驗與另外至少28個影響紙品品質(zhì)的可變輸入?yún)?shù)，選出幾組關鍵輸入?yún)?shù)，到生產(chǎn)車間做進一步試驗.

由于生產(chǎn)線的產(chǎn)品質(zhì)量模型由許多子質(zhì)量模型構成，因此需要在數(shù)個BP神經(jīng)網(wǎng)絡子質(zhì)量模型上分析并歸納出一個參數(shù)范圍來指導產(chǎn)品品質(zhì)指標.通過大量的輸入?yún)?shù)試驗，得出多個參數(shù)的有效集合區(qū)間，并把這些區(qū)間取交集，即可得到輸入?yún)?shù)的有效范圍.

在運用BP神經(jīng)網(wǎng)絡過程中，得到產(chǎn)品品質(zhì)指標的有效區(qū)間，將標準輸出值限制在設定范圍，這是一個需要進一步探討的課題.本文進行大量實驗研究，利用控制變量法，每次改變一組輸入?yún)?shù)，根據(jù)輸出參數(shù)的變化，做出線性或者非線性曲線，找出了BP神經(jīng)網(wǎng)絡中每個輸出參數(shù)與輸入?yún)?shù)之間的關系.

在產(chǎn)品品質(zhì)指標要求精益求精的情況下，利用輸入?yún)?shù)與輸出參數(shù)的線性或非線性關系，通過BP神經(jīng)網(wǎng)絡質(zhì)量模型計算出一組數(shù)值，讓質(zhì)量標準接近最大值.這屬于基于神經(jīng)網(wǎng)絡產(chǎn)品質(zhì)量模型的輸出優(yōu)化問題[4-5].質(zhì)量模型能夠發(fā)揮實際作用的前提是最優(yōu)解必須在模型運算數(shù)據(jù)的參數(shù)范圍之內(nèi)，而且在其實際運用中，工藝參數(shù)需要滿足一系列穩(wěn)態(tài)模型.

2 工業(yè)生產(chǎn)過程的質(zhì)量控制

2.1 工業(yè)生產(chǎn)過程質(zhì)量控制系統(tǒng)的結構

在工業(yè)生產(chǎn)過程中，通常以PDM系統(tǒng)為基礎，采用閉環(huán)方式將產(chǎn)品質(zhì)量指標控制在標準范圍之內(nèi).具體來說，它將產(chǎn)品數(shù)據(jù)作為輸入?yún)?shù)，使用產(chǎn)品質(zhì)量模型，統(tǒng)一檢測產(chǎn)品加工過程，同時通過不斷校正和調(diào)整參數(shù)，達到優(yōu)化產(chǎn)品質(zhì)量的目的.常規(guī)制造企業(yè)生產(chǎn)過程質(zhì)量控制系統(tǒng)的結構如圖2所示.

圖2 產(chǎn)品生產(chǎn)過程質(zhì)量控制系統(tǒng)的結構

2.2 工業(yè)生產(chǎn)過程的質(zhì)量控制器

設第一個質(zhì)量控制器由m個條件組成，則第i條參數(shù)為：

2.3 產(chǎn)品的穩(wěn)態(tài)質(zhì)量模型

產(chǎn)品穩(wěn)態(tài)質(zhì)量模型是特定條件下的概念.在傳統(tǒng)意義上，工業(yè)生產(chǎn)過程是均負荷穩(wěn)態(tài)工況下連續(xù)執(zhí)行的，但在實際工業(yè)生產(chǎn)中存在干擾等不確定性因素，產(chǎn)品工藝輸入與輸出通常是非線性的.

本文以鋼鐵廠銅閃速爐為例進行研究.銅閃速爐冶煉是將烘干的含銅精礦和空氣、氧氣、熔劑、重油等物質(zhì)充分混合，放入爐中，加強熱熔煉成液態(tài)冰銅的火法冶金過程[6].其流程如圖3所示.

圖3 閃速爐冶煉流程

在負荷精銅礦石量不變的穩(wěn)態(tài)工況下，以熔劑量、重油量、氧單量和空氣單耗為關鍵操作參數(shù)；以爐內(nèi)煙塵量、銅精礦含量和顆粒度為干擾參數(shù)；以冰銅品質(zhì)指標、冰銅溫度與爐渣的鐵硅含量為主要輸出參數(shù)[7].這4個輸入?yún)?shù)和3個輸出參數(shù)的部分預處理訓練數(shù)據(jù)如表1所示.

這里取4個6×6×5×1的BP神經(jīng)網(wǎng)絡質(zhì)量模型進行多次模擬試驗，從其中3個模型得出銅閃速爐的3個穩(wěn)態(tài)子質(zhì)量模型，從另外1個模型得出銅閃速爐的在線穩(wěn)態(tài)產(chǎn)量模型.為了縮短數(shù)據(jù)訓練時間，提高收斂速度與模型精度，本文使用3個6×6×5×1 BP神經(jīng)網(wǎng)絡來代替1個6×6×5×3的BP神經(jīng)網(wǎng)絡，基于上述冰銅品質(zhì)模型和生產(chǎn)狀況，構建了一套適用于銅閃速爐的穩(wěn)態(tài)控制模型.根據(jù)實際生產(chǎn)需要，將能耗作為函數(shù)可變參數(shù)，而將冰銅品質(zhì)及生產(chǎn)效率作為控制參數(shù)，利用SMUT(序列無約束極小化技術)算法對參數(shù)進行分解，實現(xiàn)以能耗為約束的參數(shù)優(yōu)化，相比現(xiàn)有的無質(zhì)量約束條件的穩(wěn)態(tài)優(yōu)化更有意義.

在制造業(yè)穩(wěn)態(tài)優(yōu)化過程中，優(yōu)化目標可以是產(chǎn)品的一個特定品質(zhì)指標，取其上限和下限作為約束范圍，而將生產(chǎn)效率、能源消耗等因素作為函數(shù)的可變參數(shù).同樣，也可將工業(yè)生產(chǎn)中生產(chǎn)效率和能源消耗同時作為函數(shù)的優(yōu)化目標，而將質(zhì)量模型作為約束條件[8].

2.4 產(chǎn)品的模糊穩(wěn)、動態(tài)質(zhì)量模型

產(chǎn)品的模糊穩(wěn)、動態(tài)質(zhì)量模型適用于模糊標準工藝.在鋼鐵廠銅閃速爐一例中，由于其加工流程的參數(shù)不多，工人通常有豐富的加工經(jīng)驗，生產(chǎn)過程中可運用模糊邏輯控制法，根據(jù)輸入?yún)?shù)和輸出參數(shù)得到一組或幾組函數(shù)關系，通過模糊的簡化質(zhì)量模型來指導生產(chǎn).產(chǎn)品的模糊穩(wěn)、動態(tài)質(zhì)量模型使用是基于特定規(guī)則的，這種規(guī)則被稱為模糊神經(jīng)網(wǎng)絡.

表1 部分預處理的訓練數(shù)據(jù)

一些大規(guī)模批量化工業(yè)生產(chǎn)具有較多不同的工序，是在條件經(jīng)常改變的狀態(tài)下運行的.工人要對各種相關參數(shù)進行動態(tài)改變，使負荷參數(shù)適用于不同工序.本文在TSK模糊模型下，把產(chǎn)品變量與工人及技術工程師的經(jīng)驗結合起來，以鋼鐵廠的銅閃速爐數(shù)據(jù)建立動態(tài)的產(chǎn)品TSK模糊質(zhì)量模型[9].該模型設計輸入?yún)?shù)為模糊變量，而輸出參數(shù)則為精確變量，且通常以一組函數(shù)來體現(xiàn).通過大量數(shù)據(jù)導入，運用動態(tài)產(chǎn)品模糊質(zhì)量模型，嚴格控制干擾參數(shù)，銅的生產(chǎn)品質(zhì)明顯提高，質(zhì)量指數(shù)得到了優(yōu)化.

3 結束語

(1)質(zhì)量模型和質(zhì)量控制模型的輸出參數(shù)大不相同，前者的輸出參數(shù)為幾個關鍵的品質(zhì)指標，但后者的輸出參數(shù)是操作參數(shù)預期達到的值.這兩類模型可以是穩(wěn)態(tài)的，或是動態(tài)的；可以基于精確性研究，也可以基于模糊性研究.

(2)在運用產(chǎn)品質(zhì)量模型的過程中，輸入?yún)?shù)可以分為操作參數(shù)和干擾參數(shù)兩大類，其中操作參數(shù)會因設計問題而變動.

(3)本文建立的高維神經(jīng)網(wǎng)絡模型運算結果與生產(chǎn)線真實數(shù)據(jù)的近似度達到了85%以上，可以滿足大部分企業(yè)的工業(yè)生產(chǎn)需求.

(4)聯(lián)合質(zhì)量模型、反向質(zhì)量模型、控制模型與質(zhì)量控制器，可形成產(chǎn)品的質(zhì)量控制體系.基于該體系，運用“卡邊”控制，可以得出最佳品質(zhì)控制方案.它對制造業(yè)生產(chǎn)工藝科學化，提高產(chǎn)品質(zhì)量和生產(chǎn)效率作用很大.

[1] 邢進生,萬百五.兩階段混合算法在軋鋼數(shù)據(jù)建模中的應用[J].西安交通大學學報,2000,34(12):104-108.

[2] 賈 磊,萬百五,馮祖仁.以高維輸入神經(jīng)網(wǎng)絡作為生產(chǎn)線產(chǎn)品質(zhì)量模型[J].控制與決策, 2000,15(5):570-573.

[3] 邢進生.KDD及其在大型多輥熱連軋機產(chǎn)品質(zhì)量控制中的應用[D].西安:西安交通大學,2000.

[4] 萬百五,邢進生.神經(jīng)網(wǎng)絡輸出兩階段優(yōu)化及其應用[J].自動化學報,2002,28(5):845-847.

[5] 邢進生,萬百五.神經(jīng)網(wǎng)絡輸出優(yōu)化及其在熱連軋產(chǎn)品質(zhì)量控制中的應用[J].西安交通大學學報,2001,35(2):434-438.[6] 曾青云,周 立,汪金良,等.基于自適應模糊神經(jīng)網(wǎng)絡的銅閃速熔煉冰銅溫度模型研究[J].有色金屬(冶煉部分),2007(2):2-4，9.

[7] 楊金義,萬維漢,萬百五.閃速爐的神經(jīng)網(wǎng)絡冰鎳質(zhì)量模型與穩(wěn)態(tài)優(yōu)化控制研究[J].自動化學報,1999,25(6):801-805.

[8] 萬維漢.復雜工業(yè)過程的質(zhì)量控制研究及其應用[D].西安：西安交通大學,2001.

[9] 萬百五.工業(yè)大系統(tǒng)優(yōu)化與產(chǎn)品質(zhì)量控制[M].北京：科學出版社，2003.

Product Quality Model & Control Model and the Application

CHEN Wan-qing1, CHEN Kun-chang1, LI Ren-wang1, RONG Jie1, CAO Yan-long2

(1.School of Mechanical Engineering and Automation,Zhejiang Sci-Tech University,Hangzhou 310018, China;2.College of Mechanical Engineering,Zhejiang University,Hangzhou 310058, China)

This article puts forward the product quality model and the quality control model based on Data mining technology under the background of control subjects. Taking a large-sized paper-making line of a paper mill in Shandong and the copper flash furnace of a steel & iron plant in as examples, a lot of key input parameters and product quality data are obtained from the site and product stavle quality model and quality control model are established by the calculation of the data obtained through BP neural network. Meanwhile, inverse quality model and dynamic quality model are put forward to be used in complex actual production.

quality control; quality model; reverse quality model

2016-10-09

國家自然科學基金資助項目(51475434)；國家自然科學基金重點資助項目(U1501248)

陳萬慶(1991-)，男，浙江寧波人，碩士研究生，研究方向為企業(yè)信息化.

1006-3269(2016)04-0014-04

TP273

A

10.3969/j.issn.1006-3269.2016.04.004