基于智能算法的智能制造質(zhì)量管理模型

杜 宇，斯仁東，吉 旭*

(1. 四川大學(xué) 化學(xué)工程學(xué)院，四川 成都 610065；2. 中建西部建設(shè)股份有限公司，四川 成都 610065)

隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、大數(shù)據(jù)和智能技術(shù)對提升產(chǎn)業(yè)能力的推進，人們對于產(chǎn)品創(chuàng)新、個性化和流通速度的感知正在逐漸改變，與此同時也促成了利用智能化數(shù)字化技術(shù)改造制造業(yè)的轉(zhuǎn)型升級[1]，我國大力鼓勵制造業(yè)發(fā)展與轉(zhuǎn)型，無論對于制造業(yè)中的大企業(yè)，還是中小企業(yè)，這都是一個非常重要的發(fā)展契機[2]。而目前在制造領(lǐng)域的質(zhì)量管理中，尚無依據(jù)智能算法的全局優(yōu)化模型?；诖耍疚膹膬?yōu)化智能算法的角度出發(fā)，提出基于人工神經(jīng)網(wǎng)絡(luò)的智能制造質(zhì)量管理模型。

1 智能制造與質(zhì)量管理

質(zhì)量管理是指確定質(zhì)量方針、目標和職責(zé)，并通過質(zhì)量體系中的質(zhì)量策劃、控制、保證和改進來使其實現(xiàn)的全部活動[3]。在智能制造背景下，基于信息物理系統(tǒng)架構(gòu)的柔性化生產(chǎn)體系、過程行業(yè)的關(guān)鍵性技術(shù)、數(shù)字化技術(shù)等，為過程行業(yè)的質(zhì)量管理帶來了新的挑戰(zhàn)[4]。

基于此，本文提出了面向智能制造過程的質(zhì)量管理模型，改進并完善了目前在質(zhì)量管理中應(yīng)用廣泛的單輸出神經(jīng)網(wǎng)絡(luò)模型，選擇多個質(zhì)量管理指標進行綜合評定，得到的神經(jīng)網(wǎng)絡(luò)模型能夠同時滿足多項質(zhì)量管理指標的最優(yōu)，實現(xiàn)從局部最優(yōu)到全局最優(yōu)的質(zhì)量管理應(yīng)用。

2 基于智能制造過程的質(zhì)量管理模型

2.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANNs)可被定義為一個含有很多互相緊密連接的具有適應(yīng)性的簡單過程元素的結(jié)構(gòu)，這些元素被稱作人工神經(jīng)元，能夠?qū)崿F(xiàn)大數(shù)據(jù)量的并行計算[5]。人工神經(jīng)元以不同的方式，通過改變連接方式、神經(jīng)元的數(shù)量和層級，組成不同的ANNs模型[6]。ANNs能夠處理線性規(guī)劃模型無法做到的預(yù)測和模型解釋問題，因此近年來在質(zhì)量管理的指標預(yù)測研究中，ANNs應(yīng)用越來越廣泛。

2.2 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)(BP-ANNs)是多層前饋神經(jīng)網(wǎng)絡(luò)，有信號前向傳遞、誤差反向傳播的特點。在網(wǎng)絡(luò)訓(xùn)練中，尋優(yōu)過程往往會陷入局部最優(yōu)，這主要由于BP-ANNs中的尋優(yōu)過程是按照梯度下降策略來找到最優(yōu)結(jié)果的。因此，如果在一定范圍內(nèi)得到了相對較小的結(jié)果，并且這個位置與全局最優(yōu)解有一段距離，則尋優(yōu)過程就無法跳出局部最優(yōu)解形成的閾值來繼續(xù)尋找到全局最優(yōu)解(圖1)。為了避免陷入局部收斂，使具備全局尋優(yōu)能力的遺傳算法(genetic algorithm，GA)優(yōu)化BP-ANNs中的初始權(quán)值和閾值。遺傳算法于19世紀70年代由美國的J.Holland教授首先提出，是計算智能的重要組成部分[7]。遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(GA-BP-ANNs)用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)能夠更好地實現(xiàn)預(yù)測。

圖1 ANNs的尋優(yōu)策略

2.3 多輸出神經(jīng)網(wǎng)絡(luò)

單輸出人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度雖然能滿足單個指標的控制要求，但是機械性地反復(fù)利用單輸出模型會線性地增加數(shù)據(jù)處理的時間，大大降低信息處理效率。另外，智能制造講求多個指標協(xié)同配合實現(xiàn)全局最優(yōu)，多輸出人工神經(jīng)網(wǎng)絡(luò)模型具有更大的優(yōu)勢?；诖耍疚奶岢隽嗣嫦蛑悄苤圃熨|(zhì)量管理的GA-BP-ANNs多輸出模型。

3 應(yīng)用實例

混凝土結(jié)構(gòu)物在實際應(yīng)用中主要用于承受荷載或抵抗各種作用力，因此抗壓強度成為重要的質(zhì)量性能指標。除此之外，在混凝土實際生產(chǎn)和交付中，混凝土塌落度也是一項重要指標。因此，本文將混凝土的抗壓強度和塌落度選為混凝土的質(zhì)量性能指標。

3.1 混合算法的確定

對于人工神經(jīng)網(wǎng)絡(luò)來說，權(quán)值和閾值對其結(jié)果影響非常大，如果權(quán)值和閾值達到最優(yōu)，那么計算出的結(jié)果在同樣的網(wǎng)絡(luò)結(jié)構(gòu)則實現(xiàn)全局最優(yōu)，確定的混合算法流程如圖2所示。

圖2 混合算法流程

3.2 輸入層、輸出層的選擇

神經(jīng)網(wǎng)絡(luò)輸入層包括瓜子片、碎石、天然砂、機制砂、42.5#水泥、II級煤灰、S95礦粉、膨脹劑、外加劑PCA-I、外加劑PCA1-A、水、回收水等12個輸入節(jié)點，單位均為千克(kg)，見圖3。

神經(jīng)網(wǎng)絡(luò)輸出層的數(shù)據(jù)包括混凝土的28d抗壓強度和實驗室測試的塌落度等2個輸出節(jié)點，其中28d抗壓強度的單位是兆帕(MPa)，塌落度的單位是毫米(mm)。

圖3 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.3 樣本選取

本案例選用的數(shù)據(jù)來自浙江杭州某商品混凝土攪拌站。以C35牌號混凝土的數(shù)據(jù)為例，所選取的每一組樣本都包括12個輸入層和2個輸出層。數(shù)據(jù)分為兩組，一組為樣本數(shù)據(jù)共800組，用來對網(wǎng)絡(luò)進行訓(xùn)練，另一組為實驗數(shù)據(jù)共200組，用來對已訓(xùn)練的網(wǎng)絡(luò)的準確性進行檢驗。

3.4 確定隱含層節(jié)點數(shù)

(1)

(2)

(3)

表1 隱含層節(jié)點個數(shù)影響

經(jīng)過綜合分析，確定輸入層、隱含層和輸出層節(jié)點數(shù)為12、12和2。用于優(yōu)化的遺傳算法種群數(shù)為10，進化次數(shù)為20次，交叉率為0.2，變異率為0.1。

圖4 GA-BP-ANNs適應(yīng)度函數(shù)

4 結(jié)果與討論

對人工神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練并利用實驗數(shù)據(jù)計算平均相對誤差，計算100次之后對結(jié)果進行匯總(圖5)。經(jīng)過換算，塌落度誤差在6.49～20.68 mm，平均塌落度誤差為9.70 mm，28 d抗壓強度誤差在1.43～2.59MPa，平均28 d抗壓強度誤差在1.77 mm，證明預(yù)測的結(jié)果較為準確。根據(jù)結(jié)果，可以對物料配比進行調(diào)整，從而保證混凝土的質(zhì)量，同時對企業(yè)的成本控制提供了強有力的證據(jù)。

圖5 塌落度和28 d抗壓強度的MAPE

5 結(jié)論

基于產(chǎn)業(yè)能力和質(zhì)量管理能力提升的需求，本文從智能算法優(yōu)化出發(fā)，提出基于人工神經(jīng)網(wǎng)絡(luò)的智能制造質(zhì)量管理模型。以混凝土生產(chǎn)過程的質(zhì)量管理為例，塌落度誤差在[6.49,20.68]mm，28d抗壓強度誤差在[1.43,2.59]MPa。不僅證明了此方法的可行性，而且為企業(yè)的質(zhì)量管理提供了強有力的數(shù)據(jù)支持。

參考文獻

[1]丁 怡,陳炎飛.德國“工業(yè)4.0”對中國發(fā)展“制造2025”戰(zhàn)略的啟示[J].勞動保障世界,2017(27):60-63.

[2]肖 玥.“中國制造2025”下我國輪胎制造業(yè)中小企業(yè)戰(zhàn)略研究[D].北京:北京外國語大學(xué),2017.

[3]唐萬鵬,鄧仲平.工業(yè)4.0背景下的質(zhì)量管理集成平臺架構(gòu)研究[J].裝備制造技術(shù),2017(1):223-225.

[4]Ji X,He G,Xu J,et al.Study on the mode of intelligent chemical industry based on cyber-physical system and its implementation[J].Advances in Engineering Software,2016,99:18-26.

[5]Basheer I A,Hajmeer M.Artificial neural networks: fundamentals,computing,design,and application[J].Journal of Microbiological Methods,2000,43(1):3.

[6]段玉三.人工神經(jīng)網(wǎng)絡(luò)文獻綜述[J].科技風(fēng),2011(5):185-185.

[7]席谷庚，柴天佑，惲為民.遺傳算法綜述[J].控制理論與應(yīng)用,1992(6): 697-708.