楊亞茹，劉登峰，徐保國(guó)

（江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無(wú)錫　214122）

基于現(xiàn)場(chǎng)數(shù)據(jù)的機(jī)器人裝甑系統(tǒng)壓力模型的建立

楊亞茹，劉登峰，徐保國(guó)

（江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無(wú)錫214122）

針對(duì)目前今世緣酒廠采用機(jī)器人裝甑生產(chǎn)的情況，文中在分析了最小二乘支持向量機(jī)和量子粒子群算法的基礎(chǔ)上，提出了采用最小二乘支持向量機(jī)建立壓力模型，并利用量子粒子群的全局搜索能力來(lái)對(duì)最小二乘支持向量機(jī)在建模過(guò)程中的參數(shù)進(jìn)行優(yōu)化。仿真結(jié)果表明所建模型具有較好的擬合效果和泛化能力。

機(jī)器人裝甑；壓力建模；最小二乘支持向量機(jī)；量子粒子群算法優(yōu)化

2011年中國(guó)酒業(yè)協(xié)會(huì)提出并啟動(dòng)了中國(guó)白酒“158”計(jì)劃項(xiàng)目，國(guó)內(nèi)白酒企業(yè)紛紛響應(yīng)，中國(guó)白酒首套裝甑機(jī)器人生產(chǎn)線于2015年5月在今世緣投入生產(chǎn)，它是利用紅外熱成像技術(shù)引導(dǎo)裝甑機(jī)器人，實(shí)現(xiàn)智能裝甑［1］。其中，上甑速度對(duì)出酒質(zhì)量有很大的影響，而上甑速度的快慢又由上甑蒸汽壓力的大小決定。因此，在機(jī)器人裝甑過(guò)程中，急需建立合適的壓力模型，從而提高出酒率及優(yōu)質(zhì)酒率。

機(jī)器人在裝甑時(shí)的蒸汽壓力具有建模困難、干擾嚴(yán)重、非線性、大滯后等特點(diǎn)［2］，因此文中提出利用最小二乘支持向量機(jī)（Least Square Support Vector Machine，LSSVM）和量子粒子群算法（Quantum Particle Swarm Optimization，QPSO）相結(jié)合的方法來(lái)建立機(jī)器人白酒裝甑時(shí)的壓力模型。利用QPSO的全局優(yōu)化能力來(lái)求取LSSVM模型的最優(yōu)正則化參數(shù)和核函數(shù)參數(shù)。

1　白酒裝甑過(guò)程簡(jiǎn)介

裝甑直接影響著白酒的品質(zhì)，在白酒釀造工藝中關(guān)系重大。裝甑蒸餾，要求最大限度地將發(fā)酵生成物提取出來(lái)，它是制酒的最后一道工序，也是工藝要求最復(fù)雜的一道環(huán)節(jié)，“輕、松、勻、薄、準(zhǔn)、平”6個(gè)字就是裝甑難度的高度概括。傳統(tǒng)手工裝甑有兩種蓋料法，一種是“見濕蓋料”，即蒸汽上升，使上層物料表面發(fā)濕時(shí)蓋上一薄層物料，以免跑汽而損失有效成分。采用該法時(shí)如果技術(shù)不熟練，會(huì)造成壓汽現(xiàn)象；另一種方法是 “見汽蓋料”，即待物料表面呈現(xiàn)很少白色霧狀酒汽時(shí)，迅速而準(zhǔn)確地蓋上一薄層物料，采用該方法不易壓汽，但若掌握不好容易跑汽［3-4］。在今世緣酒廠投入生產(chǎn)的裝甑機(jī)器人能與進(jìn)汽相配合，達(dá)到傳統(tǒng)工藝要求。

2　基于LSSVM的壓力估計(jì)模型

2.1最小二乘支持向量機(jī)回歸算法

支持向量機(jī)（Support Vector Machines，SVM）是由Vapnik等人于上世紀(jì)90年代提出的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法。該算法在求解過(guò)程中，計(jì)算復(fù)雜度與訓(xùn)練樣本個(gè)數(shù)有關(guān)，樣本數(shù)目越大，求解相應(yīng)的二次規(guī)劃問(wèn)題就越復(fù)雜，計(jì)算速度越慢。之后，Suykens等人在標(biāo)準(zhǔn)SVM基礎(chǔ)上提出了LSSVM［5-8］。LSSVM用最小二乘線性系統(tǒng)作為損失函數(shù)，將經(jīng)典的二次規(guī)劃尋優(yōu)問(wèn)題轉(zhuǎn)化為求解線性方程組，極大地降低了計(jì)算復(fù)雜度，因此具有較快的運(yùn)算速度。

對(duì)給定訓(xùn)練樣本集數(shù)據(jù)（xi，yi），i=1，2，…，n，x∈Rd，y∈R最小二乘支持向量機(jī)模型為：

引入拉格朗日乘子后，得到對(duì)應(yīng)的拉格朗日函數(shù)：

其中，ξ為誤差，C＜0為懲罰系數(shù)，αi為xi對(duì)應(yīng)的拉格朗日乘子。

根據(jù)Karush-Kuhn-Tucker條件求偏導(dǎo)式，可得方程組：

引入核函數(shù)K（xi，xj）=Φ（xi）·Φ（xj）后，變?yōu)榍蠼饩€性方程組：

經(jīng)求解，得到LSSVM的估計(jì)函數(shù)為：

2.2機(jī)器人裝甑過(guò)程壓力模型分析

影響出酒率的因素很多，這里我們主要對(duì)裝甑時(shí)壓力變化進(jìn)行分析。由現(xiàn)場(chǎng)數(shù)據(jù)分析得，我們將蒸汽的瞬時(shí)流量以及時(shí)間作為裝甑時(shí)壓力估計(jì)模型的輸入。因此，可設(shè)定輸入變量為X=［t，q］，t為當(dāng)前時(shí)間，q為蒸汽瞬時(shí)流量，輸出變量為Y=Pout，Pout為輸出壓力值。

由于選擇的變量具有不同的量綱，需要進(jìn)行歸一化處理，以避免不同變量數(shù)據(jù)數(shù)量級(jí)相差太大而造成計(jì)算誤差。文中選用的是premnmx函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理和postmnmxp函數(shù)用于恢復(fù)實(shí)際值。且LSSVM模型選擇了高斯徑向基核函數(shù)，并且采用經(jīng)驗(yàn)試湊法來(lái)確定正則化參數(shù)和核函數(shù)參數(shù)。

2.3LSSVM模型的仿真與分析

選取今世緣酒廠生產(chǎn)線上29鍋共800組數(shù)據(jù)，奇數(shù)數(shù)據(jù)用來(lái)訓(xùn)練模型，偶數(shù)數(shù)據(jù)進(jìn)行測(cè)試。當(dāng)取正則化參數(shù)C=1 000，核參數(shù)時(shí)ξ2=0.5，得到RMSE=0.717 5，其仿真結(jié)果如圖1所示。

從圖1和最終的誤差值可以發(fā)現(xiàn)，最小二乘支持向量機(jī)算法雖然對(duì)于處理小樣本數(shù)據(jù)具有明顯的優(yōu)勢(shì)，但是，模型對(duì)裝甑時(shí)壓力的估計(jì)存在較大的誤差，這些誤差的存在是由于現(xiàn)場(chǎng)采集的數(shù)據(jù)不能夠全面的表征裝甑時(shí)酒甑內(nèi)的所有特點(diǎn)，即訓(xùn)練數(shù)據(jù)的特征不能涵蓋測(cè)試數(shù)據(jù)的特征，數(shù)據(jù)信息缺失嚴(yán)重，致使模型的泛化能力下降，準(zhǔn)確性降低。而且，對(duì)于不同的正則化參數(shù)與核參數(shù)的選取，會(huì)有不同的結(jié)果，因此我們要加入優(yōu)化算法，選取最優(yōu)的正則化參數(shù)與核參數(shù)，得到最小的誤差結(jié)果。

圖1　LSSVM模型仿真結(jié)果

3　QPSO優(yōu)化壓力模型

LSSVM是一種有效的小樣本機(jī)器學(xué)習(xí)工具，根據(jù)有限樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，使學(xué)習(xí)機(jī)的實(shí)際風(fēng)險(xiǎn)達(dá)到最小。但在計(jì)算過(guò)程中，正則化參數(shù)和核參數(shù)是根據(jù)經(jīng)驗(yàn)試湊法確定的，所以計(jì)算存在一定的不確定性，所得的結(jié)果雖然能夠在一定程度上滿足模型的精度要求，但這種結(jié)果不一定是最佳的，計(jì)算精度還有進(jìn)一步的提升空間。

鑒于上述原因，我們需要對(duì)上一節(jié)所建立的LSSVM模型進(jìn)行一定的優(yōu)化，使模型更加準(zhǔn)確，泛化能力更強(qiáng)。量子粒子群算法是在標(biāo)準(zhǔn)粒子群算法的基礎(chǔ)上，對(duì)種群中的粒子進(jìn)行量子化處理，這樣能夠避免粒子在局部范圍進(jìn)行搜索，擴(kuò)大了搜索空間，提升了尋優(yōu)能力，更加易于得到全局最優(yōu)解。

3.1量子粒子算法（QPSO）原理

QPSO算法在PSO算法的基礎(chǔ)上，將粒子定義在由概率密度函數(shù)定義的一個(gè)量子空間內(nèi)，粒子能夠以某一確定的概率出現(xiàn)在整個(gè)可行的搜索空間中任意一個(gè)位置，甚至是一個(gè)遠(yuǎn)離局部吸引點(diǎn)的位置［9-13］。

此時(shí)，粒子的位置由波函數(shù)ψ（x，t）決定：

其中，Q是粒子在時(shí)刻t出現(xiàn)在（x，y，t）位置的概率。通過(guò)Monte Carlo方程的轉(zhuǎn)換，將粒子狀態(tài)轉(zhuǎn)換成傳統(tǒng)狀態(tài)，得到粒子位置的系列迭代公式為：

其中，pi為粒子的局部吸引域，p1和p2為在0～1范圍內(nèi)的隨機(jī)分布的學(xué)習(xí)因子。g為慣性權(quán)重，L為粒子與粒子局部最優(yōu)之間的帶權(quán)距離。

粒子位置向量最后的迭代公式為：

其中，pi表達(dá)粒子的局部吸引域，u=rand（）。

可以看出，在QPSO中，粒子的狀態(tài)只需要用位置向量來(lái)描述，算法利用粒子的局部吸引域和其局部最優(yōu)位置的距離來(lái)更新迭代。

3.2QPSO優(yōu)化LSSVM模型

將LSSVM中的兩個(gè)參數(shù)作為種群中的粒子［14-15］，在可行域中搜索全局最優(yōu)參數(shù)，建立壓力模型，其流程圖如圖2所示。

圖2　QPSO-LSSVM算法流程圖

優(yōu)化步驟：

1）粒子初始化，由波函數(shù)決定；

2）量子粒子群算法對(duì)粒子的編碼采用向量編碼方式，即位置X=［C σ2］；

3.3QPSO-LSSVM模型的仿真與分析

根據(jù)上述QPSO優(yōu)化LSSVM的過(guò)程，建立新的LSSVM白酒裝甑時(shí)壓力模型。為了方便對(duì)比，同樣采用上節(jié)中的數(shù)據(jù)以及模型結(jié)構(gòu)。為了驗(yàn)證優(yōu)化結(jié)果，這里采用與第二節(jié)相同的處理方法，選取同樣的數(shù)據(jù)訓(xùn)練與測(cè)試，利用上述建立的模型進(jìn)行仿真。利用MATLAB仿真實(shí)驗(yàn)得到的結(jié)果如圖3所示。

圖3　QPSO-LSSVM模型仿真結(jié)果

此時(shí)，QPSO優(yōu)化得到正則化參數(shù)C=0.036 4，核參數(shù)時(shí)ξ2=10.150 1，最終得到 RMSE=0.630 9。利用 QPSO優(yōu)化LSSVM模型，雖然模型的估計(jì)結(jié)果還存在一定的波動(dòng)，但是可以在最短時(shí)間內(nèi)找到最優(yōu)參數(shù)，使誤差最小。

4　結(jié)　論

文中針對(duì)白酒裝甑過(guò)程中壓力模型的建立，采用最小二乘支持向量機(jī)模型作為壓力模型，并采用QPSO對(duì)模型參數(shù)進(jìn)行優(yōu)化。仿真結(jié)果表明，本文所建立的壓力模型具有一定的準(zhǔn)確性，其中，QPSO優(yōu)化模型具有更好的準(zhǔn)確精度。

［1］李宏，馬光喜.基于機(jī)器視覺(jué)的裝甑布料系統(tǒng)設(shè)計(jì)［J］.釀酒科技，2014（12）:74-76.

［2］張世峰，左慧敏.焦?fàn)t集氣管壓力系統(tǒng)內(nèi)?？刂破髟O(shè)計(jì)［J］.安徽工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，31（4）:395-399.

［3］王久增，劉詩(shī)全.固態(tài)白酒的裝甑技巧［J］.釀酒科技，1992 （2）:18-21.

［4］魏景俊，肖坤才，張偉花，等.“驛酒上甑八招式”對(duì)白酒蒸餾效果和白酒品質(zhì)影響的研究［J］.釀酒，2014（6）:50-52.

［5］Suykens J A K，Vandewalle J.Least squares support vector machine classifiers［J］.Neural Processing Letters，1999，9（3）: 293-300.

［6］顧燕萍，趙文杰，吳占松.最小二乘支持向量機(jī)的算法研究［J］.清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2010（7）:1063-1066.

［7］Mall R，Suykens J A.Very Sparse LSSVM Reductions for Large Scale Data［J］.IEEE Transactions on Neural Networks& Learning Systems，2014，26（5）:1086-1097.

［8］劉正峰，王景成，史元浩.基于最小二乘支持向量機(jī)的電站鍋爐吸熱面積灰監(jiān)測(cè)研究［J］.化工自動(dòng)化及儀表，2014，41（3）:262-266.

［9］Fang W，Sun J，Ding Y，et al.A Review of Quantum-behaved ParticleSwarm Optimization［J］.IeteTechnicalReview，2010，27 （4）:336-348.

［10］溫馨，曾培勇，張全.基于QPSO算法的智能公交調(diào)度優(yōu)化研究［J］.現(xiàn)代計(jì)算機(jī)：普及版，2015（9）:7-10.

［11］譚德坤.量子粒子群算法優(yōu)化鋼結(jié)構(gòu)截面［J］.河南科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，32（3）:47-51.

［12］魯峰，黃金泉，佘云峰.航空發(fā)動(dòng)機(jī)狀態(tài)變量模型的QPSO尋優(yōu)混合求解法［J］.推進(jìn)技術(shù)，2011，32（5）:722-727.

［13］Guo J，Wang X，Zheng X.Trajectory planning of redundant robot manipulators using QPSO algorithm［C］//Intelligent Control and Automation（WCICA），2010 8th World Congress on.IEEE，2010:403-407.

［14］張耀軍，吳桂玲，趙麗平.發(fā)酵過(guò)程混合建模與優(yōu)化控制新方法［J］.計(jì)算機(jī)測(cè)量與控制，2014（12）:4187-4189.

［15］夏梁志，李華.基于QPSO-LSSVM的醋酸乙烯聚合率軟測(cè)量建模研究［J］.自動(dòng)化技術(shù)與應(yīng)用，2011，30（8）:10-13.

Pressure modeling approach of robot steamer-filling system based on field data

YANG Ya-ru，LIU Deng-feng，XU Bao-guo
（School of Internet of Things Engineering，Jiangnan University，Wuxi 214122，China）

Aiming at King’s Luck brewery with robot steamer-fill，we analysis the least square support vector machine and quantum particle swarm optimization algorithm and establish pressure model by using LSSVM and we add QPSO which with global search ability to optimize parameters.The simulation results indicate that the method can obtain better goodness-of-fit and generalization ability.

robot steamer-fill；pressure model；least square support vector machine；quantum particle swarm optimization

TP274

A

1674-6236（2016）14-0107-03

2016-01-26稿件編號(hào)：201601242

國(guó)家自然科學(xué)基金面上項(xiàng)目（21276111）；中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助（JUSRP51510）

楊亞茹（1991—），女，江蘇無(wú)錫人，碩士研究生。研究方向：工業(yè)過(guò)程建模及工業(yè)過(guò)程優(yōu)化控制。