陳萬慶，陳昆昌，李仁旺，榮 杰，曹衍龍

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

產(chǎn)品質(zhì)量模型與控制模型的研究及應(yīng)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(xué) 機(jī)械與自動控制學(xué)院，浙江 杭州 310018;2.浙江大學(xué) 機(jī)械工程學(xué)院，浙江 杭州 310058)

基于Data mining(數(shù)據(jù)挖掘)技術(shù)，在控制學(xué)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(guān)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(luò)建立數(shù)學(xué)模型，經(jīng)數(shù)據(jù)運(yùn)算和校驗(yàn)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(fù)雜的生產(chǎn)實(shí)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(shù)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(luò)的關(guān)鍵輸入?yún)?shù)，對應(yīng)其質(zhì)量指標(biāo)是關(guān)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(luò)，運(yùn)用從生產(chǎn)現(xiàn)場得到的關(guān)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(shí)際情況和工業(yè)控制過程相對理論而言復(fù)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(jī)段(濕部、干部)和后續(xù)段等(圖1).

圖1 造紙生產(chǎn)流程

結(jié)合理論和實(shí)際生產(chǎn)數(shù)據(jù)，經(jīng)過多次篩選和模型對比，應(yīng)用Data mining技術(shù)，將該造紙生產(chǎn)過程抽象成由28個關(guān)鍵輸入?yún)?shù)和4個關(guān)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(guān)鍵品質(zhì)指標(biāo)：水分、緊度、松厚度、抗張強(qiáng)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(shí)長等.本文在實(shí)際生產(chǎn)中收集到5 527個數(shù)據(jù)，進(jìn)行運(yùn)算，校驗(yàn)28×40×20×1的單維BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建了針對單個品質(zhì)指標(biāo)的產(chǎn)品質(zhì)量模型.

BP神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)是高維的，而BP神經(jīng)網(wǎng)絡(luò)普通訓(xùn)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(xué)習(xí)算法，即BP神經(jīng)網(wǎng)絡(luò)兩階段混合學(xué)習(xí)算法[1]、大慣性各權(quán)重獨(dú)立訓(xùn)練的分散學(xué)習(xí)算法[2]、逐步擴(kuò)大樣本學(xué)習(xí)算法[3]，分別進(jìn)行了試驗(yàn).對比3種算法的結(jié)果發(fā)現(xiàn)，造紙生產(chǎn)車間的BP神經(jīng)網(wǎng)絡(luò)質(zhì)量模型采用第三種學(xué)習(xí)算法的數(shù)據(jù)精確度更高.使用第三種算法時(shí)，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(dá)到85%以上的近似度.

采用模糊神經(jīng)網(wǎng)絡(luò)為造紙生產(chǎn)車間建立紙品質(zhì)量模型時(shí)，將每個關(guān)鍵輸入?yún)?shù)對應(yīng)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(guān)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(jìn)行建模和校驗(yàn)，然后用28維輸入?yún)?shù)和1維輸出參數(shù)的神經(jīng)網(wǎng)絡(luò)質(zhì)量模型進(jìn)行運(yùn)算，得出結(jié)果.該結(jié)果的校驗(yàn)精度為71.5%，能夠滿足廠方的要求.

相比BP神經(jīng)網(wǎng)絡(luò)模型，建立模糊神經(jīng)網(wǎng)絡(luò)質(zhì)量模型的時(shí)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(shè)計(jì)有一定的參考價(jià)值，能夠適應(yīng)非標(biāo)準(zhǔn)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(shí)際生產(chǎn)中因?yàn)榭蛻粜枨蟮淖儎?，?jīng)常對產(chǎn)品的設(shè)計(jì)和工藝做調(diào)整，會導(dǎo)致已建立的穩(wěn)態(tài)質(zhì)量模型失去參考價(jià)值.為此，本文提出了反向產(chǎn)品質(zhì)量模型，即將上述關(guān)鍵輸入與關(guān)鍵輸出的數(shù)據(jù)倒置，進(jìn)行相同的模擬和驗(yàn)證，獲得產(chǎn)品穩(wěn)態(tài)反向質(zhì)量模型.這樣，通過對應(yīng)數(shù)據(jù)參數(shù)的調(diào)整和產(chǎn)品設(shè)計(jì)的改變可應(yīng)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(luò)的輸出參數(shù)，導(dǎo)致反向質(zhì)量模型在實(shí)際工業(yè)生產(chǎn)中運(yùn)用受到局限.實(shí)際運(yùn)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(shí)，反向質(zhì)量模型還是可以應(yīng)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(guān)鍵輸入、關(guān)鍵輸出的數(shù)據(jù)進(jìn)行準(zhǔn)確性校驗(yàn)，使用基于BP神經(jīng)網(wǎng)絡(luò)的大慣性各權(quán)重獨(dú)立訓(xùn)練的分散學(xué)習(xí)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(luò)造紙工藝反向質(zhì)量模型.其建模近似度能達(dá)到82%.而這對于1維和2維質(zhì)量標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)質(zhì)量模型來說卻是無法實(shí)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(yīng)用

實(shí)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(jìn)行生產(chǎn)工藝過程安排時(shí)，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(dá)標(biāo)，以便于實(shí)際生產(chǎn)使用.此外，結(jié)合現(xiàn)場操作經(jīng)驗(yàn)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(guān)鍵輸入?yún)?shù)，到生產(chǎn)車間做進(jìn)一步試驗(yàn).

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(gòu)成，因此需要在數(shù)個BP神經(jīng)網(wǎng)絡(luò)子質(zhì)量模型上分析并歸納出一個參數(shù)范圍來指導(dǎo)產(chǎn)品品質(zhì)指標(biāo).通過大量的輸入?yún)?shù)試驗(yàn)，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(yùn)用BP神經(jīng)網(wǎng)絡(luò)過程中，得到產(chǎn)品品質(zhì)指標(biāo)的有效區(qū)間，將標(biāo)準(zhǔn)輸出值限制在設(shè)定范圍，這是一個需要進(jìn)一步探討的課題.本文進(jìn)行大量實(shí)驗(yàn)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(luò)中每個輸出參數(shù)與輸入?yún)?shù)之間的關(guān)系.

在產(chǎn)品品質(zhì)指標(biāo)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(guān)系，通過BP神經(jīng)網(wǎng)絡(luò)質(zhì)量模型計(jì)算出一組數(shù)值，讓質(zhì)量標(biāo)準(zhǔn)接近最大值.這屬于基于神經(jīng)網(wǎng)絡(luò)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(shí)際作用的前提是最優(yōu)解必須在模型運(yùn)算數(shù)據(jù)的參數(shù)范圍之內(nèi)，而且在其實(shí)際運(yùn)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(jié)構(gòu)

在工業(yè)生產(chǎn)過程中，通常以PDM系統(tǒng)為基礎(chǔ)，采用閉環(huán)方式將產(chǎn)品質(zhì)量指標(biāo)控制在標(biāo)準(zhǔn)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(shí)通過不斷校正和調(diào)整參數(shù)，達(dá)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(jié)構(gòu)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(jié)構(gòu)

2.2 工業(yè)生產(chǎn)過程的質(zhì)量控制器

設(shè)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(fù)荷穩(wěn)態(tài)工況下連續(xù)執(zhí)行的，但在實(shí)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(jìn)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(qiáng)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(fù)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(guān)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(biāo)、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(yù)處理訓(xùn)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(luò)質(zhì)量模型進(jìn)行多次模擬試驗(yàn)，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(xùn)練時(shí)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(luò)來代替1個6×6×5×3的BP神經(jīng)網(wǎng)絡(luò)，基于上述冰銅品質(zhì)模型和生產(chǎn)狀況，構(gòu)建了一套適用于銅閃速爐的穩(wěn)態(tài)控制模型.根據(jù)實(shí)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(shù))算法對參數(shù)進(jìn)行分解，實(shí)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(biāo)可以是產(chǎn)品的一個特定品質(zhì)指標(biāo)，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(shí)作為函數(shù)的優(yōu)化目標(biāo)，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(biāo)準(zhǔn)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(yàn)，生產(chǎn)過程中可運(yùn)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(guān)系，通過模糊的簡化質(zhì)量模型來指導(dǎo)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(luò).

表1 部分預(yù)處理的訓(xùn)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(yùn)行的.工人要對各種相關(guān)參數(shù)進(jìn)行動態(tài)改變，使負(fù)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(shù)工程師的經(jīng)驗(yàn)結(jié)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(shè)計(jì)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(dǎo)入，運(yùn)用動態(tài)產(chǎn)品模糊質(zhì)量模型，嚴(yán)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(jié)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(guān)鍵的品質(zhì)指標(biāo)，但后者的輸出參數(shù)是操作參數(shù)預(yù)期達(dá)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(yùn)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(shè)計(jì)問題而變動.

(3)本文建立的高維神經(jīng)網(wǎng)絡(luò)模型運(yùn)算結(jié)果與生產(chǎn)線真實(shí)數(shù)據(jù)的近似度達(dá)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(yùn)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(xué)化，提高產(chǎn)品質(zhì)量和生產(chǎn)效率作用很大.

[1] 邢進(jìn)生,萬百五.兩階段混合算法在軋鋼數(shù)據(jù)建模中的應(yīng)用[J].西安交通大學(xué)學(xué)報(bào),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(luò)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(jìn)生.KDD及其在大型多輥熱連軋機(jī)產(chǎn)品質(zhì)量控制中的應(yīng)用[D].西安:西安交通大學(xué),2000.

[4] 萬百五,邢進(jìn)生.神經(jīng)網(wǎng)絡(luò)輸出兩階段優(yōu)化及其應(yīng)用[J].自動化學(xué)報(bào),2002,28(5):845-847.

[5] 邢進(jìn)生,萬百五.神經(jīng)網(wǎng)絡(luò)輸出優(yōu)化及其在熱連軋產(chǎn)品質(zhì)量控制中的應(yīng)用[J].西安交通大學(xué)學(xué)報(bào),2001,35(2):434-438.[6] 曾青云,周 立,汪金良,等.基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)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(luò)冰鎳質(zhì)量模型與穩(wěn)態(tài)優(yōu)化控制研究[J].自動化學(xué)報(bào),1999,25(6):801-805.

[8] 萬維漢.復(fù)雜工業(yè)過程的質(zhì)量控制研究及其應(yīng)用[D].西安：西安交通大學(xué),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(xué)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(xué)基金資助項(xiàng)目(51475434)；國家自然科學(xué)基金重點(diǎn)資助項(xiàng)目(U1501248)

陳萬慶(1991-)，男，浙江寧波人，碩士研究生，研究方向?yàn)槠髽I(yè)信息化.

1006-3269(2016)04-0014-04

TP273

A

10.3969/j.issn.1006-3269.2016.04.004