陰彥磊,王立華+,廖偉智,張萬達

(1.昆明理工大學 機電工程學院,云南 昆明 650500;2.電子科技大學 機械與電氣工程學院,四川 成都 610054)

0 引言

流程工業(yè)作為制造業(yè)的重要組成部分在國民經(jīng)濟中發(fā)揮著極其重要的作用,是實現(xiàn)我國向制造強國躍升的重要支柱,如何保障其生產(chǎn)全流程長期穩(wěn)定地優(yōu)化運行,成為流程工業(yè)進一步發(fā)展面臨的挑戰(zhàn)。與傳統(tǒng)的離散制造不同,流程制造過程是由一臺或多臺工業(yè)裝備組成的多個生產(chǎn)工序,進而形成了全流程生產(chǎn)線,具有生產(chǎn)連續(xù)性強、生產(chǎn)設備多、變量間耦合復雜、原料成分波動頻繁等特點,這也決定了流程工業(yè)生產(chǎn)全流程整體優(yōu)化的關鍵是如何實現(xiàn)其運行和工藝參數(shù)的智能優(yōu)化決策,即在原料特性和生產(chǎn)工況等內(nèi)外部條件變化時,如何在最短的時間內(nèi)感知工藝過程和產(chǎn)品質(zhì)量發(fā)生的各種變化,并協(xié)同各個生產(chǎn)工序通過反饋優(yōu)化來調(diào)整運行、工藝參數(shù),保證生產(chǎn)全流程整體優(yōu)化運行。因此,通過不同功能工序串聯(lián)起來的流程制造過程,其整體運行的全局最優(yōu)是一個多工序耦合關聯(lián)、多目標沖突的復雜動態(tài)優(yōu)化問題,已嚴重制約了流程制造生產(chǎn)質(zhì)量和資源利用率的進一步提升,亟待解決。

流程制造過程通常包含諸多重要的生產(chǎn)過程指標或變量,部分關鍵指標目前還是依賴現(xiàn)場操作人員根據(jù)經(jīng)驗進行監(jiān)測,進而對生產(chǎn)過程進行調(diào)控,保證穩(wěn)定生產(chǎn)。然而,如果想實現(xiàn)實時生產(chǎn)調(diào)控,操作人員更希望提前知道某些關鍵指標的變化趨勢,即對生產(chǎn)過程指標變化趨勢的預測和工藝參數(shù)的優(yōu)化已成為目前流程制造生產(chǎn)過程監(jiān)控的重要任務[1]。傳統(tǒng)的生產(chǎn)過程指標預測方法一般通過物料平衡、熱量平衡和動力學進行工藝機理建模和分析,這類方法主要依賴對非平衡、非穩(wěn)定和強非線性生產(chǎn)過程機理的認知,建模難度大、精度低、成本高,準確性和可靠性難以保障[2]。近年來,隨著工業(yè)互聯(lián)網(wǎng)技術的發(fā)展,流程制造企業(yè)通過智能監(jiān)控終端與數(shù)據(jù)采集系統(tǒng)獲取了大量涉及生產(chǎn)過程特點、工藝、設備、質(zhì)量的歷史數(shù)據(jù)。國內(nèi)外大量學者開展了基于數(shù)據(jù)進行流程生產(chǎn)過程指標預測方法的研究。文獻[3]結(jié)合汽車儀表組裝工藝,采集的生產(chǎn)數(shù)據(jù)通過卷積神經(jīng)網(wǎng)絡和支持向量機訓練,能夠有效表征儀表質(zhì)量的指針偏轉(zhuǎn)角度,作出對質(zhì)量的準確預測。文獻[4]為了減少代理模型的計算量,利用深度神經(jīng)網(wǎng)絡以及元學習理論在高維信息提取和近似方面的巨大潛能,提出一種基于元學習的多可信度深度神經(jīng)網(wǎng)絡,在預測準確率和訓練時效上有明顯改善。文獻[5]建立了基于自適應神經(jīng)網(wǎng)絡與模糊推理系統(tǒng)相結(jié)合的熱軋TRIP鋼力學性能預測模型,通過試驗驗證了模型的準確性,并能夠精準預測給定操作條件下的拉伸強度、屈服強度、伸長率和殘余奧氏體等質(zhì)量指標。綜上,基于數(shù)據(jù)的流程生產(chǎn)過程預測模型建立了工藝參數(shù)、運行參數(shù)與生產(chǎn)過程質(zhì)量指標的關系,為生產(chǎn)質(zhì)量的綜合優(yōu)化提供了適應度函數(shù),然而優(yōu)化算法的選取對工藝參數(shù)的調(diào)控效果具有至關重要的影響。文獻[6]基于工業(yè)生產(chǎn)過程數(shù)據(jù),使用多輸出支持向量回歸方法同時預測多個質(zhì)量指標,進行多工藝參數(shù)協(xié)同設計,實現(xiàn)了針對多目標質(zhì)量要求的工藝參數(shù)協(xié)同優(yōu)化。文獻[7]通過遺傳—神經(jīng)網(wǎng)絡表征加工優(yōu)化目標的預測模型,將預測結(jié)果作為優(yōu)化模型的適應度函數(shù),構建面向待優(yōu)化滾齒工藝問題的多目標優(yōu)化模型,迭代得到最優(yōu)工藝參數(shù)集。文獻[8]基于響應面分析法建立預測模型,通過灰色關聯(lián)分析建立熔覆層質(zhì)量綜合評價指標,把多目標優(yōu)化問題轉(zhuǎn)化為單目標問題,然后采用自適應混沌差分進化算法實現(xiàn)工藝參數(shù)尋優(yōu)。最后,通過上述文獻不同方法的對比,驗證了本文聯(lián)動優(yōu)化方法的可行性。

然而,上述研究應用于復雜流程制造工業(yè)現(xiàn)場仍存在如下問題：①現(xiàn)有基于支持向量機、卷積神經(jīng)網(wǎng)絡、深度神經(jīng)網(wǎng)絡未考慮生產(chǎn)運行過程中物料波動帶來的不同工序上的多維度時序特征,工藝參數(shù)優(yōu)化的精度有待進一步提高;②現(xiàn)階段大多數(shù)研究主要從理論層面上展開,聚焦于預測和優(yōu)化算法的精度提升,而忽略了實際產(chǎn)線對質(zhì)量監(jiān)測的高時效要求,難以保證流程制造過程中工藝質(zhì)量預測、預警和調(diào)控的實時性。

邊緣計算作為一種新興信息技術,將云計算的存儲和計算功能遷移到網(wǎng)絡的邊緣節(jié)點,可及時處理流程制造現(xiàn)場實時業(yè)務并將結(jié)果反饋給產(chǎn)線設備,已成為實現(xiàn)流程制造工藝質(zhì)量實時預測、預警與優(yōu)化反饋的重要手段。由于邊緣側(cè)服務器計算能力有限,實際生產(chǎn)中對時間不敏感型或計算密集型的任務仍需在云端完成。為此,針對復雜的流程制造現(xiàn)場,需設計云邊高效協(xié)同機制來實現(xiàn)對工藝質(zhì)量預測與參數(shù)優(yōu)化調(diào)控任務的低時延處理。然而,目前國內(nèi)外僅有少量文獻[9-10]針對離散制造的刀具故障預測、產(chǎn)品外觀質(zhì)量檢測引入了云邊協(xié)同機制,而專門針對流程制造多工序時序耦合的工藝質(zhì)量預測與參數(shù)優(yōu)化調(diào)控等方面進行系統(tǒng)研究的較少。

針對上述問題,本文提出了融合GRU-Attention與鯨魚算法的流程制造工藝參數(shù)云邊聯(lián)動優(yōu)化方法,考慮到流程制造過程對工藝質(zhì)量監(jiān)測與工藝參數(shù)調(diào)控的高實時性要求,搭建了基于云邊聯(lián)動的流程制造工藝質(zhì)量在線預測與優(yōu)化調(diào)控框架,通過在設備終端部署多源傳感器,采集了流程制絲生產(chǎn)線6大工序的設備運行數(shù)據(jù)、工藝參數(shù)、操作參數(shù)與質(zhì)量指標,在對數(shù)據(jù)進行去噪和關聯(lián)分析的基礎上,提出了基于GRU-Attention多層神經(jīng)網(wǎng)絡的生產(chǎn)工藝質(zhì)量預測模型,提取不同工序在設備參數(shù)與物料變化情況下的時序耦合特征,實現(xiàn)對多工序工藝質(zhì)量的精準預測。在此基礎上,將最優(yōu)工藝質(zhì)量與預測結(jié)果的誤差作為優(yōu)化目標函數(shù),預測模型輸出的質(zhì)量指標作為適應度,調(diào)用鯨魚算法對生產(chǎn)工藝參數(shù)進行全局尋優(yōu),獲得最優(yōu)工藝參數(shù)組合。最后,以實際流程生產(chǎn)線為例,驗證了本文所提基于深度學習與優(yōu)化算法的云邊聯(lián)動優(yōu)化方法的有效性,實現(xiàn)了各工序工藝質(zhì)量的實時預測、預警與調(diào)控。

1 流程制造多工序工藝參數(shù)聯(lián)動優(yōu)化框架的構建

1.1 云邊協(xié)同的多工序工藝參數(shù)聯(lián)動優(yōu)化框架

為實時監(jiān)測產(chǎn)線設備的運行狀態(tài),精準預測生產(chǎn)過程中不同工序加工質(zhì)量,及時優(yōu)化調(diào)控關鍵工藝參數(shù),本文設計搭建了云邊協(xié)同的多工序工藝參數(shù)聯(lián)動優(yōu)化系統(tǒng)框架[11-12]。如圖1所示,該框架包括邊緣節(jié)點部署層、工藝參數(shù)聯(lián)動優(yōu)化層和多工序優(yōu)化調(diào)控應用層：①邊緣節(jié)點部署層。在生產(chǎn)設備邊緣端部署HT前水分檢測儀、烘絲后水分檢測儀、烘絲機蒸汽溫度傳感器等多源傳感器,主要負責不同生產(chǎn)工況下試驗線設備、運行狀態(tài)、工藝參數(shù)和質(zhì)量指標等數(shù)據(jù)的采集,并采用EdgeX Foundry通過Raspberry Pi與生產(chǎn)設備端傳感器建立連接,完成設備終端邊緣感知節(jié)點(Edge Aware Node,EAN)的搭建,EAN通過設備解析模塊將多源傳感器數(shù)據(jù)傳入EdgeX Foundry數(shù)據(jù)中心,實現(xiàn)多源傳感器數(shù)據(jù)的匯聚與分析計算,也可以通過下載云端訓練好的神經(jīng)網(wǎng)絡預測模型完成對產(chǎn)品質(zhì)量的預測和預警。②工藝參數(shù)聯(lián)動優(yōu)化層。通過在邊緣服務器中下載部署不同工序加工過程預測模型和優(yōu)化模型,實現(xiàn)加工工藝質(zhì)量的實時預測,工藝參數(shù)的實時優(yōu)化,并將優(yōu)化決策結(jié)果通過邊緣網(wǎng)關反饋到設備控制系統(tǒng),驅(qū)動PLC(programmable logic controller)對生產(chǎn)線運行電機、執(zhí)行裝置等設備進行調(diào)控,實現(xiàn)產(chǎn)線生產(chǎn)質(zhì)量及時預警與處理。③多工序優(yōu)化調(diào)控應用層。主要用于輔助生產(chǎn)過程中不同工序之間的交互及預測預警的可視化展示,同時依托云端強大的計算資源,分析各工序在線工藝數(shù)據(jù),訓練預測和優(yōu)化模型,實現(xiàn)在線數(shù)據(jù)監(jiān)控、運行工藝參數(shù)預測、多工序質(zhì)量指標優(yōu)化和異常預警處理。

圖1 云邊協(xié)同的多工序工藝參數(shù)聯(lián)動優(yōu)化總體架構圖

1.2 基于云邊協(xié)同的生產(chǎn)工藝過程聯(lián)動優(yōu)化機制

針對流程制造過程中工藝質(zhì)量預測、預警和調(diào)控的高實時性需求,本文設計了一種適用于生產(chǎn)工藝過程的聯(lián)動優(yōu)化機制,實現(xiàn)產(chǎn)線設備、邊緣節(jié)點與云端服務器的高效互聯(lián),保證工藝質(zhì)量不達標預警和優(yōu)化反饋的時效性[13]。生產(chǎn)工藝、設備數(shù)據(jù)云邊傳輸過程如圖2所示。

圖2 云邊協(xié)同工藝數(shù)據(jù)傳輸過程圖

(1)在邊緣側(cè),生產(chǎn)線邊緣端關鍵設備包括摻配機、切絲機、加香機、烘絲機和工業(yè)機器人等,通過HT前水分檢測儀、烘絲后水分檢測儀、烘絲機蒸汽溫度傳感器、環(huán)境溫度檢測儀等傳感器采集不同工序生產(chǎn)設備的運行、工藝、質(zhì)量指標等數(shù)據(jù),并采用集成5G模組等網(wǎng)關設備將數(shù)據(jù)傳輸至具有計算能力的邊緣服務器,EAN可對邊緣端數(shù)據(jù)進行計算分析、規(guī)則調(diào)控、存儲及下發(fā)指令,同時也與云端進行雙向通訊,將EAN計算分析結(jié)果傳入云端,接收云端應用中心預測與優(yōu)化模型的下載。

(2)在云端,云端服務器統(tǒng)一管理各邊緣感知節(jié)點進行云邊通信、邊緣節(jié)點對應工序預測優(yōu)化模型的調(diào)用、命令交互等服務,實現(xiàn)數(shù)據(jù)采集通訊協(xié)議配置、邊緣節(jié)點規(guī)則配置、算法模型下發(fā)、網(wǎng)關監(jiān)控等功能。同時,邊緣節(jié)點EAN通過MQTT、HTTPS、5G等通訊協(xié)議與云端服務器進行數(shù)據(jù)通訊,接收云服務器下發(fā)的配置文件,進行各邊緣節(jié)點設備的數(shù)據(jù)采集、數(shù)據(jù)處理、分析計算及數(shù)據(jù)預測優(yōu)化,并定時將處理結(jié)果和邊緣運行狀態(tài)情況反饋至云服務器。

因此,基于云邊協(xié)同的生產(chǎn)工藝過程聯(lián)動優(yōu)化機制,實現(xiàn)了云端應用中心根據(jù)流程制造產(chǎn)線來料波動情況下發(fā)預測及優(yōu)化模型到各EAN,EAN通過調(diào)用預測和優(yōu)化模型實時對不同工序的加工質(zhì)量的預測和工藝參數(shù)的實時優(yōu)化,并將優(yōu)化決策結(jié)果通過邊緣網(wǎng)關反饋到生產(chǎn)DCS系統(tǒng)(distributed control system),驅(qū)動PLC對生產(chǎn)線電機、執(zhí)行裝置等進行調(diào)控,進而實現(xiàn)產(chǎn)線生產(chǎn)質(zhì)量及時預警、預測和優(yōu)化。

2 融合GRU-Attention與鯨魚算法的流程制造工藝參數(shù)聯(lián)動優(yōu)化方法

2.1 流程制造產(chǎn)線數(shù)據(jù)采集及預處理

流程生產(chǎn)過程通常是連續(xù)或按照物料批次進行排產(chǎn),包含諸多重要的工藝參數(shù)和生產(chǎn)質(zhì)量指標,呈現(xiàn)出多維、多尺度、強時序的特征。其中部分關鍵指標主要通過傳感器或智能終端進行采集,采樣周期短,數(shù)據(jù)量大。同時,由于不同批次原料成分波動較大,批次間工藝、運行、質(zhì)量數(shù)據(jù)波動也較大,量綱和數(shù)量級存在較大差異。并且在生產(chǎn)啟動和停止階段均會出現(xiàn)大量異常數(shù)據(jù),生產(chǎn)過程中還會出現(xiàn)停機或斷料的情況,在線數(shù)據(jù)中會間斷出現(xiàn)零值。

因此,在建立預測模型之前必須對生產(chǎn)工藝數(shù)據(jù)進行預處理,去除原始數(shù)據(jù)中不完整、不準確、不相關和異常的數(shù)據(jù),獲得可用、準確、完整、具有一致性的完整數(shù)據(jù)集。流程生產(chǎn)數(shù)據(jù)預處理通常包括對異常值處理,料頭、料尾和停機斷料數(shù)據(jù)的標識,以及數(shù)據(jù)歸一化。

(1)異常值

異常值被定義為一組測定值中與平均值的偏差超過3倍標準差的值。通常采用箱形圖、散點圖或描述分析來進行識別,在數(shù)據(jù)處理時,按照正態(tài)分布的性質(zhì),3個標準差以外的數(shù)據(jù)都可看作是異常數(shù)據(jù)從而排除,也可以根據(jù)需要采用均值、加權均值、回歸插補、中位數(shù)等方法進行補全。

(2)料頭、料尾和停機斷料

流程生產(chǎn)是一個連續(xù)生產(chǎn)的過程,而料頭料尾(生產(chǎn)開始、結(jié)束)和停機斷料(生產(chǎn)非穩(wěn)態(tài))數(shù)據(jù)是數(shù)據(jù)預處理的重點,料頭料尾數(shù)據(jù)截取通常依據(jù)企業(yè)標準,根據(jù)關鍵質(zhì)量指標和工藝參數(shù)的瞬態(tài)值進行判斷標識,一般情況下,要對料頭料尾數(shù)據(jù)進行刪除,停機斷料數(shù)據(jù)作為生產(chǎn)運行不穩(wěn)定分析的參考。

(3)數(shù)據(jù)歸一化

不同工藝指標往往具有不同的量綱,會直接影響到數(shù)據(jù)分析的結(jié)果,為了消除指標之間的量綱影響,需要進行數(shù)據(jù)歸一化或標準化處理,通過線性變換使各工藝指標處于同一數(shù)量級,適合進行綜合對比評價。標準化通常采用的歸一化方法是Z-Score,將數(shù)據(jù)按比例縮放,使之落入一個特定區(qū)間。歸一化使用Min-Max線性函數(shù)歸一化方法,對各個工藝參數(shù)和質(zhì)量指標進行一次線性變換,將工藝數(shù)據(jù)全部映射到[0,1]范圍內(nèi),實現(xiàn)在不改變原數(shù)據(jù)分布的情況下,完成所有參數(shù)值的無量綱轉(zhuǎn)換。

2.2 GRU-Attention多層神經(jīng)網(wǎng)絡的生產(chǎn)過程工藝質(zhì)量預測模型構建

流程制造是一個連續(xù)生產(chǎn)的過程,單一時刻的加工過程參數(shù)不能有效地表達對生產(chǎn)質(zhì)量的影響,無法兼容工藝參數(shù)內(nèi)部蘊含的時序信息。因此,提取關鍵工藝參數(shù)的時序特征對提高質(zhì)量指標預測的準確率至關重要。鑒于此,本文引入工藝參數(shù)中時序特性,進一步有效區(qū)別工序中工藝參數(shù)多屬性的重要特征,將一維關鍵工藝參數(shù)特征矩陣按照一定規(guī)則構建成二維時序特征信息矩陣,同時加入注意力機制,削弱冗余信息對預測結(jié)果的影響,構建了基于GRU結(jié)合注意力機制[14-16]多層神經(jīng)網(wǎng)絡預測方法,算法中涉及到的變量參數(shù)的含義如表1所示,具體過程如圖3所示

表1 算法涉及變量含義

圖3 GRU-Attention多層神經(jīng)網(wǎng)絡生產(chǎn)過程工藝質(zhì)量預測模型

本文所提GRU-Attention生產(chǎn)過程工藝質(zhì)量預測模型由輸入層、GRU編碼層、注意力層和預測網(wǎng)絡層4部分組成,構建步驟如下：

步驟1數(shù)據(jù)輸入。記流程型車間任一時刻的質(zhì)量指標序列為Y=(y1,y2,…,ym),其中：Y表示質(zhì)量指標,m表示質(zhì)量指標的個數(shù),則與之對應的關鍵工藝參數(shù)的時序數(shù)據(jù)為X=(x1,x2,…,xt)=(x1,x2,…,xn)t,可展開為式(1),即取n個工藝參數(shù),t條數(shù)據(jù)作為輸入,取一條質(zhì)量指標參數(shù)作為輸出,將原始數(shù)據(jù)轉(zhuǎn)換為時間序列數(shù)據(jù)。

(1)

式中：X表示工藝參數(shù),n和t分別表示工藝參數(shù)個數(shù)和時迭代間步長。

步驟2GRU編碼層。利用GRU將一維工藝時序矩陣按照一定規(guī)則構建成二維時序特征信息矩陣,隨后通過循環(huán)神經(jīng)網(wǎng)絡學習提取出矩陣中的時間特征,再通過注意力機制,自適應選擇所有時間步長中的編碼器隱藏狀態(tài),也就是使用注意力自動抽取關鍵工藝時刻。

zj=σ(Wz[hj-1,xj]+bz);

(2)

rj=σ(Wr[hj-1,xj]+br);

(3)

(4)

(5)

步驟3注意力層。將步驟2的輸出作為注意力層的輸入,對不同時刻的訓練樣本進行差異性數(shù)據(jù)融合。計算編碼器隱藏相似性得分：

(6)

(7)

最后對數(shù)據(jù)加權求和,通過對n個不同屬性加權求和得到j時刻工藝參數(shù)融合值。

(8)

步驟4預測網(wǎng)絡層。將步驟3的輸出作為預測網(wǎng)絡層的輸入,計算j時刻的網(wǎng)絡輸出,更新預測網(wǎng)絡層的隱藏狀態(tài)

dj=GRU(yj-1,dj-1,cj);

(9)

(10)

重復步驟2～步驟4,計算出質(zhì)量指標預測值。

2.3 鯨魚算法與GRU-Attention神經(jīng)網(wǎng)絡融合驅(qū)動的工藝參數(shù)聯(lián)動優(yōu)化

由車間工藝參數(shù)和工藝質(zhì)量指標影響關系可知,車間工藝質(zhì)量指標值直接受工藝運行參數(shù)的影響。其中,以車間運行的工藝質(zhì)量指標的預測值和達標值偏差最小為優(yōu)化的目標函數(shù)。每一個質(zhì)量指標為一個單目標函數(shù),多個質(zhì)量指標共同組成一個多目標優(yōu)化函數(shù)。同時,考慮各個質(zhì)量指標的重要程度不一樣,通過車間經(jīng)驗對單個目標函數(shù)加權;又考慮各個質(zhì)量指標的波動范圍差別較大,對各個單目標函數(shù)進行無量綱處理。建立的多目標優(yōu)化函數(shù)如式(11)所示：

(11)

由于產(chǎn)品在加工過程中不能存在過大波動,對于f*(x)中x的取值范圍作了一定限定,防止工藝參數(shù)波動過大影響產(chǎn)品質(zhì)量。即優(yōu)化后的工藝參數(shù)波動范圍不能超過其最大波動范圍的1/10,則有：

(12)

通過對比眾多優(yōu)化算法,鯨魚算法(Whale Optimization Algorithm,WOA)[17]結(jié)構簡單、調(diào)節(jié)參數(shù)少,且收斂速度快,在工程應用中效果較好,本文引入鯨魚算法、神經(jīng)網(wǎng)絡與車間生產(chǎn)質(zhì)量優(yōu)化問題相結(jié)合,建立算法步驟如圖4所示,算法中涉及到的變量參數(shù)的含義如表2所示。

表2 算法涉及變量含義

圖4 鯨魚算法與多層神經(jīng)網(wǎng)絡融合驅(qū)動的工藝參數(shù)聯(lián)動優(yōu)化圖

鯨魚算法與GRU-Attention神經(jīng)網(wǎng)絡融合驅(qū)動的工藝參數(shù)聯(lián)動優(yōu)化偽代碼如下：

輸入：搜索粒子個數(shù)N,最大迭代次數(shù)T;

輸出：最優(yōu)質(zhì)量指標對應的關鍵工藝參數(shù)。

隨機初始化三維搜索粒子

計算每個搜索粒子的適應度,其中Xbest=最優(yōu)搜索粒子

while (t

for(每個搜索粒子)

更新A,C,a,l,p

if1 (p<0.6)

if2 (|A|<1)

根據(jù)最優(yōu)粒子更新當前搜索單元的位置

else if2 (|A|≥1)

隨機選擇一個搜索粒子Xrand

根據(jù)Xrand更新當前搜索粒子的位置

end if2

else if1 (p≥0.6)

根據(jù)最優(yōu)個體螺旋更新當前搜索粒子的位置

end if1

end for

檢查是否有超出搜索范圍的搜索粒子,對于超出粒子強行放回搜索范圍

根據(jù)GRU-ATTENTION多層網(wǎng)絡計算所有搜索粒子的適應度

更新Xbest以及Xbest對應的關鍵工藝參數(shù)

t=t+1

end while

return Xbest對應的關鍵工藝參數(shù)

具體過程如下：

步驟1初始化參數(shù)。設置搜索粒子個數(shù)為N,最大迭代次數(shù)T。

步驟2隨機搜索。每個搜索粒子初始位置由隨機函數(shù)隨機生成,初始化種群的搜索位置,然后進行下迭代尋找：

(13)

A=2ar-a,

C=2r。

(14)

式中：a表示由2～0的線性迭代過程;r表示一個隨機向量,取值范圍為0～1。計算每一次迭代過程中所有搜索粒子的適應度值,取出適應度值最小的粒子作為個體最優(yōu)位置。

步驟3聚攏搜索。在聚攏階段,種群不再隨機選擇個體進行位置更新,而是根據(jù)目前獲得的最優(yōu)位置進行更新,即目前的最優(yōu)位置Xbest代替原來的隨機位置Xrand,其他不變,當p<0.6且|A|<1時,根據(jù)式(15)更新種群當前位置。

(15)

步驟4螺旋搜索。種群通過螺旋的方式對目標值進行搜索,具體表示如下：

(16)

式中：Dbest表示當前種群點與目標點間的距離(目前獲得的最佳解),b表示控制螺旋形狀的常量,l表示從-1～1的隨機向量。當p≥0.6,根據(jù)式(16)更新種群當前位置。種群的包圍收縮和螺旋收縮是同時進行的,通過試驗對比發(fā)現(xiàn)聚攏搜索概率為40%時,收斂效果更好,具體數(shù)學模型如下：

(17)

步驟5邊界控制。當有搜索粒子超出搜索范圍時,對其進行邊界控制,將其放入搜索范圍內(nèi)。轉(zhuǎn)步驟2,重復以上步驟,尋找最優(yōu)值;直到迭代次數(shù)達到設定值時,跳出循環(huán),算法結(jié)束,得到最優(yōu)值。

3 試驗驗證

3.1 試驗設計

為驗證該智能車間預測模型的有效性,選用某工廠試驗用20 kg/批次制絲線為案例對象,實現(xiàn)智能車間生產(chǎn)狀態(tài)實時監(jiān)控與自治生產(chǎn)過程的響應控制。根據(jù)所建立的葉絲干燥關鍵工藝指標數(shù)據(jù)傳輸邏輯,基于預測模型評估薄板干燥工序質(zhì)量指標達標情況;當預測質(zhì)量指標不合格時,根據(jù)優(yōu)化算法對質(zhì)量指標進行優(yōu)化并反饋應當調(diào)節(jié)的工藝參數(shù),試驗線每6 s采集一次數(shù)據(jù)。

試驗設備：云端服務器,邊緣網(wǎng)關平臺采用EdgeX Foundry,Raspberry Pi 4B、MQTT服務器、MQTT客戶端、Python、LED顯示器、潤葉加料機、烘絲機、加香機、微型滾刀式切絲機、摻配柜、三區(qū)恒溫恒濕存儲系統(tǒng)和機械臂系統(tǒng)。

3.2 數(shù)據(jù)來源及預處理規(guī)則

本文數(shù)據(jù)來源于某流程制造企業(yè)的制絲試驗線,該線包括松散回潮、一級加料、二級加料、葉絲干燥、比例摻配、加香等6道工序,數(shù)據(jù)包含該線2021年2月～9月45批次二十余萬條數(shù)據(jù)。

其中,如前文介紹,流程制造是一個連續(xù)生產(chǎn)的過程,清洗料頭料尾和停機斷料數(shù)據(jù)是生產(chǎn)過程數(shù)據(jù)預處理的重點內(nèi)容,根據(jù)《某企業(yè)生產(chǎn)線創(chuàng)新方法效果評價方法》料頭料尾數(shù)據(jù)截取規(guī)則如表3所示,對于非穩(wěn)態(tài)指數(shù)計算時,數(shù)據(jù)首尾截取規(guī)則如表4所示。數(shù)據(jù)刪除規(guī)則如下：①該數(shù)據(jù)段內(nèi)的“物料累計量”沒有增加;②該數(shù)據(jù)段對應的生產(chǎn)時間長度大于等于5 min;③該數(shù)據(jù)段第一個數(shù)據(jù)與正常生產(chǎn)頭部時差大于等于5 min,且該數(shù)據(jù)段的最后一個數(shù)據(jù)與正常生產(chǎn)尾部時差大于等于5 min。

表3 料頭料尾數(shù)據(jù)截取規(guī)則(規(guī)則條件已乘相關系數(shù))

表4 非穩(wěn)態(tài)指數(shù)計算數(shù)據(jù)截取規(guī)則(規(guī)則條件已乘相關系數(shù))

根據(jù)表3和表4的截取規(guī)則,料頭料尾標注結(jié)果如圖5所示。

圖5 某流程制造企業(yè)料頭料尾標注結(jié)果

3.3 試驗分析

3.3.1 云邊平臺搭建

云平臺的具體交互過程如圖6所示,在薄板干燥工序段部署Raspberry Pi 4B邊緣感知節(jié)點,建立葉絲工藝流量、蒸汽流量、筒壁溫度調(diào)控、熱風溫度調(diào)控、閥門開度、熱風風速等感知信息接入模型,通過MODBUS通訊協(xié)議采集相關信息,符合規(guī)則數(shù)據(jù)經(jīng)應用服務模塊傳入云端數(shù)據(jù)庫存儲,云端對采集的信息進行預測訓練,把訓練后的模型下發(fā)至邊緣端,當薄板干燥出料溫度和薄板干燥出料含水率超過[66.0±1.5,15.0±1.0]范圍后,邊緣端向云端上傳警告,云端對收到的數(shù)據(jù)進行優(yōu)化分析,同時將優(yōu)化后結(jié)果隨后發(fā)送EAN端進行調(diào)控。

圖6 云邊協(xié)同交互圖

3.3.2 流程制造生產(chǎn)質(zhì)量指標預測精度分析

由于工序較多,以薄板干燥工序為例,共計12項指標。其中,加工工藝參數(shù)10項,分別為切葉絲含水率、葉絲增溫增濕工藝流量、葉絲增溫增濕蒸汽流量、薄板干燥Ⅰ區(qū)筒壁溫度、薄板干燥Ⅱ區(qū)筒壁溫度、薄板干燥熱風溫度、葉絲冷卻出料含水率、葉絲干燥筒壁Ⅰ區(qū)蒸汽閥門開度、薄板干燥熱風風速、葉絲干燥筒壁II區(qū)蒸汽閥門開度;質(zhì)量指標2項,分別為薄板干燥出料溫度和薄板干燥出料含水率。

GRU-Attention神經(jīng)網(wǎng)絡模型參數(shù)方面,選用時間序列長度為15作為輸入。其中注意力層及GRU層的輸入維度為10,隱藏層的維度為128,層數(shù)為1。在該模型中,學習率取默認值0.001,學習率衰減率取0.99,訓練批次取256,迭代次數(shù)取20,優(yōu)化器選擇Adam優(yōu)化器。

為驗證該神經(jīng)網(wǎng)絡可用性,把兩個質(zhì)量指標的當前預測值和當前實際值作對比,發(fā)現(xiàn)旱季兩個質(zhì)量指標擬合度分別0.982和0.973,均方差分別為0.003 831和0.008 963,雨季兩個質(zhì)量指標擬合度分別0.986和0.978,均方差分別為0.003 214和0.007 529,說明該神經(jīng)網(wǎng)絡模型較準確,對比效果如圖7所示。

圖7 薄板干燥工序質(zhì)量指標實際—預測值對比圖

3.3.3 融合GRU-Attention與鯨魚算法的流程制造工藝參數(shù)聯(lián)動優(yōu)化收斂性分析

為了驗證鯨魚優(yōu)化算法對于解決工程實際問題的優(yōu)越性,選擇最近幾年比較優(yōu)越的灰狼優(yōu)化算法(Grey Wolf Optimizer,GWO)[18]、蝴蝶優(yōu)化算法(Butterfly Optimization Algorithm,BOA)[19]、海洋捕食者算法(Marine Predators Algorithm,MPA)[20]和阿基米德優(yōu)化算法(Archimedes Optimization Algorithm,AOA)[21]與WOA進行對比。其中,工藝質(zhì)量優(yōu)化目標根據(jù)質(zhì)量要求,優(yōu)化目標為[15.0±1.0,66.0±1.5],最大迭代次數(shù)為100,將上述5種算法運行25次求平均得到圖8,其中圖8a表示三維的目標函數(shù)圖及粒子搜索路徑,圖8b表示二維的目標函數(shù)圖及粒子搜索路徑,圖8c表示任意選擇的一個粒子的在一維空間內(nèi)搜索路徑。圖8d表示5種算法隨著迭代次數(shù)在目標空間指數(shù)形式表示的收斂圖,圖8e表示5種算法隨著迭代次數(shù)在目標空間實數(shù)形式表示的收斂圖。由圖8a和圖8b可以看出,該方法在本試驗搜索過程收斂速度較快,主要集中在最優(yōu)值附近進行搜索。圖8c中可以看出任意選擇的一個粒子在50代左右已經(jīng)可以在最優(yōu)值處收斂。圖8d中可以看出,MPA和WOA相比較其他3種方法具有明顯的優(yōu)越性,但是,WOA的收斂效果更快更好。圖8e中可以看出,BOA和AOA在100次迭代之后沒有尋找到目標函數(shù)的最優(yōu)值。

圖8 5種函數(shù)優(yōu)化算法的收斂曲線對比圖

3.3.4 流程制造生產(chǎn)過程智能調(diào)控系統(tǒng)搭建

最后,根據(jù)優(yōu)化的質(zhì)量指標對輸入的工藝參數(shù)進行反推,我們再依據(jù)神經(jīng)網(wǎng)絡獲得目標函數(shù)x變量即質(zhì)量指標時,根據(jù)式(12)對工藝參數(shù)進行了取值范圍的限定,使其波動范圍不能過大,通過神經(jīng)網(wǎng)絡反向求值得到優(yōu)化后對應的工藝參數(shù)。將優(yōu)化調(diào)控的決策數(shù)據(jù)提供給試驗線中控中心,由操作人員決定是否下發(fā)。系統(tǒng)操作界面如圖9所示,模塊①表示葉絲干燥工序在線工藝參數(shù)監(jiān)測數(shù)據(jù),模塊②表示對在線質(zhì)量指標的監(jiān)測并進行下一時刻預測,當質(zhì)量指標波動范圍超過調(diào)控要求時,系統(tǒng)自動進行優(yōu)化處理,給出優(yōu)化后工藝參數(shù)參考值如模塊③所示,模塊④表示工藝參數(shù)對質(zhì)量指標的影響權重,模塊⑤表示在線狀態(tài)監(jiān)測,綠燈表示運行正常,紅燈表示質(zhì)量指標不合格?？梢钥闯?通過優(yōu)化調(diào)控后,效果良好,達到了薄板烘絲工序加工強度與出口物料水分的協(xié)同穩(wěn)定要求。

圖9 車間生產(chǎn)過程智能調(diào)控界面

4 結(jié)束語

針對復雜流程制造過程對工藝參數(shù)調(diào)控的高精度和高時效性要求,本文提出一種融合GRU-Attention與鯨魚算法的流程制造工藝參數(shù)云邊聯(lián)動優(yōu)化方法,并設計了相應的預測、預警與優(yōu)化調(diào)控軟件系統(tǒng),以實現(xiàn)對不同工序加工質(zhì)量的精準預測、預警,以及工藝參數(shù)的及時調(diào)控。研究結(jié)果表明：所提出的基于GRU-Attention的工藝質(zhì)量預測算法,可通過提取不同工序在設備參數(shù)與物料變化情況下的時序耦合特征,實現(xiàn)對多工序工藝質(zhì)量的精準預測,平均精準度達到98.2%。同時,所提云邊協(xié)同訓練計算機制可以高效協(xié)同設備邊緣節(jié)點與云平臺之間的計算資料,大大縮短優(yōu)化工藝參數(shù)的調(diào)控時延,滿足流程制造工藝質(zhì)量預測及參數(shù)調(diào)控的實時性要求。本文的相關研究成果對于提升流程制造產(chǎn)線的生產(chǎn)效率和工藝質(zhì)量具有重要意義,可在相關流程制造行業(yè)進行應用推廣。在后續(xù)的研究工作中,將考慮增加物料來料波動、物料加工強度等多源參數(shù)的監(jiān)測采集點,進一步提高在不同工況下工藝質(zhì)量預測與參數(shù)調(diào)控的穩(wěn)健性。