[发明专利]一种面向多工序工业生产过程的工艺参数优化方法

权利要求书

1.一种面向多工序工业生产过程的工艺参数优化方法，其特征在于，包括以下步骤：

步骤S101：生产过程分析，识别出工业生产过程的最终质量指标、各个工序的质量指标及工序内的工艺参数；

步骤S102：以批次号为基础，将最终质量指标与各工序的质量指标和工序内的工艺参数进行关联，形成一条批次记录，采集多条批次记录，形成建模数据集；

步骤S103：从建模数据集中筛选出最终质量指标和各工序的质量指标数据，形成最终质量指标预测数据集；从建模数据集中筛选出各工序的质量指标和工序内工艺参数数据，形成各工序质量指标预测数据集；

步骤S104：基于最终质量指标预测数据集和各工序质量指标预测数据集，分别建立最终质量指标预测模型和各工序质量指标预测模型；

步骤S105：基于最终质量指标预测模型，构建第一层最优化问题并求解，得到使最终质量指标最优的各工序最优质量指标；

步骤S106：将得到的各工序最优质量指标作为各工序的目标，基于各工序质量指标预测模型，构建第二层最优化问题并求解，得到使各工序质量指标最优的各工序工艺参数；

步骤S105中，第一层最优化问题的求解方法为：

步骤a：根据所述步骤S104的最终质量指标预测模型作为等式约束，根据所述步骤S104的最终质量指标预测模型中各输入的取值范围，作为最优化问题的不等式约束，以最终质量指标最优作为目标函数，构建第一层最优化问题；

步骤b：根据步骤a构建的第一层最优化问题，采用遗传算法、模拟退火算法或粒子群算法进行多次求解，得到算法输出数据集；

步骤c：根据步骤b的算法输出数据集对各工序质量指标分别进行均值运算，得到各工序最优质量指标；

所述步骤S104中，建立最终质量指标预测模型的方法为：

步骤A：对最终质量指标预测数据集进行预处理，去除含有缺失值及最终质量指标明显偏离正常值的记录；

步骤B：将预处理后的最终质量指标预测数据集切分为训练集和测试集两部分，其中训练集和测试集中样本数分别占80％和20％，以各工序质量指标作为输入，产品最终质量指标作为输出，在训练集上分别采用随机森林、神经网络或线性回归算法建立对应的模型，再使用测试集数据验证各模型的准确率，选择准确率最高的模型作为最终质量指标预测模型，模型可表示为：

X＝[x₁,x₂,…,x_n]^T

y＝f(X)

式中，x₁～x_n为各工序质量指标，y为产品质量指标最终质量指标，f(X)为所得模型；

所述步骤S104中，建立各工序质量指标预测模型的方法为：

步骤A1：对各工序质量指标预测数据集进行预处理，去除含有缺失值及各工序质量指标明显偏离正常值的记录；

步骤B1：将预处理后的各工序质量指标预测数据集切分为训练集和测试集两部分，其中训练集和测试集中样本数分别占80％和20％，以各工序工艺参数作为输入，各工序质量指标作为输出，在训练集上分别采用随机森林、神经网络或线性回归算法建立对应的模型，再使用测试集数据验证各模型的准确率，选择准确率最高的模型作为各工序质量指标预测模型；

所述多工序工业生产过程为烟草制丝过程，所述最终质量指标为整丝率，所述工序包括松散回潮、叶丝加料和薄板烘丝；

所述松散回潮工序的质量指标包括出口含水率和出口温度，所述松散回潮工序的工艺参数包括入口含水率、入口物料流量、加水流量和热风温度；

所述叶丝加料工序的质量指标包括出口含水率和出口温度，所述叶丝加料工序的工艺参数包括入口含水率、入口物料流量、加料流量、加水流量、加水系数、回风温度、料液温度和热风温度；

所述薄板烘丝工序的质量指标包括出口含水率和出口温度，所述薄板烘丝工序的工艺参数包括入口含水率、入口物料流量、HT出口温度、一区筒壁温度、二区筒壁温度、热风温度、蒸汽流量和风速。

2.根据权利要求1所述的一种面向多工序工业生产过程的工艺参数优化方法，其特征在于，所述步骤S106中，第二层最优化问题的求解方法为：根据步骤S105得到的各工序最优质量指标作为各工序的优化目标，按照步骤S105所述的第一层最优化问题的构建方法，分别构建各个工序的最优化问题，分别求解各个工序的最优化问题，得到使各工序质量指标最优的各工序工艺参数。

3.根据权利要求1所述的一种面向多工序工业生产过程的工艺参数优化方法，其特征在于，所述最终质量指标是否明显偏离正常值的判断方法为：计算产品质量指标最终质量指标预测数据集中产品质量指标最终质量指标的均值μ和标准偏差θ，若某条记录中产品质量指标最终质量指标不在(μ-3θ，μ+3θ)范围内，则判断其偏离正常值，需去除该条记录。