基于数据挖掘近似函数的智能制造装备生产决策参数稳健优化方法研究

Data mining can be used to discover potential law of the produciton process for intelligent manufacturing equipemnt,and intelligent optimization can use these laws to achieve the optimum goals in manufacturing. However, it is difficult to get desired performance due to some uncertainties from model error of data mining and execution error of control system. Therefore, it is necessary that robust optimization method of decision-making parameters based on dynamic evolution model must be proposed to reduce the sensitivity of target performance to uncertainties in intelligent manufacturing process. First of all, fuzzy sets are used to describe uncertainty in space of decision variables and objective function, and fuzzy extension theorem is used to obtain one measure of the robustness criteria. Secondly, the effect of model error on multi-objective robust optimization will be evaluated by using Deb constructe function. Gamma Test method is used to estimate model error and correct objective function. Next step is to get decision-making model of Pareto set based on improved OWA algorithm and experience of experts which is represented by neural network. Adaptive sampling method and fitting distribution model are used to analyze and enhance optimize efficiency. Finally, the robust optimization experiments of decision parameters for ultra-low-power aluminum electrolytic equipment is carried out. On the basis of above-mentioned study, make effort to get the robustness optimization methodology of decision-making parameter in intelligent manufacturing equipment, and solve critical common problems to promote intelligent function.

智能制造装备可由数据挖掘发现生产过程潜在规律，并用智能优化利用其规律，实现制造过程智能化、绿色化。然而，因数据挖掘建模误差、控制系统执行误差等不确定性因素的影响，难以实现理想性能。故需在智能制造动态演化过程模型基础上，研究生产决策参数的稳健优化方法，以降低目标性能对不确定因素的敏感性。首先，针对稳健性度量形式繁多的问题，用模糊集合描述决策变量空间和目标函数空间的不确定性，再用模糊扩展定理获得稳健准则度量；其次，基于Deb构造函数，研究建模误差对多目标稳健优化的影响，并用Gamma Test来估计建模误差，修正目标函数；再改进OWA算法融合专家经验，获得基于OWA和神经网络的Pareto前沿决策模型；然后分析优化效率，并用自适应抽样方法、拟合分布模型来提升效率；最后开展超低能耗铝电解装备的生产决策参数稳健优化实验。以此建立智能制造装备的决策参数稳健优化方法，从而解决其智能功能的关键共性问题。

智能制造装备可由数据挖掘发现生产过程潜在规律，并用智能优化利用其规律，实现制造过程智能化、绿色化。然而，因数据挖掘建模误差、控制系统执行误差等不确定性因素的影响，难以实现理想性能。故需在智能制造动态演化过程模型基础上，研究生产决策参数的稳健优化方法，以降低目标性能对不确定因素的敏感性。.针对稳健性度量形式繁多的问题，用模糊集合描述决策变量空间和目标函数空间的不确定性，再用模糊扩展定理获得稳健准则度量。提出一种基于误差补偿模型的优化决策方法，通过分析并选取影响建模误差的因素，构建误差补偿模型，修正模型提高决策性能，将近似模型与补偿函数叠加作为最终的工艺模型。.传统噪声估计方法难以得到观测噪声不确定动态工业过程的噪声估计值，因而常将观测噪声估计值置零以进行Kalman神经网络建模，影响了建模效果，限制了Kalman神经网络在观测噪声不确定动态工业过程建模中的应用；提出样本有效噪声估计改进的Kalman神经网络建模方法。首先采用衰减记忆的GT对输入输出数据进行实时估计，得到准确的观测噪声估计值，再利用Kalman神经网络实现精确建模。.针对铝电解生产过程难以快速、准确地获得节能减排多目标优化pareto前沿问题，提出一种基于拥挤距离排序的多目标细菌觅食算法，在保证铝电解槽平稳运行的基础上，建立电流效率最大和温室气体排放量最小的多目标优化模型；利用拥挤距离更新外部档案及对菌群步长进行自适应动态调整，以改进种群的收敛性和多样性，最后对优化模型求解。.通过智能采油系统自主分析与决策获取油田机采过程最佳决策参数，对解决机采系统效率低、能耗大等问题具有重要意义。利用无迹卡尔曼滤波神经网络挖掘机采系统潜在规律，建立其动态模型；构建产液量偏好多目标优化目标函数，并利用非支配排序遗传算法获取相应的最佳决策参数。.提出了一种工业过程决策参数的稳健优化方法，建立复杂工业过程模型，确定决策参数与目标性能之间的映射关系；用模糊集合描述决策变量空间和目标函数空间的不确定性，再用模糊扩展定理获得稳健准则度量，构造出多目标稳健优化模型，利用具有多体交叉和大搜索范围的改进的强度Pareto进化算法，对多目标稳健优化模型进行搜索，搜索稳健性和目标性能最好的解，据此对实际生产进行指导。最后开展生产装备的生产决策参数稳健优化实验。以此建立智能制造装备的决策参数稳健优化方法，从而解决其智能功能的关键共性问题。