基于智能算法的智能制造質量管理模型

杜 宇，斯仁東，吉 旭*

(1. 四川大學 化學工程學院，四川 成都 610065；2. 中建西部建設股份有限公司，四川 成都 610065)

隨著互聯網、物聯網、大數據和智能技術對提升產業能力的推進，人們對于產品創新、個性化和流通速度的感知正在逐漸改變，與此同時也促成了利用智能化數字化技術改造制造業的轉型升級[1]，我國大力鼓勵制造業發展與轉型，無論對于制造業中的大企業，還是中小企業，這都是一個非常重要的發展契機[2]。而目前在制造領域的質量管理中，尚無依據智能算法的全局優化模型。基于此，本文從優化智能算法的角度出發，提出基于人工神經網絡的智能制造質量管理模型。

1 智能制造與質量管理

質量管理是指確定質量方針、目標和職責，并通過質量體系中的質量策劃、控制、保證和改進來使其實現的全部活動[3]。在智能制造背景下，基于信息物理系統架構的柔性化生產體系、過程行業的關鍵性技術、數字化技術等，為過程行業的質量管理帶來了新的挑戰[4]。

基于此，本文提出了面向智能制造過程的質量管理模型，改進并完善了目前在質量管理中應用廣泛的單輸出神經網絡模型，選擇多個質量管理指標進行綜合評定，得到的神經網絡模型能夠同時滿足多項質量管理指標的最優，實現從局部最優到全局最優的質量管理應用。

2 基于智能制造過程的質量管理模型

2.1 人工神經網絡

人工神經網絡(Artificial Neural Networks，ANNs)可被定義為一個含有很多互相緊密連接的具有適應性的簡單過程元素的結構，這些元素被稱作人工神經元，能夠實現大數據量的并行計算[5]。人工神經元以不同的方式，通過改變連接方式、神經元的數量和層級，組成不同的ANNs模型[6]。ANNs能夠處理線性規劃模型無法做到的預測和模型解釋問題，因此近年來在質量管理的指標預測研究中，ANNs應用越來越廣泛。

2.2 遺傳算法優化的BP神經網絡

BP神經網絡(BP-ANNs)是多層前饋神經網絡，有信號前向傳遞、誤差反向傳播的特點。在網絡訓練中，尋優過程往往會陷入局部最優，這主要由于BP-ANNs中的尋優過程是按照梯度下降策略來找到最優結果的。因此，如果在一定范圍內得到了相對較小的結果，并且這個位置與全局最優解有一段距離，則尋優過程就無法跳出局部最優解形成的閾值來繼續尋找到全局最優解(圖1)。為了避免陷入局部收斂，使具備全局尋優能力的遺傳算法(genetic algorithm，GA)優化BP-ANNs中的初始權值和閾值。遺傳算法于19世紀70年代由美國的J.Holland教授首先提出，是計算智能的重要組成部分[7]。遺傳算法優化的BP神經網絡(GA-BP-ANNs)用遺傳算法來優化BP神經網絡的初始權值和閾值，優化后的神經網絡能夠更好地實現預測。

圖1 ANNs的尋優策略

2.3 多輸出神經網絡

單輸出人工神經網絡模型的預測精度雖然能滿足單個指標的控制要求，但是機械性地反復利用單輸出模型會線性地增加數據處理的時間，大大降低信息處理效率。另外，智能制造講求多個指標協同配合實現全局最優，多輸出人工神經網絡模型具有更大的優勢。基于此，本文提出了面向智能制造質量管理的GA-BP-ANNs多輸出模型。

3 應用實例

混凝土結構物在實際應用中主要用于承受荷載或抵抗各種作用力，因此抗壓強度成為重要的質量性能指標。除此之外，在混凝土實際生產和交付中，混凝土塌落度也是一項重要指標。因此，本文將混凝土的抗壓強度和塌落度選為混凝土的質量性能指標。

3.1 混合算法的確定

對于人工神經網絡來說，權值和閾值對其結果影響非常大，如果權值和閾值達到最優，那么計算出的結果在同樣的網絡結構則實現全局最優，確定的混合算法流程如圖2所示。

圖2 混合算法流程

3.2 輸入層、輸出層的選擇

神經網絡輸入層包括瓜子片、碎石、天然砂、機制砂、42.5#水泥、II級煤灰、S95礦粉、膨脹劑、外加劑PCA-I、外加劑PCA1-A、水、回收水等12個輸入節點，單位均為千克(kg)，見圖3。

神經網絡輸出層的數據包括混凝土的28d抗壓強度和實驗室測試的塌落度等2個輸出節點，其中28d抗壓強度的單位是兆帕(MPa)，塌落度的單位是毫米(mm)。

圖3 人工神經網絡結構

3.3 樣本選取

本案例選用的數據來自浙江杭州某商品混凝土攪拌站。以C35牌號混凝土的數據為例，所選取的每一組樣本都包括12個輸入層和2個輸出層。數據分為兩組，一組為樣本數據共800組，用來對網絡進行訓練，另一組為實驗數據共200組，用來對已訓練的網絡的準確性進行檢驗。

3.4 確定隱含層節點數

(1)

(2)

(3)

表1 隱含層節點個數影響

經過綜合分析，確定輸入層、隱含層和輸出層節點數為12、12和2。用于優化的遺傳算法種群數為10，進化次數為20次，交叉率為0.2，變異率為0.1。

圖4 GA-BP-ANNs適應度函數

4 結果與討論

對人工神經網絡進行訓練并利用實驗數據計算平均相對誤差，計算100次之后對結果進行匯總(圖5)。經過換算，塌落度誤差在6.49～20.68 mm，平均塌落度誤差為9.70 mm，28 d抗壓強度誤差在1.43～2.59MPa，平均28 d抗壓強度誤差在1.77 mm，證明預測的結果較為準確。根據結果，可以對物料配比進行調整，從而保證混凝土的質量，同時對企業的成本控制提供了強有力的證據。

圖5 塌落度和28 d抗壓強度的MAPE

5 結論

基于產業能力和質量管理能力提升的需求，本文從智能算法優化出發，提出基于人工神經網絡的智能制造質量管理模型。以混凝土生產過程的質量管理為例，塌落度誤差在[6.49,20.68]mm，28d抗壓強度誤差在[1.43,2.59]MPa。不僅證明了此方法的可行性，而且為企業的質量管理提供了強有力的數據支持。

參考文獻

[1]丁 怡,陳炎飛.德國“工業4.0”對中國發展“制造2025”戰略的啟示[J].勞動保障世界,2017(27):60-63.

[2]肖 玥.“中國制造2025”下我國輪胎制造業中小企業戰略研究[D].北京:北京外國語大學,2017.

[3]唐萬鵬,鄧仲平.工業4.0背景下的質量管理集成平臺架構研究[J].裝備制造技術,2017(1):223-225.

[4]Ji X,He G,Xu J,et al.Study on the mode of intelligent chemical industry based on cyber-physical system and its implementation[J].Advances in Engineering Software,2016,99:18-26.

[5]Basheer I A,Hajmeer M.Artificial neural networks: fundamentals,computing,design,and application[J].Journal of Microbiological Methods,2000,43(1):3.

[6]段玉三.人工神經網絡文獻綜述[J].科技風,2011(5):185-185.

[7]席谷庚，柴天佑，惲為民.遺傳算法綜述[J].控制理論與應用,1992(6): 697-708.