产品质量模型与控制模型的研究及应用

陈万庆，陈昆昌，李仁旺，荣 杰，曹衍龙

(1.浙江理工大学 机械与自动控制学院，浙江 杭州 310018;2.浙江大学 机械工程学院，浙江 杭州 310058)

产品质量模型与控制模型的研究及应用

陈万庆1，陈昆昌1，李仁旺1，荣 杰1，曹衍龙2

(1.浙江理工大学 机械与自动控制学院，浙江 杭州 310018;2.浙江大学 机械工程学院，浙江 杭州 310058)

基于Data mining(数据挖掘)技术，在控制学科背景下提出了产品的质量模型和质量控制模型.以山东某造纸厂的大型造纸生产线和辽宁某钢铁厂的铜闪速炉为例，在现场获得大量的关键输入参数和产品质量数据，通过BP神经网络建立数学模型，经数据运算和校验得到了产品稳态质量模型和质量控制模型.提出反向质量模型和动态产品质量模型，以适用于复杂的生产实践.

质量控制；产品模型；反向质量模型

在基于Data mining(数据挖掘)技术提出的产品质量模型和质量控制模型中，直接决定产品质量的参数称为操作参数.这些参数是BP神经网络的关键输入参数，对应其质量指标是关键输出参数.本文以山东某造纸厂的大型造纸生产线和辽宁某钢铁厂铜闪速炉为例，基于BP神经网络，运用从生产现场得到的关键输入参数和产品质量数据，得到了产品的稳态质量模型.但是，由于生产线的实际情况和工业控制过程相对理论而言复杂程度极高，直接使用该质量模型存在一定难度，因此，本文又提出了产品反向质量模型和动态、稳态质量控制模型.

1 工业产品的质量控制

1.1 产品的质量模型

以造纸生产车间为例，车间主要的工艺流程有备浆段(碎解、打浆、混合)、上浆段(添加制剂、流送上浆)、纸机段(湿部、干部)和后续段等(图1).

图1 造纸生产流程

结合理论和实际生产数据，经过多次筛选和模型对比，应用Data mining技术，将该造纸生产过程抽象成由28个关键输入参数和4个关键输出参数组成的函数，即：

y=f(x1,x2,…,x28，p1,p2,p3,p4)

该函数是非线性的，其4个输出参数为纸张的最关键品质指标：水分、紧度、松厚度、抗张强度.其28个输入参数中包含了18个原材料参数和10个其他参数，如制备纸浆的湿度、温度、时长等.本文在实际生产中收集到5 527个数据，进行运算，校验28×40×20×1的单维BP神经网络，构建了针对单个品质指标的产品质量模型.

BP神经网络输入参数是高维的，而BP神经网络普通训练算法对于高维输入问题的处理存在不足.因此，本文采用3种学习算法，即BP神经网络两阶段混合学习算法[1]、大惯性各权重独立训练的分散学习算法[2]、逐步扩大样本学习算法[3]，分别进行了试验.对比3种算法的结果发现，造纸生产车间的BP神经网络质量模型采用第三种学习算法的数据精确度更高.使用第三种算法时，只要取均方差err<0.05的数据，子集数据就能与整体数据达到85%以上的近似度.

采用模糊神经网络为造纸生产车间建立纸品质量模型时，将每个关键输入参数对应的数据按照聚类法分成一些没有交集的类别，即按照各个关键参数的域划分，现场得到的5 527个数据大致被分成了5组.对这5组数据进行建模和校验，然后用28维输入参数和1维输出参数的神经网络质量模型进行运算，得出结果.该结果的校验精度为71.5%，能够满足厂方的要求.

相比BP神经网络模型，建立模糊神经网络质量模型的时间更短.这种产品稳态质量模型对各种产品研发和生产流程设计有一定的参考价值，能够适应非标准产品制造企业的生产.

1.2 产品的反向质量模型

实际生产中因为客户需求的变动，经常对产品的设计和工艺做调整，会导致已建立的稳态质量模型失去参考价值.为此，本文提出了反向产品质量模型，即将上述关键输入与关键输出的数据倒置，进行相同的模拟和验证，获得产品稳态反向质量模型.这样，通过对应数据参数的调整和产品设计的改变可应对工艺加工质量数据的更改.但是在这种情况下，干扰参数也会成为模型网络的输出参数，导致反向质量模型在实际工业生产中运用受到局限.实际运行发现，在给定输入参数、输出参数以及干扰参数的数据量不大时，反向质量模型还是可以应用的.

反向质量模型有如下形式：

对于造纸生产线而言，本文对关键输入、关键输出的数据进行准确性校验，使用基于BP神经网络的大惯性各权重独立训练的分散学习算法，得出了4维输入参数、28维输出参数的4×35×20×28BP神经网络造纸工艺反向质量模型.其建模近似度能达到82%.而这对于1维和2维质量标准的BP神经网络质量模型来说却是无法实现的.

1.3 产品质量模型在产品质量控制中的应用

实际生产中影响纸品品质的可变输入参数较多(50～70个)，进行生产工艺过程安排时，需要考虑至少22个会影响纸品品质的可变输入参数，由工业生产数据建模并得到一组参数变动范围，使产品质量达标，以便于实际生产使用.此外，结合现场操作经验与另外至少28个影响纸品品质的可变输入参数，选出几组关键输入参数，到生产车间做进一步试验.

由于生产线的产品质量模型由许多子质量模型构成，因此需要在数个BP神经网络子质量模型上分析并归纳出一个参数范围来指导产品品质指标.通过大量的输入参数试验，得出多个参数的有效集合区间，并把这些区间取交集，即可得到输入参数的有效范围.

在运用BP神经网络过程中，得到产品品质指标的有效区间，将标准输出值限制在设定范围，这是一个需要进一步探讨的课题.本文进行大量实验研究，利用控制变量法，每次改变一组输入参数，根据输出参数的变化，做出线性或者非线性曲线，找出了BP神经网络中每个输出参数与输入参数之间的关系.

在产品品质指标要求精益求精的情况下，利用输入参数与输出参数的线性或非线性关系，通过BP神经网络质量模型计算出一组数值，让质量标准接近最大值.这属于基于神经网络产品质量模型的输出优化问题[4-5].质量模型能够发挥实际作用的前提是最优解必须在模型运算数据的参数范围之内，而且在其实际运用中，工艺参数需要满足一系列稳态模型.

2 工业生产过程的质量控制

2.1 工业生产过程质量控制系统的结构

在工业生产过程中，通常以PDM系统为基础，采用闭环方式将产品质量指标控制在标准范围之内.具体来说，它将产品数据作为输入参数，使用产品质量模型，统一检测产品加工过程，同时通过不断校正和调整参数，达到优化产品质量的目的.常规制造企业生产过程质量控制系统的结构如图2所示.

图2 产品生产过程质量控制系统的结构

2.2 工业生产过程的质量控制器

设第一个质量控制器由m个条件组成，则第i条参数为：

2.3 产品的稳态质量模型

产品稳态质量模型是特定条件下的概念.在传统意义上，工业生产过程是均负荷稳态工况下连续执行的，但在实际工业生产中存在干扰等不确定性因素，产品工艺输入与输出通常是非线性的.

本文以钢铁厂铜闪速炉为例进行研究.铜闪速炉冶炼是将烘干的含铜精矿和空气、氧气、熔剂、重油等物质充分混合，放入炉中，加强热熔炼成液态冰铜的火法冶金过程[6].其流程如图3所示.

图3 闪速炉冶炼流程

在负荷精铜矿石量不变的稳态工况下，以熔剂量、重油量、氧单量和空气单耗为关键操作参数；以炉内烟尘量、铜精矿含量和颗粒度为干扰参数；以冰铜品质指标、冰铜温度与炉渣的铁硅含量为主要输出参数[7].这4个输入参数和3个输出参数的部分预处理训练数据如表1所示.

这里取4个6×6×5×1的BP神经网络质量模型进行多次模拟试验，从其中3个模型得出铜闪速炉的3个稳态子质量模型，从另外1个模型得出铜闪速炉的在线稳态产量模型.为了缩短数据训练时间，提高收敛速度与模型精度，本文使用3个6×6×5×1 BP神经网络来代替1个6×6×5×3的BP神经网络，基于上述冰铜品质模型和生产状况，构建了一套适用于铜闪速炉的稳态控制模型.根据实际生产需要，将能耗作为函数可变参数，而将冰铜品质及生产效率作为控制参数，利用SMUT(序列无约束极小化技术)算法对参数进行分解，实现以能耗为约束的参数优化，相比现有的无质量约束条件的稳态优化更有意义.

在制造业稳态优化过程中，优化目标可以是产品的一个特定品质指标，取其上限和下限作为约束范围，而将生产效率、能源消耗等因素作为函数的可变参数.同样，也可将工业生产中生产效率和能源消耗同时作为函数的优化目标，而将质量模型作为约束条件[8].

2.4 产品的模糊稳、动态质量模型

产品的模糊稳、动态质量模型适用于模糊标准工艺.在钢铁厂铜闪速炉一例中，由于其加工流程的参数不多，工人通常有丰富的加工经验，生产过程中可运用模糊逻辑控制法，根据输入参数和输出参数得到一组或几组函数关系，通过模糊的简化质量模型来指导生产.产品的模糊稳、动态质量模型使用是基于特定规则的，这种规则被称为模糊神经网络.

表1 部分预处理的训练数据

一些大规模批量化工业生产具有较多不同的工序，是在条件经常改变的状态下运行的.工人要对各种相关参数进行动态改变，使负荷参数适用于不同工序.本文在TSK模糊模型下，把产品变量与工人及技术工程师的经验结合起来，以钢铁厂的铜闪速炉数据建立动态的产品TSK模糊质量模型[9].该模型设计输入参数为模糊变量，而输出参数则为精确变量，且通常以一组函数来体现.通过大量数据导入，运用动态产品模糊质量模型，严格控制干扰参数，铜的生产品质明显提高，质量指数得到了优化.

3 结束语

(1)质量模型和质量控制模型的输出参数大不相同，前者的输出参数为几个关键的品质指标，但后者的输出参数是操作参数预期达到的值.这两类模型可以是稳态的，或是动态的；可以基于精确性研究，也可以基于模糊性研究.

(2)在运用产品质量模型的过程中，输入参数可以分为操作参数和干扰参数两大类，其中操作参数会因设计问题而变动.

(3)本文建立的高维神经网络模型运算结果与生产线真实数据的近似度达到了85%以上，可以满足大部分企业的工业生产需求.

(4)联合质量模型、反向质量模型、控制模型与质量控制器，可形成产品的质量控制体系.基于该体系，运用“卡边”控制，可以得出最佳品质控制方案.它对制造业生产工艺科学化，提高产品质量和生产效率作用很大.

[1] 邢进生,万百五.两阶段混合算法在轧钢数据建模中的应用[J].西安交通大学学报,2000,34(12):104-108.

[2] 贾 磊,万百五,冯祖仁.以高维输入神经网络作为生产线产品质量模型[J].控制与决策, 2000,15(5):570-573.

[3] 邢进生.KDD及其在大型多辊热连轧机产品质量控制中的应用[D].西安:西安交通大学,2000.

[4] 万百五,邢进生.神经网络输出两阶段优化及其应用[J].自动化学报,2002,28(5):845-847.

[5] 邢进生,万百五.神经网络输出优化及其在热连轧产品质量控制中的应用[J].西安交通大学学报,2001,35(2):434-438.[6] 曾青云,周 立,汪金良,等.基于自适应模糊神经网络的铜闪速熔炼冰铜温度模型研究[J].有色金属(冶炼部分),2007(2):2-4，9.

[7] 杨金义,万维汉,万百五.闪速炉的神经网络冰镍质量模型与稳态优化控制研究[J].自动化学报,1999,25(6):801-805.

[8] 万维汉.复杂工业过程的质量控制研究及其应用[D].西安：西安交通大学,2001.

[9] 万百五.工业大系统优化与产品质量控制[M].北京：科学出版社，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

国家自然科学基金资助项目(51475434)；国家自然科学基金重点资助项目(U1501248)

陈万庆(1991-)，男，浙江宁波人，硕士研究生，研究方向为企业信息化.

1006-3269(2016)04-0014-04

TP273

A

10.3969/j.issn.1006-3269.2016.04.004