基于智能算法的智能制造质量管理模型

杜 宇，斯仁东，吉 旭*

(1. 四川大学 化学工程学院，四川 成都 610065；2. 中建西部建设股份有限公司，四川 成都 610065)

随着互联网、物联网、大数据和智能技术对提升产业能力的推进，人们对于产品创新、个性化和流通速度的感知正在逐渐改变，与此同时也促成了利用智能化数字化技术改造制造业的转型升级[1]，我国大力鼓励制造业发展与转型，无论对于制造业中的大企业，还是中小企业，这都是一个非常重要的发展契机[2]。而目前在制造领域的质量管理中，尚无依据智能算法的全局优化模型。基于此，本文从优化智能算法的角度出发，提出基于人工神经网络的智能制造质量管理模型。

1 智能制造与质量管理

质量管理是指确定质量方针、目标和职责，并通过质量体系中的质量策划、控制、保证和改进来使其实现的全部活动[3]。在智能制造背景下，基于信息物理系统架构的柔性化生产体系、过程行业的关键性技术、数字化技术等，为过程行业的质量管理带来了新的挑战[4]。

基于此，本文提出了面向智能制造过程的质量管理模型，改进并完善了目前在质量管理中应用广泛的单输出神经网络模型，选择多个质量管理指标进行综合评定，得到的神经网络模型能够同时满足多项质量管理指标的最优，实现从局部最优到全局最优的质量管理应用。

2 基于智能制造过程的质量管理模型

2.1 人工神经网络

人工神经网络(Artificial Neural Networks，ANNs)可被定义为一个含有很多互相紧密连接的具有适应性的简单过程元素的结构，这些元素被称作人工神经元，能够实现大数据量的并行计算[5]。人工神经元以不同的方式，通过改变连接方式、神经元的数量和层级，组成不同的ANNs模型[6]。ANNs能够处理线性规划模型无法做到的预测和模型解释问题，因此近年来在质量管理的指标预测研究中，ANNs应用越来越广泛。

2.2 遗传算法优化的BP神经网络

BP神经网络(BP-ANNs)是多层前馈神经网络，有信号前向传递、误差反向传播的特点。在网络训练中，寻优过程往往会陷入局部最优，这主要由于BP-ANNs中的寻优过程是按照梯度下降策略来找到最优结果的。因此，如果在一定范围内得到了相对较小的结果，并且这个位置与全局最优解有一段距离，则寻优过程就无法跳出局部最优解形成的阈值来继续寻找到全局最优解(图1)。为了避免陷入局部收敛，使具备全局寻优能力的遗传算法(genetic algorithm，GA)优化BP-ANNs中的初始权值和阈值。遗传算法于19世纪70年代由美国的J.Holland教授首先提出，是计算智能的重要组成部分[7]。遗传算法优化的BP神经网络(GA-BP-ANNs)用遗传算法来优化BP神经网络的初始权值和阈值，优化后的神经网络能够更好地实现预测。

图1 ANNs的寻优策略

2.3 多输出神经网络

单输出人工神经网络模型的预测精度虽然能满足单个指标的控制要求，但是机械性地反复利用单输出模型会线性地增加数据处理的时间，大大降低信息处理效率。另外，智能制造讲求多个指标协同配合实现全局最优，多输出人工神经网络模型具有更大的优势。基于此，本文提出了面向智能制造质量管理的GA-BP-ANNs多输出模型。

3 应用实例

混凝土结构物在实际应用中主要用于承受荷载或抵抗各种作用力，因此抗压强度成为重要的质量性能指标。除此之外，在混凝土实际生产和交付中，混凝土塌落度也是一项重要指标。因此，本文将混凝土的抗压强度和塌落度选为混凝土的质量性能指标。

3.1 混合算法的确定

对于人工神经网络来说，权值和阈值对其结果影响非常大，如果权值和阈值达到最优，那么计算出的结果在同样的网络结构则实现全局最优，确定的混合算法流程如图2所示。

图2 混合算法流程

3.2 输入层、输出层的选择

神经网络输入层包括瓜子片、碎石、天然砂、机制砂、42.5#水泥、II级煤灰、S95矿粉、膨胀剂、外加剂PCA-I、外加剂PCA1-A、水、回收水等12个输入节点，单位均为千克(kg)，见图3。

神经网络输出层的数据包括混凝土的28d抗压强度和实验室测试的塌落度等2个输出节点，其中28d抗压强度的单位是兆帕(MPa)，塌落度的单位是毫米(mm)。

图3 人工神经网络结构

3.3 样本选取

本案例选用的数据来自浙江杭州某商品混凝土搅拌站。以C35牌号混凝土的数据为例，所选取的每一组样本都包括12个输入层和2个输出层。数据分为两组，一组为样本数据共800组，用来对网络进行训练，另一组为实验数据共200组，用来对已训练的网络的准确性进行检验。

3.4 确定隐含层节点数

(1)

(2)

(3)

表1 隐含层节点个数影响

经过综合分析，确定输入层、隐含层和输出层节点数为12、12和2。用于优化的遗传算法种群数为10，进化次数为20次，交叉率为0.2，变异率为0.1。

图4 GA-BP-ANNs适应度函数

4 结果与讨论

对人工神经网络进行训练并利用实验数据计算平均相对误差，计算100次之后对结果进行汇总(图5)。经过换算，塌落度误差在6.49～20.68 mm，平均塌落度误差为9.70 mm，28 d抗压强度误差在1.43～2.59MPa，平均28 d抗压强度误差在1.77 mm，证明预测的结果较为准确。根据结果，可以对物料配比进行调整，从而保证混凝土的质量，同时对企业的成本控制提供了强有力的证据。

图5 塌落度和28 d抗压强度的MAPE

5 结论

基于产业能力和质量管理能力提升的需求，本文从智能算法优化出发，提出基于人工神经网络的智能制造质量管理模型。以混凝土生产过程的质量管理为例，塌落度误差在[6.49,20.68]mm，28d抗压强度误差在[1.43,2.59]MPa。不仅证明了此方法的可行性，而且为企业的质量管理提供了强有力的数据支持。

参考文献

[1]丁 怡,陈炎飞.德国“工业4.0”对中国发展“制造2025”战略的启示[J].劳动保障世界,2017(27):60-63.

[2]肖 玥.“中国制造2025”下我国轮胎制造业中小企业战略研究[D].北京:北京外国语大学,2017.

[3]唐万鹏,邓仲平.工业4.0背景下的质量管理集成平台架构研究[J].装备制造技术,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.人工神经网络文献综述[J].科技风,2011(5):185-185.

[7]席谷庚，柴天佑，恽为民.遗传算法综述[J].控制理论与应用,1992(6): 697-708.