陶瓷配方优化方法及系统技术方案

本发明专利技术涉及陶瓷生产的技术领域，尤其是涉及陶瓷配方优化方法及系统,包括：采集配方先验知识数据，构建陶瓷配方先验知识库，并且采集陶瓷生产的历史配方数据和原料数据，构建陶瓷历史配方数据库；根据先验知识、原料数据和历史配方数据，采取知识驱动和数据驱动的集成学习，构建陶瓷配方性能预测模型；将陶瓷配方原料优化问题定义为带约束及混合变量的单目标或多目标优化问题，构建优化模型；运用数据驱动的演化优化算法对配方进行优化；依次进行约束处理、鲁棒优化和多解优化；基于上述模型和优化算法，集成研制出陶瓷原料配方优化系统；本发明专利技术具有解决陶瓷配方优化设计的效率及试错成本问题的效果。试错成本问题的效果。试错成本问题的效果。

【技术实现步骤摘要】
陶瓷配方优化方法及系统


[0001]本专利技术涉及陶瓷生产的
，特别是陶瓷配方优化方法及系统。

技术介绍

[0002]目前，陶瓷原料配方设计非常依赖技术工程师的先验知识，存在试错成本巨大、配方设计效率低下的问题。
[0003]现有的陶瓷配方优化及设计主要依靠两种方法，一种是完全依靠人工的经验，通过计算得出多个配方；另一种方法是人工使用excel工具进行配方设计，然后再通过人工试验，工作流程如下：技术工程师通过对原料的判断，筛选出几种原料对配方进行设计及优化，确定多个陶瓷配方方案；将设计的多种配方方案通过人工进行配料进行试验，通过正交试验的方式来筛选较优的配方方案。
[0004]以上的配方优化设计方法都是基于人的主观经验来设计及判定配方的优劣，但考虑到人储存知识的有限性及考虑问题的局限性，现有方式不仅效率低下，而且试错成本较高，同时也无法判断获得的配方就是最优的配方方案。
[0005]因此，需要研究数据驱动的陶瓷原料配方优化计算智能方法，构建一套智能化的陶瓷坯体配方优化系统，作为陶瓷生产配方设计实用性和普遍性的工具。

技术实现思路

[0006]针对上述缺陷，本专利技术的目的在于提出陶瓷配方优化方法及系统，解决陶瓷配方优化设计的效率及试错成本的问题。
[0007]为达此目的，本专利技术采用以下技术方案：
[0008]陶瓷配方优化方法，包括如下步骤：
[0009]A.采集配方先验知识数据，构建陶瓷配方先验知识库，并且采集陶瓷生产的历史配方数据和原料数据，构建陶瓷历史配方数据库；
[0010]B.根据先验知识、原料数据和历史配方数据，采取知识驱动和数据驱动的集成学习，构建陶瓷配方性能预测模型；
[0011]C.将陶瓷配方原料优化问题定义为带约束及混合变量的单目标或多目标优化问题，构建优化模型；
[0012]D.运用数据驱动的演化优化算法对配方进行优化；
[0013]E.依次进行约束处理、鲁棒优化和多解优化；
[0014]F.基于上述模型和优化算法，集成研制出陶瓷原料配方优化系统。
[0015]优选的，所述B步骤构建陶瓷配方性能预测模型包括如下内容：
[0016]b1.依据陶瓷配方先验知识库中蕴含的陶瓷配方先验规则，采用蚁群挖掘系统算法及遗传编程方法，构建决策树，生成基于规则推理的决策树模型；
[0017]b2.依据陶瓷历史配方数据库，基于机器学习方法建立回归和分类模型；
[0018]b3.通过集成学习机制，将决策树模型和机器学习方法相集成，实现数据及知识驱
动相融合的陶瓷配方性能预测模型。
[0019]优选的，所述C步骤构建优化模型包括如下内容：
[0020]c1.设定配方原料数量及原料种类；
[0021]c2.按价格确定原料；
[0022]c3.在陶瓷配方性能预测模型中加入约束条件，形成带约束优化数学模型。
[0023]优选的，所述b1步骤中采用蚁群挖掘系统算法及遗传编程方法生成决策树模型包括以下步骤：
[0024]输入原料种类数m，初始化循环次数Nc＝0；
[0025]设定初始化原料种类k＝1，根据陶瓷历史配方数据库依次选择下一种原料，即原料种类k＝k+1，并修改禁忌表，进行循环，直至k≥m，循坏结束；
[0026]上述循坏结束时更新获得的原料数据，判断是否满足配方要求，若是，在线检验是否合格，若合格，输出结果；若不满足配方要求或在线检验为不合格，则使循环次数Nc＝Nc+1，再进行上述循环。
[0027]优选的，所述鲁棒优化步骤使用基于概率分布的鲁棒优化机制；所述多解优化使用基于小生境的多解优化机制。
[0028]陶瓷配方优化系统，包括数据采集模块、模型构建模块和配方优化模块；
[0029]所述数据采集模块用于采集配方先验知识数据、原料数据及历史配方数据，并构建陶瓷配方先验知识库和陶瓷历史配方数据库；
[0030]所述模型构建模块用于构建陶瓷配方性能预测模型；
[0031]所述配方优化模块用于构建优化模型，运用数据驱动的演化优化算法对配方进行优化，以及进行约束处理、鲁棒优化和多解优化；
[0032]所述数据采集模块、模型构建模块和配方优化模块电联接。
[0033]优选的，所述模型构建模块内设有第一运算子模块，所述第一运算子模块利用蚁群挖掘系统算法及遗传编程方法生成决策树模型，包括如下内容：
[0034]输入原料种类数m，初始化循环次数Nc＝0；
[0035]设定初始化原料种类k＝1，根据陶瓷历史配方数据库依次选择下一种原料，即原料种类k＝k+1，并修改禁忌表，进行循环，直至k≥m，循坏结束；
[0036]上述循坏结束时更新获得的原料数据，判断是否满足配方要求，若是，在线检验是否合格，若合格，输出结果；若不满足配方要求或在线检验为不合格，则使循环次数Nc＝Nc+1，再进行上述循环。
[0037]优选的，所述配方优化模块内设有第二运算子模块，所述第二运算子模块用于进行数据驱动的演化优化算法、基于概率分布的鲁棒优化和基于小生境的多解优化的运算。
[0038]一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上文所述的陶瓷配方优化方法的步骤。
[0039]一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的陶瓷配方优化方法的步骤。
[0040]上述技术方案包括以下有益效果：
[0041]本实施例在目前已积累的陶瓷原料数据及技术工程师的先验知识的基础上，研究
数据及先验知识驱动的陶瓷配方性能预测模型，将基于先验知识的决策树模型和基于历史配方数据的机器学习模型相融合，实现对陶瓷原料配方性能的预测和评价；将陶瓷配方原料优化问题定义为带约束及混合变量的单目标或多目标优化问题，设计演化计算方法实现配方优化；另外，针对陶瓷配方性能预测模型不精确、不稳定的特性，及数据驱动演化优化算法的生成解的合理性和可解释性问题，提出鲁棒多解的配方优化算法，可同时为技术工程师提供多个预测性能优秀的候选配方，以便技术工程师选择更加合理的配方进行试制，能够提高陶瓷配方优化设计的效率，缩短配方试验的时间，及降低配方的试错成本，解决配方设计过程对技术工程师的依赖性的问题。
附图说明
[0042]图1是本专利技术实施例的整体流程示意图；
[0043]图2是本专利技术实施例中B步骤构建陶瓷配方性能预测模型的流程图；
[0044]图3是本专利技术实施例中C步骤构建优化模型的流程图。
具体实施方式
[0045]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.陶瓷配方优化方法，其特征在于，包括如下步骤：A.采集配方先验知识数据，构建陶瓷配方先验知识库，并且采集陶瓷生产的历史配方数据和原料数据，构建陶瓷历史配方数据库；B.根据先验知识、原料数据和历史配方数据，采取知识驱动和数据驱动的集成学习，构建陶瓷配方性能预测模型；C.将陶瓷配方原料优化问题定义为带约束及混合变量的单目标或多目标优化问题，构建优化模型；D.运用数据驱动的演化优化算法对配方进行优化；E.依次进行约束处理、鲁棒优化和多解优化；F.基于上述模型和优化算法，集成研制出陶瓷原料配方优化系统。2.根据权利要求1所述的陶瓷配方优化方法，其特征在于：所述B步骤构建陶瓷配方性能预测模型包括如下内容：b1.依据陶瓷配方先验知识库中蕴含的陶瓷配方先验规则，采用蚁群挖掘系统算法及遗传编程方法，构建决策树，生成基于规则推理的决策树模型；b2.依据陶瓷历史配方数据库，基于机器学习方法建立回归和分类模型；b3.通过集成学习机制，将决策树模型和机器学习方法相集成，实现数据及知识驱动相融合的陶瓷配方性能预测模型。3.根据权利要求1所述的陶瓷配方优化方法，其特征在于：所述C步骤构建优化模型包括如下内容：c1.设定配方原料数量及原料种类；c2.按价格确定原料；c3.在陶瓷配方性能预测模型中加入约束条件，形成带约束优化数学模型。4.根据权利要求2所述的陶瓷配方优化方法，其特征在于：所述b1步骤中采用蚁群挖掘系统算法及遗传编程方法生成决策树模型包括以下步骤：输入原料种类数m，初始化循环次数Nc＝0；设定初始化原料种类k＝1，根据陶瓷历史配方数据库依次选择下一种原料，即原料种类k＝k+1，并修改禁忌表，进行循环，直至k≥m，循坏结束；上述循坏结束时更新获得的原料数据，判断是否满足配方要求，若是，在线检验是否合格，若合格，输出结果；若不满足配方要求或在线检验为不合格，则使循环次数Nc＝Nc+1，再进行上述循环。5.根据权利...

【专利技术属性】
技术研发人员：姚青山，聂贤勇，白梅，陈淑林，刘伟，
申请(专利权)人：佛山众陶联供应链服务有限公司，
类型：发明
国别省市：