一种面向多工序混合生产的联合优化方法技术

本发明专利技术公开一种面向多工序混合生产的联合优化方法，包括以下步骤；选取对轮胎制造全流程优化目标起关键作用的操作变量为全流程优化算法模型的决策变量，获得约束条件；针对橡胶轮胎生产过程，构建全流程优化算法模型；对全流程优化算法模型的所述决策变量的参数进行优化，并迭代更新至收敛于全局最优解；通过已有未用数据验证全流程优化算法模型在混合生产中的生产能耗和经济效益。本发明专利技术提供一种多工序联合优化方法，通过建造多工序全流程优化算法模型及根据已有产品的质量标准及操作变量得出新产品的质量标准及操作变量，保证产品质量及经济效益最优。产品质量及经济效益最优。产品质量及经济效益最优。

A joint optimization method for multi process mixed production

【技术实现步骤摘要】
一种面向多工序混合生产的联合优化方法


[0001]本专利技术属于橡胶轮胎制造
，具体地说，是涉及一种面向多工序混合生产的联合优化方法。

技术介绍

[0002]橡胶轮胎制造采用典型的混合生产模式。由于多个工序、多外场因素与产品质量的高度耦合，使得制造过程复杂性和调度管控难度增加。特别是要求严苛的领域的重大工程中的橡胶轮胎产品，为适应高速起降、复杂路况等复杂多变应用场景，提出了耐强冲击、耐高低温、重量轻的定制化功能需求，对平衡度、弹性、耐磨性等重要产品性能提出了更高要求。需要对连续工艺过程及离散生产工序各影响参数进行联合调控，最终获得满足一定目标要求的产品质量。
[0003]橡胶轮胎的生产过程由若干个工序组成，如密炼工序、混炼工序、胶布件工序、硫化工序、成型工序等，每一个关键工序都有各自的优化目标，但是各工序之间相互制约、互为约束，所以单个工序的最优并不能保证整个流程的最优。比如某一工序的控制参数的提高会直接影响该工序半成品质量，但并不意味着整个流程的优化目标达到最优。因此复杂工业过程中各工序之间关系密切，相互影响，仅仅依靠实现单一工序的优化并不能解决全流程优化问题，必须从生产过程整体角度出发协调各工序最终实现全流程优化。
[0004]全流程优化方法是在满足生产约束的条件下，力求获取一组最佳的操作变量，平衡整个流程中的各项消耗和原料成本，获得的经济利益最大。这种优化技术，是在不改变工艺流程和生产设备的情况下，仅通过调整各工序的具体操作量，就可以使整个生产过程达到最佳的运行状态。
[0005]目前来看，橡胶轮胎行业进行个性化产品定制时，全流程质量建模还没有较好方案。对企业已有产品的质量控制参数主要依靠前期经验和设定参数，但对于市场上突然要求的个性化定制产品，企业还无法给出详细的方案。

技术实现思路

[0006]本专利技术提供一种多工序联合优化方法，通过建造算法模型及已有产品的质量标准及操作变量得出新产品的质量标准及操作变量，保证产品质量及经济效益最优。
[0007]为解决上述技术问题，本专利技术采用以下技术方案予以实现：
[0008]一种面向多工序混合生产的联合优化方法，包括以下步骤：
[0009]步骤S101：选取对轮胎制造全流程优化目标起关键作用的操作变量为全流程优化算法模型的决策变量，获得约束条件；
[0010]步骤S102：针对橡胶轮胎生产过程，构建所述全流程优化算法模型；
[0011]步骤S103：对全流程优化算法模型的所述决策变量的参数进行优化，并迭代更新至收敛于全局最优解；
[0012]步骤S104：通过已有未用数据验证所述全流程优化算法模型在混合生产中的生产
能耗和经济效益。
[0013]在一实施例中，所述全流程优化算法模型为：
[0014][0015]其中，f
i
为第i个工序的模型，为状态向量，N
i
为状态向量的维数，u
i
为第i个工序的所述操作向量，z
i
为第i个工序的关联向量， A
ij
为第i个工序和第j个工序的关联矩阵，它是一个N
j
×
N
j
方阵。
[0016]在一实施例中，
[0017][0018]为第j个工序的第k个状态变量对第i个工序的影响因子，为0或者1；无影响为0，有影响为1。
[0019]在一实施例中，目标函数为：
[0020]maxJ＝P(u)
‑
C(u)
[0021]其中，J为全流程综合生产指标；P为收益；C为生产成本；u为所述决策变量；
[0022]u[u
1T
,u
2T
,
…
,u
nT
]T
。
[0023]在一实施例中，所述约束条件为：
[0024]x
i
＝f
i
(u
i
,z
i
)
[0025]x
i,min
≤x
i
≤x
i,max
[0026]u
i,min
≤u
i
≤u
i,max
,i＝1,2,,3
…
,n
[0027]z
i,min
≤z
i
≤z
i,max
,i＝1,2,,3
…
,n
‑1[0028]其中，向量x
i,min
和x
i,max
为第i个工序的质量指标的取值范围；向量u
i,min
和 u
i,max
为第i个工序的所述操作变量的取值范围的上限和下限；向量z
i,min
和 z
i,max
为第i个工序的关联变量的上限和下限。
[0029]在一实施例中，采用麻雀搜索算法对全流程优化算法模型的所述决策变量进行优化。
[0030]在一实施例中，将各道所述工序上的所述决策变量u通过所述麻雀搜索算法生成种群位置矩阵C的的初始值；工序数为n；种群位置矩阵C为n维矩阵，
[0031][0032]并计算各位置点处的适应度值，获得适应度矩阵F(C)，
[0033][0034]在一实施例中，设定所述麻雀搜索算法种群进化的次数E，将种群划分为加入者、发现者、侦察者三个群体；运用惩罚函数的约束处理策略，通过对不可行的解施加某种惩罚，使得全流程逐渐收敛。
[0035]在一实施例中，所述观察者为种群提供食物资源信息，引导种群觅食方向，每一轮种群进化过程中位置变化为：
[0036][0037]t代表当前迭代次数，c
i,j
表示第i只麻雀在第j维中的位置；R2(R2∈[0,1])和 ST(ST∈[0.5,1])分别表示预警值和安全值，即每道所述工序的生产参数的阈值范围；R2≥ST表示位置安全能够进行搜索，反之发出预警并离开当前位置；Emax 是一个常数，表示最大的迭代次数；Q是服从正态分布的随机数；L表示一个1
×ꢀ
d的矩阵，其中该矩阵内每个元素全部为1；
[0038]所述加入者通过侦听所述发现者的位置信息更新觅食方向，争夺优质资源，所述加入者位置更新如下：
[0039][0040]c
p
是所述发现者所处的局部最优位置，c
worst
表示全局最差的位置。A表示一个1
×
d的矩阵，其中每个元素随机赋值为1或
‑
1，并且A+＝AT(AAT)
‑
1；当时，表明第i个所述加入者仍没有获得食物且适应度较低，需找寻其他位置获得食物资源；
[0041]所述侦察者为种群及时提供危险信息，其占据种群数量的10％到20％，根据如下公式进行位置的更新：
[0042][本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向多工序混合生产的联合优化方法，其特征在于，包括以下步骤：步骤S101：选取对轮胎制造全流程优化目标起关键作用的操作变量为全流程优化算法模型的决策变量，获得约束条件；步骤S102：针对橡胶轮胎生产过程，构建所述全流程优化算法模型；步骤S103：对全流程优化算法模型的所述决策变量的参数进行优化，并迭代更新至收敛于全局最优解；步骤S104：通过已有未用数据验证所述全流程优化算法模型在混合生产中的生产能耗和经济效益。2.根据权利要求1所述的面向多工序混合生产的联合优化方法，其特征在于，所述全流程优化算法模型为：其中，f
i
为第i个工序的模型，为状态向量，N
i
为状态向量的维数，u
i
为第i个工序的所述操作向量，z
i
为第i个工序的关联向量，A
ij
为第i个工序和第j个工序的关联矩阵，它是一个N
j
×
N
j
方阵。3.根据权利要求2所述的面向多工序混合生产的联合优化方法，其特征在于，3.根据权利要求2所述的面向多工序混合生产的联合优化方法，其特征在于，为第j个工序的第k个状态变量对第i个工序的影响因子，为0或者1；无影响为0，有影响为1。4.根据权利要求3所述的面向多工序混合生产的联合优化方法，其特征在于，目标函数为：maxJ＝P(u)
‑
C(u)其中，J为全流程综合生产指标；P为收益；C为生产成本；u为所述决策变量；u＝[u
1T
,u
2T
,
…
,u
nT
]
T
。5.根据权利要求4所述的面向多工序混合生产的联合优化方法，其特征在于，所述约束条件为：x
i
＝f
i
(u
i
,z
i
)u
i,min
≤u
i
≤u
i,max
,i＝1,2,,3
…
,nz
i,min
≤z
i
≤z
i,max
,i＝1,2,,3
…
,n
‑
1其中，向量x
i,min
和x
i,max
为工序质量指标取值范围；向量u
i,min
和u
i,max
为第i个工序操作变量取值范围的上限和下限；向量z
i,min
和z
i,max
为第i个工序关联变量的上限和下限。
6.根据权利要求1至5任一项所述的面向多工序混合生产的联合优化方法，其特征在于，采用麻雀搜索算法对全流程优化算法模型的所述决策变量进行优化。7.根据权利要求6所述的面向多工序混合生产的联合优化方法，其特征在于，将各道所述工序上的所述决策变量u通过麻雀搜索算法生成种群位置矩阵C的的初始值；工序数为n；所述种群位置矩阵C为n维矩阵，并计算各位置点处的适应度值，获得适应度矩阵F(C)，8.根据权利要求7所...

【专利技术属性】
技术研发人员：宫会丽，侯瑞春，于树松，丁香乾，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：