Nothing Special   »   [go: up one dir, main page]

CN103020455A - 一种同轴电缆护套机优化运行的多目标模型更新方法 - Google Patents

一种同轴电缆护套机优化运行的多目标模型更新方法 Download PDF

Info

Publication number
CN103020455A
CN103020455A CN2012105471971A CN201210547197A CN103020455A CN 103020455 A CN103020455 A CN 103020455A CN 2012105471971 A CN2012105471971 A CN 2012105471971A CN 201210547197 A CN201210547197 A CN 201210547197A CN 103020455 A CN103020455 A CN 103020455A
Authority
CN
China
Prior art keywords
model
sheath
new
production
index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012105471971A
Other languages
English (en)
Other versions
CN103020455B (zh
Inventor
王春林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HANGZHOU FUTONG ELECTRIC WIRE & CABLE CO., LTD.
Original Assignee
Futong Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Futong Group Co Ltd filed Critical Futong Group Co Ltd
Priority to CN201210547197.1A priority Critical patent/CN103020455B/zh
Publication of CN103020455A publication Critical patent/CN103020455A/zh
Application granted granted Critical
Publication of CN103020455B publication Critical patent/CN103020455B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Feedback Control In General (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及一种同轴电缆护套机优化运行的多目标模型更新方法。目前同轴电缆护套机运行主要是靠工作人员经验运行。本发明方法分两种情况更新：当有新的同轴电缆护套材料被采用时，针对该新材料的生产运行数据和产品品质数据进行多目标建模，后将该模型组合入原模型中，构成新模型；当模型中某生产材料的模型预测误差超出允许误差范围时，利用超出允许误差范围的数据建立新的多目标模型，再利用新数据和优化算法，寻找最优的新模型和原有多目标模型的组合比例系数，将新模型和已有模型结合在一起，共同对新的生产状态进行预测和优化，实现更新。本发明方法无需放弃已有模型，充分利用了已有模型的学习结果，缩短了模型更新的计算工作量和时间。

Description

一种同轴电缆护套机优化运行的多目标模型更新方法
技术领域
本发明属于信息与控制技术领域，涉及一种同轴电缆护套机优化运行的多目标模型更新方法。
背景技术
同轴电缆护套机优化运行是保证同轴电缆护套品质的重要技术手段，其目标是在一定的生产材料(护套材料)条件下，通过调整给料速度，芯线速度，过程中的温度等生产操作参数而获得高效、高品质的运行状态。同轴电缆护套机所用护套材料、生产过程中的温度及芯线通过护套机的速度等生产操作参数的搭配，对同轴电缆护套的品质有直接的影响，不同的护套材料、生产过程中温度及芯线穿过护套机速度等生产操作参数的配置，会直接导致不同的电缆护套的老化性能指标、抗磨性能指标甚至是有无气泡(或气泡多少)等情况。对于给定的护套材料，在给定的护套机上生产，针对不同的规格要求，存在一种最优的运行方案，能够使相应护套品质指标最优化，但是，生产操作参数与品质指标间有着复杂的关系，要找到最优的生产运行方案并不容易。随着科学技术的不断进步，自动化程度也在不断提高，但是同轴电缆护套机优化运行问题还没有很好的得到解决。
实际中同轴电缆护套机运行主要是靠工作人员经验，针对具体的护套机和生产材料情况，通过既有的经验来进行生产操作参数配置，几乎谈不到优化。
通过数据挖掘的优势，在大量实际运行数据中，挖掘出生产操作参数与产品品质指标间的关系模型，并将此模型应用于护套机的运行优化，将会使护套机的生产效果大大提高。由于同轴电缆护套的产品品质指标不止一个，所以其同轴电缆护套机生产操作参数与产品品质指标间的关系模型一般为多目标模型。
由于同轴电缆护套机的生产产品品质特性与生产操作参数间的关系随着设备运行时间的增长会有所改变，而且增加新的护套材料时，原多目标模型无法直接应用。因此如何保证模型能够快速、高效的更新以适应新的情况成为了这种方法的关键问题。该问题与建模方法、护套生产材料，样本数据选取及更新策略等都有很大关系。
发明内容
本发明的目标是针对同轴电缆护套机优化运行中的难题，提供一种兼顾模型预测能力与泛化能力的同轴电缆护套机优化运行的多目标模型更新方法。
本发明具体是分两种情况更新：1)有新的同轴电缆护套材料被采用时，则针对该新材料情况下，生产运行数据和产品品质数据进行多目标建模，后将该模型组合入原模型中，构成生产材料更丰富的新模型；2)原模型中针对某一生产材料的模型预测误差超出允许误差范围时，利用超出原有模型允许误差范围的数据建立新的多目标模型，然后再利用新数据和优化算法，寻找最优的新模型和原有多目标模型的组合比例系数，利用最优的比例系数将新模型和已有模型结合在一起，共同对新的生产状态进行预测和优化，实现模型更新。该方法克服了一般模型更新方法中将已有模型完全放弃，不能利用已有模型的学习结果的缺点，充分利用了已有模型的学习结果，大大缩短了模型更新的计算工作量和时间。
本发明的技术方案是通过对新护套生产材料建立多目标模型后组合到原模型中进行原模型的更新，或者利用原有模型预测超出允许误差范围的数据作样本，建立新的多目标模型，并将新模型与原有模型相结合，确立了一种同轴电缆护套机优化运行的多目标模型更新法，利用该方法可以快速、高效的实现模型的更新。
本发明方法的具体步骤是：
步骤(1).给定的同轴电缆护套机需采用新的(原模型中未包括的)生产材料时，针对新的生产材料，采集同轴电缆护套机生产操作参数及相关的表征同轴电缆护套生产品质的指标，与原模型一致，建立数据库；具体的同轴电缆护套机生产操作参数通过同轴电缆护套机运行数控系统获取，或直接通过仪器测量采集，其获得的方法均为成熟技术；
所述的同轴电缆护套机生产操作参数的数据包括：同轴电缆护套的生产给料速度                                               
Figure 2012105471971100002DEST_PATH_IMAGE002
、芯线穿过护套机速度
Figure 2012105471971100002DEST_PATH_IMAGE004
、生产温度
Figure 2012105471971100002DEST_PATH_IMAGE006
；所述的表征同轴电缆护套生产品质的指标的数据包括：护套的抗老化指标、单位长度平均气泡数量
Figure 2012105471971100002DEST_PATH_IMAGE010
、抗磨性能指标
Figure 2012105471971100002DEST_PATH_IMAGE012
；
当给定的同轴电缆护套机，由于原模型对某种生产材料的生产过程中的产品品质指标预测超出允许误差范围时，则从步骤(5)进行更新；
步骤(2).对新护套生产材料数据库中的数据进行选择和预处理，选择50～200组数据作为建模数据，包括：给料速度
Figure 589441DEST_PATH_IMAGE002
、芯线穿过护套机速度
Figure 879608DEST_PATH_IMAGE004
、生产温度
Figure 822156DEST_PATH_IMAGE006
及护套的抗老化指标
Figure 197774DEST_PATH_IMAGE008
、单位长度平均气泡数量和抗磨性能指标
Figure 464862DEST_PATH_IMAGE012
的情况；对作为模型输入量的生产操作参数(给料速度
Figure 312732DEST_PATH_IMAGE002
，芯线穿过护套机速度
Figure 175646DEST_PATH_IMAGE004
，生产温度
Figure 399954DEST_PATH_IMAGE006
)，通过单位的变换或乘系数的方法，使各输入量的数据处于相同的数量级，并进行归一化处理；
步骤(3).采用多输入多输出的径向基神经网络方法，针对建模数据建模，建立新材料护套的品质指标与生产操作参数间的模型；具体建模方法如下：
用于建模样本的输入参数及表征护套生产品质性能的综合指标的输出参数可以表示为
Figure 2012105471971100002DEST_PATH_IMAGE014
，其中
Figure 2012105471971100002DEST_PATH_IMAGE016
表示第组作为输入数据的护套生产操作参数向量，
Figure 2012105471971100002DEST_PATH_IMAGE020
表示第
Figure 976298DEST_PATH_IMAGE018
组作为输出参数的表征护套生产品质的向量，
Figure 2012105471971100002DEST_PATH_IMAGE022
为样本数量，以实际运行数据为基础建立生产操作参数与护套的生产品质指标间的模型；对于个隐节点的径向基神经网络其输出为：
Figure 2012105471971100002DEST_PATH_IMAGE026
，
Figure 2012105471971100002DEST_PATH_IMAGE028
为权重系数向量， 
Figure 2012105471971100002DEST_PATH_IMAGE030
为维输入向量，
Figure 2012105471971100002DEST_PATH_IMAGE034
为第
Figure 447599DEST_PATH_IMAGE018
个基函数的中心向量，
Figure 2012105471971100002DEST_PATH_IMAGE036
为函数的基宽度参数向量；建立径向机神经网络模型的关键在于确定基函数的中心向量
Figure 302203DEST_PATH_IMAGE034
，基宽度向量
Figure 2306DEST_PATH_IMAGE036
及权重系数向量
Figure 121572DEST_PATH_IMAGE028
；采用遗传算法迭代训练径向基神经网络，定义遗传算法初始群体
Figure 2012105471971100002DEST_PATH_IMAGE038
向量的各维分量，分别为隐节点个数、数基函数中心、函数的基宽度和权重系数，目标函数为： 
Figure 2012105471971100002DEST_PATH_IMAGE040
，其中
Figure 2012105471971100002DEST_PATH_IMAGE042
为第
Figure 888409DEST_PATH_IMAGE018
个样本的神经网络输出值向量，
Figure 788231DEST_PATH_IMAGE020
为第
Figure 292025DEST_PATH_IMAGE018
个样本的实际值向量；当达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、基函数中心向量、函数的基宽度向量和权重系数向量，从而获得多输入多输出的径向基神经网络模型；
步骤(4).将新护套生产材料的多目标模型与原模型组合为一个整体的模型，实现模型更新；
步骤(5).当给定的同轴电缆护套机，由于原模型对某种生产材料的生产过程中的产品品质指标预测超出允许误差范围时，建立原有模型的预测错误数据库；根据具体生产情况和对模型预测精度的要求，设定模型的各目标的允许预测误差限、
Figure 2012105471971100002DEST_PATH_IMAGE048
和
Figure 2012105471971100002DEST_PATH_IMAGE050
，其中
Figure 577382DEST_PATH_IMAGE046
为护套的抗老化指标
Figure 203535DEST_PATH_IMAGE008
的允许预测误差限，
Figure 528337DEST_PATH_IMAGE048
为单位长度平均气泡数量
Figure 68778DEST_PATH_IMAGE010
允许预测误差限，
Figure 224953DEST_PATH_IMAGE050
为抗磨性能指标
Figure 959690DEST_PATH_IMAGE012
允许预测误差限，在采集数据时，判断模型预测值与实际运行值之间的误差与允许预测误差限的大小，如果某护套品质指标预测误差大于
Figure 2012105471971100002DEST_PATH_IMAGE052
，
Figure 506209DEST_PATH_IMAGE052
表示某护套品质指标
Figure 617385DEST_PATH_IMAGE046
、
Figure 628066DEST_PATH_IMAGE048
和
Figure 26381DEST_PATH_IMAGE050
之一，即，其中
Figure 2012105471971100002DEST_PATH_IMAGE056
为某护套品质指标模型预测值，
Figure 2012105471971100002DEST_PATH_IMAGE058
为某护套品质指标实测值，则将超限数据存入预测错误数据库中，以备模型更新之用；
步骤(6).建立新模型：原模型需要更新时，选取预测错误数据库中的数据作为训练样本，用多目标径向基神经网络建模，建立生产操作参数与护套的生产品质指标间的模型，建模过程与步骤(3)相同，获得多目标的径向基神经网络模型；
步骤(7).确定新模型和已有模型的比例：采集新的护套机相同生产材料情况下，不同运行状态下的数据作为检验样本，应用原有模型预测与新模型加权平均的预测方法，对检验数据进行预测，即
Figure 2012105471971100002DEST_PATH_IMAGE060
，其中
Figure 935562DEST_PATH_IMAGE020
为第
Figure 817806DEST_PATH_IMAGE018
组检验样本工况的目标预测值向量、
Figure 2012105471971100002DEST_PATH_IMAGE062
为新模型预测值向量、
Figure 2012105471971100002DEST_PATH_IMAGE064
为原有模型预测值向量、
Figure 2012105471971100002DEST_PATH_IMAGE066
为新模型预测值权重系数、
Figure 2012105471971100002DEST_PATH_IMAGE068
为原有模型的预测权重系数，且
Figure 2012105471971100002DEST_PATH_IMAGE070
；
Figure 197840DEST_PATH_IMAGE066
与
Figure 274381DEST_PATH_IMAGE068
的确定采用粒子群算法迭代寻优确定，初始化粒子群位置向量
Figure 2012105471971100002DEST_PATH_IMAGE072
的各维分量，分别为新模型权重和原有模型权重
Figure 982891DEST_PATH_IMAGE068
，目标函数为：
Figure 2012105471971100002DEST_PATH_IMAGE074
，其中
Figure 2012105471971100002DEST_PATH_IMAGE076
为第组检验工况实测多目标值与结合模型预测值的误差，
Figure 2012105471971100002DEST_PATH_IMAGE078
为护套的抗老化指标的结合模型预测值与实测值的误差平方，
Figure 2012105471971100002DEST_PATH_IMAGE080
为单位长度平均气泡数量
Figure 977675DEST_PATH_IMAGE010
的结合模型预测值与实测值的误差平方，
Figure 2012105471971100002DEST_PATH_IMAGE082
为抗磨性能指标
Figure 906448DEST_PATH_IMAGE012
的结合模型预测值与实测值的误差平方，当
Figure 2012105471971100002DEST_PATH_IMAGE084
取得了最小、达到设定值或完成迭代次数时，寻优完成，分别获得新模型和已有模型的比例系数
Figure 182446DEST_PATH_IMAGE066
与
Figure 538473DEST_PATH_IMAGE068
；清空预测错误数据库，以备下一次更新采集数据之用；
步骤(8).将原有模型与新模型按最优的比例系数相结合，构成新的组合模型，即
Figure 2012105471971100002DEST_PATH_IMAGE086
，其中E为更新后的组合模型，从而实现同轴电缆护套机原模型预测误差超出允许误差范围情况下的模型更新。
本发明提出的模型更新方法根据具体情况不同，分别有针对性的进行模型更新，在采用新材料时，通过针对立新材料建模，完善和补充了原有模型，实现原模型的更新；在原模型预测误差超出允许误差范围时，充分利用已有的模型所包含的有用信息，即将原模型与针对预测错误数据库数据所建模性相结合，大大减少了模型更新的工作量，提高了模型更新的效率，满足了同轴电缆护套机生产优化的实际要求，保证了同轴电缆护套机生产优化的实时性和准确性。
具体实施方式
下面对本发明的实施作具体说明：
一种同轴电缆护套机优化运行的多目标模型更新方法，包括以下步骤：
(1).当给定的同轴电缆护套机，由于生产需要采用新的(原模型中未包括的)生产材料时，针对该护套的生产材料，采集同轴电缆护套机生产操作参数及相关的表征同轴电缆护套生产品质的指标，与原模型一致，建立数据库。具体的同轴电缆护套机生产操作参数通过同轴电缆护套机运行数控系统获取，或直接通过仪器测量采集。
所述的同轴电缆护套机生产操作参数数据包括：同轴电缆护套的生产给料速度
Figure 768597DEST_PATH_IMAGE002
，芯线穿过护套机速度
Figure 61913DEST_PATH_IMAGE004
，生产温度
Figure 693882DEST_PATH_IMAGE006
；所述的表征同轴电缆护套生产品质的指标的数据包括：护套的抗老化指标
Figure 283126DEST_PATH_IMAGE008
、单位长度平均气泡数量
Figure 266126DEST_PATH_IMAGE010
和抗磨性能指标，其获得的方法为成熟技术；
当给定的同轴电缆护套机，由于原模型对某种生产材料的生产过程中的产品品质指标预测超出允许误差范围时，则从步骤(5)进行更新。
(2). 对新护套生产材料数据库中的数据进行选择和预处理，选择50～200组数据作为建模数据，包括：给料速度
Figure 584030DEST_PATH_IMAGE002
，芯线穿过护套机速度，生产温度
Figure 876788DEST_PATH_IMAGE006
及护套的抗老化指标
Figure 747792DEST_PATH_IMAGE008
、单位长度平均气泡数量
Figure 416671DEST_PATH_IMAGE010
和抗磨性能指标
Figure 129410DEST_PATH_IMAGE012
的情况；对作为模型输入量的生产操作参数(给料速度
Figure 618160DEST_PATH_IMAGE002
，芯线穿过护套机速度
Figure 558434DEST_PATH_IMAGE004
，生产温度
Figure 81819DEST_PATH_IMAGE006
)，通过单位的变换或乘系数的方法，使各输入量的数据处于相同的数量级，并进行归一化处理。
(3).采用多输入多输出的径向基神经网络方法，针对建模数据建模，建立新材料护套的品质指标与生产操作参数间的模型；具体建模方法如下：
用于建模样本的输入参数及表征护套生产品质性能的综合指标的输出参数可以表示为，其中
Figure 425393DEST_PATH_IMAGE016
表示第
Figure 903779DEST_PATH_IMAGE018
组作为输入数据的护套生产操作参数向量，表示第
Figure 318635DEST_PATH_IMAGE018
组作为输出参数的表征护套生产品质的向量，
Figure 719660DEST_PATH_IMAGE022
为样本数量，以实际运行数据为基础建立生产操作参数与护套的生产品质指标间的模型；对于
Figure 64054DEST_PATH_IMAGE024
个隐节点的径向基神经网络其输出为：
Figure 499714DEST_PATH_IMAGE026
，为权重系数向量， 
Figure 159683DEST_PATH_IMAGE030
为
Figure 42188DEST_PATH_IMAGE032
维输入向量，为第
Figure 507859DEST_PATH_IMAGE018
个基函数的中心向量，
Figure 883477DEST_PATH_IMAGE036
为函数的基宽度参数向量。建立径向机神经网络模型的关键在于确定基函数的中心向量
Figure 569673DEST_PATH_IMAGE034
，基宽度向量
Figure 714347DEST_PATH_IMAGE036
及权重系数向量
Figure 827796DEST_PATH_IMAGE028
。采用遗传算法迭代训练径向基神经网络，定义遗传算法初始群体
Figure 690710DEST_PATH_IMAGE038
向量的各维分量，分别为隐节点个数、数基函数中心、函数的基宽度和权重系数，目标函数为： 
Figure 915018DEST_PATH_IMAGE040
，其中为第
Figure 962663DEST_PATH_IMAGE018
个样本的神经网络输出值向量，
Figure 47294DEST_PATH_IMAGE020
为第
Figure 75293DEST_PATH_IMAGE018
个样本的实际值向量。当
Figure 194559DEST_PATH_IMAGE044
达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、基函数中心向量、函数的基宽度向量和权重系数向量，从而获得多输入多输出的径向基神经网络模型。
(4).将新护套生产材料的多目标模型与原模型组合为一个整体的模型，实现模型更新。
(5).当给定的同轴电缆护套机，由于原模型对某种生产材料的生产过程中的产品品质指标预测超出允许误差范围时，建立原有模型的预测错误数据库。根据具体生产情况和对模型预测精度的要求，设定模型的各目标的允许预测误差限
Figure 649811DEST_PATH_IMAGE046
、
Figure 487317DEST_PATH_IMAGE048
和，其中
Figure 531594DEST_PATH_IMAGE046
为护套的抗老化指标
Figure 157747DEST_PATH_IMAGE008
的允许预测误差限，
Figure 216970DEST_PATH_IMAGE048
为单位长度平均气泡数量
Figure 586772DEST_PATH_IMAGE010
允许预测误差限，
Figure 680630DEST_PATH_IMAGE050
为抗磨性能指标
Figure 477684DEST_PATH_IMAGE012
允许预测误差限，在采集数据时，判断模型预测值与实际运行值之间的误差与允许预测误差限的大小，如果某护套品质指标预测误差大于
Figure 24203DEST_PATH_IMAGE052
，
Figure 368335DEST_PATH_IMAGE052
表示某护套品质指标
Figure 379016DEST_PATH_IMAGE046
、和
Figure 318470DEST_PATH_IMAGE050
之一，即
Figure 30074DEST_PATH_IMAGE054
，其中
Figure 160841DEST_PATH_IMAGE056
为某护套品质指标模型预测值，为某护套品质指标实测值，则将超限数据存入预测错误数据库中，以备模型更新之用。
(6).建立新模型。原模型需要更新时，选取预测错误数据库中的数据作为训练样本，用多目标径向基神经网络建模，建立生产操作参数与护套的生产品质指标间的模型，建模过程与步骤(3)相同，获得多目标的 径向基神经网络模型。
(7).确定新模型和已有模型的比例。采集新的护套机相同生产材料情况下，不同运行状态下的数据作为检验样本，应用原有模型预测与新模型加权平均的预测方法，对检验数据进行预测，即
Figure 555231DEST_PATH_IMAGE060
，其中
Figure 506744DEST_PATH_IMAGE020
为第组检验样本工况的目标预测值向量，
Figure 739459DEST_PATH_IMAGE062
为新模型预测值向量，
Figure 482287DEST_PATH_IMAGE064
为原有模型预测值向量，
Figure 535694DEST_PATH_IMAGE066
为新模型预测值权重系数，
Figure 313157DEST_PATH_IMAGE068
为原有模型的预测权重系数，且
Figure 793817DEST_PATH_IMAGE070
；
Figure 788055DEST_PATH_IMAGE066
与
Figure 379574DEST_PATH_IMAGE068
的确定采用粒子群算法迭代寻优确定，初始化粒子群位置向量的各维分量，分别为新模型权重
Figure 928684DEST_PATH_IMAGE066
和原有模型权重
Figure 646104DEST_PATH_IMAGE068
，目标函数为：
Figure 41313DEST_PATH_IMAGE074
，其中为第
Figure 615831DEST_PATH_IMAGE018
组检验工况实测多目标值与结合模型预测值的误差，
Figure 313223DEST_PATH_IMAGE078
为护套的抗老化指标
Figure 512124DEST_PATH_IMAGE008
的结合模型预测值与实测值的误差平方，
Figure 118685DEST_PATH_IMAGE080
为单位长度平均气泡数量
Figure 112049DEST_PATH_IMAGE010
的结合模型预测值与实测值的误差平方，
Figure 804062DEST_PATH_IMAGE082
为抗磨性能指标
Figure 806653DEST_PATH_IMAGE012
的结合模型预测值与实测值的误差平方，当取得了最小、达到设定值或完成迭代次数时，寻优完成，分别获得新模型和已有模型的比例系数
Figure 431986DEST_PATH_IMAGE066
与
Figure 109830DEST_PATH_IMAGE068
。清空预测错误数据库，以备下一次更新采集数据之用。
(8).将原有模型与新模型按最优的比例系数相结合，构成新的组合模型，即
Figure 650533DEST_PATH_IMAGE086
，其中E为更新后的组合模型，从而实现同轴电缆护套机原模型预测误差超出允许误差范围情况下的模型更新。

Claims (1)

1. 一种同轴电缆护套机优化运行的多目标模型更新方法，其特征在于该方法的具体步骤是：
步骤(1).给定的同轴电缆护套机需采用新的生产材料时，针对新的生产材料，采集同轴电缆护套机生产操作参数及相关的表征同轴电缆护套生产品质的指标，与原模型一致，建立数据库；具体的同轴电缆护套机生产操作参数通过同轴电缆护套机运行数控系统获取，或直接通过仪器测量采集；
所述的同轴电缆护套机生产操作参数的数据包括：同轴电缆护套的生产给料速度                                               
Figure 2012105471971100001DEST_PATH_IMAGE002
、芯线穿过护套机速度
Figure 2012105471971100001DEST_PATH_IMAGE004
、生产温度
Figure 2012105471971100001DEST_PATH_IMAGE006
；所述的表征同轴电缆护套生产品质的指标的数据包括：护套的抗老化指标
Figure 2012105471971100001DEST_PATH_IMAGE008
、单位长度平均气泡数量
Figure 2012105471971100001DEST_PATH_IMAGE010
、抗磨性能指标
Figure 2012105471971100001DEST_PATH_IMAGE012
；
当给定的同轴电缆护套机由于原模型对某种生产材料的生产过程中的产品品质指标预测超出允许误差范围时，则从步骤(5)进行更新；
步骤(2).对新护套生产材料数据库中的数据进行选择和预处理：选择50～200组数据作为建模数据，包括给料速度
Figure 666059DEST_PATH_IMAGE002
、芯线穿过护套机速度、生产温度
Figure 667830DEST_PATH_IMAGE006
及护套的抗老化指标
Figure 949907DEST_PATH_IMAGE008
、单位长度平均气泡数量和抗磨性能指标
Figure 327853DEST_PATH_IMAGE012
的情况；对作为模型输入量的生产操作参数通过单位的变换或乘系数的方法，使各输入量的数据处于相同的数量级，并进行归一化处理；
步骤(3).采用多输入多输出的径向基神经网络方法，针对建模数据建模，建立新材料护套的品质指标与生产操作参数间的模型；具体建模方法如下：
用于建模样本的输入参数及表征护套生产品质性能的综合指标的输出参数可以表示为，其中
Figure 2012105471971100001DEST_PATH_IMAGE016
表示第
Figure 2012105471971100001DEST_PATH_IMAGE018
组作为输入数据的护套生产操作参数向量，
Figure 2012105471971100001DEST_PATH_IMAGE020
表示第组作为输出参数的表征护套生产品质的向量，为样本数量，以实际运行数据为基础建立生产操作参数与护套的生产品质指标间的模型；对于个隐节点的径向基神经网络其输出为：
Figure DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE028
为权重系数向量、
Figure DEST_PATH_IMAGE030
为
Figure DEST_PATH_IMAGE032
维输入向量、
Figure 2012105471971100001DEST_PATH_IMAGE034
为第
Figure 976976DEST_PATH_IMAGE018
个基函数的中心向量、
Figure 2012105471971100001DEST_PATH_IMAGE036
为函数的基宽度参数向量；建立径向机神经网络模型的关键在于确定基函数的中心向量
Figure 267143DEST_PATH_IMAGE034
，基宽度向量
Figure 85057DEST_PATH_IMAGE036
及权重系数向量
Figure 522992DEST_PATH_IMAGE028
；采用遗传算法迭代训练径向基神经网络，定义遗传算法初始群体
Figure 2012105471971100001DEST_PATH_IMAGE038
向量的各维分量，分别为隐节点个数、数基函数中心、函数的基宽度和权重系数，目标函数为： 
Figure 2012105471971100001DEST_PATH_IMAGE040
，其中
Figure 2012105471971100001DEST_PATH_IMAGE042
为第
Figure 520773DEST_PATH_IMAGE018
个样本的神经网络输出值向量，为第
Figure 215114DEST_PATH_IMAGE018
个样本的实际值向量；当达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、基函数中心向量、函数的基宽度向量和权重系数向量，从而获得多输入多输出的径向基神经网络模型；
步骤(4).将新护套生产材料的多目标模型与原模型组合为一个整体的模型，实现模型更新；
步骤(5).当给定的同轴电缆护套机由于原模型对某种生产材料的生产过程中的产品品质指标预测超出允许误差范围时，建立原有模型的预测错误数据库；根据具体生产情况和对模型预测精度的要求，设定模型的各目标的允许预测误差限
Figure 2012105471971100001DEST_PATH_IMAGE046
、
Figure 2012105471971100001DEST_PATH_IMAGE048
和
Figure DEST_PATH_IMAGE050
，其中
Figure 953394DEST_PATH_IMAGE046
为护套的抗老化指标的允许预测误差限、
Figure 940996DEST_PATH_IMAGE048
为单位长度平均气泡数量允许预测误差限、为抗磨性能指标
Figure 275660DEST_PATH_IMAGE012
允许预测误差限；在采集数据时，判断模型预测值与实际运行值之间的误差与允许预测误差限的大小，如果某护套品质指标预测误差大于，
Figure 661222DEST_PATH_IMAGE052
表示某护套品质指标
Figure 116474DEST_PATH_IMAGE046
、
Figure 688401DEST_PATH_IMAGE048
和
Figure 192194DEST_PATH_IMAGE050
之一，即
Figure DEST_PATH_IMAGE054
，其中
Figure DEST_PATH_IMAGE056
为某护套品质指标模型预测值，
Figure DEST_PATH_IMAGE058
为某护套品质指标实测值，则将超限数据存入预测错误数据库中，以备模型更新之用；
步骤(6).建立新模型：原模型需要更新时，选取预测错误数据库中的数据作为训练样本，用多目标径向基神经网络建模，建立生产操作参数与护套的生产品质指标间的模型，建模过程与步骤(3)相同，获得多目标的径向基神经网络模型；
步骤(7).确定新模型和已有模型的比例：采集新的护套机相同生产材料情况下，不同运行状态下的数据作为检验样本，应用原有模型预测与新模型加权平均的预测方法，对检验数据进行预测，即
Figure DEST_PATH_IMAGE060
，其中
Figure 805447DEST_PATH_IMAGE020
为第
Figure 369284DEST_PATH_IMAGE018
组检验样本工况的目标预测值向量、为新模型预测值向量、
Figure DEST_PATH_IMAGE064
为原有模型预测值向量、
Figure DEST_PATH_IMAGE066
为新模型预测值权重系数、
Figure DEST_PATH_IMAGE068
为原有模型的预测权重系数，且
Figure DEST_PATH_IMAGE070
；与
Figure 421477DEST_PATH_IMAGE068
的确定采用粒子群算法迭代寻优确定，初始化粒子群位置向量
Figure DEST_PATH_IMAGE072
的各维分量，分别为新模型权重
Figure 453018DEST_PATH_IMAGE066
和原有模型权重
Figure 692150DEST_PATH_IMAGE068
，目标函数为：
Figure DEST_PATH_IMAGE074
，其中
Figure DEST_PATH_IMAGE076
为第
Figure 176353DEST_PATH_IMAGE018
组检验工况实测多目标值与结合模型预测值的误差，
Figure DEST_PATH_IMAGE078
为护套的抗老化指标
Figure 458167DEST_PATH_IMAGE008
的结合模型预测值与实测值的误差平方，
Figure DEST_PATH_IMAGE080
为单位长度平均气泡数量
Figure 406532DEST_PATH_IMAGE010
的结合模型预测值与实测值的误差平方，
Figure DEST_PATH_IMAGE082
为抗磨性能指标
Figure 249854DEST_PATH_IMAGE012
的结合模型预测值与实测值的误差平方，当
Figure DEST_PATH_IMAGE084
取得了最小、达到设定值或完成迭代次数时，寻优完成，分别获得新模型和已有模型的比例系数
Figure 782204DEST_PATH_IMAGE066
与
Figure 431491DEST_PATH_IMAGE068
；清空预测错误数据库，以备下一次更新采集数据之用；
步骤(8).将原有模型与新模型按最优的比例系数相结合，构成新的组合模型，即
Figure DEST_PATH_IMAGE086
，其中E为更新后的组合模型，从而实现同轴电缆护套机原模型预测误差超出允许误差范围情况下的模型更新。
CN201210547197.1A 2012-12-17 2012-12-17 一种同轴电缆护套机优化运行的多目标模型更新方法 Active CN103020455B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210547197.1A CN103020455B (zh) 2012-12-17 2012-12-17 一种同轴电缆护套机优化运行的多目标模型更新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210547197.1A CN103020455B (zh) 2012-12-17 2012-12-17 一种同轴电缆护套机优化运行的多目标模型更新方法

Publications (2)

Publication Number Publication Date
CN103020455A true CN103020455A (zh) 2013-04-03
CN103020455B CN103020455B (zh) 2015-07-22

Family

ID=47969053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210547197.1A Active CN103020455B (zh) 2012-12-17 2012-12-17 一种同轴电缆护套机优化运行的多目标模型更新方法

Country Status (1)

Country Link
CN (1) CN103020455B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717602A (zh) * 2019-09-29 2020-01-21 南京大学 一种基于噪音数据的机器学习模型鲁棒性评估方法
WO2021017363A1 (zh) * 2019-07-31 2021-02-04 烽火通信科技股份有限公司 一种光性能劣化趋势预测的更新方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102194057A (zh) * 2011-05-05 2011-09-21 浙江宜景环保科技有限公司 一种废塑料炼油燃烧优化的模型更新方法
CN102252342A (zh) * 2011-05-05 2011-11-23 衢州远景资源再生科技有限公司 一种多孔介质燃烧器在线燃烧优化的模型更新方法
CN102799939A (zh) * 2012-07-16 2012-11-28 杭州电子科技大学 一种生物质炉燃烧优化的模型更新方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102194057A (zh) * 2011-05-05 2011-09-21 浙江宜景环保科技有限公司 一种废塑料炼油燃烧优化的模型更新方法
CN102252342A (zh) * 2011-05-05 2011-11-23 衢州远景资源再生科技有限公司 一种多孔介质燃烧器在线燃烧优化的模型更新方法
CN102799939A (zh) * 2012-07-16 2012-11-28 杭州电子科技大学 一种生物质炉燃烧优化的模型更新方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王春林等: "基于支持向量机和遗传算法的电站锅炉水冷壁高温腐蚀建模与燃烧优化", 《江南大学学报（自然科学版）》, vol. 9, no. 4, 31 August 2010 (2010-08-31), pages 414 - 418 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021017363A1 (zh) * 2019-07-31 2021-02-04 烽火通信科技股份有限公司 一种光性能劣化趋势预测的更新方法及系统
CN110717602A (zh) * 2019-09-29 2020-01-21 南京大学 一种基于噪音数据的机器学习模型鲁棒性评估方法
CN110717602B (zh) * 2019-09-29 2023-08-29 南京大学 一种基于噪音数据的机器学习模型鲁棒性评估方法

Also Published As

Publication number Publication date
CN103020455B (zh) 2015-07-22

Similar Documents

Publication Publication Date Title
CN111353656B (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
CN102867083B (zh) 考虑不确定性的压力机滑块机构高刚度轻量化设计方法
CN109670650A (zh) 基于多目标优化算法的梯级水库群调度模型的求解方法
CN110210648B (zh) 基于灰色长短期记忆网络的管制空域战略流量预测方法
KR102139358B1 (ko) 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치
CN103020434A (zh) 一种基于粒子群优化的最小二乘支持向量机组合预测方法
CN103268069B (zh) 基于Hammerstein模型的自适应预测控制方法
CN102799778B (zh) 一种优化锅炉负荷分配方法
CN102626557B (zh) 基于ga-bp算法的分子蒸馏工艺参数优化方法
CN104992244A (zh) 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法
CN104375478B (zh) 一种轧钢生产过程产品质量在线预测与优化的方法及装置
CN101551884A (zh) 面向大规模样本的cvr电力负荷快速预测方法
CN103942422B (zh) 一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法
CN102184287A (zh) 一种废塑料炼油燃烧优化的建模方法
Jin et al. Forewarning of sustainable utilization of regional water resources: a model based on BP neural network and set pair analysis
CN108074004A (zh) 一种基于网格法的地理信息系统短期负荷预测方法
CN117944173B (zh) 一种用于智能集成预制梁厂的全工序生产方法与系统
CN104123595A (zh) 一种配电网负荷预测方法及系统
CN104809532A (zh) 一种光伏系统发电量的预测方法
CN102194057B (zh) 一种废塑料炼油燃烧优化的模型更新方法
CN103473460A (zh) 液化石油气裂解关键产品收率预测及原料优化方法
CN102842066A (zh) 一种生物质炉燃烧优化的建模方法
CN108471353A (zh) 一种基于深度神经网络算法的网元容量分析与预测的方法
CN115619028A (zh) 一种基于聚类算法融合的电力负荷精准预测方法
CN103020455B (zh) 一种同轴电缆护套机优化运行的多目标模型更新方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20180509

Address after: 311400 Zhejiang Hangzhou Fuyang District golden autumn Avenue Fortis Technology

Patentee after: HANGZHOU FUTONG ELECTRIC WIRE & CABLE CO., LTD.

Address before: 311499 Fuchun street, Fuyang, Hangzhou, Zhejiang, 18

Patentee before: Futong Group Co., Ltd.

TR01 Transfer of patent right