[發明專利]MOEA/D擠壓工藝參數多目標優化方法及裝置

有效

• 申請號: 202110673643.2
• 申請日: 2021-06-17
• 公開（公告）號: CN113313322B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 徐康康;譚喜;楊海東;印四華;朱成就;陳銘俊
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06N3/00
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 王曉玲

本發明屬于擠壓工藝參數優化技術領域，更具體地，涉及一種MOEA/D擠壓工藝參數多目標優化方法及裝置。以能耗、成品率和模具磨損為目標對擠壓工藝參數進行優化，有效降低了能耗、提高了成品率、降低了模具磨損；提出的改進的MOEA/D算法具有更優良的性能，具有更好的種群多樣性和收斂性。

技術領域

本發明屬于擠壓工藝參數優化技術領域，更具體地，涉及MOEA/D擠壓工藝參數多目標優化方法及裝置。

背景技術

鋁型材生產低能耗、高成品率和低模具磨損成為企業追求的目標。而傳統生產中，工藝參數主要是根據工人的經驗和操作手冊進行設定，根據實際能耗和產品情況選擇合適的工藝參數使得鋁型材生產在能耗、成品率和模具磨損之間的得到最優值成為難點。隨著工業互聯網、人工智能和大數據時代的到來，可以使用傳感器獲取實時生產數據，并將數據通過網絡傳輸到數據庫，完成數據結構化、持久化存儲，這為智能生產創造了條件，后期可通過數據挖掘、分析對生產進行優化。

目前鋁型材擠壓生產優化研究的研究方法主要分為物理方法、仿真模擬方法和機器學習方法。物理建模，難度較大且適用性不強；隨著計算機技術、模擬仿真技術的發展為鋁型材擠壓生產過程的研究提供了新的方向。但是目前對鋁型材擠壓生產過程的優化研究方法集中于物理建模、模擬仿真和機器學習方向，使用深度學習領域方法進行研究的成果較少，因此該研究方向有很大的研究潛力。

發明內容

本發明為克服上述現有技術中的缺陷，提供一種改進MOEA/D擠壓工藝參數多目標優化方法及裝置，有效降低了能耗、提高了成品率、降低了模具磨損。

為解決上述技術問題，本發明采用的技術方案是：一種MOEA/D擠壓工藝參數多目標優化方法，包括以下步驟：

S1.將擠壓工藝參數擠壓速度v、擠壓筒溫度T_e、出料口溫度T_h、模具溫度T_m、鋁棒溫度T_s設為優化變量，并將能耗e、成品率r和模具磨損s的預測模型調用設定為目標函數，以構建多目標優化模型；

S2.設置參數：包括種群大小N；最大鄰域Nei_max；最大迭代次數t_max；交叉概率CR；比例因子F；鄰域增速β；N個權重向量λ¹,…,λ^N；

S3.生成工藝參數隨機種群，并根據改進MOEA/D算法計算流程進行多目標尋優；并輸出優化得到的帕累托解集，即為最優工藝參數集合。

進一步的，鋁型材擠壓生產中能耗越小越好，成品率越高越好，模具磨損越小越好，因此設置目標函數如下：

式中：能耗e＝f₁(x)＝f₁(v,T_e,T_h,T_m,T_s)；成品率r＝f₂(x)＝f₂(v,T_e,T_h,T_m,T_s)；模具磨損s＝f₃(x)＝f₃(v,T_e,T_h,T_m,T_s)；

構建的多目標優化模型為：

F(x)＝{f₁(x),f₂(x),f₃(x)}。

進一步的，所述的步驟S3具體包括：

S31.初始化；