基于集成学习和改进粒子群优化算法的流程制造工艺参数优化
Optimization of Process Parameters in Process Manufacturing Based on Ensemble Learning and Improved Particle Swarm Optimization Algorithm作者机构:昆明理工大学机电工程学院昆明650500 云南中烟工业有限责任公司技术中心昆明650500
出 版 物:《中国机械工程》 (China Mechanical Engineering)
年 卷 期:2023年第34卷第23期
页 面:2842-2853页
核心收录:
学科分类:081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
主 题:流程制造 多工序工艺参数优化 改进粒子群优化算法 长短期记忆神经网络 极限梯度提升
摘 要:针对流程制造过程中工艺过程复杂、多工序耦合严重、工艺参数优化困难等问题,提出一种基于长短期记忆(LSTM)神经网络、极限梯度提升(XGBoost)算法和改进粒子群优化(IPSO)算法的多工序工艺参数融合优化方法。基于LSTM神经网络建立了数据预处理模型,通过LSTM神经网络提取流程工艺数据的时序特征,进而实现了对工艺数据中异常值的处理。在此基础上,通过XGBoost算法拟合工艺参数与质量指标间的非线性关系,并结合粒子群算法构建了PSO-XGBoost质量预测模型,再将预测模型的输出作为适应度,调用改进粒子群算法反向搜索全局最优工艺参数,得到各工序的最优工艺参数组合,从而实现了流程制造加工质量的融合优化。以某企业的一条流程生产线为例,验证了多工序工艺参数融合优化模型的有效性。