CN104552887B - 基于自适应粒子群算法的塑料片材机能耗优化方法 - Google Patents
基于自适应粒子群算法的塑料片材机能耗优化方法 Download PDFInfo
- Publication number
- CN104552887B CN104552887B CN201510051405.2A CN201510051405A CN104552887B CN 104552887 B CN104552887 B CN 104552887B CN 201510051405 A CN201510051405 A CN 201510051405A CN 104552887 B CN104552887 B CN 104552887B
- Authority
- CN
- China
- Prior art keywords
- vector
- plastic sheet
- energy consumption
- sheet machine
- parameter
- 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.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C48/00—Extrusion moulding, i.e. expressing the moulding material through a die or nozzle which imparts the desired form; Apparatus therefor
- B29C48/25—Component parts, details or accessories; Auxiliary operations
- B29C48/92—Measuring, controlling or regulating
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Extrusion Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开了一种基于自适应粒子群算法的塑料片材机能耗优化方法,该方法通过塑料片材机主体工艺的数据采集,针对塑料片材机螺杆电机频率、电流大小、进料速度、进料温度、出产品速度、出产品温度、生产材料热特性等参数与加热速度、加热终温、能耗间的互相影响关系,建立多输入,多输出的广义人工神经网络模型,并应用粒子群优化算法训练模型的关系权重,确立了塑料片材机的能耗优化方法,利用该方法可有效提高加热效率和降低能耗。
Description
技术领域
本发明涉及一种塑料片材机的能耗优化方法,具体是一种基于自适应粒子群算法的塑料片材机能耗优化方法。
背景技术
塑料片材机是一种生产新型热固性模压塑料的一种生产设备,塑料粒子经过片材机上的螺杆机筒加热进行塑化。目前,塑料片材机的运行主要是靠工作人员的经验,存在片材机产生的热量不易控制,电能的消耗高,产量低,能效比低,设备使用效果差等缺点。
塑料片材机的优化运行是控制能耗和满足产品工艺要求的重要技术手段,其目标是在一定生产条件和不同的目标情况下,通过调整运行参数而获得塑料片材机的最优的加热状态,使塑料片材机的能耗和加热速度能够满足既定的目标产量,实现优化运行的目的。塑料片材机的螺杆电机频率和电流大小等运行参数对能耗有直接的影响。对于一定的生产条件和产品需求,存在一种最优的螺杆电机频率和电流大小等参数配置方案,能够使相应加热速度满足生产需求,同时使能耗相对较低。但是,这个过程中还涉及到塑料粒子材料的特性,及塑料粒子进料量及挤出产品量间的关系,因此整个优化过程存在着复杂的耦合关系,要找到最优的参数配置并不容易。
实际生产中塑料片材机的运行主要是靠工作人员经验,其目标也只是维持生产正常进行,并没有优化的概念,因此其生产过程中的加热状态还有很大的提升空间。
通过数据挖掘,在大量不同的生产运行参数及生产材料热特性组合中,应用机器学习的方法,挖掘出运行的螺杆电机频率、电流大小、进料速度、进料温度、出产品速度、出产品温度、生产材料热特性与加热速度、加热终温及能耗关系,构建一个多输出的广义神经网络模型,再结合粒子群优化算法。如何使该方法真正达到塑料片材机生产实际的要求,是该技术的关键。主要难题包括,如何提高模型的预测、泛化和自学习能力。
发明内容
本发明的目的是针对塑料片材机能耗问题,提出一种能耗优化方法,优化内容兼顾了各塑料片材机的运行参数、进料情况、出产品情况、加热速度、加热终温和能耗等指标。
本发明所述的基于自适应粒子群算法的塑料片材机能耗优化方法包括以下步骤:
步骤1、采集塑料片材机生产过程中的运行参数数据和运行特征数据,建立实时数据库,所述运行参数数据包括:螺杆电机频率γ、电流大小l、进料速度vi、出产品速度v0、进料温度Ti、出产品温度T0、生产材料热特性参数τ,所述运行特征数据包括:加热速度vk、能耗E;
步骤2、采用多输出的广义回归神经网络建模,建立加热速度vk、能耗E与螺杆电机频率γ、电流大小l、进料速度vi、出产品速度v0、进料温度Ti、出产品温度T0、生产材料热特性参数τ间的模型;具体建模方法如下:
用于建模样本的输入参数及输出参数表示为其中xi表示第i组作为输入数据的塑料片材机运行参数向量{γ,l,νi,ν0,Ti,T0,τ};yi表示第i组作为输出参数向量的塑料片材机运行特征向量{vk,E};N为样本数量,以实际运行数据为基础建立塑料片材机运行参数及运行特征间的模型;
采用多输出的广义回归神经网络建模,对于n个隐节点的3层广义回归神经网络采用径向基影射函数,其输出向量为:ωi为权重系数向量、x为m维输入向量、ci为第i个基函数的中心向量、ρi为函数的基宽度参数向量;采用粒子群优化算法迭代训练广义回归神经网络,定义初始群体Z向量的各维分量,分别为:隐节点个数、径向基函数的参数向量ci、ρi和权重系数向量ωi,目标函数为:其中分别为第i个样本输出向量的第一个分量和第二个分量的多输出广义回归神经网络模型预测值,yi1和yi2分别为第i个样本输出向量的第一个分量和第二个分量的实际值;当K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、径向基函数的参数向量和权重系数向量,从而获得多输出广义回归神经网络模型;
步骤3、利用自适应粒子群优化算法结合步骤2所建模型,针对不同的生产工艺要求进行各运行参数配置的优化,具体步骤如下:
a.定义粒子群位置向量λi的各维分量分别为:γ,l,νi,ν0,Ti,T0,τ;i=1,2,...,NP,NP是粒子个数;
b.设定粒子群的搜索目标和迭代次数;搜索目标根据实际生产状况确定,为复合目标或单一目标,所述复合目标包括:在不低于给定的出产品速度和出产品温度的约束下,实现最优的经济折中方案;所述单一目标为能耗最低;
c.根据实际塑料片材机的设计和运行要求设定各可调运行参数的寻优范围;初始化位置向量λi={γ,l,vi,v0,Ti,T0,τ},然后根据上一步设定的搜索目标,用粒子群算法按照公式(1)和公式(2)进行迭代运算,搜索粒子群在参数向量空间内的最优位置;同时,按照公式(3)根据当前群体的多样性,自适应的调整惯性权重wi;
Vi(t+1)=wiVi(t)+c1r1(Pi(t)-λi(t))+c2r2(Pg(t)-λi(t)) (1)
λi(t+1)=λi(t)+Vi(t+1) (2)
其中,Vi是第i个粒子的速度,t是迭代次数,Pi是第i个粒子的历史最优位置,Pg是群体最优位置,c1=c2=2,r1和r2是(0,1)上均匀分布的随机数,Ranki是第i个粒子按照能耗值E排序的名次,wmax和wmin分别定义为0.9和0.4;
d.当粒子群算法完成迭代次数或找到设定要求的最优时,停止计算获得相应最优的位置向量,即获得最优的各可调运行参数组合,实现了塑料片材机的能耗优化。
本发明的优点是:该方法通过塑料片材机主体工艺的数据采集,针对塑料片材机螺杆电机频率、电流大小、进料速度、进料温度、出产品速度、出产品温度、生产材料热特性等参数与加热速度、加热终温、能耗间的互相影响关系,建立多输入,多输出的广义人工神经网络模型,并应用粒子群优化算法训练模型的关系权重,确立了塑料片材机的能耗优化方法,利用该方法可有效提高加热效率和降低能耗。
具体实施方式
以下对本发明的塑料片材机的能耗优化方法做进一步详细说明。
首先,采集塑料片材机生产过程中的运行参数数据和运行特征数据,建立实时数据库。所述运行参数数据包括:螺杆电机频率γ、电流大小l、进料速度vi、出产品速度v0、进料温度Ti、出产品温度T0、生产材料热特性参数τ。运行特征数据包括:加热速度vk、能耗E。以上数据通过塑料片材机生产过程中实时的数据监测控制***获取,或直接通过仪器设备测量采集。
采用多输出的广义回归神经网络建模,建立加热速度vk、能耗E与螺杆电机频率γ、电流大小l、进料速度vi、出产品速度v0、进料温度Ti、出产品温度T0、生产材料热特性参数τ间的模型。具体建模方法如下:
用于建模样本的输入参数及输出参数表示为其中xi表示第i组作为输入数据的塑料片材机运行参数向量,包括{γ,l,νi,ν0,Ti,T0,τ};yi表示第i组作为输出参数向量的塑料片材机运行特征向量,包括{vk,E};N为样本数量,以实际运行数据为基础建立塑料片材机运行参数及运行特征间的模型。
采用多输出的广义回归神经网络建模,对于n个隐节点的3层广义回归神经网络采用径向基影射函数,其输出向量为:ωi为权重系数向量、x为m维输入向量、ci为第i个基函数的中心向量、ρi为函数的基宽度参数向量。
建立广义回归神经网络模型的关键在于确定径向基函数参数向量ci、ρi及权重***向量ωi。采用粒子群优化算法迭代训练广义回归神经网络,定义初始群体Z向量的各维分量,分别为:隐节点个数、径向基函数的参数向量ci、ρi和权重系数向量ωi,目标函数为:其中分别为第i个样本输出向量的第一个分量和第二个分量的多输出广义回归神经网络模型预测值,yi1和yi2分别为第i个样本输出向量的第一个分量和第二个分量的实际值;当K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、径向基函数的参数向量和权重系数向量,从而获得多输出广义回归神经网络模型。
然后,再利用自适应粒子群优化算法结合所建模型,针对不同的生产工艺要求进行各运行参数配置的优化,具体步骤如下:
a.定义粒子群位置向量λi(i=1,2,...,NP,NP是粒子个数)的各维分量分别为:γ、l、νi、ν0、Ti、T0、τ;
b.设定粒子群的搜索目标和迭代次数。搜索目标为根据实际生产状况确定,为符合目标或单一目标,复合目标包括:在不低于给定的出产品速度和出产品温度的约束下,实现最优的经济折中方案;单一目标包括:能耗最低。
c.根据实际塑料片材机的设计和运行要求设定各可调运行参数的寻优范围;初始化位置向量λi={γ,l,vi,v0,Ti,T0,τ},然后根据上一步设定的搜索目标,用粒子群算法进行迭代运算(公式(1)和(2)),搜索粒子群在参数向量空间内的最优位置;同时根据群体的多样性,自适应的修改惯性权重(公式(3)),从而获得全局最优;
Vi(t+1)=wiVi(t)+c1r1(Pi(t)-λi(t))+c2r2(Pg(t)-λi(t)) (1)
λi(t+1)=λi(t)+Vi(t+1) (2)
其中,Vi是第i个粒子的速度,t是迭代次数,Pi是第i个粒子的历史最优位置,Pg是群体最优位置,c1=c2=2,r1和r2是(0,1)上均匀分布的随机数,Ranki是第i个粒子按照能耗值E排序的名次,NP是粒子的个数,wmax和wmin分别定义为0.9和0.4。
d.当粒子群算法完成迭代次数或找到设定要求的最优时,停止计算获得相应最优的位置向量,即获得最优的各可调运行参数组合,实现了塑料片材机的能耗优化。
Claims (2)
1.基于自适应粒子群算法的塑料片材机能耗优化方法,其特征是,包括以下步骤:
步骤1、采集塑料片材机生产过程中的运行参数数据和运行特征数据,建立实时数据库,所述运行参数数据包括:螺杆电机频率γ、电流大小l、进料速度vi、出产品速度v0、进料温度Ti、出产品温度T0、生产材料热特性参数τ,所述运行特征数据包括:加热速度vk、能耗E;
步骤2、采用多输出的广义回归神经网络建模,建立加热速度vk、能耗E与螺杆电机频率γ、电流大小l、进料速度vi、出产品速度v0、进料温度Ti、出产品温度T0、生产材料热特性参数τ间的模型;具体建模方法如下:
用于建模样本的输入参数及输出参数表示为其中xi表示第i组作为输入数据的塑料片材机运行参数向量{γ,l,νi,ν0,Ti,T0,τ};yi表示第i组作为输出参数向量的塑料片材机运行特征向量{vk,E};N为样本数量,以实际运行数据为基础建立塑料片材机运行参数及运行特征间的模型;
采用多输出的广义回归神经网络建模,对于n个隐节点的3层广义回归神经网络采用径向基影射函数,其输出向量为:ωi为权重系数向量、x为m维输入向量、ci为第i个基函数的中心向量、ρi为函数的基宽度参数向量;采用粒子群优化算法迭代训练广义回归神经网络,定义初始群体Z向量的各维分量,分别为:隐节点个数、径向基函数的参数向量ci、ρi和权重系数向量ωi,目标函数为:其中和分别为第i个样本输出向量的第一个分量和第二个分量的多输出广义回归神经网络模型预测值,yi1和yi2分别为第i个样本输出向量的第一个分量和第二个分量的实际值;当K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、径向基函数的参数向量和权重系数向量,从而获得多输出广义回归神经网络模型;
步骤3、利用自适应粒子群优化算法结合步骤2所建模型,针对不同的生产工艺要求进行各运行参数配置的优化,具体步骤如下:
a.定义粒子群位置向量λi的各维分量分别为:γ,l,νi,ν0,Ti,T0,τ;i=1,2,...,NP,NP是粒子个数;
b.设定粒子群的搜索目标和迭代次数;
c.根据实际塑料片材机的设计和运行要求设定各可调运行参数的寻优范围;初始化位置向量λi={γ,l,vi,v0,Ti,T0,τ},然后根据上一步设定的搜索目标,用粒子群算法按照公式(1)和公式(2)进行迭代运算,搜索粒子群在参数向量空间内的最优位置;同时,按照公式(3)根据当前群体的多样性,自适应的调整惯性权重wi;
Vi(t+1)=wiVi(t)+c1r1(Pi(t)-λi(t))+c2r2(Pg(t)-λi(t)) (1)
λi(t+1)=λi(t)+Vi(t+1) (2)
其中,Vi是第i个粒子的速度,t是迭代次数,Pi是第i个粒子的历史最优位置,Pg是群体最优位置,c1=c2=2,r1和r2是(0,1)上均匀分布的随机数,Ranki是第i个粒子按照能耗值E排序的名次,wmax和wmin分别定义为0.9和0.4;
d.当粒子群算法完成迭代次数或找到设定要求的最优时,停止计算获得相应最优的位置向量,即获得最优的各可调运行参数组合,实现了塑料片材机的能耗优化。
2.如权利要求1所述的基于自适应粒子群算法的塑料片材机能耗优化方法,其特征是,步骤3中设定粒子群的搜索目标根据实际生产状况确定,为复合目标或单一目标,所述复合目标包括:在不低于给定的出产品速度和出产品温度的约束下,实现最优的经济折中方案;所述单一目标为能耗最低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510051405.2A CN104552887B (zh) | 2015-01-30 | 2015-01-30 | 基于自适应粒子群算法的塑料片材机能耗优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510051405.2A CN104552887B (zh) | 2015-01-30 | 2015-01-30 | 基于自适应粒子群算法的塑料片材机能耗优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104552887A CN104552887A (zh) | 2015-04-29 |
CN104552887B true CN104552887B (zh) | 2017-01-11 |
Family
ID=53070448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510051405.2A Active CN104552887B (zh) | 2015-01-30 | 2015-01-30 | 基于自适应粒子群算法的塑料片材机能耗优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104552887B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110858062B (zh) * | 2018-08-22 | 2023-02-28 | 阿里巴巴集团控股有限公司 | 目标优化参数的获取方法及模型训练方法、装置 |
CN112379589B (zh) * | 2020-10-13 | 2022-02-18 | 重庆大学 | 蜗轮加工形性可控工艺 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102773981A (zh) * | 2012-07-16 | 2012-11-14 | 南京航空航天大学 | 一种注塑机节能优化***的实现方法 |
CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调***节能优化方法 |
CN104299052A (zh) * | 2014-10-12 | 2015-01-21 | 刘岩 | 一种基于人工蜂群和神经网络的建筑能耗预测方法 |
-
2015
- 2015-01-30 CN CN201510051405.2A patent/CN104552887B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102773981A (zh) * | 2012-07-16 | 2012-11-14 | 南京航空航天大学 | 一种注塑机节能优化***的实现方法 |
CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调***节能优化方法 |
CN104299052A (zh) * | 2014-10-12 | 2015-01-21 | 刘岩 | 一种基于人工蜂群和神经网络的建筑能耗预测方法 |
Non-Patent Citations (3)
Title |
---|
Particle Swarm Optimization:Developments, Applications and Resources;Russell C. Eberhart,Yuhui Shi;《evolutionary computation,2001.Proceedings of the 2001 Congress on. IEEE》;20011231;第1卷;全文 * |
基于智慧车间的生产执行***的研究及应用;王聪 等;《计算机时代》;20120831(第8期);全文 * |
自适应粒子群优化算法及其在注塑成型质量指标软测量中的应用;邹箭 等;《南昌大学学报》;20090831;第33卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104552887A (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11810208B2 (en) | Coordination of thermostatically controlled loads | |
CN107808212B (zh) | 基于灰色神经网络的太阳能收集功率预测方法 | |
CN109242236B (zh) | 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法 | |
CN104657777B (zh) | 基于混沌小波神经网络的车用电线挤塑工艺参数优化方法 | |
CN103971160A (zh) | 基于复杂网络的粒子群优化方法 | |
CN108537366B (zh) | 基于最优卷积二维化的水库调度方法 | |
CN104552887B (zh) | 基于自适应粒子群算法的塑料片材机能耗优化方法 | |
WO2023035727A1 (zh) | 一种基于联邦增量随机配置网络的工业过程软测量方法 | |
CN108805346A (zh) | 一种基于多隐层极限学习机的热连轧轧制力预报方法 | |
CN107871034A (zh) | 基于变尺度教与学算法的公差分配多目标优化设计方法 | |
Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
CN105955190B (zh) | 一种基于布谷鸟搜索算法的孔群加工路径规划方法 | |
CN108665068A (zh) | 供水管网水力模型自动校核问题的改进遗传算法 | |
CN105608295A (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
CN115392481A (zh) | 一种基于响应时间实时均衡的联邦学习高效通信方法 | |
Suresh et al. | IoT with evolutionary algorithm based deep learning for smart irrigation system | |
CN117495070A (zh) | 一种工业流水线的工艺参数推荐方法及*** | |
CN117113239A (zh) | 一种基于联邦学习的船舶燃气轮机故障检测方法及设备 | |
CN108197738A (zh) | 一种涤纶长丝熔体输送过程的工艺参数优化方法 | |
CN103613272A (zh) | 一种玻璃光纤拉丝设备优化生产方法 | |
CN104702497A (zh) | 一种基于Sarsa算法和蚁群优化的路由控制算法 | |
CN107301303A (zh) | 3d玻璃热弯机模具加热***群智能优化设计方法 | |
Oonsivilai et al. | Gas turbine optimal PID tuning by genetic algorithm using MSE | |
CN106444389A (zh) | 一种废塑料裂解温度***的模糊rbf网络优化pi控制方法 | |
CN109145361A (zh) | 一种燃煤分质利用与清洁预处理***的优化运行方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |