陶瓷配方优化方法及系统与流程

1.本发明涉及陶瓷生产的技术领域，特别是陶瓷配方优化方法及系统。


背景技术：

2.目前，陶瓷原料配方设计非常依赖技术工程师的先验知识，存在试错成本巨大、配方设计效率低下的问题。
3.现有的陶瓷配方优化及设计主要依靠两种方法，一种是完全依靠人工的经验，通过计算得出多个配方；另一种方法是人工使用excel工具进行配方设计，然后再通过人工试验，工作流程如下：技术工程师通过对原料的判断，筛选出几种原料对配方进行设计及优化，确定多个陶瓷配方方案；将设计的多种配方方案通过人工进行配料进行试验，通过正交试验的方式来筛选较优的配方方案。
4.以上的配方优化设计方法都是基于人的主观经验来设计及判定配方的优劣，但考虑到人储存知识的有限性及考虑问题的局限性，现有方式不仅效率低下，而且试错成本较高，同时也无法判断获得的配方就是最优的配方方案。
5.因此，需要研究数据驱动的陶瓷原料配方优化计算智能方法，构建一套智能化的陶瓷坯体配方优化系统，作为陶瓷生产配方设计实用性和普遍性的工具。


技术实现要素：

6.针对上述缺陷，本发明的目的在于提出陶瓷配方优化方法及系统，解决陶瓷配方优化设计的效率及试错成本的问题。
7.为达此目的，本发明采用以下技术方案：
8.陶瓷配方优化方法，包括如下步骤：
9.a.采集配方先验知识数据，构建陶瓷配方先验知识库，并且采集陶瓷生产的历史配方数据和原料数据，构建陶瓷历史配方数据库；
10.b.根据先验知识、原料数据和历史配方数据，采取知识驱动和数据驱动的集成学习，构建陶瓷配方性能预测模型；
11.c.将陶瓷配方原料优化问题定义为带约束及混合变量的单目标或多目标优化问题，构建优化模型；
12.d.运用数据驱动的演化优化算法对配方进行优化；
13.e.依次进行约束处理、鲁棒优化和多解优化；
14.f.基于上述模型和优化算法，集成研制出陶瓷原料配方优化系统。
15.优选的，所述b步骤构建陶瓷配方性能预测模型包括如下内容：
16.b1.依据陶瓷配方先验知识库中蕴含的陶瓷配方先验规则，采用蚁群挖掘系统算法及遗传编程方法，构建决策树，生成基于规则推理的决策树模型；
17.b2.依据陶瓷历史配方数据库，基于机器学习方法建立回归和分类模型；
18.b3.通过集成学习机制，将决策树模型和机器学习方法相集成，实现数据及知识驱
动相融合的陶瓷配方性能预测模型。
19.优选的，所述c步骤构建优化模型包括如下内容：
20.c1.设定配方原料数量及原料种类；
21.c2.按价格确定原料；
22.c3.在陶瓷配方性能预测模型中加入约束条件，形成带约束优化数学模型。
23.优选的，所述b1步骤中采用蚁群挖掘系统算法及遗传编程方法生成决策树模型包括以下步骤：
24.输入原料种类数m，初始化循环次数nc＝0；
25.设定初始化原料种类k＝1，根据陶瓷历史配方数据库依次选择下一种原料，即原料种类k＝k 1，并修改禁忌表，进行循环，直至k≥m，循坏结束；
26.上述循坏结束时更新获得的原料数据，判断是否满足配方要求，若是，在线检验是否合格，若合格，输出结果；若不满足配方要求或在线检验为不合格，则使循环次数nc＝nc 1，再进行上述循环。
27.优选的，所述鲁棒优化步骤使用基于概率分布的鲁棒优化机制；所述多解优化使用基于小生境的多解优化机制。
28.陶瓷配方优化系统，包括数据采集模块、模型构建模块和配方优化模块；
29.所述数据采集模块用于采集配方先验知识数据、原料数据及历史配方数据，并构建陶瓷配方先验知识库和陶瓷历史配方数据库；
30.所述模型构建模块用于构建陶瓷配方性能预测模型；
31.所述配方优化模块用于构建优化模型，运用数据驱动的演化优化算法对配方进行优化，以及进行约束处理、鲁棒优化和多解优化；
32.所述数据采集模块、模型构建模块和配方优化模块电联接。
33.优选的，所述模型构建模块内设有第一运算子模块，所述第一运算子模块利用蚁群挖掘系统算法及遗传编程方法生成决策树模型，包括如下内容：
34.输入原料种类数m，初始化循环次数nc＝0；
35.设定初始化原料种类k＝1，根据陶瓷历史配方数据库依次选择下一种原料，即原料种类k＝k 1，并修改禁忌表，进行循环，直至k≥m，循坏结束；
36.上述循坏结束时更新获得的原料数据，判断是否满足配方要求，若是，在线检验是否合格，若合格，输出结果；若不满足配方要求或在线检验为不合格，则使循环次数nc＝nc 1，再进行上述循环。
37.优选的，所述配方优化模块内设有第二运算子模块，所述第二运算子模块用于进行数据驱动的演化优化算法、基于概率分布的鲁棒优化和基于小生境的多解优化的运算。
38.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上文所述的陶瓷配方优化方法的步骤。
39.一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的陶瓷配方优化方法的步骤。
40.上述技术方案包括以下有益效果：
41.本实施例在目前已积累的陶瓷原料数据及技术工程师的先验知识的基础上，研究
数据及先验知识驱动的陶瓷配方性能预测模型，将基于先验知识的决策树模型和基于历史配方数据的机器学习模型相融合，实现对陶瓷原料配方性能的预测和评价；将陶瓷配方原料优化问题定义为带约束及混合变量的单目标或多目标优化问题，设计演化计算方法实现配方优化；另外，针对陶瓷配方性能预测模型不精确、不稳定的特性，及数据驱动演化优化算法的生成解的合理性和可解释性问题，提出鲁棒多解的配方优化算法，可同时为技术工程师提供多个预测性能优秀的候选配方，以便技术工程师选择更加合理的配方进行试制，能够提高陶瓷配方优化设计的效率，缩短配方试验的时间，及降低配方的试错成本，解决配方设计过程对技术工程师的依赖性的问题。
附图说明
42.图1是本发明实施例的整体流程示意图；
43.图2是本发明实施例中b步骤构建陶瓷配方性能预测模型的流程图；
44.图3是本发明实施例中c步骤构建优化模型的流程图。
具体实施方式
45.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
46.在本发明的描述中，需要理解的是，术语“纵向”、“横向”“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征，用于区别描述特征，无顺序之分，无轻重之分。
47.在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
48.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
49.下面结合图1至图3描述本发明实施例的陶瓷配方优化方法及系统：
50.陶瓷配方优化方法，包括如下步骤：
51.a.采集配方先验知识数据，构建陶瓷配方先验知识库，并且采集陶瓷生产的历史配方数据和原料数据，构建陶瓷历史配方数据库；
52.b.根据先验知识、原料数据和历史配方数据，采取知识驱动和数据驱动的集成学习，构建陶瓷配方性能预测模型；
53.c.将陶瓷配方原料优化问题定义为带约束及混合变量的单目标或多目标优化问题，构建优化模型；
54.d.运用数据驱动的演化优化算法对配方进行优化；
55.e.依次进行约束处理、鲁棒优化和多解优化；
56.f.基于上述模型和优化算法，集成研制出陶瓷原料配方优化系统。
57.具体的，本实施例在目前已积累的陶瓷原料数据及技术工程师的先验知识的基础上，研究数据及先验知识驱动的陶瓷配方性能预测模型，将基于先验知识的决策树模型和基于历史配方数据的机器学习模型相融合，实现对陶瓷原料配方性能的预测和评价；将陶瓷配方原料优化问题定义为带约束及混合变量的单目标或多目标优化问题，设计演化计算方法实现配方优化；另外，针对陶瓷配方性能预测模型不精确、不稳定的特性，及数据驱动演化优化算法的生成解的合理性和可解释性问题，提出鲁棒多解的配方优化算法，可同时为技术工程师提供多个预测性能优秀的候选配方，以便技术工程师选择更加合理的配方进行试制，能够提高陶瓷配方优化设计的效率，缩短配方试验的时间，及降低配方的试错成本，解决配方设计过程对技术工程师的依赖性的问题。
58.在本实施例中，所述陶瓷配方先验知识库的获得方法为：通过与企业的陶瓷生产技术工程师对接，了解陶瓷原料配方的具体背景先验知识，并通过知识表达，构建陶瓷配方先验知识库，形成一系列形如if then的陶瓷配方先验规则。另外，采集陶瓷生产的历史配方数据，包括各类成功、失败配方，并加以标注，形成陶瓷历史配方数据库。
59.在d步骤中，采用最新提出的基于分类模型辅助的层次粒子群学习优化算法等相关算法，对配方进行优化。
60.优选的，所述b步骤构建陶瓷配方性能预测模型包括如下内容：
61.b1.依据陶瓷配方先验知识库中蕴含的陶瓷配方先验规则，采用蚁群挖掘系统算法及遗传编程方法，构建决策树，生成基于规则推理的决策树模型；
62.b2.依据陶瓷历史配方数据库，基于机器学习方法建立回归和分类模型；
63.b3.通过集成学习机制，将决策树模型和机器学习方法相集成，实现数据及知识驱动相融合的陶瓷配方性能预测模型。
64.具体的，陶瓷配方性能预测模型既以陶瓷历史配方数据库为驱动，又须符合陶瓷生产技术工程师已积累的各种陶瓷配方先验知识和原理，以确保所构建的模型具备可解释性和合理性，因此，须采取知识驱动和数据驱动的集成学习模型，并且最终将陶瓷配方性能预测模型在测试集及新采集的数据中进行测试，并与技术工程师进行对接调优，验证此陶瓷配方性能预测模型的有效性。
65.具体的，通过陶瓷配方先验知识库和陶瓷历史配方数据库的数据，包括陶瓷配方化学成分和物理数据、原料种类、每种原料占比等作为模型训练及规则基准；结合以上数据库及蚁群挖掘和遗传编程方法，逐一找出每种最优的原料以组合成最优的配方系统。
66.多种原料进行组合后，通过与陶瓷历史配方数据库中的配方的化学物理数据进行匹配，来判定是否符合要求，若不符合，重新进行循环，寻找多种最优的原料组合成配方；若符合，进入在线验证试验，通过各种测试判定是否符合技术要求，若符合要求，输出结果，若不符合，再次进行循环以寻找最优原料组合成配方。
67.优选的，所述c步骤构建优化模型包括如下内容：
68.c1.设定配方原料数量及原料种类；
69.c2.按价格确定原料；
70.c3.在陶瓷配方性能预测模型中加入约束条件，形成带约束优化数学模型。
71.具体的，以陶瓷配方性能预测模型为基础，结合生产成本、产品类别、质量要求等条件，构建陶瓷配方的带约束优化数学模型；其中，约束条件为生产成本、化学成分约束、用量约束及分类用量约束等；通过将陶瓷配方原料优化问题定义为带约束及混合变量的单目标或多目标优化问题，设计演化计算方法实现配方优化。
72.优选的，所述b1步骤中采用蚁群挖掘系统算法及遗传编程方法生成决策树模型包括以下步骤：
73.输入原料种类数m，初始化循环次数nc＝0；
74.设定初始化原料种类k＝1，根据陶瓷历史配方数据库依次选择下一种原料，即原料种类k＝k 1，并修改禁忌表，进行循环，直至k≥m，循坏结束；
75.上述循坏结束时更新获得的原料数据，判断是否满足配方要求，若是，在线检验是否合格，若合格，输出结果；若不满足配方要求或在线检验为不合格，则使循环次数nc＝nc 1，再进行上述循环。
76.优选的，所述鲁棒优化步骤使用基于概率分布的鲁棒优化机制；所述多解优化使用基于小生境的多解优化机制。
77.具体的，在实际应用中，还须对上述演化优化算法进行进一步调优。实际的陶瓷生产过程的复杂性对优化算法的设计提出了新要求，例如由于试错成本巨大，必须在优化过程中尽可能采用离线数据驱动优化的方式，降低不必要的试错次数；配方须满足成本、原料质量等诸多约束条件；由于陶瓷配方性能预测模型的不确定性，需要演化优化算法所生成的解具备较高的鲁棒性，同时须具备合理性和可解释性，以及符合行业的技术认知等。针对上述复杂特性，需采用基于概率分布的鲁棒优化、基于小生境的多解优化等机制，以达到在一次算法运行中可同时为企业提供多个优化解，以便技术工程师能从中选择具备高合理性、可解释性的解进行试制，从而有效地降低试错成本，提高生产效率。
78.具体的，基于概率分布的鲁棒优化机制用于提高算法的优化性能：根据当前解在搜索空间的分布，按概率挑选候选解，能够充分利用演化得到的信息，在有效信息周围进行搜索，并且也保持了算法对较少信息的区域进行探索的能力，保证了种群的多样性，避免陷入局部最优；基于小生境的多解优化机制能够避免所有的个体都收敛到一个区域，从而提供差异性较大的满足约束的解，最终得到多个优化解，以供技术工程师选择。
79.本实施例还公开陶瓷配方优化系统，包括数据采集模块、模型构建模块和配方优化模块；
80.所述数据采集模块用于采集配方先验知识数据、原料数据及历史配方数据，并构建陶瓷配方先验知识库和陶瓷历史配方数据库；
81.所述模型构建模块用于构建陶瓷配方性能预测模型；
82.所述配方优化模块用于构建优化模型，运用数据驱动的演化优化算法对配方进行优化，以及进行约束处理、鲁棒优化和多解优化；
83.所述数据采集模块、模型构建模块和配方优化模块电联接。
84.优选的，所述模型构建模块内设有第一运算子模块，所述第一运算子模块利用蚁群挖掘系统算法及遗传编程方法生成决策树模型，包括如下内容：
85.输入原料种类数m，初始化循环次数nc＝0；
86.设定初始化原料种类k＝1，根据陶瓷历史配方数据库依次选择下一种原料，即原
料种类k＝k 1，并修改禁忌表，进行循环，直至k≥m，循坏结束；
87.上述循坏结束时更新获得的原料数据，判断是否满足配方要求，若是，在线检验是否合格，若合格，输出结果；若不满足配方要求或在线检验为不合格，则使循环次数nc＝nc 1，再进行上述循环。
88.优选的，所述配方优化模块内设有第二运算子模块，所述第二运算子模块用于进行数据驱动的演化优化算法、基于概率分布的鲁棒优化和基于小生境的多解优化的运算。
89.本实施例还公开一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上文所述的陶瓷配方优化方法的步骤。
90.本实施例还公开一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的陶瓷配方优化方法的步骤。
91.根据本发明实施例的陶瓷配方优化方法及系统的其他构成等以及操作对于本领域普通技术人员而言都是已知的，这里不再详细描述。
92.上述陶瓷配方优化系统中的各模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备的存储器中，以便于处理器调用执行以上各模块对应的操作。
93.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
94.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
95.以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发明的保护范围内。