[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN108710289A - 一种基于改进型spsa的继电器底座质量优化的方法 - Google Patents

一种基于改进型spsa的继电器底座质量优化的方法 Download PDF

Info

Publication number
CN108710289A
CN108710289A CN201810480286.6A CN201810480286A CN108710289A CN 108710289 A CN108710289 A CN 108710289A CN 201810480286 A CN201810480286 A CN 201810480286A CN 108710289 A CN108710289 A CN 108710289A
Authority
CN
China
Prior art keywords
optimization
process parameter
parameter combination
relay base
iterative
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
CN201810480286.6A
Other languages
English (en)
Other versions
CN108710289B (zh
Inventor
孔祥松
余洋阳
陈美霞
张月玲
张辑
苏鹭梅
郑雪钦
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.)
Xiamen University of Technology
Original Assignee
Xiamen University of Technology
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 Xiamen University of Technology filed Critical Xiamen University of Technology
Priority to CN201810480286.6A priority Critical patent/CN108710289B/zh
Publication of CN108710289A publication Critical patent/CN108710289A/zh
Application granted granted Critical
Publication of CN108710289B publication Critical patent/CN108710289B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/024Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明涉及一种改进型SPSA的继电器底座质量优化的方法。该方法通过继电器底座质量优化系统执行,其中,该系统与注塑成型机通过数据通讯接口相连,包括检测单元和上位机。上位机包括初始化模块、优化模块、预处理模块、后处理模块和优化进程评估模块。方法主要包括以下步骤:由检测单元对注塑成型机所生产的继电器底座进行质量检测,检测值通过数据通讯接口传送给上位机,由上位机对该组参数的最优性进行评估并由优化模块给出下一步的迭代工艺参数组合,该参数组合通过数据通讯接口传送至注塑成型机进行在线实验;上述过程迭代进行,直至找到合理的最优工艺参数组合。本发明实施成本小,节省优化时间和实验耗费。

Description

一种基于改进型SPSA的继电器底座质量优化的方法
技术领域
本发明涉及继电器领域,具体地涉及一种改进型并行摄动随机逼近法的继电器底座质量优化的方法。
背景技术
继电器是一种重要的、具有隔离功能的自动控制元件,可以广泛应用于遥控、通讯、自动控制、汽车等诸多行业和领域。继电器底座作为继电器的重要组成部分,其质量对于继电器的品质有重要影响。因此,继电器生产制造环节中,对于继电器底座的质量控制应高度重视。而继电器底座多采用塑料加工成型,在成型过程中,其成型工艺参数对于继电器底座质量有显著影响。参数设置得当,可以有效提高继电器底座的品质。因此,在继电器底座生产制造过程中,企业工程师或操作人员需要对塑料加工成型参数进行调整,以寻找满足质量要求的最优工艺参数组合。
在传统的继电器底座生产制造过程中,企业工程师或操作人员主要通过两种方式去寻找最优工艺参数组合。第一种方式是试凑法,工程师或操作人员凭借对工艺过程的了解和个人经验,反复对相关参数进行调整、尝试,最后找到一组较优的参数组合;这一优化过程非常耗时,且试凑过程中需要大量试验,原料耗费很高,严重依赖于工程师经验,且最后得到的结果也难以保证工艺参数的最优性。第二种方式是经验公式法,鉴于试凑法的效率低下、优化结果不佳,部分继电器制造企业改由行业专家通过理论分析和计算来给出参数设置的经验公式,工程师或操作人员根据经验公式来给出工艺参数;这种方法简便、易于实施,但经验公式难以准确给出,所预测的最优工艺参数组合并不能保证最优性;且继电器底座有多种型号,随市场和需求的不断变化,经验公式也需要随底座型号、材料等不断进行更新。参数设置公式的确定严重依赖于行业专家,成本也非常高昂。
发明内容
本发明针对继电器底座质量优化存在的寻优成本高、依赖专家经验、难以保证最优性等问题,提出了一种改进型并行摄动随机逼近法的继电器底座质量优化的方法,其目的在于实现在尽可能减少质量优化成本的条件下,快速找到继电器底座成型过程的最优工艺参数组合,以提高继电器底座的品质和生产效率。
并行摄动随机逼近方法(SPSA)是J.C.Spall于1987年在有限差分随机逼近算法的基础上加以改进而提出的。该方法梯度估计只需要两次目标函数评价值而不考虑问题的维度。在适当的前提条件下,给定同样的迭代次数,SPSA可以获得与有限差分法梯度逼近同样的统计精度而只需要1/n的函数评价,n为变量维度。因此,本方法具有很高的优化效率。在本发明中,对该方法进行了改进,利用历史迭代过程信息,对该优化过程的效率进行了进一步提升。
为此,本发明采用的具体技术方案如下:
一种基于改进型SPSA的继电器底座质量优化的方法,所述方法通过继电器底座质量优化系统执行,其中,该系统与注塑成型机通过数据通讯接口相连,包括检测单元和上位机,所述上位机包括初始化模块、优化模块、预处理模块、后处理模块和优化进程评估模块,所述方法包括以下步骤:
S1,初始化,通过初始化模块给定初始工艺参数组合并对初始工艺参数组合进行标度化,设定优化过程所需的相关参数的初始值;
S2,优化模块接收经标度化后的工艺参数组合,根据改进型并行摄动随机逼近方法给出新的、待实验的、标度化后的迭代工艺参数组合;
S3,将由优化模块给出的标度化后的迭代工艺参数组合传送至预处理模块,标度化后的迭代工艺参数组合通过预处理模块处理成实际可行迭代工艺参数;
S4,将实际可行迭代工艺参数组合通过数据通讯接口传输给注塑成型机,修改运行工艺参数,而后按照该工艺参数执行成型生产过程,得到继电器底座制品,接着由检测单元对继电器底座制品进行质量检测并将质量检测值通过数据通讯接口传送至上位机;
S5,后处理模块接收质量检测值,并对实际可行迭代工艺参数组合进行标度化;
S6,优化进程评估模块采集优化过程中的工艺参数组合及其对应的质量检测值,对当前优化进程的最优性进行评估,如达到最优性要求,则优化进程终止并输出最优工艺参数组合;如未达到最优性要求,则转至S2继续迭代执行。
进一步地,S1中的标度化通过公式
进行,其中,为初始工艺参数组合,(Xt)L=inf(Xt)为下界,(Xt)H=sup(Xt)为上界,n为优化的工艺参数个数,表示第i个工艺参数的初值,t=1,2,…,n。
进一步地,在S1中对并行摄动随机逼近方法的参数{a,A,c,α,γ}进行赋值,并设定改进型并行摄动随机逼近方法的迭代算子s=1,并对优化进程评估模块参数进行设定,设置终止状态系数初值κ=0,其下限阈值κF,终止因子下限阈值ξΓ,滑动平滑系数λ,滑动终止系数η。
在一个优选实施例中,参数{a,A,c,α,γ}为{α=0.602,γ=0.101,a=50,A=30,c=8},下限阈值κF=3,终止因子下限阈值ξΓ=0.2,滑动平滑系数λ=1,滑动终止系数η=1。
更进一步地,S2的改进型并行摄动随机逼近方法的具体步骤为:
S21,方法增益更新:as=a/(A+s)α,cs=c/sγ
S22,摄动向量产生:通过蒙特卡洛方式产生一个n维随机向量(摄动向量)Δs,其中该向量的每一维都是由伯努利±1分布随机产生,其中产生+1、-1的概率均为0.5;
S23,正向摄动点产生:令k=k+1,经成型实验得到其对应继电器底座制品质量检测值
S24,逆向摄动点产生:令k=k+1,经成型实验得到其对应继电器底座制品质量检测值
S25,梯度逼近:根据摄动点估计在点处的近似梯度因为优化操作区间有约束存在,所以梯度估计公式修正为:其中,历史梯度夹角按公式计算;
S26,迭代工艺参数组合点搜索:沿近似估计梯度方向搜索下一个迭代点,并利用近似梯度步长和全部相邻迭代梯度夹角余弦的补偿步长逼近下一迭代点,迭代工艺参数组合点按公式计算,令k=k+1,s=s+1。
更进一步地,S3的具体步骤为:
S31,根据将相应的迭代工艺参数组合还原为实际迭代工艺参数,其中,为还原后的迭代工艺参数组合;的各个维度表征与原相对应的实际物理参数;
S32,如果则实际可行的迭代工艺参数否则,选取一个满足可行域内距离的欧氏距离最近的点来代替并令实际可行的迭代工艺参数选取近似可行点的规则如其中,为空间中某点到的欧氏距离,Φ为满足最小欧式距离的解集。
更进一步地,S5中的标度化通过公式进行,其中,优化区间为D={X|(Xt)L≤Xt≤(Xt)H,t=1,…,n},(Xt)L=inf(Xt),(Xt)H=sup(Xt)。
8.如权利要求6所述的继电器底座质量优化的方法,其特征在于:S6的具体步骤如下:
S61,产生或更新相对最优性序列:设前一批次的迭代工艺参数组合序列为Mk-1={(X1,Y1),(X2,Y2),…(Xk-1,Yk-1)},其中Xi为实际可行迭代工艺参数组合,Yi为该工艺参数组合下的质量检测值,(Xi,Yi)构成一个迭代工艺参数组合信息集;新迭代工艺参数组合信息集为(Xk,Yk),将其更新入迭代点序列后,形成当前迭代组合序列Mk;再将各工艺参数组合信息集基于迭代工艺参数组合质量检测值的大小进行重新排序,形成一组按质量检测值递增的序列其中为当前迭代点工艺参数组合序列中质量检测值最优(以极小值问题为例)的迭代工艺参数组合,并将该迭代工艺参数组合信息集写入相对最优性序列其中当前最优序列的新增点即为
S62,产生或更新平滑轨迹:以n+1作为滑动轨迹的计算基数,λ为滑动平滑系数(取整数1,2…),滑动窗口大小则为λ(n+1),滑动轨迹形成的计算规则如下:
采用该计算规则对相对最优性序列进行平滑,产生滑动轨迹
S63,产生或更新终止轨迹:在滑动轨迹的基础上,进一步滑动平均计算得终止轨迹其计算规则如下:
其中,η为滑动终止系数;
S64,产生或更新差值序列及终止因子:根据终止轨迹可以获得其差值序列ΔYT,该序列表征在不同迭代工艺参数组合处的目标值增长趋势,差值序列ΔYT的产生规则如基于差值序列和终止轨迹可计算得到优化进程的终止因子该因子的数学含义是当前迭代工艺参数组合点的改进相对于当前迭代点的质量目标函数的比率,反映了优化进程的相对进展,ξ越大,表示在当前迭代工艺参数组合点处的改进程度越大;反之,则表示在该点处的改进程度越小,该因子的下限阈值ξΓ,标志系统优化接近停滞;
S65,优化进程终止判断:当ξ<ξΓ条件满足时,κ由0置1,然后,在后续迭代批次中,当迭代工艺参数组合再次满足ξ<ξΓ,κ递增1;而当κ≠0时,如果发生ξ>ξΓ,标志优化进程跳出停滞状态,重新将κ置0,仅当κ等于其下限阈值κF时,认为优化进程满足终止条件,迭代终止准则条件为(ξ<ξΓ)∩(κ=κF);
S66,当优化进程评估模块判定优化进程终止时,输出优化进程控制状态标志ψ=1,系统输出最优工艺参数组合(X*,Y*),优化系统停止运行;如尚未满足终止条件,则跳转至S2继续迭代执行。
进一步地,工艺参数包括注射一段压力、注射二段压力、注射切换点、保压压力和保压时间,继电器底座质量的质量指标为继电器底座的重量,检测单元为称重计。
本发明采用上述技术方案,具有的有益效果是:
1、实施成本小,节省优化时间和实验耗费;
2、不依赖专家经验,易于在生产车间实施;
3、可以在最低优化成本下,高效给出优化工艺参数组合。
附图说明
图1是本发明的系统结构示意图;
图2是图1中的上位机的系统结构图;
图3是本发明的方法的总体流程步骤示意图;
图4是本发明的方法中的改进型并行摄动随机逼近方法的步骤示意图;
图5是优化进程评估的步骤示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
图1为本发明所提出的基于改进型并行摄动随机逼近方法的继电器底座质量优化系统的结构图。该系统由检测单元1和上位机2共同组成,系统与注塑成型机3(继电器底座成型设备)通过数据通讯接口相连。检测单元1可以根据所要检测的继电器底座质量的质量指标进行设置。在质量指标是继电器底座的重量的情况下,检测单元1是称重计(电子天平)。注塑成型机3是现有技术,这里不再进行描述。数据通讯接口可以是RS232、RS485或RJ45等。图2是本发明所提出的上位机2的系统结构图。上位机2可包括初始化模块21、优化模块22、预处理模块23、后处理模块24和优化进程评估模块25。操作员或工程师通过初始化模块21给定初始工艺参数组合和相关参数设置,由优化模块22给出待实验工艺参数组合,待实验工艺参数组合经过预处理模块23预处理后通过数据通讯接口发送至注塑成型机3修改其工艺参数设置,注塑成型机3执行注塑成型作业,所获得的继电器底座由检测单元1进行质量检测,检测值通过数据通讯接口4传送给上位机2,由上位机后处理模块24对该组工艺参数组合进行处理,再由优化进程评估模块25对当前优化进程最优性进行评估,如达到最优性要求,优化进程终止并输出最优工艺参数组合;如未达到最优性要求,则由优化模块22给出下一步的迭代工艺参数组合,上述过程迭代进行,直至找到合理的最优工艺参数组合。
下面参照图1-5并结合一个具体实施例来详细描述本发明的基于改进型SPSA的继电器底座质量优化的方法的具体步骤。如图3所示,所述方法包括以下步骤:
S1:初始化,将初始工艺参数组合表示为n为待优化的工艺参数个数,表示第i个工艺参数的初值。根据各工艺参数的上下限确定优化问题可行域,表示为D={X|(Xt)L≤Xt≤(Xt)H,t=1,…,n},其中(Xt)L=inf(Xt)为下界,(Xt)H=sup(Xt)为上界。为了确保在优化过程中每个维度的工艺参数变量都有统一的标度,将初始工艺参数组合按照公式(1)标度化到[0,100]区间。操作人员根据成型过程和继电器底座质量特征,选取注射一段压力、注射二段压力、注射二段时间、注射切换点位置(即注射一段占总注射阶段的百分数)、保压压力、保压时间等对底座成型制品质量有显著影响的工艺参数作为优化参数。设X1表示注射一段压力(单位:bar)、X2表示注射二段压力(单位:bar)、X3表示注射切换点位置(无符号百分数,%)、X4表示保压压力(单位:bar)、X5表示保压时间(单位:秒,s)。由操作人员给定初始工艺参数组合设定值X0=[50,55,50%,40,15]T;由操作人员根据经验设定各工艺参数的下限值与上限值,得到严格限定的工艺参数优化区间,注射一段压力、注射二段压力、注射二段时间、注射切换点位置(即注射一段占总注射阶段的百分数)、保压压力、保压时间的上限值记为本实施例中取:Xmax=[120,120,60%,90,150]T,其下限值记为:本实施例中取:Xmin=[40,40,20%,30,1]T;由操作人员设置最大优化迭代次数为100次;调用上位机质量优化初始化模块录入上述信息,并按公式(1)将X0=[50,55,50%,40,15]T标度化为标度化后,每个维度的工艺参数变量都有统一的标度,每个过程变量都被标度化在[0,100]区间。对并行摄动随机逼近方法的参数{a,A,c,α,γ}进行赋值,取{α=0.602,γ=0.101,a=50,A=30,c=8},并设定改进型并行摄动随机逼近方法的迭代算子s=1。同时对优化进程评估模块参数进行设定,设置终止状态系数初值κ=0,其下限阈值κF=3,终止因子下限阈值ξΓ=0.2,滑动平滑系数λ=1,滑动终止系数η=1。
S2:优化模块22接收经标度化后的工艺参数组合根据改进型并行摄动随机逼近方法给出新的、待实验的、标度化后的迭代工艺参数组合令i=i+1。如图4所示,其给定方法与步骤如下:
S21:改进型并行摄动随机逼近方法增益更新:as=a/(A+s)α,cs=c/sγ
S22:产生摄动向量产生。通过蒙特卡洛方式产生一个n维随机向量(摄动向量)Δs,其中该向量的每一维都是由伯努利±1分布随机产生,其中产生+1、-1的概率均为0.5。
S23:产生正向摄动点。正向摄动点令k=k+1。经成型实验得到其对应继电器底座制品的质量测量值
S24:产生逆向摄动点。逆向摄动点令k=k+1。经成型实验得到其对应继电器底座制品的质量测量值
S25:计算当前梯度逼近估计值。根据摄动点估计在点处的近似梯度因为优化操作区间有约束存在,所以梯度估计公式修正为:计算历史梯度夹角,产生规则如下式(2):
S26:搜索给出新的迭代工艺参数组合点。沿近似估计梯度方向搜索下一个迭代点,并利用近似梯度步长和全部相邻迭代梯度夹角余弦的补偿步长逼近下一迭代点。迭代工艺参数组合点的计算方法见公式(3)所示。令k=k+1,s=s+1。
S3:将由优化模块22给出的标度化后的迭代工艺参数组合传送至预处理模块23。标度化后的迭代工艺参数组合通过预处理模块23按公式(4)还原为实际迭代工艺参数。
其中,为还原后的迭代工艺参数组合;的各个维度表征与原相对应的实际物理参数。
如果实际可行迭代工艺参数否则,选取一个满足可行域内距离的欧氏距离最近的点来代替并令实际可行迭代工艺参数选取近似可行点的规则如下式(5):
其中,为空间中某点到的欧氏距离,Φ为满足最小欧式距离的解集。
S4:将实际可行迭代工艺参数组合Xi通过数据通讯接口传输给塑料成型机3,修改运行工艺参数,修改完毕后执行成型生产过程,得到继电器底座制品。底座制品放入检测单元中进行质量检测(本实施例中选择底座重量作为质量指标),质量检测值通过数据通讯接口传送至上位机1。
S5:由后处理模块24通过数据通讯接口采集质量检测设备的输入,并对实际迭代工艺参数组合进行标度化,每个过程变量都被标度化到[0,100]区间。标度化规则按下式(6):
其中,优化区间为D={X|(Xt)L≤Xt≤(Xt)H,t=1,…,n},(Xt)L=inf(Xt),(Xt)H=sup(Xt)。
S6:优化进程评估模块采集优化过程中的工艺参数组合及其对应的质量检测值,对当前优化进程的最优性进行评估,如达到最优性要求,则优化进程终止并输出最优工艺参数组合;如未达到最优性要求,则转至S2继续迭代执行。如图5所示,其主要步骤如下:
S61,产生或更新相对最优性序列。设前一批次的迭代工艺参数组合序列为Mk-1={(X1,Y1),(X2,Y2),…(Xk-1,Yk-1)},其中Xi为实际可行迭代工艺参数组合,Yi为该工艺参数组合下的质量检测值,(Xi,Yi)构成一个迭代工艺参数组合信息集。新迭代工艺参数组合信息集为(Xk,Yk),将其更新入迭代点序列后,形成当前迭代组合序列Mk。再将各工艺参数组合信息集基于迭代工艺参数组合质量检测值的大小进行重新排序,形成一组按质量检测值递增的序列其中为当前迭代点工艺参数组合序列中质量检测值最优(以极小值问题为例)的迭代工艺参数组合。并将该迭代工艺参数组合信息集写入相对最优性序列其中当前最优序列的新增点即为
S62,产生或更新平滑轨迹。以n+1作为滑动轨迹的计算基数,λ为滑动平滑系数(取整数1,2…),滑动窗口大小则为λ(n+1)。滑动轨迹形成的计算规则如下:
采用该计算规则对相对最优性序列进行平滑,产生滑动轨迹
S63,产生或更新终止轨迹。在滑动轨迹的基础上,进一步滑动平均计算得终止轨迹其计算规则如下:
其中,η为滑动终止系数。
S64,产生或更新差值序列及终止因子。根据终止轨迹可以获得其差值序列ΔYT,该序列表征在不同迭代工艺参数组合处的目标值增长趋势。差值序列ΔYT的产生规则如下:
基于差值序列和终止轨迹可计算得到优化进程的终止因子ξ:
该因子的数学含义是当前迭代工艺参数组合点的改进相对于当前迭代点的质量目标函数的比率,反映了优化进程的相对进展。ξ越大,表示在当前迭代工艺参数组合点处的改进程度越大;反之,则表示在该点处的改进程度越小。该因子的下限阈值ξΓ,标志系统优化接近停滞。
S65,优化进程终止判断。当ξ<ξΓ条件满足时,κ由0置1。然后,在后续迭代批次中,当迭代工艺参数组合再次满足ξ<ξΓ,κ递增1;而当κ≠0时,如果发生ξ>ξΓ,标志优化进程跳出停滞状态,重新将κ置0。仅当κ等于其下限阈值κF时,可以认为优化进程满足终止条件。迭代终止准则条件如下:
(ξ<ξΓ)∩(κ=κF) (11)
S66,当优化进程评估模块判定优化进程终止时,即(ξ<0.2)∩(κ=3),输出优化进程控制状态标志ψ=1,系统输出最优工艺参数组合(X*,Y*),优化系统停止运行;如尚未满足终止条件,则优化系统跳转至步骤2继续迭代执行。
本实施例中,经过23次迭代实验后,获得的最优工艺参数组合如下:X=[98.28,103.4,0.452,83.4,131.84]T。即注射一段压力为98.28bar,注射二段压力为103.4bar,注射切换点为45.2%,保压压力为83.4bar,保压时间为131.84s。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。

Claims (9)

1.一种基于改进型SPSA的继电器底座质量优化的方法,其特征在于:所述方法通过继电器底座质量优化系统执行,其中,该系统与注塑成型机通过数据通讯接口相连,包括检测单元和上位机,所述上位机包括初始化模块、优化模块、预处理模块、后处理模块和优化进程评估模块,所述方法包括以下步骤:
S1,初始化,通过初始化模块给定初始工艺参数组合并对初始工艺参数组合进行标度化,设定优化过程所需的相关参数的初始值;
S2,优化模块接收经标度化后的工艺参数组合,根据改进型并行摄动随机逼近方法(SPSA)给出新的、待实验的、标度化后的迭代工艺参数组合;
S3,将由优化模块给出的标度化后的迭代工艺参数组合传送至预处理模块,标度化后的迭代工艺参数组合通过预处理模块处理成实际可行迭代工艺参数;
S4,将实际可行迭代工艺参数组合通过数据通讯接口传输给注塑成型机,修改运行工艺参数,而后按照该工艺参数执行成型生产过程,得到继电器底座制品,接着由检测单元对继电器底座制品进行质量检测并将质量检测值通过数据通讯接口传送至上位机;
S5,后处理模块接收质量检测值,并对实际可行迭代工艺参数组合进行标度化;
S6,优化进程评估模块采集优化过程中的工艺参数组合及其对应的质量检测值,对当前优化进程的最优性进行评估,如达到最优性要求,则优化进程终止并输出最优工艺参数组合;如未达到最优性要求,则转至S2继续迭代执行。
2.如权利要求1所述的基于改进型SPSA的继电器底座质量优化的方法,其特征在于:S1中的标度化通过公式进行,其中,为初始工艺参数组合,(Xt)L=inf(Xt)为下界,(Xt)H=sup(Xt)为上界,n为优化的工艺参数个数,表示第i个工艺参数的初值,t=1,2,…,n。
3.如权利要求2所述的基于改进型SPSA的继电器底座质量优化的方法,其特征在于:在S1中对并行摄动随机逼近方法的参数{a,A,c,α,γ}进行赋值,并设定改进型并行摄动随机逼近方法的迭代算子s=1,并对优化进程评估模块参数进行设定,设置终止状态系数初值κ=0,其下限阈值κF,终止因子下限阈值ξΓ,滑动平滑系数λ,滑动终止系数η。
4.如权利要求3所述的基于改进型SPSA的继电器底座质量优化的方法,其特征在于:参数{a,A,c,α,γ}为{α=0.602,γ=0.101,a=50,A=30,c=8},下限阈值κF=3,终止因子下限阈值ξΓ=0.2,滑动平滑系数λ=1,滑动终止系数η=1。
5.如权利要求3所述的基于改进型SPSA的继电器底座质量优化的方法,其特征在于:S2的具体步骤为:
S21,方法增益更新:as=a/(A+s)α,cs=c/sγ
S22,摄动向量产生:通过蒙特卡洛方式产生一个n维随机向量(摄动向量)Δs,其中该向量的每一维都是由伯努利±1分布随机产生,其中产生+1、-1的概率均为0.5;
S23,正向摄动点产生:令k=k+1;经成型实验得到其对应继电器底座制品的质量检测值
S24,逆向摄动点产生:令k=k+1;经成型实验得到其对应继电器底座制品的质量检测值
S25,梯度逼近:根据摄动点估计在点处的近似梯度因为优化操作区间有约束存在,所以梯度估计公式修正为:其中,历史梯度夹角按公式计算;
S26,迭代工艺参数组合点搜索:沿近似估计梯度方向搜索下一个迭代点,并利用近似梯度步长和全部相邻迭代梯度夹角余弦的补偿步长逼近下一迭代点,迭代工艺参数组合点按公式计算,令k=k+1,s=s+1。
6.如权利要求5所述的基于改进型SPSA的继电器底座质量优化的方法,其特征在于:S3的具体步骤为:
S31,根据将相应的迭代工艺参数组合还原为实际迭代工艺参数,其中,为还原后的迭代工艺参数组合;的各个维度表征与原相对应的实际物理参数;
S32,如果则实际可行的迭代工艺参数否则,选取一个满足可行域内距离的欧氏距离最近的点来代替并令实际可行的迭代工艺参数选取近似可行点的规则如其中,为空间中某点到的欧氏距离,Φ为满足最小欧式距离的解集。
7.如权利要求6所述的基于改进型SPSA的继电器底座质量优化的方法,其特征在于:S5中的标度化通过公式进行,其中,优化区间为D={X|(Xt)L≤Xt≤(Xt)H,t=1,…,n},(Xt)L=inf(Xt),(Xt)H=sup(Xt)。
8.如权利要求6所述的基于改进型SPSA的继电器底座质量优化的方法,其特征在于:S6的具体步骤如下:
S61,产生或更新相对最优性序列:设前一批次的迭代工艺参数组合序列为Mk-1={(X1,Y1),(X2,Y2),…(Xk-1,Yk-1)},其中Xi为实际可行迭代工艺参数组合,Yi为该工艺参数组合下的质量检测值,(Xi,Yi)构成一个迭代工艺参数组合信息集;新迭代工艺参数组合信息集为(Xk,Yk),将其更新入迭代点序列后,形成当前迭代组合序列Mk;再将各工艺参数组合信息集基于迭代工艺参数组合质量检测值的大小进行重新排序,形成一组按质量检测值递增的序列其中为当前迭代点工艺参数组合序列中质量检测值最优(以极小值问题为例)的迭代工艺参数组合,并将该迭代工艺参数组合信息集写入相对最优性序列其中当前最优序列的新增点即为
S62,产生或更新平滑轨迹:以n+1作为滑动轨迹的计算基数,λ为滑动平滑系数(取整数1,2…),滑动窗口大小则为λ(n+1),滑动轨迹形成的计算规则如下:
采用该计算规则对相对最优性序列进行平滑,产生滑动轨迹
S63,产生或更新终止轨迹:在滑动轨迹的基础上,进一步滑动平均计算得终止轨迹其计算规则如下:
其中,η为滑动终止系数;
S64,产生或更新差值序列及终止因子:根据终止轨迹可以获得其差值序列ΔYT,该序列表征在不同迭代工艺参数组合处的目标值增长趋势,差值序列ΔYT的产生规则如基于差值序列和终止轨迹可计算得到优化进程的终止因子
该因子的数学含义是当前迭代工艺参数组合点的改进相对于当前迭代点的质量目标函数的比率,反映了优化进程的相对进展,ξ越大,表示在当前迭代工艺参数组合点处的改进程度越大;反之,则表示在该点处的改进程度越小,该因子的下限阈值ξΓ,标志系统优化接近停滞;
S65,优化进程终止判断:当ξ<ξΓ条件满足时,κ由0置1,然后,在后续迭代批次中,当迭代工艺参数组合再次满足ξ<ξΓ,κ递增1;而当κ≠0时,如果发生ξ>ξΓ,标志优化进程跳出停滞状态,重新将κ置0,仅当κ等于其下限阈值κF时,认为优化进程满足终止条件,迭代终止准则条件为(ξ<ξΓ)∩(κ=κF);
S66,当优化进程评估模块判定优化进程终止时,输出优化进程控制状态标志ψ=1,系统输出最优工艺参数组合(X*,Y*);如尚未满足终止条件,则跳转至S2继续迭代执行。
9.如权利要求1所述的基于改进型SPSA的继电器底座质量优化的方法,其特征在于:工艺参数包括注射一段压力、注射二段压力、注射切换点、保压压力和保压时间,继电器底座质量的质量指标为继电器底座的重量,检测单元为称重计。
CN201810480286.6A 2018-05-18 2018-05-18 一种基于改进型spsa的继电器底座质量优化的方法 Active CN108710289B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810480286.6A CN108710289B (zh) 2018-05-18 2018-05-18 一种基于改进型spsa的继电器底座质量优化的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810480286.6A CN108710289B (zh) 2018-05-18 2018-05-18 一种基于改进型spsa的继电器底座质量优化的方法

Publications (2)

Publication Number Publication Date
CN108710289A true CN108710289A (zh) 2018-10-26
CN108710289B CN108710289B (zh) 2021-11-09

Family

ID=63868252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810480286.6A Active CN108710289B (zh) 2018-05-18 2018-05-18 一种基于改进型spsa的继电器底座质量优化的方法

Country Status (1)

Country Link
CN (1) CN108710289B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020188327A1 (en) * 2019-03-15 2020-09-24 3M Innovative Properties Company Method of optimizing control signals used in operating vehicle
US12099046B2 (en) 2019-03-15 2024-09-24 Solventum Intellectual Properties Company Manufacturing a biologic pharmaceutical using causal models

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200743296A (en) * 2006-05-15 2007-11-16 Univ Chung Yuan Christian Control method for on-line tuning vector of parameters of controller based on simultaneous perturbation stochastic approximation (SPSA)
CN102101352A (zh) * 2010-12-22 2011-06-22 浙江大学 一种注塑成型制品重量无模型控制方法
US20140009742A1 (en) * 2001-11-13 2014-01-09 Larry A. Donoso Imaging Device
CN104019520A (zh) * 2014-05-20 2014-09-03 天津大学 基于spsa的制冷系统最小能耗的数据驱动控制方法
CN104772878A (zh) * 2015-02-15 2015-07-15 浙江大学 一种注塑成型过程迭代建模与优化的制品重量控制方法
CN106774469A (zh) * 2008-06-11 2017-05-31 伊顿公司 自动调谐电动液压阀
CN107885086A (zh) * 2017-11-17 2018-04-06 合肥工业大学 基于mcmc优化q学习的自主航行器控制参数在线调节方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140009742A1 (en) * 2001-11-13 2014-01-09 Larry A. Donoso Imaging Device
TW200743296A (en) * 2006-05-15 2007-11-16 Univ Chung Yuan Christian Control method for on-line tuning vector of parameters of controller based on simultaneous perturbation stochastic approximation (SPSA)
CN106774469A (zh) * 2008-06-11 2017-05-31 伊顿公司 自动调谐电动液压阀
CN102101352A (zh) * 2010-12-22 2011-06-22 浙江大学 一种注塑成型制品重量无模型控制方法
CN104019520A (zh) * 2014-05-20 2014-09-03 天津大学 基于spsa的制冷系统最小能耗的数据驱动控制方法
CN104772878A (zh) * 2015-02-15 2015-07-15 浙江大学 一种注塑成型过程迭代建模与优化的制品重量控制方法
CN107885086A (zh) * 2017-11-17 2018-04-06 合肥工业大学 基于mcmc优化q学习的自主航行器控制参数在线调节方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
LU LU, YAN XU: "An enhanced SPSA algorithm for the calibration of Dynamic Traffic Assignment models", 《TRANSPORTATION RESEARCH PART C》 *
XIANGSONG KONG: "Performance optimization for steam generator level control based on a revised simultaneous perturbation stochastic approximation algorithm", 《2018 3RD INTERNATIONAL CONFERENCE ON INTELLIGENT GREEN BUILDING AND SMART GRID (IGBSG)》 *
XIANGSONG KONG: "SPSA-Based PID Parameters Optimization for a Dual-Tank Liquid-Level Control System", 《IEEE INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND ENGINEERING MANAGEMENT (IEEM)》 *
哀微: "基于单边SPSA的动态偏差数据驱动控制算法", 《华南理工大学学报》 *
孔祥松: "快速、低成本间歇过程无模型优化方法研究", 《中国博士学位论文全文数据库》 *
张华军,赵金,罗慧,解相朋: "基于梯度投影法与随机优化算法的约束优化方法", 《控制与决策》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020188327A1 (en) * 2019-03-15 2020-09-24 3M Innovative Properties Company Method of optimizing control signals used in operating vehicle
US11720070B2 (en) 2019-03-15 2023-08-08 3M Innovative Properties Company Determining causal models for controlling environments
US11927926B2 (en) 2019-03-15 2024-03-12 3M Innovative Properties Company Determining causal models for controlling environments
US11966204B2 (en) 2019-03-15 2024-04-23 3M Innovative Properties Company Determining causal models for controlling environments
US12055903B2 (en) 2019-03-15 2024-08-06 3M Innovative Properties Company Determining causal models for controlling environments
US12099046B2 (en) 2019-03-15 2024-09-24 Solventum Intellectual Properties Company Manufacturing a biologic pharmaceutical using causal models

Also Published As

Publication number Publication date
CN108710289B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
US10562217B2 (en) Abrasion amount estimation device and abrasion amount estimation method for check valve of injection molding machine
CN113544599A (zh) 执行过程并优化在该过程中使用的控制信号的方法
CN108804731B (zh) 基于重要点双重评价因子时间序列趋势特征提取方法
CN108710289B (zh) 一种基于改进型spsa的继电器底座质量优化的方法
CN108038538A (zh) 基于强化学习的多目标进化算法
CN110991495B (zh) 生产制造过程中产品质量预测方法、系统、介质及设备
Jiang et al. JPEG image compression using quantization table optimization based on perceptual image quality assessment
CN108803528A (zh) 基于多变量相关性及时滞性的流程工业系统预测模型
CN110163743A (zh) 一种基于超参数优化的信用评分方法
CN113807028B (zh) 一种环氧树脂固化工艺的优化方法及优化系统
CN108447737B (zh) 一种基于单纯形搜索的继电器底座质量优化系统
CN110083065A (zh) 一种基于流式变分贝叶斯有监督因子分析的自适应软测量方法
CN115619028A (zh) 一种基于聚类算法融合的电力负荷精准预测方法
KR102531077B1 (ko) 탐색 장치, 탐색 프로그램 및 플라스마 처리 장치
CN110084301B (zh) 一种基于隐马尔可夫模型的多工况过程工况辨识方法
CN110393954B (zh) 一种基于强化学习的浓密机在线控制方法
LeKander et al. Empirical evaluation of gradient methods for matrix learning vector quantization
CN110674883A (zh) 一种基于k近邻和概率选择主动学习方法
Vakhitov et al. Adaptive control of SISO plant with time-varying coefficients based on random test perturbation
CN108540029B (zh) 一种基于改进型spsa的电机转速控制参数优化方法及系统
CN113268925A (zh) 基于差分进化算法时延估计的动态软测量方法
Liu et al. Online expectation maximization for reinforcement learning in POMDPs
CN113255541B (zh) 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法
CN108549240A (zh) 一种基于单纯形搜索的电机转速控制参数优化方法及系统
KR20190092135A (ko) 최적화 계산 장치 및 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant