貝葉斯學習框架下非線性制造過程建模及多目標優(yōu)化關(guān)鍵技術(shù)研究.pdf

1、非線性過程多目標優(yōu)化和建模是制造領域兩個重要而聯(lián)系密切的研究課題?；跈C器學習和計算智能的非線性過程建模方法，僅利用離散樣本數(shù)據(jù)，可以建立多響應曲面，對非線性過程本身數(shù)理機理要求不高，算法適應性強，在制造過程優(yōu)化中得到廣泛應用。與其他方法相比，貝葉斯框架下的機器學習方法使用概率表示所有形式的不確定性，可以在模型中包含先驗知識，隱含地避免過擬合，通過貝葉斯定理實現(xiàn)學習和推理過程，提供基于模型解釋的方差信息，同時還為模型選擇提供了一套完整的

2、理論。因此貝葉斯學習框架下的非線性過程建模及其多目標優(yōu)化研究具有重要理論價值和經(jīng)濟意義。 本文以非線性制造過程對研究對象，利用獲取的含噪數(shù)據(jù)集，以小樣本和實時性場合為研究切入點，從概率測度的角度，在貝葉斯統(tǒng)計學習框架下對非線性過程建模及多目標優(yōu)化關(guān)鍵技術(shù)進行了深入研究。其主要研究內(nèi)容和成果如下： 1、論文首先采用組件描述方式，給出了面向制造過程的多目標優(yōu)化系統(tǒng)框架。該框架包括先驗知識或先驗模型、過程采樣與數(shù)據(jù)預處理、非線

3、性過程建模與模型驗證和基于模型的多目標優(yōu)化與控制以及Pareto多解決策。該系統(tǒng)化視角可用于分析比較現(xiàn)有優(yōu)化系統(tǒng)，也可用于選擇新組件組合成新集成系統(tǒng)用于特定非線性過程的多目標優(yōu)化。 2、依據(jù)上述系統(tǒng)框架，建立了一種基于相關(guān)向量機和遺傳算法的混合智能方法來解決非線性制造過程中的工藝參數(shù)優(yōu)化問題。基于稀疏貝葉斯學習的建模方法能夠使模型具有更好的推廣性，同時該建模方法有目前最稀疏的模型結(jié)構(gòu)，因而更容易實現(xiàn)實時系統(tǒng)的建模要求。應用上述優(yōu)

4、化范式，本文給出了以物料分選系統(tǒng)優(yōu)化調(diào)控為例的個案研究，實驗結(jié)果證明了該混合智能方法的有效性，并且與其他的學習算法相比，在非線性系統(tǒng)辨識過程中，當相關(guān)向量集具備描述問題分布的能力后，即使訓練樣本增加，相關(guān)向量集數(shù)目仍然能夠保持很好的稀疏性和穩(wěn)定性。這對于需要不斷給出適應度值計算的遺傳算法的快速搜索過程和實時搜索近優(yōu)工藝參數(shù)非常有利。 3、通過擴展核方法中常用的高斯核的函數(shù)形式，提出基于自適應超球形高斯核函數(shù)相關(guān)向量機回歸算法以獲

5、得更稀疏回歸模型。在此類核函數(shù)中，每個相關(guān)向量對應一個問題空間上獨立的超球。針對引入的新高斯核，本文提出了分階段最大化貝葉斯證據(jù)算法用于推斷相關(guān)向量機超參數(shù)。該算法能夠自動根據(jù)非線性系統(tǒng)的響應信號的變化頻率調(diào)整高斯核寬度的大小。在基準數(shù)據(jù)集上的仿真和EDM過程建模實驗表明該方法能夠獲得比傳統(tǒng)相關(guān)向量機更稀疏的解和更高逼近精度，因而適合實時性要求更高的非線性建模的情況。 4、針對非線性過程建模中存在的小樣本、臟數(shù)據(jù)的問題，以高速電火花線切

6、割過程為應用對象，建立了一種基于高斯過程回歸模型解釋的可靠多目標優(yōu)化方法?；诟咚惯^程回歸的建模方法更適合制造過程建模的特點，能夠使模型在小樣本上具有很好的推廣性，同時該建模方法有目前最好的預測精度。在可靠優(yōu)化過程中，由預測響應的概率方差作為對預測不確定性的度量與高斯過程回歸模型的響應一起構(gòu)成了多個目標函數(shù)，從而使多目標優(yōu)化的解具有一定的基于模型解釋的可靠性。獲得的Pareto前沿聚類后以交互的方式選出最有利的解。實驗結(jié)果表明該建模方法

7、在小樣本上的模型精度、特征標度和預測模型的不確定性概率度量上有優(yōu)勢。并且在多目標優(yōu)化過程中，通過設定可調(diào)整參數(shù)可以控制優(yōu)化過程以獲得更可靠的優(yōu)化預測解。 5、針對非線性過程建模中，存在具有專業(yè)領域?qū)＜疫^程知識而要建立的制造過程數(shù)據(jù)量嚴重不足時的矛盾，著眼于融合粗糙模糊系統(tǒng)和非常稀少的噪聲樣本，本文提出了基于模糊先驗模型的分段相關(guān)性遷移插值算法，融合高斯過程回歸算法對非線性過程建模以提高建模精度。在兩個基準數(shù)據(jù)集和電火花線切割機床

8、上的實驗研究證明了該算法的可行性和有效性。實驗結(jié)果表明即使是在非常有限的訓練數(shù)據(jù)集上，結(jié)合非常粗糙的模糊先驗知識仍能夠大大提高預測性能。對于給定具有推廣意義的模糊先驗模型，基于改融合算法的高斯過程回歸建模對樣本的需求可大大降低并同時保持精度。由于該方法獨立于模糊模型，因而也適用其他智能模型融合。 6、給出了面向制造過程的非線性系統(tǒng)優(yōu)化軟件的系統(tǒng)架構(gòu)以及各模塊的功能。系統(tǒng)使用Matlab程序作為模型與算法程序運算的核心組件，集成于