基于计算智能的质量优化研究现状

计算智能在质量优化中的应用主要集中在如下方面：采用人工神经网络或支持向量机、遗传算法等对产品质量进行预测，或者利用计算智能方法对经典的响应建模和优化方法进行改进，提高方法对于复杂作用关系过程的适用性，改进质量优化的效果。

1.关于质量数据建模与预测

此类研究的基本原理是以生产历史数据为样本，辅以模糊逻辑、主成分分析等数据预处理方法，拟合过程质量特性与影响因素之间的人工神经网络或支持向量机模型，进而实现在线的产品质量预测。

例如Nikolaidis和Long等^[34]利用人工神经网络与二阶多项式对汽车结合部件的尺寸进行了拟合，对比结果表明两种方法的性能基本一致；Dimopoulos和Tsiros^[35]等利用人工神经网络对铝还原工厂附近植被上空的氟浓度进行了研究，得到了较好的拟合结果，其拟合值与观测值之间的相关系数为0.92；董华等^[36]首先采用模糊隶属度函数赋予历史数据不同权重，实现样本优化选择，而后再利用支持向量机对产品质量进行预测，该方法具有预测性能高、建模速度快的优点，较适用于小批量加工过程的在线质量监控；崔庆安等^[37]提出采用支持向量机技术对焦炭质量进行了预测，通过对人工神经网络预测效果的对比，说明了该方法的优势；周洪等^[38]利用BP人工神经网络对特大型焦炉的焦炭质量进行了预测；吕志军等^[39]提出一种基于支持向量机的纺纱质量预测模型；杨杰和刘佳雄^[40]利用主成分分析降低了模型的输入维度，而后采用小波Elman人工神经网络对活塞环渗氮硬化工序质量进行了预测，得到了比标准Elman人工神经网络更高的预测精度；王秋明等^[41]提出一种结合灰色预测GM（1，1）模型与BP人工神经网络的工序质量预测方法；孙林和杨世元^[42]对工件成形磨削加工过程的表面粗糙度预测及参数优化问题进行了研究，提出一种基于最小二乘支持向量机建模预测方法，并通过影响因素与表面特性之间的二维关系图对参数进行优化；两位学者在另一篇文献^[42]中利用支持向量机对于摩擦焊接过程质量进行了预测；刘渤海和杨世元^[43]以轴加工为对象，对多项式模型、BP人工神经网络和支持向量机模型的质量预测能力进行了对比分析。

2.关于响应建模与优化

与利用生产中的历史数据作为建模样本不同，响应建模和优化通过主动性的实验设计来获取样本集再进行过程建模和优化。传统方法以一阶、二阶多项式模型为基础，当过程作用关系较为复杂时，多项式模型的表达能力有限，因此研究者引入了计算智能方法来提高模型的拟合与预测性能。

Anjum和Tasadduq等^[44]提出基于两阶段人工神经网络的响应曲面法，第一阶段的BP人工神经网络用来拟合响应过程，第二阶段的BP人工神经网络用来寻优；何曙光和齐二石等^[45]利用基于人工神经网络的响应曲面法对橡胶生产过程进行了分析，得到了比经典响应曲面法更好的拟合性能；He和Xiao^[46]提出一种基于插值人工神经网络的响应曲面法，采用二阶多项式插值技术在降低样本精度的情况下扩充了BP人工神经网络的样本数量；Ha和Cho等^[47]分别采用logistic回归、单个多层感知机（SMLP）、基于bagging技术的多层感知机（BMLP），对直销市场数据进行了响应建模的对比研究，结果说明SMLP和BMLP比传统的logistic回归具有更好的拟合性能；Alam和McNaught等^[48]以一个动力学模拟系统为例，研究了不同设计方法（如全因子、随机采样、CCD、拉丁方）对人工神经网络预测性能的影响，结果显示带有先验知识的拉丁方设计在样本量相同的条件下预测性能最好；Ren^[49]采用不同的非线性方法对芳香类化合物毒性对梨形四膜虫的影响进行了响应曲面分析，各种方法的性能采用交叉验证法来检验，研究表明包括人工神经网络在内的各种非线性方法的拟合与预测性能较为接近；Garcia-Gimeno和Her-vas-Martinez等^[50]利用人工神经网络和经典响应曲面法研究了肉类加工过程中有氧和厌氧条件下，温度、pH值、氯化钠浓度、亚硝酸钠浓度对有害菌的生长率、滞后时间、最大菌落密度等指标的影响，结果显示人工神经网络的拟合性能高于经典响应曲面，但在某些情况下泛化性能要低于经典响应曲面法。(www.xing528.com)

李烁等^[51]对于复合材料加筋结构的优化设计，以有限元仿真为基础，采用人工神经网络建立起设计输入与结构响应之间的映射关系，并利用遗传算法对模型进行寻优，提高了结构设计的优化效率；汤禹成等^[52]利用人工神经网络构建了预锻模具形状与填充度之间的响应曲面，并采用粒子群优化算法进行寻优，应用于两工步二维轴对称锻造的优化，取得了比二次多项式响应曲面更好的优化设计结果；吴洪飞等^[53]利用分式析因设计和BP人工神经网络对冲压信号进行了特征提取与诊断，并利用主成分分析法对神经网络的输入进行了降维，取得了良好的效果；Cheng^[54]等提出一种基于均匀设计和人工神经网络的结构可靠性优化方法；马佳等^[55]利用BP人工神经网络，拟合了汽车座椅压力分布特征与舒适度之间的复杂非线性关系，建立了汽车座椅舒适度的定量评价模型，结果既客观又快速；徐湖和潘尔顺^[56]应用BP人工神经网络对电子电路表面贴装的产品质量进行了预测，通过采用变学习率、Gauss惩罚函数、网络隐层节点的自组织学习与调整等策略，提高了BP人工网络的预测性能；Jung和Yun^[57]对于动态系统的稳健性优化问题进行了研究，利用人工神经网络建立起质量特性与可控因子、噪声因子和信号因子之间的作用关系模型，而后采用超拉丁方抽样和一元线性回归来估计质量特性与信号因子之间的斜率系数，再通过求解约束优化问题实现稳健性参数优化；Abbasi和Mahlooji^[58]采用人工神经网络来提高复杂过程的响应建模精度，并采用模拟退火算法来寻优；王洋等^[59]采用基于人工神经网络的响应曲面法对阿特拉津降解菌发酵培养基中的三个重要基质成分进行了优化；Shojae-imehr等^[60]对经典响应曲面法和人工神经网络对重金属扩散过程进行了评估，对比显示，人工神经网络模型的拟合性能要优于二阶多项式响应模型。

由于人工神经网络在样本量较小的情况下容易出现“过学习”或“过拟合”现象，使得所建模型的拟合性能较高，但预测性能较差。为提高模型性能，近年来有研究者将支持向量机理论引入到了响应建模与优化之中。Khayet和Cojocaru^[61]利用前向人工神经网络对反渗透淡化过程进行了建模和预测，并且采用基于伪随机数的Monte Carlo模拟优化了过程参数。结论表明，响应曲面法无法在较大范围内建立全局模型；而人工神经网络的全局性建模能力则较高。

何桢和崔庆安^[62]初步研究了支持向量机在响应曲面法中的应用；周晓剑等^[63]针对计算机实验中替代模型运算速度较慢的不足，提出利用样本点处的梯度信息来进一步降低样本量，提高支持向量回归机的逼近精度，但是并没有给出获取样本点处的梯度信息的方法，事实上，对于没有具体物理或工程模型的过程，获取梯度信息极可能会额外增加样本量，将削弱该方法的优势；Yoon和Jun^[64]对支持向量和人工神经网络的预测性能进行了比较研究，结论表明，在对非线性过程进行建模时，人工神经网络对已知数据的拟合误差相对较小，而支持向量回归机的预测性能则较高，此外，支持向量回归机模型的稳定性要高于人工神经网络模型。

3.关于过程参数调整规则的提取

对于没有具体作用关系模型的过程，在过程噪声等不可控因素对质量特性具有显著性影响的情形下，所建立的统计学或者人工神经网络、支持向量机模型的预测效果较差，因此无法采用响应建模优化，而更多利用工艺参数在线反馈调整的方式稳定产品质量。即根据当前时刻质量特性值与目标值之差，调整参数使该差值缩小，由此依时刻进行动态调整。近年来，研究者将计算智能中粗糙集理论应用于参数调整规则的提取之中，该方法充分考虑了制造过程专家知识和复杂影响因素，可以得到较为简单的调整规则集。

比较典型的研究包括：蒋亚军等^[65]分析了模具数控切削加工的特点，根据生产历史数据构造了切削参数与影响因素的决策表，利用粗糙集方法确定了有关切削参数约束范围的规则，再利用遗传算法求解切削参数的最优值；王介生^[66]基于粗糙集理论和模糊神经网络，对回转窑烧结过程的参数调整规则进行了提取，增强了过程容错及抗干扰的能力；郑光勇等^[67]利用粗糙集对烟草制丝生产线的关联规则进行了提取，得到了适用性较强的参数调整规则；Perzyk和Soroczynski^[68]对比了决策树和粗糙集方法在工业过程控制规则提取中的应用效果，研究表明粗糙集方法可以有效处理多属性决策问题，得到准确度更高的规则；华裕竹^[69]利用粗糙集理论和贝叶斯公式，提取了薄膜蒸发过程参数的调整规则。