本发明涉及了一种多目标优化方法，涉及工业自动化，具体涉及一种加工质量预测的产品多目标优化方法。
背景技术：
1、全球正聚焦于工业生产流程中的精密场景，而这些场景下的生产过程往往涉及多个复杂的参数设置。以注塑成型为例，塑料制品由于其优良的化学稳定性、优异的电绝缘性能和隔热性、高减震性和高机械强度等特性，被广泛应用于汽车、航空、医疗和电子等行业。
2、精密注塑成型因其高精度、高自动化程度和对各种复杂几何形状的良好适应性，是批量生产精密塑料制品的主要方法之一。但注塑成型中工艺参数众多，耦合关系复杂，准确量化各参数对塑料制品的成型质量的影响十分困难；如何根据多种质量要求快速准确获得最优的工艺参数，一直是众多技术研究中的一个热点问题。
技术实现思路
1、为了解决背景技术中存在的问题，本发明所提供一种加工质量预测的生产制品的多目标优化方法。
2、本发明采用的技术方案是：
3、本发明的加工质量预测的多目标优化方法，包括：
4、步骤1：建立生产制品的基于拉丁超立方取样的初步高维曲面代理模型。
5、步骤2：对生产制品的初步高维曲面代理模型进行分级处理和区间合并，然后进行多次分层取样及拟合后获得关键部位细化的高斯回归高维模型；关键部位即质量目标参数最优的区域。
6、步骤3：根据高斯回归高维模型获得生产制品的各质量目标参数的综合熵权值，根据综合熵权值使用多目标优化nsga3算法(non-dominated sorting genetic algorithmiii)对生产制品的各工艺参数进行对目标寻优，获得相对最优的各工艺参数，进而加工生产制品，实现生产制品的多目标优化。
7、本发明方法通过分层取样与多次的高斯回归，确定一个在最优工艺参数附近拟合更加准确代理模型，并使用nsga3的多目标寻优方法，结合综合熵权值，最终获得一个全局相对最优的工艺参数组合，以实现生产制品的多目标优化。
8、所述的步骤1具体如下：
9、步骤1.1：设定生产制品的待优化的m个初始的工艺参数和n个质量目标参数，并确定各个初始的工艺参数的取值范围a0，a0＝{c10,c20,…,ci0,…,cm0}，c10、c20、…、ci0、…、cm0分别为第1、2、…、i、…、m个初始的工艺参数的取值范围；
10、步骤1.2：在各个初始的工艺参数的取值范围a0内进行拉丁超立方取样，从而获得k0组取样后的各个工艺参数的初始样本组b0。
11、步骤1.3：将每组取样后的各个工艺参数的初始样本组b0和n个质量目标参数拼接后获得k0组基于质量目标参数的各个工艺参数的取样后的重组样本组b0*，针对每个工艺参数的取样后的初始样本组b0，将n个质量目标参数拼接在m个取样后的工艺参数之后进而获得重组样本组b0*。
12、步骤1.4：对每组基于质量目标参数的各个初始工艺参数的重组样本组b0*进行高斯回归，获得初步高维曲面代理模型o0。
13、对重组样本组b0*进行高斯回归时，首先计算获得每两个质量目标参数之间的距离和半方差，然后求解获得最优系数，最后使用最优系数对重组样本组b0*的半方差进行加权求和，从而获得除了重组样本组b0*的其它未知点的目标估计值，最终将重组样本组b0*和其它未知点的目标估计值相结合，共同拟合获得代理模型高维曲面从而获得贝叶斯高维曲面代理模型。
14、所述的步骤2具体如下：
15、步骤2.1：设定分层处理中总分层次数n和每次分层的分级级数l，l＝{l1,l2,…,li,…,ln}，l1、l2、…、li、…、ln分别为第1、2、…、i、…、n次分层处理的平均分级的级数。
16、步骤2.2：将初步高维曲面代理模型o0中的每个质量目标参数进行分层处理，在第i次分层时，将每个质量目标参数按照li级数进行平均分级，进而获得每级质量目标参数最优时的各个优化后的工艺参数的初始样本组，然后将各个优化后的工艺参数的初始样本组进行区间合并后获得各个优化后的工艺参数的最终样本组。
17、步骤2.3：将步骤2.2中的各个优化后的工艺参数的最终样本组进行拉丁超立方取样后获得ki组各个优化后的工艺参数的初始样本组bi，然后将每组各个优化后的工艺参数的初始样本组bi和n个质量目标参数拼接后获得ki组基于质量目标参数的各个优化后的工艺参数的重组样本组bi*。
18、步骤2.4：将各个优化后的工艺参数的重组样本组bi*以及上一次分层处理后获得的各个优化后的工艺参数的重组样本组bi-1*共同进行高斯曲面拟合后获得当前第i次分层处理的高维高斯拟合曲面oi。
19、步骤2.5：判断n次分层处理是否结束，若未结束，则重复步骤2.2-步骤2.4，直至判断n次分层处理结束，获得最终的高维高斯拟合曲面on作为关键部位细化的高斯回归高维模型，此曲面即多工艺参数，多目标质量参数映射关系的超平面。
20、所述的步骤2.2中，当各级质量目标参数最优时的各个优化后的工艺参数的初始样本组之间均互斥时，则将各级质量目标参数最优时的各个优化后的工艺参数的初始样本组取并集后获得各个优化后的工艺参数的最终样本组；当各级质量目标参数最优时的各个优化后的工艺参数的初始样本组之间相交或包含时，则将各级质量目标参数最优时的各个优化后的工艺参数的初始样本组取交集后获得各个优化后的工艺参数的最终样本组。
21、所述的步骤3具体如下：
22、步骤3.1：将高维高斯拟合曲面on进行归一化处理后获得归一化后的高维高斯拟合曲面on，计算获得归一化后的高维高斯拟合曲面on中的各个质量目标参数的熵值。
23、高维高斯拟合曲面on具体如下：
24、
25、其中，xij为高维高斯拟合曲面on中的第i行第j列的目标质量参数。
26、将高维高斯拟合曲面on中的各个目标质量参数进行归一化后获得归一化的目标质量参数
27、归一化的第j个目标质量值的熵值wj如下：
28、
29、其中，gj为第j个目标质量值的熵值wj的变异系数，gj＝1-ej；ej为第j个目标质量值的权重，如下：
30、
31、其中，pij为第i行第j列的目标质量参数的权重。
32、步骤3.2：根据各个目标质量参数的熵值获得综合熵权值。
33、步骤3.3：将各个目标质量参数以及各个目标质量参数和综合熵权值的乘积作为多目标优化nsga3算法的适应度函数，将各个目标质量参数最优时的各个优化后的工艺参数作为多目标优化nsga3算法的理想点，以各个目标质量参数和综合熵权值最小作为多目标优化nsga3算法的寻优目标进行多目标寻优，获得最终的帕累托前沿为相对最优的工艺参数组合。
34、所述的步骤4.3中，首先根据各个目标质量参数的熵值获得熵权值δ，具体如下：
35、
36、其中，wj为归一化的高维高斯拟合曲面on中的第i行第j列的目标质量参数的熵值。
37、然后将各个目标质量参数的熵值和目标质量参数相乘后获得综合熵权值。
38、本发明的电子设备，包括：相互耦接的存储器和处理器，其中，所述存储器存储有程序数据，所述处理器调用所述程序数据以执行如上述所述的方法。
39、本发明的计算机可读存储介质，其上存储有程序数据，所述程序数据被处理器执行时实现如上述所述的方法。
40、本发明方法在确定生产制品的初步工艺参数区间后，通过拉丁超立方取样获得最初的样本点，通过实验或仿真获得对应样本的目标质量值；使用高斯过程对包含目标质量值的样本点进行高维曲面拟合，对目标质量进行分级，获得最优级别对应的工艺参数组合；根据区间合并准则合并多工艺参数区间，并在合并区间进行拉丁超立方取样，即二次分层取样；对新样本进行实验获得目标质量值并重新拟合高维曲面；基于各目标质量值所有对应的样本点计算各目标质量值的熵权值，获得各目标质量值的综合熵权值；结合综合熵权值对注塑工艺参数进行基于nsga3方法进行多目标寻优，获得相对最优的工艺参数组合，最终对生产制品进行加工，实现生产制品的多目标优化方法。
41、本发明的有益效果是：
42、本发明通过对高维曲面分层取样，减少了关键部分高进度代理模型拟合的成本，减少了相同精度下的实验成本，提高了代理模型求解最优工艺参数的精度。
43、本发明采用制品质量目标参数的综合熵权值作为新的nsga3的寻优依据，提高了nsga3寻优过程的可靠性，提高nsga3的寻优过程的效率，最终表现效果优于响应面法。
44、本发明方法可以解决工艺参数耦合关系复杂，难以准确且高效量化从而提高制品质量的问题。
1.一种加工质量预测的多目标优化方法，其特征在于，包括：
2.根据权利要求1所述的加工质量预测的多目标优化方法，其特征在于：所述的步骤1具体如下：
3.根据权利要求1所述的加工质量预测的多目标优化方法，其特征在于：所述的步骤2具体如下：
4.根据权利要求3所述的加工质量预测的多目标优化方法，其特征在于：所述的步骤2.2中，当各级质量目标参数最优时的各个优化后的工艺参数的初始样本组之间均互斥时，则将各级质量目标参数最优时的各个优化后的工艺参数的初始样本组取并集后获得各个优化后的工艺参数的最终样本组；当各级质量目标参数最优时的各个优化后的工艺参数的初始样本组之间相交或包含时，则将各级质量目标参数最优时的各个优化后的工艺参数的初始样本组取交集后获得各个优化后的工艺参数的最终样本组。
5.根据权利要求1所述的加工质量预测的多目标优化方法，其特征在于：所述的步骤3具体如下：
6.根据权利要求5所述的加工质量预测的多目标优化方法，其特征在于：所述的步骤3.2中，首先根据各个目标质量参数的熵值获得熵权值δ，具体如下：
7.一种电子设备，其特征在于，包括：相互耦接的存储器和处理器，其中，所述存储器存储有程序数据，所述处理器调用所述程序数据以执行如权利要求1-6中任一项所述的方法。
8.一种计算机可读存储介质，其上存储有程序数据，其特征在于，所述程序数据被处理器执行时实现如权利要求1-6中任一项所述的方法。
