项目目标

多阶段工序的智能建模与优化：

主要解决两个问题：

1）以数据化、可计量、可视化的方式，建立烧成参数与质量数据，烧成参数与成本、能源消耗之间的联系。

2）上个问题的数学模型为基础，进行智能化的生产参数配比优化。

项目背景

陶瓷的生产过程是多阶段制造过程，即每个窑炉工序可以看成多阶段制造过程的一个工序。这些工序所产生的产品质量与参数配比是存在很大的因果关系的。为了解决陶瓷生产中的各种痛点，首先我们要理解与把控好这些因果关系，调整好参数配比，进而建立相应的数学模型与智能的云端大数据分析系统，管理人员就会很容易的通过分析系统获得生产建议，进而节省人力、物力，提高产品产成品率。

然而，建立烧成参数配比与成本、能耗、产品成品率联系的数学模型非常依赖工序的稳定性。如果工序出现生产异常，则相应的数据会很不准确，进而影响到所建立的数学模型的准确性与建议的可靠性。因此，建立工序的智能监测与控制是必需的，以使生产工序稳定。

项目特色和创新点

1. 针对陶瓷制造过程的复杂性与生产产品的多样性，本项目拟结合先进的统计学习方法、大数据分析方法、机器学习方法，对陶瓷生产过程进行数学建模。创新包括： 第一，如何整合不同类型的数据并形成有意义的自变量；第二，针对不同类型的数据进行多特征提取；第三，针对复杂、多阶段工序的多目标优化。该模型也可运用到其他复杂生产过程。
2. 多阶段陶瓷制造过程较为复杂，而目前确定质量变量与关键工序变量之间的相关性主要是基于线性相关关系，有很大的局限性。本项目创新性提出基于一般相关性的识别关键工序方式，可以更有效地识别关键工序。同时，目前制造系统监测方法主要集中单一制造工序，本项目提出的以最终产品质量为导向的、考虑多工序生产过程的监控方法也具备创新性。
3. 针对关键设备智能运维这一难题，提出了基于深度学习的健康指数构建方法。通过对设备收集传感器数据进行数据融合，构建健康指数，通过随机优化对参数进行学习，进而实现对关键设备的退化建模与故障监测目的。同时，基于强化学习的工艺参数优化与控制也具备创新性。多阶段制造过程是一个动态的系统，通过引入强化学习，可以求解最优的生产工艺参数，最小化最终产品的质量波动，具备创新性。

项目成果

1. 根据在合作单位各地产线的实际考察结果和与资深工程师的访谈，我们确定了合作单位陶瓷产线的关键生产工序、质量参数和生产设备。考察的工厂包括了广东清远简一陶瓷厂，广东佛山蒙娜丽莎陶瓷厂，广东云浮裕辉陶瓷厂，都在陶瓷产线中使用了合作单位的窑炉设备和相关的窑炉控制方案，并且窑炉总控设备可以集成窑炉各个工段的温度传感器数据和风机、传送带数据。我们重点关注以上的窑炉工艺数据和窑炉窑尾质量抽检数据的关系，并以此建立之后的数据模型。在质量参数上，我们根据专家知识分为表面缺陷质量参数和平整度参数。
2. 对考察工厂提供的窑炉烧成过程中收集的传感器数据进行了分析。从分析结果出发，确认了窑炉的多工序过程里如何选择要考虑进模型中的传感器和数据预处理方案。后续模型将考虑了窑炉多阶段各个时刻的设定温度、实际温度和燃气开度，以及风机的参数等，并由此构建出各时刻产出的抛釉砖的烧成曲线。除了各个选取的传感器的原始数据外，考虑将传感器数据波动及传感器间数据的差值等作为提取的特征。同时结合历史质量数据，我们确认了后续建模时的数据颗粒度，并将根据后续质量抽检数据的采集结果进行进一步调整。
3. 确认了以陶瓷产品质量为导向的初步监测方案。对于产品质量参数中的表面缺陷质量参数和平整度参数，我们分别设计了监测方案。当表面缺陷发生时，我们将根据专家知识整理相关的关键工序，并针对历史数据进行分析。对于平整度参数，我们后续的数学模型将建立在选取的工艺参数和平整度参数上，并采取基于统计和机器学习的手段进行分析和预测平整度结果。目前模型的建立和效果验证还需要后续更多的数据，窑炉工艺数据已经可以由窑炉主控设备获取，而质量抽检数据的采集工作还在进行中。