基于現場數據的機器人裝甑系統壓力模型的建立

楊亞茹，劉登峰，徐保國

（江南大學 物聯網工程學院，江蘇 無錫　214122）

基于現場數據的機器人裝甑系統壓力模型的建立

楊亞茹，劉登峰，徐保國

（江南大學 物聯網工程學院，江蘇 無錫214122）

針對目前今世緣酒廠采用機器人裝甑生產的情況，文中在分析了最小二乘支持向量機和量子粒子群算法的基礎上，提出了采用最小二乘支持向量機建立壓力模型，并利用量子粒子群的全局搜索能力來對最小二乘支持向量機在建模過程中的參數進行優化。仿真結果表明所建模型具有較好的擬合效果和泛化能力。

機器人裝甑；壓力建模；最小二乘支持向量機；量子粒子群算法優化

2011年中國酒業協會提出并啟動了中國白酒“158”計劃項目，國內白酒企業紛紛響應，中國白酒首套裝甑機器人生產線于2015年5月在今世緣投入生產，它是利用紅外熱成像技術引導裝甑機器人，實現智能裝甑［1］。其中，上甑速度對出酒質量有很大的影響，而上甑速度的快慢又由上甑蒸汽壓力的大小決定。因此，在機器人裝甑過程中，急需建立合適的壓力模型，從而提高出酒率及優質酒率。

機器人在裝甑時的蒸汽壓力具有建模困難、干擾嚴重、非線性、大滯后等特點［2］，因此文中提出利用最小二乘支持向量機（Least Square Support Vector Machine，LSSVM）和量子粒子群算法（Quantum Particle Swarm Optimization，QPSO）相結合的方法來建立機器人白酒裝甑時的壓力模型。利用QPSO的全局優化能力來求取LSSVM模型的最優正則化參數和核函數參數。

1　白酒裝甑過程簡介

裝甑直接影響著白酒的品質，在白酒釀造工藝中關系重大。裝甑蒸餾，要求最大限度地將發酵生成物提取出來，它是制酒的最后一道工序，也是工藝要求最復雜的一道環節，“輕、松、勻、薄、準、平”6個字就是裝甑難度的高度概括。傳統手工裝甑有兩種蓋料法，一種是“見濕蓋料”，即蒸汽上升，使上層物料表面發濕時蓋上一薄層物料，以免跑汽而損失有效成分。采用該法時如果技術不熟練，會造成壓汽現象；另一種方法是 “見汽蓋料”，即待物料表面呈現很少白色霧狀酒汽時，迅速而準確地蓋上一薄層物料，采用該方法不易壓汽，但若掌握不好容易跑汽［3-4］。在今世緣酒廠投入生產的裝甑機器人能與進汽相配合，達到傳統工藝要求。

2　基于LSSVM的壓力估計模型

2.1最小二乘支持向量機回歸算法

支持向量機（Support Vector Machines，SVM）是由Vapnik等人于上世紀90年代提出的一種基于統計學習理論的機器學習算法。該算法在求解過程中，計算復雜度與訓練樣本個數有關，樣本數目越大，求解相應的二次規劃問題就越復雜，計算速度越慢。之后，Suykens等人在標準SVM基礎上提出了LSSVM［5-8］。LSSVM用最小二乘線性系統作為損失函數，將經典的二次規劃尋優問題轉化為求解線性方程組，極大地降低了計算復雜度，因此具有較快的運算速度。

對給定訓練樣本集數據（xi，yi），i=1，2，…，n，x∈Rd，y∈R最小二乘支持向量機模型為：

引入拉格朗日乘子后，得到對應的拉格朗日函數：

其中，ξ為誤差，C＜0為懲罰系數，αi為xi對應的拉格朗日乘子。

根據Karush-Kuhn-Tucker條件求偏導式，可得方程組：

引入核函數K（xi，xj）=Φ（xi）·Φ（xj）后，變為求解線性方程組：

經求解，得到LSSVM的估計函數為：

2.2機器人裝甑過程壓力模型分析

影響出酒率的因素很多，這里我們主要對裝甑時壓力變化進行分析。由現場數據分析得，我們將蒸汽的瞬時流量以及時間作為裝甑時壓力估計模型的輸入。因此，可設定輸入變量為X=［t，q］，t為當前時間，q為蒸汽瞬時流量，輸出變量為Y=Pout，Pout為輸出壓力值。

由于選擇的變量具有不同的量綱，需要進行歸一化處理，以避免不同變量數據數量級相差太大而造成計算誤差。文中選用的是premnmx函數對數據進行歸一化處理和postmnmxp函數用于恢復實際值。且LSSVM模型選擇了高斯徑向基核函數，并且采用經驗試湊法來確定正則化參數和核函數參數。

2.3LSSVM模型的仿真與分析

選取今世緣酒廠生產線上29鍋共800組數據，奇數數據用來訓練模型，偶數數據進行測試。當取正則化參數C=1 000，核參數時ξ2=0.5，得到RMSE=0.717 5，其仿真結果如圖1所示。

從圖1和最終的誤差值可以發現，最小二乘支持向量機算法雖然對于處理小樣本數據具有明顯的優勢，但是，模型對裝甑時壓力的估計存在較大的誤差，這些誤差的存在是由于現場采集的數據不能夠全面的表征裝甑時酒甑內的所有特點，即訓練數據的特征不能涵蓋測試數據的特征，數據信息缺失嚴重，致使模型的泛化能力下降，準確性降低。而且，對于不同的正則化參數與核參數的選取，會有不同的結果，因此我們要加入優化算法，選取最優的正則化參數與核參數，得到最小的誤差結果。

圖1　LSSVM模型仿真結果

3　QPSO優化壓力模型

LSSVM是一種有效的小樣本機器學習工具，根據有限樣本信息在模型的復雜性和學習能力之間尋求最佳折中，使學習機的實際風險達到最小。但在計算過程中，正則化參數和核參數是根據經驗試湊法確定的，所以計算存在一定的不確定性，所得的結果雖然能夠在一定程度上滿足模型的精度要求，但這種結果不一定是最佳的，計算精度還有進一步的提升空間。

鑒于上述原因，我們需要對上一節所建立的LSSVM模型進行一定的優化，使模型更加準確，泛化能力更強。量子粒子群算法是在標準粒子群算法的基礎上，對種群中的粒子進行量子化處理，這樣能夠避免粒子在局部范圍進行搜索，擴大了搜索空間，提升了尋優能力，更加易于得到全局最優解。

3.1量子粒子算法（QPSO）原理

QPSO算法在PSO算法的基礎上，將粒子定義在由概率密度函數定義的一個量子空間內，粒子能夠以某一確定的概率出現在整個可行的搜索空間中任意一個位置，甚至是一個遠離局部吸引點的位置［9-13］。

此時，粒子的位置由波函數ψ（x，t）決定：

其中，Q是粒子在時刻t出現在（x，y，t）位置的概率。通過Monte Carlo方程的轉換，將粒子狀態轉換成傳統狀態，得到粒子位置的系列迭代公式為：

其中，pi為粒子的局部吸引域，p1和p2為在0～1范圍內的隨機分布的學習因子。g為慣性權重，L為粒子與粒子局部最優之間的帶權距離。

粒子位置向量最后的迭代公式為：

其中，pi表達粒子的局部吸引域，u=rand（）。

可以看出，在QPSO中，粒子的狀態只需要用位置向量來描述，算法利用粒子的局部吸引域和其局部最優位置的距離來更新迭代。

3.2QPSO優化LSSVM模型

將LSSVM中的兩個參數作為種群中的粒子［14-15］，在可行域中搜索全局最優參數，建立壓力模型，其流程圖如圖2所示。

圖2　QPSO-LSSVM算法流程圖

優化步驟：

1）粒子初始化，由波函數決定；

2）量子粒子群算法對粒子的編碼采用向量編碼方式，即位置X=［C σ2］；

3.3QPSO-LSSVM模型的仿真與分析

根據上述QPSO優化LSSVM的過程，建立新的LSSVM白酒裝甑時壓力模型。為了方便對比，同樣采用上節中的數據以及模型結構。為了驗證優化結果，這里采用與第二節相同的處理方法，選取同樣的數據訓練與測試，利用上述建立的模型進行仿真。利用MATLAB仿真實驗得到的結果如圖3所示。

圖3　QPSO-LSSVM模型仿真結果

此時，QPSO優化得到正則化參數C=0.036 4，核參數時ξ2=10.150 1，最終得到 RMSE=0.630 9。利用 QPSO優化LSSVM模型，雖然模型的估計結果還存在一定的波動，但是可以在最短時間內找到最優參數，使誤差最小。

4　結　論

文中針對白酒裝甑過程中壓力模型的建立，采用最小二乘支持向量機模型作為壓力模型，并采用QPSO對模型參數進行優化。仿真結果表明，本文所建立的壓力模型具有一定的準確性，其中，QPSO優化模型具有更好的準確精度。

［1］李宏，馬光喜.基于機器視覺的裝甑布料系統設計［J］.釀酒科技，2014（12）:74-76.

［2］張世峰，左慧敏.焦爐集氣管壓力系統內模控制器設計［J］.安徽工業大學學報：自然科學版，2014，31（4）:395-399.

［3］王久增，劉詩全.固態白酒的裝甑技巧［J］.釀酒科技，1992 （2）:18-21.

［4］魏景俊，肖坤才，張偉花，等.“驛酒上甑八招式”對白酒蒸餾效果和白酒品質影響的研究［J］.釀酒，2014（6）:50-52.

［5］Suykens J A K，Vandewalle J.Least squares support vector machine classifiers［J］.Neural Processing Letters，1999，9（3）: 293-300.

［6］顧燕萍，趙文杰，吳占松.最小二乘支持向量機的算法研究［J］.清華大學學報：自然科學版，2010（7）:1063-1066.

［7］Mall R，Suykens J A.Very Sparse LSSVM Reductions for Large Scale Data［J］.IEEE Transactions on Neural Networks& Learning Systems，2014，26（5）:1086-1097.

［8］劉正峰，王景成，史元浩.基于最小二乘支持向量機的電站鍋爐吸熱面積灰監測研究［J］.化工自動化及儀表，2014，41（3）:262-266.

［9］Fang W，Sun J，Ding Y，et al.A Review of Quantum-behaved ParticleSwarm Optimization［J］.IeteTechnicalReview，2010，27 （4）:336-348.

［10］溫馨，曾培勇，張全.基于QPSO算法的智能公交調度優化研究［J］.現代計算機：普及版，2015（9）:7-10.

［11］譚德坤.量子粒子群算法優化鋼結構截面［J］.河南科技大學學報：自然科學版，2011，32（3）:47-51.

［12］魯峰，黃金泉，佘云峰.航空發動機狀態變量模型的QPSO尋優混合求解法［J］.推進技術，2011，32（5）:722-727.

［13］Guo J，Wang X，Zheng X.Trajectory planning of redundant robot manipulators using QPSO algorithm［C］//Intelligent Control and Automation（WCICA），2010 8th World Congress on.IEEE，2010:403-407.

［14］張耀軍，吳桂玲，趙麗平.發酵過程混合建模與優化控制新方法［J］.計算機測量與控制，2014（12）:4187-4189.

［15］夏梁志，李華.基于QPSO-LSSVM的醋酸乙烯聚合率軟測量建模研究［J］.自動化技術與應用，2011，30（8）:10-13.

Pressure modeling approach of robot steamer-filling system based on field data

YANG Ya-ru，LIU Deng-feng，XU Bao-guo
（School of Internet of Things Engineering，Jiangnan University，Wuxi 214122，China）

Aiming at King’s Luck brewery with robot steamer-fill，we analysis the least square support vector machine and quantum particle swarm optimization algorithm and establish pressure model by using LSSVM and we add QPSO which with global search ability to optimize parameters.The simulation results indicate that the method can obtain better goodness-of-fit and generalization ability.

robot steamer-fill；pressure model；least square support vector machine；quantum particle swarm optimization

TP274

A

1674-6236（2016）14-0107-03

2016-01-26稿件編號：201601242

國家自然科學基金面上項目（21276111）；中央高校基本科研業務費專項資金資助（JUSRP51510）

楊亞茹（1991—），女，江蘇無錫人，碩士研究生。研究方向：工業過程建模及工業過程優化控制。