数据驱动的流程工业大规模定制产品及工艺设计的鲁棒优化方法

Mass customization is effective way to resolve conflicts between mass production and individual requirements in process industries. The product designs and process designs determine about 60 percent of production cost. Taking steelmaking-hot rolling process as study background, to the common hard problems of modeling and uncertainties in process industries, in this project, we study the data-driven robust optimization models and algorithms for product designing and process designing of mass customization in process industries. The models include robust optimization model for product designing based on a variety of parameter features, reformulation of the robust optimization model based on perspective functions, reformulation of the robust optimization model based on hybrid strategy of mathematical programming (MP) and constraint programming (CP), mechanical property prediction model for hot-rolled product using extreme learning machine, and data-driven multi-objective robust optimization model for process designing. The algorithms include branch-and-bound and branch-and-cut algorithms based on linear relaxation bound of perspective reformulation, hybrid MP/CP iterative algorithms based on dynamic valid cut generation technology, robust tabu search for large scale mixed integer robust optimization model, and NSGA-II and MOEA/D for data-driven multi-objective robust optimization model. The expected outputs have important value for enterprises to improve customization service level and production efficiency, and reduce production cost.

大规模定制是解决流程工业大规模生产与客户个性化需求矛盾的有效途径，产品设计和工艺设计方案决定了大规模定制生产成本的60%左右。本项目以炼钢-热轧流程为背景，针对流程工业过程建模难、不确定因素多等共性，研究数据驱动的流程工业大规模定制生产中产品设计和工艺设计的鲁棒优化模型与算法。模型包括：基于多种参数特征的产品设计鲁棒优化模型、基于透视函数和数学规划(MP)/约束规划(CP)混合策略的产品设计鲁棒优化重构模型、基于极限学习机的热轧产品力学性能预测模型、数据驱动的工艺设计多目标鲁棒优化模型；算法包括：基于透视重构模型线性松弛下界的分枝-定界算法和分枝-割算法、基于MP/CP混合求解策略及动态有效割生成技术的混合迭代算法、大规模混合整数鲁棒优化问题的鲁棒禁忌搜索算法、数据驱动的多目标鲁棒模型的NSGA-II和MOEA/D算法。预期成果对于流程工业企业提高大规模定制水平，降低生产成本具有重要价值。

项目以炼钢-热轧生产流程为背景，研究流程工业大规模定制生产模式的产品设计和工艺设计的鲁棒优化方法。针对产品优化设计问题研究大规模混合整数鲁棒优化模型及求解算法，针对工艺优化设计问题研究数据驱动的产品力学性能高精度预报模型、数据驱动的鲁棒优化模型及求解算法，针对炼钢-热轧生产流程的复杂特性研究生产组织优化理论和方法。.项目研究目标包括：建立数据驱动的产品力学性能与原料钢种及加工过程参数的关系模型；提出产品设计及工艺设计中不确定参数集的描述方法及相应鲁棒对等模型的建模方法；针对工业应用中大规模非线性混合整数鲁棒优化问题提出高效的优化算法；提出适应大规模定制的炼钢-热轧生产流程生产组织优化理论和方法。.经过课题组成员4年的努力工作，现已按计划完成各项研究内容，实现了预期的研究目标。主要成果如下：在产品设计方面，针对钢铁产品大规模定制的需求提出了数据驱动的钢种设计两阶段鲁棒优化模型和算法、钢铁板带产品母板优化设计模型及算法；在数据驱动的产品质量分析与工艺优化方面，提出了遗传算法与机器学习混合的中厚板应力分析特征提取及缺陷分类预测方法、基于机器学习的冷轧小尾卷质量分析与生产工艺优化方法、基于深度学习的带钢产品表面缺陷检测方法、基于数据驱动的热轧带钢宽度质量预测方法和基于强化学习的钢卷库物流运作优化；在生产组织优化方面，提出了棒线材热轧生产过程孔型优化模型及算法、合金钢棒线材生产流程客户询单优化模型及算法、多工序多机组冷轧过程排程优化的迭代贪婪算法、炼钢-连铸工业过程优化控制方法、板带热轧工业过程优化控制方法和炼钢-连铸批量计划优化方法。上述研究成果的部分内容已经在钢铁企业生产线实际应用。.基于上述研究成果，撰写学术论文15篇，其中，已经被SCI检索期刊发表或录用8篇；申请国家发明专利6项；3人获得博士学位，28人获得硕士学位；邀请国外学者来东北大学进行本课题相关研究领域的学术交流3次；参加国内外学术会议10余人次。