融合GRU-Attention与鲸鱼算法的流程制造工艺参数云边联动优化

阴彦磊,王立华+,廖伟智,张万达

(1.昆明理工大学 机电工程学院,云南 昆明 650500;2.电子科技大学 机械与电气工程学院,四川 成都 610054)

0 引言

流程工业作为制造业的重要组成部分在国民经济中发挥着极其重要的作用,是实现我国向制造强国跃升的重要支柱,如何保障其生产全流程长期稳定地优化运行,成为流程工业进一步发展面临的挑战。与传统的离散制造不同,流程制造过程是由一台或多台工业装备组成的多个生产工序,进而形成了全流程生产线,具有生产连续性强、生产设备多、变量间耦合复杂、原料成分波动频繁等特点,这也决定了流程工业生产全流程整体优化的关键是如何实现其运行和工艺参数的智能优化决策,即在原料特性和生产工况等内外部条件变化时,如何在最短的时间内感知工艺过程和产品质量发生的各种变化,并协同各个生产工序通过反馈优化来调整运行、工艺参数,保证生产全流程整体优化运行。因此,通过不同功能工序串联起来的流程制造过程,其整体运行的全局最优是一个多工序耦合关联、多目标冲突的复杂动态优化问题,已严重制约了流程制造生产质量和资源利用率的进一步提升,亟待解决。

流程制造过程通常包含诸多重要的生产过程指标或变量,部分关键指标目前还是依赖现场操作人员根据经验进行监测,进而对生产过程进行调控,保证稳定生产。然而,如果想实现实时生产调控,操作人员更希望提前知道某些关键指标的变化趋势,即对生产过程指标变化趋势的预测和工艺参数的优化已成为目前流程制造生产过程监控的重要任务[1]。传统的生产过程指标预测方法一般通过物料平衡、热量平衡和动力学进行工艺机理建模和分析,这类方法主要依赖对非平衡、非稳定和强非线性生产过程机理的认知,建模难度大、精度低、成本高,准确性和可靠性难以保障[2]。近年来,随着工业互联网技术的发展,流程制造企业通过智能监控终端与数据采集系统获取了大量涉及生产过程特点、工艺、设备、质量的历史数据。国内外大量学者开展了基于数据进行流程生产过程指标预测方法的研究。文献[3]结合汽车仪表组装工艺,采集的生产数据通过卷积神经网络和支持向量机训练,能够有效表征仪表质量的指针偏转角度,作出对质量的准确预测。文献[4]为了减少代理模型的计算量,利用深度神经网络以及元学习理论在高维信息提取和近似方面的巨大潜能,提出一种基于元学习的多可信度深度神经网络,在预测准确率和训练时效上有明显改善。文献[5]建立了基于自适应神经网络与模糊推理系统相结合的热轧TRIP钢力学性能预测模型,通过试验验证了模型的准确性,并能够精准预测给定操作条件下的拉伸强度、屈服强度、伸长率和残余奥氏体等质量指标。综上,基于数据的流程生产过程预测模型建立了工艺参数、运行参数与生产过程质量指标的关系,为生产质量的综合优化提供了适应度函数,然而优化算法的选取对工艺参数的调控效果具有至关重要的影响。文献[6]基于工业生产过程数据,使用多输出支持向量回归方法同时预测多个质量指标,进行多工艺参数协同设计,实现了针对多目标质量要求的工艺参数协同优化。文献[7]通过遗传—神经网络表征加工优化目标的预测模型,将预测结果作为优化模型的适应度函数,构建面向待优化滚齿工艺问题的多目标优化模型,迭代得到最优工艺参数集。文献[8]基于响应面分析法建立预测模型,通过灰色关联分析建立熔覆层质量综合评价指标,把多目标优化问题转化为单目标问题,然后采用自适应混沌差分进化算法实现工艺参数寻优。最后,通过上述文献不同方法的对比,验证了本文联动优化方法的可行性。

然而,上述研究应用于复杂流程制造工业现场仍存在如下问题：①现有基于支持向量机、卷积神经网络、深度神经网络未考虑生产运行过程中物料波动带来的不同工序上的多维度时序特征,工艺参数优化的精度有待进一步提高;②现阶段大多数研究主要从理论层面上展开,聚焦于预测和优化算法的精度提升,而忽略了实际产线对质量监测的高时效要求,难以保证流程制造过程中工艺质量预测、预警和调控的实时性。

边缘计算作为一种新兴信息技术,将云计算的存储和计算功能迁移到网络的边缘节点,可及时处理流程制造现场实时业务并将结果反馈给产线设备,已成为实现流程制造工艺质量实时预测、预警与优化反馈的重要手段。由于边缘侧服务器计算能力有限,实际生产中对时间不敏感型或计算密集型的任务仍需在云端完成。为此,针对复杂的流程制造现场,需设计云边高效协同机制来实现对工艺质量预测与参数优化调控任务的低时延处理。然而,目前国内外仅有少量文献[9-10]针对离散制造的刀具故障预测、产品外观质量检测引入了云边协同机制,而专门针对流程制造多工序时序耦合的工艺质量预测与参数优化调控等方面进行系统研究的较少。

针对上述问题,本文提出了融合GRU-Attention与鲸鱼算法的流程制造工艺参数云边联动优化方法,考虑到流程制造过程对工艺质量监测与工艺参数调控的高实时性要求,搭建了基于云边联动的流程制造工艺质量在线预测与优化调控框架,通过在设备终端部署多源传感器,采集了流程制丝生产线6大工序的设备运行数据、工艺参数、操作参数与质量指标,在对数据进行去噪和关联分析的基础上,提出了基于GRU-Attention多层神经网络的生产工艺质量预测模型,提取不同工序在设备参数与物料变化情况下的时序耦合特征,实现对多工序工艺质量的精准预测。在此基础上,将最优工艺质量与预测结果的误差作为优化目标函数,预测模型输出的质量指标作为适应度,调用鲸鱼算法对生产工艺参数进行全局寻优,获得最优工艺参数组合。最后,以实际流程生产线为例,验证了本文所提基于深度学习与优化算法的云边联动优化方法的有效性,实现了各工序工艺质量的实时预测、预警与调控。

1 流程制造多工序工艺参数联动优化框架的构建

1.1 云边协同的多工序工艺参数联动优化框架

为实时监测产线设备的运行状态,精准预测生产过程中不同工序加工质量,及时优化调控关键工艺参数,本文设计搭建了云边协同的多工序工艺参数联动优化系统框架[11-12]。如图1所示,该框架包括边缘节点部署层、工艺参数联动优化层和多工序优化调控应用层：①边缘节点部署层。在生产设备边缘端部署HT前水分检测仪、烘丝后水分检测仪、烘丝机蒸汽温度传感器等多源传感器,主要负责不同生产工况下试验线设备、运行状态、工艺参数和质量指标等数据的采集,并采用EdgeX Foundry通过Raspberry Pi与生产设备端传感器建立连接,完成设备终端边缘感知节点(Edge Aware Node,EAN)的搭建,EAN通过设备解析模块将多源传感器数据传入EdgeX Foundry数据中心,实现多源传感器数据的汇聚与分析计算,也可以通过下载云端训练好的神经网络预测模型完成对产品质量的预测和预警。②工艺参数联动优化层。通过在边缘服务器中下载部署不同工序加工过程预测模型和优化模型,实现加工工艺质量的实时预测,工艺参数的实时优化,并将优化决策结果通过边缘网关反馈到设备控制系统,驱动PLC(programmable logic controller)对生产线运行电机、执行装置等设备进行调控,实现产线生产质量及时预警与处理。③多工序优化调控应用层。主要用于辅助生产过程中不同工序之间的交互及预测预警的可视化展示,同时依托云端强大的计算资源,分析各工序在线工艺数据,训练预测和优化模型,实现在线数据监控、运行工艺参数预测、多工序质量指标优化和异常预警处理。

图1 云边协同的多工序工艺参数联动优化总体架构图

1.2 基于云边协同的生产工艺过程联动优化机制

针对流程制造过程中工艺质量预测、预警和调控的高实时性需求,本文设计了一种适用于生产工艺过程的联动优化机制,实现产线设备、边缘节点与云端服务器的高效互联,保证工艺质量不达标预警和优化反馈的时效性[13]。生产工艺、设备数据云边传输过程如图2所示。

图2 云边协同工艺数据传输过程图

(1)在边缘侧,生产线边缘端关键设备包括掺配机、切丝机、加香机、烘丝机和工业机器人等,通过HT前水分检测仪、烘丝后水分检测仪、烘丝机蒸汽温度传感器、环境温度检测仪等传感器采集不同工序生产设备的运行、工艺、质量指标等数据,并采用集成5G模组等网关设备将数据传输至具有计算能力的边缘服务器,EAN可对边缘端数据进行计算分析、规则调控、存储及下发指令,同时也与云端进行双向通讯,将EAN计算分析结果传入云端,接收云端应用中心预测与优化模型的下载。

(2)在云端,云端服务器统一管理各边缘感知节点进行云边通信、边缘节点对应工序预测优化模型的调用、命令交互等服务,实现数据采集通讯协议配置、边缘节点规则配置、算法模型下发、网关监控等功能。同时,边缘节点EAN通过MQTT、HTTPS、5G等通讯协议与云端服务器进行数据通讯,接收云服务器下发的配置文件,进行各边缘节点设备的数据采集、数据处理、分析计算及数据预测优化,并定时将处理结果和边缘运行状态情况反馈至云服务器。

因此,基于云边协同的生产工艺过程联动优化机制,实现了云端应用中心根据流程制造产线来料波动情况下发预测及优化模型到各EAN,EAN通过调用预测和优化模型实时对不同工序的加工质量的预测和工艺参数的实时优化,并将优化决策结果通过边缘网关反馈到生产DCS系统(distributed control system),驱动PLC对生产线电机、执行装置等进行调控,进而实现产线生产质量及时预警、预测和优化。

2 融合GRU-Attention与鲸鱼算法的流程制造工艺参数联动优化方法

2.1 流程制造产线数据采集及预处理

流程生产过程通常是连续或按照物料批次进行排产,包含诸多重要的工艺参数和生产质量指标,呈现出多维、多尺度、强时序的特征。其中部分关键指标主要通过传感器或智能终端进行采集,采样周期短,数据量大。同时,由于不同批次原料成分波动较大,批次间工艺、运行、质量数据波动也较大,量纲和数量级存在较大差异。并且在生产启动和停止阶段均会出现大量异常数据,生产过程中还会出现停机或断料的情况,在线数据中会间断出现零值。

因此,在建立预测模型之前必须对生产工艺数据进行预处理,去除原始数据中不完整、不准确、不相关和异常的数据,获得可用、准确、完整、具有一致性的完整数据集。流程生产数据预处理通常包括对异常值处理,料头、料尾和停机断料数据的标识,以及数据归一化。

(1)异常值

异常值被定义为一组测定值中与平均值的偏差超过3倍标准差的值。通常采用箱形图、散点图或描述分析来进行识别,在数据处理时,按照正态分布的性质,3个标准差以外的数据都可看作是异常数据从而排除,也可以根据需要采用均值、加权均值、回归插补、中位数等方法进行补全。

(2)料头、料尾和停机断料

流程生产是一个连续生产的过程,而料头料尾(生产开始、结束)和停机断料(生产非稳态)数据是数据预处理的重点,料头料尾数据截取通常依据企业标准,根据关键质量指标和工艺参数的瞬态值进行判断标识,一般情况下,要对料头料尾数据进行删除,停机断料数据作为生产运行不稳定分析的参考。

(3)数据归一化

不同工艺指标往往具有不同的量纲,会直接影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据归一化或标准化处理,通过线性变换使各工艺指标处于同一数量级,适合进行综合对比评价。标准化通常采用的归一化方法是Z-Score,将数据按比例缩放,使之落入一个特定区间。归一化使用Min-Max线性函数归一化方法,对各个工艺参数和质量指标进行一次线性变换,将工艺数据全部映射到[0,1]范围内,实现在不改变原数据分布的情况下,完成所有参数值的无量纲转换。

2.2 GRU-Attention多层神经网络的生产过程工艺质量预测模型构建

流程制造是一个连续生产的过程,单一时刻的加工过程参数不能有效地表达对生产质量的影响,无法兼容工艺参数内部蕴含的时序信息。因此,提取关键工艺参数的时序特征对提高质量指标预测的准确率至关重要。鉴于此,本文引入工艺参数中时序特性,进一步有效区别工序中工艺参数多属性的重要特征,将一维关键工艺参数特征矩阵按照一定规则构建成二维时序特征信息矩阵,同时加入注意力机制,削弱冗余信息对预测结果的影响,构建了基于GRU结合注意力机制[14-16]多层神经网络预测方法,算法中涉及到的变量参数的含义如表1所示,具体过程如图3所示

表1 算法涉及变量含义

图3 GRU-Attention多层神经网络生产过程工艺质量预测模型

本文所提GRU-Attention生产过程工艺质量预测模型由输入层、GRU编码层、注意力层和预测网络层4部分组成,构建步骤如下：

步骤1数据输入。记流程型车间任一时刻的质量指标序列为Y=(y1,y2,…,ym),其中：Y表示质量指标,m表示质量指标的个数,则与之对应的关键工艺参数的时序数据为X=(x1,x2,…,xt)=(x1,x2,…,xn)t,可展开为式(1),即取n个工艺参数,t条数据作为输入,取一条质量指标参数作为输出,将原始数据转换为时间序列数据。

(1)

式中：X表示工艺参数,n和t分别表示工艺参数个数和时迭代间步长。

步骤2GRU编码层。利用GRU将一维工艺时序矩阵按照一定规则构建成二维时序特征信息矩阵,随后通过循环神经网络学习提取出矩阵中的时间特征,再通过注意力机制,自适应选择所有时间步长中的编码器隐藏状态,也就是使用注意力自动抽取关键工艺时刻。

zj=σ(Wz[hj-1,xj]+bz);

(2)

rj=σ(Wr[hj-1,xj]+br);

(3)

(4)

(5)

步骤3注意力层。将步骤2的输出作为注意力层的输入,对不同时刻的训练样本进行差异性数据融合。计算编码器隐藏相似性得分：

(6)

(7)

最后对数据加权求和,通过对n个不同属性加权求和得到j时刻工艺参数融合值。

(8)

步骤4预测网络层。将步骤3的输出作为预测网络层的输入,计算j时刻的网络输出,更新预测网络层的隐藏状态

dj=GRU(yj-1,dj-1,cj);

(9)

(10)

重复步骤2～步骤4,计算出质量指标预测值。

2.3 鲸鱼算法与GRU-Attention神经网络融合驱动的工艺参数联动优化

由车间工艺参数和工艺质量指标影响关系可知,车间工艺质量指标值直接受工艺运行参数的影响。其中,以车间运行的工艺质量指标的预测值和达标值偏差最小为优化的目标函数。每一个质量指标为一个单目标函数,多个质量指标共同组成一个多目标优化函数。同时,考虑各个质量指标的重要程度不一样,通过车间经验对单个目标函数加权;又考虑各个质量指标的波动范围差别较大,对各个单目标函数进行无量纲处理。建立的多目标优化函数如式(11)所示：

(11)

由于产品在加工过程中不能存在过大波动,对于f*(x)中x的取值范围作了一定限定,防止工艺参数波动过大影响产品质量。即优化后的工艺参数波动范围不能超过其最大波动范围的1/10,则有：

(12)

通过对比众多优化算法,鲸鱼算法(Whale Optimization Algorithm,WOA)[17]结构简单、调节参数少,且收敛速度快,在工程应用中效果较好,本文引入鲸鱼算法、神经网络与车间生产质量优化问题相结合,建立算法步骤如图4所示,算法中涉及到的变量参数的含义如表2所示。

表2 算法涉及变量含义

图4 鲸鱼算法与多层神经网络融合驱动的工艺参数联动优化图

鲸鱼算法与GRU-Attention神经网络融合驱动的工艺参数联动优化伪代码如下：

输入：搜索粒子个数N,最大迭代次数T;

输出：最优质量指标对应的关键工艺参数。

随机初始化三维搜索粒子

计算每个搜索粒子的适应度,其中Xbest=最优搜索粒子

while (t

for(每个搜索粒子)

更新A,C,a,l,p

if1 (p<0.6)

if2 (|A|<1)

根据最优粒子更新当前搜索单元的位置

else if2 (|A|≥1)

随机选择一个搜索粒子Xrand

根据Xrand更新当前搜索粒子的位置

end if2

else if1 (p≥0.6)

根据最优个体螺旋更新当前搜索粒子的位置

end if1

end for

检查是否有超出搜索范围的搜索粒子,对于超出粒子强行放回搜索范围

根据GRU-ATTENTION多层网络计算所有搜索粒子的适应度

更新Xbest以及Xbest对应的关键工艺参数

t=t+1

end while

return Xbest对应的关键工艺参数

具体过程如下：

步骤1初始化参数。设置搜索粒子个数为N,最大迭代次数T。

步骤2随机搜索。每个搜索粒子初始位置由随机函数随机生成,初始化种群的搜索位置,然后进行下迭代寻找：

(13)

A=2ar-a,

C=2r。

(14)

式中：a表示由2～0的线性迭代过程;r表示一个随机向量,取值范围为0～1。计算每一次迭代过程中所有搜索粒子的适应度值,取出适应度值最小的粒子作为个体最优位置。

步骤3聚拢搜索。在聚拢阶段,种群不再随机选择个体进行位置更新,而是根据目前获得的最优位置进行更新,即目前的最优位置Xbest代替原来的随机位置Xrand,其他不变,当p<0.6且|A|<1时,根据式(15)更新种群当前位置。

(15)

步骤4螺旋搜索。种群通过螺旋的方式对目标值进行搜索,具体表示如下：

(16)

式中：Dbest表示当前种群点与目标点间的距离(目前获得的最佳解),b表示控制螺旋形状的常量,l表示从-1～1的随机向量。当p≥0.6,根据式(16)更新种群当前位置。种群的包围收缩和螺旋收缩是同时进行的,通过试验对比发现聚拢搜索概率为40%时,收敛效果更好,具体数学模型如下：

(17)

步骤5边界控制。当有搜索粒子超出搜索范围时,对其进行边界控制,将其放入搜索范围内。转步骤2,重复以上步骤,寻找最优值;直到迭代次数达到设定值时,跳出循环,算法结束,得到最优值。

3 试验验证

3.1 试验设计

为验证该智能车间预测模型的有效性,选用某工厂试验用20 kg/批次制丝线为案例对象,实现智能车间生产状态实时监控与自治生产过程的响应控制。根据所建立的叶丝干燥关键工艺指标数据传输逻辑,基于预测模型评估薄板干燥工序质量指标达标情况;当预测质量指标不合格时,根据优化算法对质量指标进行优化并反馈应当调节的工艺参数,试验线每6 s采集一次数据。

试验设备：云端服务器,边缘网关平台采用EdgeX Foundry,Raspberry Pi 4B、MQTT服务器、MQTT客户端、Python、LED显示器、润叶加料机、烘丝机、加香机、微型滚刀式切丝机、掺配柜、三区恒温恒湿存储系统和机械臂系统。

3.2 数据来源及预处理规则

本文数据来源于某流程制造企业的制丝试验线,该线包括松散回潮、一级加料、二级加料、叶丝干燥、比例掺配、加香等6道工序,数据包含该线2021年2月～9月45批次二十余万条数据。

其中,如前文介绍,流程制造是一个连续生产的过程,清洗料头料尾和停机断料数据是生产过程数据预处理的重点内容,根据《某企业生产线创新方法效果评价方法》料头料尾数据截取规则如表3所示,对于非稳态指数计算时,数据首尾截取规则如表4所示。数据删除规则如下：①该数据段内的“物料累计量”没有增加;②该数据段对应的生产时间长度大于等于5 min;③该数据段第一个数据与正常生产头部时差大于等于5 min,且该数据段的最后一个数据与正常生产尾部时差大于等于5 min。

表3 料头料尾数据截取规则(规则条件已乘相关系数)

表4 非稳态指数计算数据截取规则(规则条件已乘相关系数)

根据表3和表4的截取规则,料头料尾标注结果如图5所示。

图5 某流程制造企业料头料尾标注结果

3.3 试验分析

3.3.1 云边平台搭建

云平台的具体交互过程如图6所示,在薄板干燥工序段部署Raspberry Pi 4B边缘感知节点,建立叶丝工艺流量、蒸汽流量、筒壁温度调控、热风温度调控、阀门开度、热风风速等感知信息接入模型,通过MODBUS通讯协议采集相关信息,符合规则数据经应用服务模块传入云端数据库存储,云端对采集的信息进行预测训练,把训练后的模型下发至边缘端,当薄板干燥出料温度和薄板干燥出料含水率超过[66.0±1.5,15.0±1.0]范围后,边缘端向云端上传警告,云端对收到的数据进行优化分析,同时将优化后结果随后发送EAN端进行调控。

图6 云边协同交互图

3.3.2 流程制造生产质量指标预测精度分析

由于工序较多,以薄板干燥工序为例,共计12项指标。其中,加工工艺参数10项,分别为切叶丝含水率、叶丝增温增湿工艺流量、叶丝增温增湿蒸汽流量、薄板干燥Ⅰ区筒壁温度、薄板干燥Ⅱ区筒壁温度、薄板干燥热风温度、叶丝冷却出料含水率、叶丝干燥筒壁Ⅰ区蒸汽阀门开度、薄板干燥热风风速、叶丝干燥筒壁II区蒸汽阀门开度;质量指标2项,分别为薄板干燥出料温度和薄板干燥出料含水率。

GRU-Attention神经网络模型参数方面,选用时间序列长度为15作为输入。其中注意力层及GRU层的输入维度为10,隐藏层的维度为128,层数为1。在该模型中,学习率取默认值0.001,学习率衰减率取0.99,训练批次取256,迭代次数取20,优化器选择Adam优化器。

为验证该神经网络可用性,把两个质量指标的当前预测值和当前实际值作对比,发现旱季两个质量指标拟合度分别0.982和0.973,均方差分别为0.003 831和0.008 963,雨季两个质量指标拟合度分别0.986和0.978,均方差分别为0.003 214和0.007 529,说明该神经网络模型较准确,对比效果如图7所示。

图7 薄板干燥工序质量指标实际—预测值对比图

3.3.3 融合GRU-Attention与鲸鱼算法的流程制造工艺参数联动优化收敛性分析

为了验证鲸鱼优化算法对于解决工程实际问题的优越性,选择最近几年比较优越的灰狼优化算法(Grey Wolf Optimizer,GWO)[18]、蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)[19]、海洋捕食者算法(Marine Predators Algorithm,MPA)[20]和阿基米德优化算法(Archimedes Optimization Algorithm,AOA)[21]与WOA进行对比。其中,工艺质量优化目标根据质量要求,优化目标为[15.0±1.0,66.0±1.5],最大迭代次数为100,将上述5种算法运行25次求平均得到图8,其中图8a表示三维的目标函数图及粒子搜索路径,图8b表示二维的目标函数图及粒子搜索路径,图8c表示任意选择的一个粒子的在一维空间内搜索路径。图8d表示5种算法随着迭代次数在目标空间指数形式表示的收敛图,图8e表示5种算法随着迭代次数在目标空间实数形式表示的收敛图。由图8a和图8b可以看出,该方法在本试验搜索过程收敛速度较快,主要集中在最优值附近进行搜索。图8c中可以看出任意选择的一个粒子在50代左右已经可以在最优值处收敛。图8d中可以看出,MPA和WOA相比较其他3种方法具有明显的优越性,但是,WOA的收敛效果更快更好。图8e中可以看出,BOA和AOA在100次迭代之后没有寻找到目标函数的最优值。

图8 5种函数优化算法的收敛曲线对比图

3.3.4 流程制造生产过程智能调控系统搭建

最后,根据优化的质量指标对输入的工艺参数进行反推,我们再依据神经网络获得目标函数x变量即质量指标时,根据式(12)对工艺参数进行了取值范围的限定,使其波动范围不能过大,通过神经网络反向求值得到优化后对应的工艺参数。将优化调控的决策数据提供给试验线中控中心,由操作人员决定是否下发。系统操作界面如图9所示,模块①表示叶丝干燥工序在线工艺参数监测数据,模块②表示对在线质量指标的监测并进行下一时刻预测,当质量指标波动范围超过调控要求时,系统自动进行优化处理,给出优化后工艺参数参考值如模块③所示,模块④表示工艺参数对质量指标的影响权重,模块⑤表示在线状态监测,绿灯表示运行正常,红灯表示质量指标不合格。可以看出,通过优化调控后,效果良好,达到了薄板烘丝工序加工强度与出口物料水分的协同稳定要求。

图9 车间生产过程智能调控界面

4 结束语

针对复杂流程制造过程对工艺参数调控的高精度和高时效性要求,本文提出一种融合GRU-Attention与鲸鱼算法的流程制造工艺参数云边联动优化方法,并设计了相应的预测、预警与优化调控软件系统,以实现对不同工序加工质量的精准预测、预警,以及工艺参数的及时调控。研究结果表明：所提出的基于GRU-Attention的工艺质量预测算法,可通过提取不同工序在设备参数与物料变化情况下的时序耦合特征,实现对多工序工艺质量的精准预测,平均精准度达到98.2%。同时,所提云边协同训练计算机制可以高效协同设备边缘节点与云平台之间的计算资料,大大缩短优化工艺参数的调控时延,满足流程制造工艺质量预测及参数调控的实时性要求。本文的相关研究成果对于提升流程制造产线的生产效率和工艺质量具有重要意义,可在相关流程制造行业进行应用推广。在后续的研究工作中,将考虑增加物料来料波动、物料加工强度等多源参数的监测采集点,进一步提高在不同工况下工艺质量预测与参数调控的稳健性。