为实现汽车零部件的柔性生产,企业在生产过程中采用了大量数字化设备,产生了大量的设备数据和过程数据,这些数据蕴含了大量的生产信息。企业利用这些信息,可以避免生产过程中各种不确定因素导致的异常事件,提高设备利用率,优化生产过程。因此,基于数据驱动优化控制的生产过程监控方法受到广泛关注,具有重要的工业价值。传统的生产过程监控方法,往往假设过程变量服从单一的线性关系,或简单的非线性关系,并认为过程建模数据是大量且规则的。随着生产过程柔性化程度不断提高,数字化设备产生的数据种类越来越多,被加工汽车零部件的种类、复杂度、精度和效率要求也越来越高,导致过程建模特性愈发复杂。其主要表现为多源异构数据难以融合,变量非线性关系强,数据维度高,样本数量少等多重特征。因此,对数字化生产过程和设备监控的建模、优化控制及故障预测等提出了更为严格地要求。基于深度神经网络的数据驱动优化控制方法,利用离散样本数据,通过深度网络中强大的非线性因素,可以深度地抽象出特征,实现数字化生产过程和设备监控的建模,特征的准确分类和预测,从而更好地解决建模、优化控制及预测等问题。但是,在基于深度神经网络的非线性建模过程中,一方面,由于网络层数、权重值和隐层中神经元个数等超参数维度较高,易出现“维度灾难”等问题;另一方面,为了实现网络结构的自适应寻优设计,在针对网络模型的超参数寻优问题中,需研究高维多目标优化算法进行求解。本文针对汽车零部件柔性生产过程中数字化设备运行监控问题,按照数据融合-虚实建模-仿真预测-智能调控的思路,着重研究了数字孪生数据融合及建模方法、基于演化深度置信神经网络的非线性系统建模、高维多目标优化及决策、加工中心反向间隙误差值预测等问题,主要包含以下内容:1.针对数字化设备运行中产生的多源异构数据难以融合问题,进行数字孪生数据融合与建模方法研究。通过构建五维数字孪生模型,研究自适应匹配协议解析方法解决异质异构网络传输问题,研究滑动窗口和欧式距离解决不确定冗余数据问题,研究概率传输的多粒度异构数据融合方法解决传感数据的时间相关性及空间相关性问题。2.针对基于深度神经网络的非线性系统建模过程中存在的“维度灾难”问题,开展高维多目标优化算法设计研究。首先,设计基于分解的复杂生物地理学优化算法框架,采用均匀分布的权向量和均值聚合方法,将高维优化目标分解成多个子系统,通过两次引入Metropois criterion准则进行子系统内部和跨子系统迁移,利用PBI距离计算邻域岛屿距离以平衡解的收敛性和多样性,从而得到最优的Pareto解集并提高算法效率;然后,对算法中的参数:邻居大小值M_HDB和PBI距离参数θ进行参数敏感性分析,结果表明算法具备较好的鲁棒性;最后,与近年主流的高维多目标优化算法NSGAIII、MOEA\D-PBI和BBO/Complex等进行比较,表明算法能够有效解决“维度灾难”问题。3.针对基于深度神经网络的非线性系统建模过程中难以自动设计深度神经网络最优架构问题,采用深度置信神经网络和演化算法相结合的方式进行设计。首先,通过无监督方式初始化网络隐层层数、连接权重、激活函数等超参数;然后,对超参数进行编码,以网络的最小化重构误差作为优化对象设计适应度函数,根据适应度值选择较好参数产生新群体,随后进行交叉和变异操作。最终,自动优化深度置信神经网络模型结构,寻求最优的网络隐层层数和连接权重,降低计算资源需求,解决了大量有标记数据下的网络结构自动设计问题,从而对建模过程进行自适应优化控制。4.针对加工中心运行过程中的反向间隙误差值预测问题,构建了分层的反向间隙误差预测性维护模型,对加工中心运行过程中的反向间隙误差预测进行建模,通过实验对反向间隙误差值预测进行了验证。5.综合运用上述研究成果,设计开发某汽车零部件厂柔性生产线监控系统模型,并对模型进行优化。使用Matlab程序作为模型和算法程序的核心组件,集成于.NET框架并成为柔性生产线智能监控管理系统的核心组件。实践表明,该系统能够使工厂管理者及时充分掌握生产现场信息,提高设备运行效率,提升整体生产能力并提高生产管理水平,为企业带来良好的经济效益。