《Journal of Industrial Information Integration》：A Nested Goal Programming Model Integrated with an Improved Genetic Bee Colony Algorithm Supported by Machine Learning Methods
编辑推荐：
发动机油添加剂优化框架融合嵌套目标规划与机器学习技术，通过改进遗传蜂群算法生成新配方组合，实现98.76%理论产能利用率与20.44%质量成本下降，有效平衡生产效率与质量标准。
N. Gosheh Dezfouli|Behnam Vahdani|E. Mehdizadeh|H.R. Gholami
工业工程系，QA.C.，伊斯兰阿扎德大学，卡兹温，伊朗
摘要
开发发动机油添加剂具有挑战性，因为这需要同时优化生产效率、成本以及符合严格的质量标准。本研究提出了一个针对10W-40 API SL发动机油的先进优化框架，该框架结合了嵌套目标规划模型和机器学习（ML）技术，用于预测无法用封闭形式方程表示的生产率和质量指标。为了解决传统ML方法无法生成新型添加剂组合的问题，我们提出了一种改进的遗传蜜蜂群体算法，该算法包含了算术交叉、Makinen–Periaux–Toivanen变异操作符以及基于柯西分布的局部搜索。这些改进显著提升了算法探索和评估新配方的能力。最终框架实现了98.76%的名义生产能力——非常接近理论最优值——同时将与质量相关的成本平均降低了20.44%。这些结果在生产效率、成本节约和整体配方质量方面取得了显著进步，为发动机油行业提供了一个强大且实用的工具。
引言
作为润滑剂，发动机油对于确定发动机的使用寿命和性能至关重要。其质量直接影响众多运行参数[[1], [2], [3]]。这种关系变得越来越重要，因为发动机设计的进步与发动机油的改进密不可分，而发动机油的改进又依赖于配方和性能特性的持续发展[[4], [5], [6]]。这样的发展对于提高发动机输出和延长服务间隔至关重要。更长的服务间隔为发动机油制造商提供了明显的竞争优势，同时也为消费者提供了降低运营成本的关键选择标准[7]。此外，延长的间隔减少了维护时间并最小化了车辆停机时间[[8], [9], [10], [11]]。总体而言，这些配方改进显著提高了车辆的经济效率和寿命[12]。
发动机油由两个主要成分组成：基础油和添加剂。基础油主要起润滑作用并减少摩擦[13]。然而，仅靠基础油无法在运行条件下提供足够的发动机保护。因此，添加剂对于提高基础油的热稳定性和氧化稳定性以及赋予额外的保护性能至关重要[14,15]。该行业的重要经济性进一步突显了添加剂的关键作用。全球润滑油添加剂行业的年营业额约为117亿欧元，同期研发支出约为6亿欧元[17]。这些巨额且不断增加的投资，加上该领域的大量科学研究，凸显了确定最佳发动机油配方的极端复杂性[16,18]。因此，开发有效的配方需要应用先进的优化技术[19]。
开发最佳的发动机油配方变得越来越具有挑战性，因为它必须同时最大化生产效率、降低成本，并满足一系列严格的质量标准[20]。新型添加剂（特别是纳米添加剂）的引入，以及旨在减少排放的更严格的环境法规，促使制造商转向更可持续的选择[21]。这些发展使得确定理想添加剂组合的任务变得更加复杂，需要使用尖端的优化技术。文献回顾显示，特别是在摩擦学领域，关于润滑油配方的研究主要依赖于响应面方法（RSM）[[22], [23], [24]]。尽管RSM具有某些优势，但它存在重要缺点：缺乏学习机制，对未见数据的预测准确性较低，且无法生成真正新颖的添加剂组合[25]。
因此，近年来，使用人工智能（AI）技术来优化润滑油添加剂配方受到了广泛关注，作为一种克服这些限制的有前景的方法[[26], [27], [28]]。尽管取得了进展，该领域仍处于早期阶段，需要进一步发展。特别是机器学习（ML）算法，在解决传统方法的前两个缺点（缺乏学习机制和对新数据的预测准确性较低）方面发挥了关键作用[5]。然而，ML本身无法生成新型添加剂组合或可靠地评估其性能。此外，大多数成功的ML模型本质上是黑箱式的，这意味着它们只提供最终预测结果，而不揭示背后的决策过程[29,30]。这种不透明度往往使实践者和行业决策者对其输出持怀疑态度，尤其是在应用于实际问题时[31]。挑战还在于需要同时优化多个质量指标和生产目标，以得出符合行业标准的实用配方[32]。
基于上述讨论，本研究提出了一种确定10W-40 API SL发动机油最佳添加剂配方的新型优化框架。该框架克服了现有方法的几个关键限制：它消除了RSM缺乏学习机制和对未见组合预测准确性下降的问题，同时也解决了传统ML方法无法生成真正新颖添加剂组合的问题，从而丰富了训练数据集。所提出的框架整合了摩擦学、生产和质量考虑因素，以实现名义生产能力——这是制造设施的理想运行目标。为此，我们开发了一种新的混合目标规划（GP）模型，其主要目标是严格遵守名义产能，同时约束条件确保添加剂范围在指定范围内，并保证多个质量指标保持在指定限值内。由于生产函数和质量指标都没有封闭形式的解析表达式，我们采用了极端梯度提升（XGBoost）作为高性能ML回归器来准确估计它们。此外，由于探索足够多样化的新型添加剂组合超出了标准ML技术的范围，我们引入了一种改进的遗传蜜蜂群体（IGBC）算法。该算法通过训练有素的XGBoost模型迭代生成新的候选配方，并评估生产率和质量指标。总之，本研究对文献的主要贡献如下：
•开发了一种嵌套GP模型，将XGBoost回归与元启发式优化无缝集成，以同时最大化生产效率并确保发动机油配方完全符合多个质量标准。
•提出了一种具有增强探索能力的IGBC算法，通过算术交叉、Makinen–Periaux–Toivanen变异（MPTM）操作符和基于柯西分布的局部搜索。
本文的其余部分结构如下：第2节进行了全面的文献回顾。第3节定义了问题并建立了数学模型。第4节详细介绍了提出的解决方案方法。第5节报告了案例研究和计算结果。最后，第6节提出了结论和未来研究建议。
章节片段
文献回顾
本节回顾了与本研究涉及的四个关键领域相关的文献：混合优化方法、AI在润滑油配方优化中的应用、GP方法以及人工蜜蜂群体（ABC）算法。
问题定义和公式化
本研究旨在优化10W-40 API SL发动机油的添加剂配方，以同时最大化生产效率并提高最终产品的质量。发动机油是汽油发动机中的重要润滑剂，它可以减少摩擦、保护运动部件并延长发动机寿命。“10W-40”这一标识表示一种在宽温度范围内保持适当粘度的多级油，在低温下仍能提供可靠的流动性（“10W”表示冬季...
解决方案方法
如前所述，所提出的GP模型的解决方案是通过XGBoost替代模型和IGBC算法的系统协作实现的。IGBC的基础是GBC算法，这是一种结合了ABC框架和遗传算法（GA）操作符的混合元启发式方法[55]。这种组合保留了ABC强大的全局探索能力，同时通过经过验证的遗传操作符显著增强了其局部利用能力。
案例研究和数据生成
本研究与Alamoot公司合作进行，该公司是伊朗领先的汽车和重型车辆发动机油制造商之一。在三个月的时间内，从该公司的生产和质量控制部门收集了真实的工业数据，用于训练、验证和测试所提出的优化框架[20]。数据集包含200条完整记录，每条记录包含：11个输入特征：两种基础油的百分比、八类添加剂...
结论和未来方向
本研究开发了一种新型优化框架，该框架无缝集成了机器学习、改进的元启发式算法和混合目标规划模型，以同时最大化10W-40 API SL发动机油的产量并确定其最佳组成，同时严格遵循质量要求。引入了一种新的嵌套目标规划配方和改进的遗传蜜蜂群体算法，并使用了极端梯度提升回归器...
CRediT作者贡献声明
N. Gosheh Dezfouli：撰写——原始草稿、可视化、软件、形式分析、概念化。Behnam Vahdani：撰写——原始草稿、可视化、验证、监督、方法论、调查、形式分析、概念化。E. Mehdizadeh：可视化、数据整理。H.R. Gholami：可视化、数据整理。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争财务利益或个人关系。
