1.一种基于多生产线的VMD分解与生产线优化系统，其特征在于，包括：数据输入模块：用于输入多种单支生产负荷数据和总生产线负荷数据，生产线工作负荷可以表示为：x1+x2+...xN＝yN，式中：x1(t)、x2(t)、xN(t)为各单支生产线负荷数据，yN为总生产线负荷数据；

优化VMD模块：用于对生产负荷数据分解出生产线的高频信号和低频信号，对VMD进行优化，优化模态分量的个数K；

信号识别系统：用于识别出波动较大的生产线，其中波动较大的高频生产线负荷再次通过智能负荷优化模块减小波动；

智能负荷优化模块：对信号识别系统别出波动较大的高频生产线负荷进行智能负荷优化；

生产线工作制调整：用于调整整个生产线的生产负荷；

所述优化VMD模块将VMD算法变分问题的结构设置为：原始信号F分解为K条IMF指令，uk具有中心频率和有限带宽并具有一定的稀疏性，为了保证uk的估计带宽之和最小约束条件为F与所有uk之和相等，所以变分约束表示为：上式中:{uk},{ωk}为分解后第k个模态分量表达式和中心频率；参数K是模态分解个数，δ(t)代表狄克拉函数，*为卷积操作符，分解所得所有模态分量与待处理负荷序列f(t)一致；

运用利用二次惩罚项α和拉格朗日乘子λ将约束问题转化为无约束解问题，增广拉格朗日乘子如下所示公式如下：式中：λ为拉格朗日乘子；α是二次惩罚因子；

利用交替乘法器算法对模态分量、中心频率和拉格朗日乘子λ进行迭代更新，最终得到增广拉格朗日乘法器的最优解，得到第k个模态分量表达式uk以及各自的模态频率ωk和拉格朗日乘子λ：其中，γ是噪声容忍度，满足VMD信号分解的保真度要求， ui(ω)、f(ω)和λ(ω)进行傅里叶变换后得到 ui(t)、f(t)、λ(t)；

VMD算法将迭代，若收敛误差ε满足下式，继续更新相关参数，否则，结束算法：在分解信号时需要人为设置参数：模态分量的个数K和二项惩罚项α，采用粒子群算法对VMD算法的两个影响参数惩罚参数α和模态分量的个数K进行同步寻优：假设在一个D维空间中，由M个粒子组成种群X＝(X1,X2,…,XM)，第i个粒子在D维空间里的位置为Xi＝(Xi1,…,XiD)，第i个粒子速度为Vi＝(vi1,vi2,…,viD)，个体局部极值为pi＝(pi1,pi2,…,piD)，整个种群全体极值G＝(g1,g2,…,gD)每个粒子通过个体局部极值和种群全部极值更新迭代自身位置和速度：式中：ω为惯性权重；d＝1,2...,D；i＝1,2,...,M，b1，b2是加速因子，δ为[0,1]之间随机数；

零均值信号包络熵用如下式表示：

式中:pi为a(i)归一化形式；χ(i)经Hilbert解调后得到的包络信号为a(i)，包络熵值越大，分解得到的IMF分量噪声信号较少，则输出负荷功率更加稳定；

利用粒子群算法计算粒子于一处位置，即对应一组参数组合α和K，由VMD分解得到所有的IMF分量包络熵值，并取所有当中最小的一个为局部极小熵值，与其相对应分量即为包含负荷序列局部特征信息最佳的分量，将适应度值设定为寻优过程中出现的局部极小熵值，最小化此值作为最佳寻优目标，则就是对两个参数进行的寻优；

经过VMD分解得到波动较大的信号后再次通过智能负荷优化模块进行优化，所述智能负荷优化模块中设置有如下数学优化模型：设有N条彼此独立运行的生产线，用x1,x2,...,xN分别表示各生产线负荷，用f1,f2,...,fN分别表示各生产线的耗量，在总负荷yN下，工厂运行的生产线的负荷优化分配问题的数学模型为：x1+x2+...xN＝yN            (1)fi＝fi(xi)i＝1,2,...,N    (2)

xi≥0 i＝1,2,...,N          (3)在总负荷yN下，存在唯一的各生产线负荷组合x1,x2,...,xN使生产线耗能最小为 即目标函数为：利用求和原理得到：

即：

*

F1(y1)＝f1(x1)                                 (7)对于有N项变量的多变量函数，将其转化为N步递推函数，通过对递推函数优化就可得到最后多变量函数的优化解；

所述智能负荷优化模块中利用改进人工蜂群的动态规划算法对上述数学优化模型进行寻优，具体如下：动态规划在负荷优化分配问题的应用通常分为2个阶段：

第1阶段为顺序造表，即按i＝1,2,...,N的顺序根据第i阶段总负荷yi的大小次序，求出*对应的当前阶段最优生产线耗量Fi (yi)和当前负荷下第i条生产线分配的负荷 填入顺序表中；

第2阶段是逆序分配，即根据给定的总负荷yN由表格按j＝N,N–1,…,1的逆序方向依次查找yN对应的所有 值得到总负荷yN下最生产线耗量时的各负荷；

在人工蜂群算法中，假定搜索空间为D维，蜜蜂种群数量为N，则采蜜蜂和旁观蜂的数量一般为S＝N/2；蜜源和采蜜蜂一一对应，其数量也为S，则优化计算过程如下：步骤一：初始蜜源生成公式为：

xi,j＝xmin,j+rand(0,1)(xmax,j‑xmin,j)    (8)式中：xi,j为第i个蜜源或采蜜蜂的第j维坐标，i∈(1,2,...,s),j∈(1,2,...,D)；xmax,j xmin,j分别为第j维坐标的取值上、下限，保留其中最优蜜源的坐标值Xbest及其函数值f(Xbest)，Xbest为最优生产线负荷，f(Xbest)为对应最优生产线能耗；

蜜源适应度计算公式为：

式中：fiti为第i个蜜源的适应度；fi为第i个蜜源的目标函数值；

采用基于排序的选择概率，蜜源选择概率计算公式为：

式中：pi为第i个采蜜蜂对应蜜源被选择的概率，i∈(1,2,...,s)；a(t)为自适应参数；

式中：t＝1,2,...,Cmax；Cmax为最大循环次数；

步骤二：蜜源更新计算公式为：

vi,j＝xi,j+φi,j(xi,j‑xk,j)

式中：vi,j为第i个采蜜蜂在其对应蜜源附近搜索得到的新蜜源的第j维坐标i∈(1,

2,...,s),j∈(1,2,...,D)；xk,j为随机确定的第k个采蜜蜂的第j维坐标；φi,j为[‑1,1]区间产生的随机值，若存在优于原蜜源的新蜜源，则用新蜜源进行替代，否则保留原蜜源且采集次数加1，更新新蜜源即更新最新的生产线；

步骤三：旁观蜂按概率选择蜜源，和采蜜蜂采用同样方式更新蜜源，其更新最新的生产线；

步骤四：将搜索后各蜜源函数值与f(Xbest)进行比较，若蜜源中存在结果优于f(Xbest)的蜜源，则将该蜜源的坐标值赋予Xbest并更新其函数值f(Xbest)，否则依旧保留原来的值；

步骤五：若计算循环次数达到设定的迭代间隔，则利用局部搜索算子进行局部搜索，更新最优解；

步骤六：若存在蜜源的采集次数大于采集次数上限，对应采蜜蜂转换为侦察蜂随机搜索新蜜源，采集次数归0，用新蜜源代替旧蜜源，返回寻找新蜜源步骤，返回步骤二；循环结束后得到的Xbest即为目标函数的最优解，f(Xbest)为最优目标函数值；

经过智能优化后，各单只生产线负荷达到耗能最小，总生产线负荷达到耗能最小。