一种基于智能控制的电工器材制造监控方法技术

本申请涉及智能制造领域，尤其涉及一种基于智能控制的电工器材制造监控方法，包括：电工器材制造包括至少一个工序，采集当前工序之前所有工序的控制参数，并将其输入所述当前工序对应的训练完毕的参数预测网络，以输出所述当前工序的预测参数；将所述预测参数作为所述当前工序的控制参数，以完成所述当前工序，直至完成最后一个工序，得到电工器材

【技术实现步骤摘要】
一种基于智能控制的电工器材制造监控方法


[0001]本申请一般地涉及智能制造领域，尤其涉及一种基于智能控制的电工器材制造监控方法
。

技术介绍

[0002]电工器材包括电缆电线
、
变压器
、
局放检测仪等用于电力领域的器材工具，电工器材的质量和性能关乎电力系统和用户的财产和生命安全，故在电工器材制造过程中，需要对电工器材的每个工序进行监控，以保证电工器材的质量，进而保证电力系统和用户的安全
。
[0003]目前，对电工器材制造过程的监控仅针对某一道特定工序进行监控
。
公开号为
CN115407739A
的专利文献公开了一种电缆制造的生产设备控制方法，仅针对电线电缆制造过程中绝缘挤出这一工序进行监测控制；公开号为
CN109616258A
的专利文献公开了一种电线挤出机线速度控制系统，仅针对电线电缆制造过程中电线挤出这一工序进行监测控制
。
[0004]然而，上述方法仅针对一道特定工序，忽略了不同工序之间的影响；在电缆电线等电工器材制造的过程中的任何一个工序发生问题，都会影响整个电工器材制的质量，即为了保证电工器材制的质量，需要对电工器材的制造过程进行全流程监控
。

技术实现思路

[0005]为了解决现有技术中的上述技术问题，本申请提供了一种基于智能控制的电工器材制造监控方法，以实现制造过程的全流程监控，保证电工器材的质量
。
[0006]本专利技术提供了一种基于智能控制的电工器材制造监控方法，所述电工器材制造包括至少一个工序，包括：采集当前工序之前所有工序的控制参数，并将其输入所述当前工序对应的训练完毕的参数预测网络，以输出所述当前工序的预测参数；将所述预测参数作为所述当前工序的控制参数，以完成所述当前工序；其中，所述当前工序的参数预测网络的训练方法包括：在多次历史制造过程中，采集每个工序的控制参数和测试向量以获取训练数据集，其中所述测试向量至少包括尺寸测试结果
、
绝缘测试结果和电气参数测试结果，所述训练数据集包括多条训练样本，一条训练样本对应于一次历史制造过程每个工序的控制参数和测试向量；在所述训练数据集中，基于所述当前工序与上个相邻工序之间测试向量的差值构建所述当前工序的测试关联向量，其中所述测试关联向量包括所述当前工序与每种测试结果之间的相关性；基于最后一个工序的测试向量筛选所述训练数据集以获取合格样本集合，并基于所述合格样本集合构建所述当前工序对应的合格概率模型和标准测试向量，所述合格概率模型的输入为所述当前工序和所述当前工序之前所有工序的控制参数，输出为对应电工器材合格的概率；基于所述当前工序的测试关联向量
、
标准测试向量和合格概率模型构建所述当前工序的工序损失，并基于所述工序损失和所述合格样本集合训练参数预测网络；迭代地训练所述参数预测网络，直至所述工序损失的数值小于设定数值时停止，得到所述当前工序对应的训练完毕的参数预测网络
。
[0007]在一些实施例中，所述采集当前工序之前所有工序的控制参数之后，所述方法还包括：将所述当前工序之前所有工序的控制参数按照工序的先后顺序进行排列，得到制造状态矩阵；将所述制造状态矩阵输入所述当前工序对应的训练完毕的参数预测网络，以输出所述当前工序的预测参数；其中，所述参数预测网络包括特征提取模块和预测模块，所述特征提取模块对输入的制造状态矩阵进行时序特征提取，以获取状态向量；所述预测模块对所述特征提取模块输出的状态向量进行线性变换，输出当前工序的预测参数
。
[0008]在一些实施例中，所述在所述训练数据集中，基于所述当前工序与上个相邻工序之间测试向量的差值构建所述当前工序的测试关联向量包括：对于一条训练样本，计算所述当前工序与上个相邻工序之间测试向量差值的绝对值以构建所述训练样本的差异向量；计算所有训练样本的差异向量的均值，得到平均差异向量；对所述平均差异向量进行归一化操作，得到所述当前工序的测试关联向量，所述测试关联向量包括所述当前工序与每种测试结果之间的相关性
。
[0009]在一些实施例中，所述基于最后一个工序的测试向量筛选所述训练数据集以获取合格样本集合包括：对于一条训练样本，获取最后一个工序的测试向量，并将其与标准测试向量对比以判断电工器材是否合格，所述标准测试向量为电工器材的质量要求；响应于所述电工器材合格，则所述训练样本为合格样本；响应于所述电工器材不合格，则所述训练样本为不合格样本；储存所有合格样本以获取合格样本集合
。
[0010]在一些实施例中，所述当前工序的合格概率模型的构建方法包括：将一条训练样本中所述当前工序和所述当前工序之前所有工序的控制参数按照工序的先后顺序进行排列，得到所述训练样本的当前工序状态；储存所述合格样本集合中所有训练样本的当前工序状态以作为当前工序状态集合；利用高斯混合建模对所述当前工序状态集合进行拟合，得到所述当前工序的合格概率模型，其中所述合格概率模型为高斯混合模型
。
[0011]在一些实施例中，所述当前工序的标准测试向量的构建方法包括：在所述合格样本集合中，储存所有训练样本中所述当前工序的测试向量以作为当前工序测试集合；利用单高斯建模对所述当前工序测试集合进行拟合，得到所述当前工序的测试向量模型，所述测试向量模型包括当前工序均值和当前工序方差；其中，所述当前工序均值对应于所述当前工序的标准测试向量
。
[0012]在一些实施例中，所述当前工序的参数预测网络的训练方法还包括：搭建测试向量初始预测网络；对于所述合格样本集合中的一个训练样本，所述当前工序和所述当前工序之前所有工序的控制参数作为输入数据，并将所述当前工序的测试向量作为所述输入数据的标签；将所述输入数据输入所述测试向量初始预测网络以获取输出结果，并基于所述输出结果和所述标签计算均方差损失函数的数值；利用梯度下降法更新所述测试向量初始预测网络以降低所述均方差损失函数的数值；迭代地更新所述测试向量初始预测网络，直至所述均方差损失函数的数值小于预设损失，停止迭代，获取训练完毕的测试向量预测网络，所述测试向量预测网络的输入为所述当前工序和所述当前工序之前所有工序的控制参数，输出为所述当前工序的预测测试向量
。
[0013]在一些实施例中，所述基于所述当前工序的测试关联向量
、
标准测试向量和合格概率模型构建所述当前工序的工序损失，并基于所述工序损失和所述合格样本集合训练参数预测网络包括：将所述合格样本集合中任意训练样本的制造状态矩阵输入所述参数预测
网络以获取预测参数，并将所述训练样本中所述当前工序的控制参数作为参数标签，其中所述制造状态矩阵包括所述训练样本所述当前工序之前所有工序的控制参数；将所述预测参数和所述制造状态矩阵输入训练完毕的测试向量预测网络，以输出预测测试向量，其中所述预测参数对应于所述当前工序的控制参数；基于所述预测参数
、
所述参数标签
...

【技术保护点】

【技术特征摘要】
1.
一种基于智能控制的电工器材制造监控方法，所述电工器材制造包括至少一个工序，其特征在于：采集当前工序之前所有工序的控制参数，并将其输入所述当前工序对应的训练完毕的参数预测网络，以输出所述当前工序的预测参数；将所述预测参数作为所述当前工序的控制参数，以完成所述当前工序；其中，所述当前工序的参数预测网络的训练方法包括：在多次历史制造过程中，采集每个工序的控制参数和测试向量以获取训练数据集，其中所述测试向量至少包括尺寸测试结果
、
绝缘测试结果和电气参数测试结果，所述训练数据集包括多条训练样本，一条训练样本对应于一次历史制造过程每个工序的控制参数和测试向量；在所述训练数据集中，基于所述当前工序与上个相邻工序之间测试向量的差值构建所述当前工序的测试关联向量，其中所述测试关联向量包括所述当前工序与每种测试结果之间的相关性；基于最后一个工序的测试向量筛选所述训练数据集以获取合格样本集合，并基于所述合格样本集合构建所述当前工序对应的合格概率模型和标准测试向量，所述合格概率模型的输入为所述当前工序和所述当前工序之前所有工序的控制参数，输出为对应电工器材合格的概率；基于所述当前工序的测试关联向量
、
标准测试向量和合格概率模型构建所述当前工序的工序损失，并基于所述工序损失和所述合格样本集合训练参数预测网络；迭代地训练所述参数预测网络，直至所述工序损失的数值小于设定数值时停止，得到所述当前工序对应的训练完毕的参数预测网络
。2.
如权利要求1所述的一种基于智能控制的电工器材制造监控方法，其特征在于，所述采集当前工序之前所有工序的控制参数之后，所述方法还包括：将所述当前工序之前所有工序的控制参数按照工序的先后顺序进行排列，得到制造状态矩阵；将所述制造状态矩阵输入所述当前工序对应的训练完毕的参数预测网络，以输出所述当前工序的预测参数；其中，所述参数预测网络包括特征提取模块和预测模块，所述特征提取模块对输入的制造状态矩阵进行时序特征提取，以获取状态向量；所述预测模块对所述特征提取模块输出的状态向量进行线性变换，输出当前工序的预测参数
。3.
如权利要求1所述的一种基于智能控制的电工器材制造监控方法，其特征在于，所述在所述训练数据集中，基于所述当前工序与上个相邻工序之间测试向量的差值构建所述当前工序的测试关联向量包括：对于一条训练样本，计算所述当前工序与上个相邻工序之间测试向量差值的绝对值以构建所述训练样本的差异向量；计算所有训练样本的差异向量的均值，得到平均差异向量；对所述平均差异向量进行归一化操作，得到所述当前工序的测试关联向量，所述测试关联向量包括所述当前工序与每种测试结果之间的相关性
。4.
如权利要求1所述的一种基于智能控制的电工器材制造监控方法，其特征在于，所述
基于最后一个工序的测试向量筛选所述训练数据集以获取合格样本集合包括：对于一条训练样本，获取最后一个工序的测试向量，并将其与标准测试向量对比以判断电工器材是否合格，所述标准测试向量为电工器材的质量要求；响应于所述电工器材合格，则所述训练样本为合格样本；响应于所述电工器材不合格，则所述训练样本为不合格样本；储存所有合格样本以获取合格样本集合
。5.
如权利要求4所述的一种基于智能控制的电工器材制造监控方法，其特征在于，所述当前工序的合格概率模型的构建方法包括：将一条训练样本中所述当前工序和所述当前工序之前所有工序的控制参数按照工序的先后顺序进行排列，得到所述训练样本的当前工序状态；储存所述合格样本集合中所有训练样本的当前工序状态以作为当前工序状态集合；利用高斯混合建模对所述当前工序状态集合进行拟合，得到所述当前工序的合格概率模型，其中所述合格概率模型为高斯混合模型
。6.
...

【专利技术属性】
技术研发人员：王林，付伟杰，范家兴，秦泽玉，
申请(专利权)人：河南海沃迪电气技术有限公司，
类型：发明
国别省市：