本發(fā)明涉及鋁型材擠壓控制，具體為一種高效能耗擠壓速度調(diào)節(jié)系統(tǒng)及方法。

背景技術(shù)：

1、擠壓機是輕合金（鋁合金、銅合金和鎂合金）管、棒、型材生產(chǎn)的主要設備，擠壓機是實現(xiàn)金屬擠壓加工的最主要設備，也是利用金屬塑性壓力成形的一種重要方法，其重要的特點是能夠?qū)⒔饘馘V坯一次加工成管、棒、型材完成在瞬息之間；在當前的工業(yè)生產(chǎn)中，擠壓工已經(jīng)成為一種廣泛應用的關(guān)鍵技術(shù)；目前，現(xiàn)代擠壓機的一個特點是向節(jié)能化方向發(fā)展，進而降低生產(chǎn)鋁材產(chǎn)品的成本，而實現(xiàn)上述目前的其中一個重要措施就是節(jié)能；然而，擠壓機的功率都相當大，因此節(jié)能也就自然成為了企業(yè)的首選，企業(yè)往往能夠通過降低了鋁材在擠壓過程中的耗電量，從而降低生產(chǎn)鋁材的能量消耗，最終降低成本。

2、然而，現(xiàn)有的擠壓機在擠壓鋁型材時，其擠壓速度的調(diào)節(jié)在實際應用中存在諸多不足，尤其是在復雜、動態(tài)的生產(chǎn)環(huán)境下，實在難以滿足日益增長的效率和精度需求，如：現(xiàn)有技術(shù)通常依賴于固定規(guī)則或簡單的反饋控制方法來調(diào)節(jié)擠壓速度，這種方法的主要問題在于缺乏對未來可能出現(xiàn)的異常情況的預測能力；且由于系統(tǒng)無法提前預見潛在的生產(chǎn)問題，如負載波動、設備老化或材料性能變化，當問題實際發(fā)生時，系統(tǒng)往往反應滯后，無法及時調(diào)整操作參數(shù)，導致生產(chǎn)中斷或產(chǎn)品質(zhì)量下降。

3、另外，現(xiàn)有的擠壓速度調(diào)節(jié)系統(tǒng)往往僅基于單一變量進行調(diào)節(jié)，如：根據(jù)當前的速度或壓力進行簡單的反饋控制，該種方法的局限性在于它無法綜合考慮多種影響因素，難以實現(xiàn)系統(tǒng)的全局最優(yōu)控制；尤其是在面對不斷變化的生產(chǎn)需求和能耗目標時，現(xiàn)有系統(tǒng)難以動態(tài)調(diào)整擠壓速度和壓力，從而無法實現(xiàn)能效的最優(yōu)化，這種不足不僅導致能源的浪費，還可能影響生產(chǎn)效率和產(chǎn)品質(zhì)量；并且，傳統(tǒng)的擠壓速度調(diào)節(jié)系統(tǒng)往往需要操作人員頻繁干預和手動調(diào)整系統(tǒng)參數(shù)，這不僅增加了勞動強度，還存在較高的操作失誤風險；同時，人工調(diào)整的滯后性和不準確性，容易導致生產(chǎn)過程的不穩(wěn)定，進而影響產(chǎn)品質(zhì)量和能耗效率；特別是在復雜的生產(chǎn)環(huán)境中，操作人員難以及時做出最優(yōu)判斷，可能導致設備長時間運行在次優(yōu)狀態(tài)下，也增加了安全隱患和系統(tǒng)故障的可能性。

4、因此，如何在高效能的擠壓機上智能化地調(diào)節(jié)控制擠壓生產(chǎn)鋁型材是目前技術(shù)人員需要解決的技術(shù)問題。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種高效能耗擠壓速度調(diào)節(jié)系統(tǒng)及方法，解決了背景技術(shù)中提到的問題。

2、為實現(xiàn)以上目的，本發(fā)明在第一方面提供一種高效能耗擠壓速度調(diào)節(jié)系統(tǒng)，包括：

3、數(shù)據(jù)采集與預處理模塊、特征提取模塊、預測與模型更新模塊、動態(tài)負載優(yōu)化模塊和實時調(diào)節(jié)與控制模塊；

4、該數(shù)據(jù)采集與預處理模塊用于實時采集設備運行參數(shù)信息和材料狀態(tài)信息，組成初始數(shù)據(jù)組dat，并分別進行標記時間t和時間同步處理，得到時間序列數(shù)據(jù)組datts，同步再對該時間序列數(shù)據(jù)組datts進行預處理，并得到存儲數(shù)據(jù)組datp；

5、該特征提取模塊用于對該存儲數(shù)據(jù)組datp進行統(tǒng)計特征提取和時間特征提取，并篩選生成特征向量ftvs；

6、該預測與模型更新模塊用于基于機器學習算法建立訓練預測模型，將該特征向量ftvs輸入到該訓練預測模型中，并訓練輸出結(jié)果風險預測指數(shù)yt，并與預設的擠壓運行預測狀態(tài)評估閾值jz進行匹配預測，生成擠壓運行狀態(tài)評估結(jié)果；

7、該動態(tài)負載優(yōu)化模塊根據(jù)該擠壓運行狀態(tài)評估結(jié)果觸發(fā)調(diào)控當前的擠壓運行狀態(tài)，并輸出評估觸控執(zhí)行結(jié)果，并基于該評估觸控執(zhí)行結(jié)果進行負載預測分析，得到負載預測指數(shù)lodpred，同步根據(jù)該負載預測指數(shù)lodpred獲取調(diào)控擠壓速度spdopt和調(diào)控擠壓壓力prsopt；

8、該實時調(diào)節(jié)與控制模塊通過獲取當前生產(chǎn)區(qū)域的實時擠壓速度spd和擠壓壓力prs與該調(diào)控擠壓速度spdopt和該調(diào)控擠壓壓力prsopt進行對比，并根據(jù)對比結(jié)果對該實時擠壓速度spd和該擠壓壓力prs進行調(diào)節(jié)和控制。

9、優(yōu)選地，該數(shù)據(jù)采集與預處理模塊包括傳感器采集單元和數(shù)據(jù)預處理單元；

10、該傳感器采集單元用于實時采集擠壓機設備運行參數(shù)信息和出料狀態(tài)信息，并組成初始數(shù)據(jù)組dat，以及對該組成初始數(shù)據(jù)組dat分別進行標記時間t和時間同步處理，得到時間序列數(shù)據(jù)組datts，該時間序列數(shù)據(jù)組datts={tem（t），prs（t），spd（t），vsc（t），elm（t），lod（t）}；其中，該初始數(shù)據(jù)組dat包括擠壓溫度tem、擠壓壓力prs、擠壓速度spd、材料黏度vsc、材料彈性模量elm和生產(chǎn)負載lod；該數(shù)據(jù)預處理單元用于對該時間序列數(shù)據(jù)組datts進行預處理，并生成存儲數(shù)據(jù)組datp，該存儲數(shù)據(jù)組datp={temp（t），prsp（t），spdp（t），vscp（t），elmp（t），lodp（t）}；

11、其中，該預處理包括數(shù)據(jù)清洗處理和數(shù)據(jù)歸一化處理，該數(shù)據(jù)清洗處理包括使用中值濾波器和卡爾曼濾波器進行去除數(shù)據(jù)中噪聲；該數(shù)據(jù)歸一化處理包括使用min-max歸一化處理方式進行消除不同參數(shù)數(shù)據(jù)之間的量綱差異。

12、優(yōu)選地，該特征向量ftvs={mean（x），var（t），std（t），max（t），min（t），sks（t），kts（t）}；該mean（x）為存儲數(shù)據(jù)組datp中衡量數(shù)據(jù)的集中趨勢組成均值特征；該var（t）為存儲數(shù)據(jù)組datp中離散程度組成方差特征；該std（t）為存儲數(shù)據(jù)組datp中離散性組成標準差特征；該max（t）為存儲數(shù)據(jù)組datp中極端峰值組成最大值特征；該min（t）為存儲數(shù)據(jù)組datp中極端谷值組成最小值特征；該sks（t）為存儲數(shù)據(jù)組datp中分布的對稱性組成偏度特征；該kts（t）為存儲數(shù)據(jù)組datp中分布的陡峭程度組成峰度特征。

13、優(yōu)選地，該預測與模型更新模塊包括建模單元，該建模單元通過使用機器學習算法建立訓練預測模型，該訓練預測模型的訓練包括數(shù)據(jù)劃分處理；

14、該數(shù)據(jù)劃分處理用于將特征向量ftvs進行劃分為訓練集、驗證集和測試集，具體包括將特征向量ftvs的70%劃分為訓練集，將特征向量ftvs的15%劃分為驗證集，將特征向量ftvs的15%劃分為驗證集，組成模型的輸入數(shù)據(jù)集ftvsr={ftvtrain，ftvval，ftvtest}；

15、優(yōu)選地，該風險預測指數(shù)yt通過以下計算公式獲?。?/p>

16、；

17、式中，α表示預權(quán)重值，log表示對數(shù)函數(shù)，具體用于平滑特征組成的結(jié)果，表示指數(shù)衰減函數(shù)，具體用于調(diào)整特征xi的非線性關(guān)系影響，表示調(diào)整衰減的系數(shù)，表示sigmoid函數(shù)，具體表示特征值xi在風險預測中的非線性作用，輸出范圍為[0，1]，表示對特征值xi進行二次項的正弦變換，具體用于捕捉特征值之間的周期性波動，xi表示特征向量ftvsr中第i個特征值，表示正弦變換調(diào)節(jié)幅度系數(shù)，m表示特征向量ftvsr中的非線性關(guān)系特征的總數(shù)，n表示特征向量ftvsr中的多項式和指數(shù)衰減效應的總數(shù)，表示多項式系數(shù)，具體用于調(diào)整的影響，xj表示特征向量ftvsr中第j個特征值，表示指數(shù)衰減項，用于表示特征值xj的衰減效應，表示衰減系數(shù)，具體用于調(diào)控指數(shù)衰減項的衰減速率，表示指數(shù)衰減項的調(diào)整系數(shù)數(shù)。

18、優(yōu)選地，該預測與模型更新模塊還包括狀態(tài)匹配單元，該狀態(tài)匹配單元用于通過預設的擠壓運行預測狀態(tài)評估閾值jz與風險預測指數(shù)yt進行匹配，并生成生產(chǎn)區(qū)域擠壓運行狀態(tài)評估結(jié)果，其中，該訓練預測模型的性能評估包括使用準確率和均方誤差進行評估訓練預測模型的預測能力；

19、該生產(chǎn)區(qū)域擠壓運行狀態(tài)評估結(jié)果通過以下匹配方式獲?。?/p>

20、；

21、當該states返回狀態(tài)為1時，則確定生產(chǎn)區(qū)域擠壓機的擠壓運行狀態(tài)評估結(jié)果為異常結(jié)果；

22、當該states返回狀態(tài)為0時，則確定生產(chǎn)區(qū)域擠壓機的擠壓運行狀態(tài)評估結(jié)果為無異常結(jié)果；該states表示生產(chǎn)區(qū)域擠壓運行狀態(tài)評估結(jié)果，該yt表示風險預測指數(shù)，該jz表示擠壓運行預測狀態(tài)評估閾值。

23、優(yōu)選地，該動態(tài)負載優(yōu)化模塊包括負載預測單元和調(diào)控生成單元；

24、該負載預測單元根據(jù)該擠壓機的擠壓運行狀態(tài)評估結(jié)果觸發(fā)調(diào)控當前擠壓機的擠壓運行狀態(tài)，觸控執(zhí)行擠壓機的擠壓運行狀態(tài)評估結(jié)果；

25、該觸發(fā)調(diào)控的具體通過以下機制觸發(fā)：

26、當生產(chǎn)區(qū)域擠壓運行狀態(tài)評估結(jié)果為異常，且該states返回狀態(tài)為1時，則執(zhí)行擠壓機的擠壓運行狀態(tài)評估觸控執(zhí)行結(jié)果；

27、當生產(chǎn)區(qū)域擠壓運行狀態(tài)評估結(jié)果為無異常，且該states返回狀態(tài)為0時，則不執(zhí)行擠壓機的擠壓運行狀態(tài)評估觸控結(jié)果。

28、優(yōu)選地，該調(diào)控生成單元用于負載預測分析獲取負載預測指數(shù)lodpred，并同步根據(jù)負載預測指數(shù)lodpred獲取調(diào)控擠壓速度spdopt和調(diào)控擠壓壓力prsopt；其中，該負載預測指數(shù)lodpred通過以下計算公式獲?。?/p>

29、；

30、式中，表示預設權(quán)重值，具體用于調(diào)控負載預測指數(shù)的影響，w表示特征向量ftvsr包括的特征數(shù)據(jù)總數(shù)，xk表示特征向量ftvsr中的第k個特征值，表示第k個特征值的預設權(quán)重值，表示第k個特征值的時間衰減系數(shù)，t表示時間點t，tmax表示時間窗口長度的上限值；

31、該調(diào)控擠壓速度spdopt和該調(diào)控擠壓壓力prsopt通過以下計算公式獲?。?/p>

32、；

33、；

34、式中，a表示基準擠壓速度，b表示擠壓速度對負載預測的響應系數(shù)，c表示擠壓速度下限值，d表示基準擠壓壓力，e表示擠壓壓力上限值，f表示擠壓壓力對負載預測的響應系數(shù)。

35、優(yōu)選地，該實時調(diào)節(jié)與控制模通過獲取的實時擠壓速度spd和擠壓壓力prs，并分別與獲取的調(diào)控擠壓速度spdopt和調(diào)控擠壓壓力prsopt進行對比，確定擠壓速度誤差值espd（t）和擠壓壓力誤差值eprs（t），并通過使用plc和伺服電機控制對實時擠壓速度spd和擠壓壓力prs進行調(diào)節(jié)，擠壓機的運行參數(shù)，包括根據(jù)擠壓速度誤差值espd（t）和擠壓壓力誤差值eprs（t）進行修正實時擠壓速度spd和擠壓壓力prs；

36、該擠壓速度誤差值espd（t）和擠壓壓力誤差值eprs（t）通過以下計算公式獲?。?/p>

37、；

38、；

39、式中，spdopt（t）和prsopt（t）分別表示時間t的調(diào)控擠壓速度spdopt和調(diào)控擠壓壓力prsopt，spd（t）和prs（t）分別表示時間t的實時擠壓速度spd和擠壓壓力prs。

40、本技術(shù)在第二方面提供一種高效能耗擠壓速度調(diào)節(jié)方法，包括上述任一項所述的一種高效能耗擠壓速度調(diào)節(jié)系統(tǒng)，其特征在于，包括：

41、步驟一：數(shù)據(jù)采集與預處理模塊實時采集擠壓機設備運行參數(shù)信息和材料狀態(tài)信息，組成初始數(shù)據(jù)組dat，再進行標記時間t和時間同步處理，獲取時間序列數(shù)據(jù)組datts，同步再對時間序列數(shù)據(jù)組datts進行預處理，包括數(shù)據(jù)清洗和數(shù)據(jù)歸一化，組成處理后的存儲數(shù)據(jù)組datp；

42、步驟二：特征提取模塊對存儲數(shù)據(jù)組datp進行統(tǒng)計特征提取和時間特征提取，再應用特征選擇算法進行篩選特征，組成特征向量ftvs；

43、步驟三：預測與模型更新模塊通過使用機器學習算法進行建立訓練預測模型，將獲取的特征向量ftvs作為輸入特征，進行訓練建立的訓練預測模型，包括數(shù)據(jù)劃分、訓練預測模型的參數(shù)優(yōu)化和超參數(shù)調(diào)優(yōu)，獲取訓練預測模型的輸出結(jié)果風險預測指數(shù)yt，并預設的擠壓運行預測狀態(tài)評估閾值jz進行匹配，獲取生產(chǎn)區(qū)域擠壓運行狀態(tài)評估結(jié)果；

44、步驟四：動態(tài)負載優(yōu)化模塊根據(jù)生產(chǎn)區(qū)域擠壓運行狀態(tài)評估結(jié)果進行觸發(fā)調(diào)控當前擠壓運行狀態(tài)，獲取擠壓機的擠壓運行狀態(tài)評估觸控執(zhí)行結(jié)果，并進行負載預測分析獲取負載預測指數(shù)lodpred，同步根據(jù)負載預測指數(shù)lodpred獲取調(diào)控擠壓速度spdopt和調(diào)控擠壓壓力prsopt；

45、步驟五：實時調(diào)節(jié)與控制模通過當前生產(chǎn)區(qū)域獲取的實時擠壓速度spd和擠壓壓力prs與獲取的調(diào)控擠壓速度spdopt和調(diào)控擠壓壓力prsopt進行對比，并通過使用pid控制對實時擠壓速度spd和擠壓壓力prs進行調(diào)節(jié)。

46、本發(fā)明提供了一種高效能耗擠壓速度調(diào)節(jié)系統(tǒng)及方法，具備以下有益效果：

47、（1）系統(tǒng)運行時，通過在生產(chǎn)線多個節(jié)點安裝傳感器組，實時采集設備運行參數(shù)和材料狀態(tài)信息，確保數(shù)據(jù)的準確性和及時性。通過對采集數(shù)據(jù)的深入特征提取和篩選，系統(tǒng)能夠構(gòu)建高精度的預測模型，并通過機器學習算法提前預測潛在的異常情況。在預測到可能的風險時，系統(tǒng)能夠自動觸發(fā)動態(tài)負載優(yōu)化，智能調(diào)整擠壓速度和壓力，以實現(xiàn)生產(chǎn)效率和能效的最優(yōu)化。此外，通過實時的pid控制，系統(tǒng)能夠迅速響應生產(chǎn)條件的變化，確保擠壓過程的穩(wěn)定性和高效性，顯著減少了對人工干預的依賴，降低了操作失誤的風險。這種高度集成的智能控制系統(tǒng)不僅克服了現(xiàn)有技術(shù)中缺乏預測能力、動態(tài)調(diào)整不足、響應滯后和依賴人工干預的不足，還大幅提升了整體生產(chǎn)的穩(wěn)定性、能效和安全性。

48、（2）根據(jù)特征向量ftvs，通過數(shù)據(jù)劃分與模型訓練，生成高精度的風險預測指數(shù)yt，能夠提前預判潛在的異常情況。同時，狀態(tài)匹配單元進一步結(jié)合預設的擠壓運行預測狀態(tài)評估閾值jz，精準地評估生產(chǎn)區(qū)域的運行狀態(tài)。這種方式不僅能夠識別異常情況，還能通過量化的預測結(jié)果優(yōu)化生產(chǎn)過程，減少因突發(fā)問題導致的生產(chǎn)中斷和質(zhì)量波動。系統(tǒng)還通過多維度的模型評估，確保預測模型的高效性和準確性，減少了人為判斷的主觀性，提高了系統(tǒng)的自動化和智能化水平。

49、（3）根據(jù)生產(chǎn)區(qū)域擠壓運行狀態(tài)評估結(jié)果，智能地觸發(fā)調(diào)控機制，確保只有在必要時才進行負載調(diào)整，從而避免了不必要的系統(tǒng)干預，提升了整體運行的效率。調(diào)控生成單元進一步通過復雜的負載預測分析，生成負載預測指數(shù)lodpred，并依據(jù)該指數(shù)動態(tài)計算出最優(yōu)的調(diào)控擠壓速度spdopt和調(diào)控擠壓壓力prsopt。這一過程確保了擠壓生產(chǎn)設備始終在最優(yōu)狀態(tài)下運行，減少了能耗并提高了生產(chǎn)質(zhì)量。同時，系統(tǒng)通過精確的pid控制，實時修正擠壓速度和壓力的偏差，使生產(chǎn)過程更加穩(wěn)定和可靠。這種智能化的負載預測和調(diào)控機制，不僅提升了系統(tǒng)的自適應能力，還顯著優(yōu)化了資源利用率和生產(chǎn)效率，確保生產(chǎn)線在復雜環(huán)境下的持續(xù)高效運轉(zhuǎn)。