本發(fā)明涉及質(zhì)量安全監(jiān)控管理系統(tǒng)，更具體地說(shuō)，涉及粉末冶金生產(chǎn)用質(zhì)量安全監(jiān)控管理系統(tǒng)。
背景技術(shù)：
：：1、粉末冶金是一種先進(jìn)的材料成型加工技術(shù)，通過(guò)將金屬、陶瓷等粉末原料混合、壓制、燒結(jié)，可制造出復(fù)雜形狀、優(yōu)異性能的高精度構(gòu)件，在汽車(chē)、航空、機(jī)械制造等領(lǐng)域得到廣泛應(yīng)用。但粉末冶金生產(chǎn)工藝復(fù)雜，涉及原料配比、壓制成型、燒結(jié)等多個(gè)環(huán)節(jié)，生產(chǎn)過(guò)程質(zhì)量容易發(fā)生波動(dòng)，產(chǎn)品缺陷率高。傳統(tǒng)的質(zhì)量管理主要依靠人工抽檢和統(tǒng)計(jì)分析，往往只能亡羊補(bǔ)牢，難以實(shí)現(xiàn)精準(zhǔn)預(yù)警和前置控制。2、近年來(lái)，隨著傳感技術(shù)、大數(shù)據(jù)分析、人工智能等新一代信息技術(shù)的發(fā)展，智能制造成為提升粉末冶金企業(yè)質(zhì)量管控水平的新途徑。通過(guò)在生產(chǎn)設(shè)備上部署智能傳感器，可實(shí)現(xiàn)生產(chǎn)過(guò)程的實(shí)時(shí)在線監(jiān)測(cè)。國(guó)內(nèi)外學(xué)者針對(duì)粉末冶金生產(chǎn)數(shù)據(jù)展開(kāi)了質(zhì)量相關(guān)的建模分析研究。有學(xué)者應(yīng)用小波包能量譜和bp神經(jīng)網(wǎng)絡(luò)，建立了壓坯質(zhì)量軟測(cè)量模型，實(shí)現(xiàn)了壓制過(guò)程質(zhì)量預(yù)測(cè)。還有學(xué)者基于貝葉斯理論和專(zhuān)家經(jīng)驗(yàn)構(gòu)建了粉末冶金零件缺陷的診斷知識(shí)庫(kù)，可對(duì)常見(jiàn)缺陷進(jìn)行根因分析和歸類(lèi)統(tǒng)計(jì)。3、但現(xiàn)有的質(zhì)量管理系統(tǒng)和方法仍存在不足：一是生產(chǎn)參數(shù)采集不全面，預(yù)處理分析不智能，對(duì)生產(chǎn)狀態(tài)刻畫(huà)不夠精準(zhǔn)；二是質(zhì)量預(yù)警模型泛化性差，缺乏先驗(yàn)知識(shí)指導(dǎo)，預(yù)警結(jié)果可解釋性不強(qiáng)；三是缺陷診斷規(guī)則固化，缺乏持續(xù)優(yōu)化學(xué)習(xí)能力；四是決策優(yōu)化方法不適應(yīng)動(dòng)態(tài)復(fù)雜的生產(chǎn)過(guò)程調(diào)控。此外，現(xiàn)有系統(tǒng)大多采用中心化管理模式，在供應(yīng)鏈可追溯、跨企業(yè)協(xié)同等方面支撐不足。亟需探索一種全新的質(zhì)量管理系統(tǒng)架構(gòu)，打通數(shù)據(jù)采集、建模分析、調(diào)控優(yōu)化、追溯溯源的全鏈路。技術(shù)實(shí)現(xiàn)思路1、本發(fā)明針對(duì)上述問(wèn)題，提出一種粉末冶金生產(chǎn)用質(zhì)量安全監(jiān)控管理系統(tǒng)。系統(tǒng)以語(yǔ)義本體驅(qū)動(dòng)的自適應(yīng)采樣、張量分解的混合增強(qiáng)學(xué)習(xí)、分?jǐn)?shù)階混沌尋優(yōu)的質(zhì)量管理、區(qū)塊鏈驅(qū)動(dòng)的質(zhì)量追溯等創(chuàng)新方法為核心，實(shí)現(xiàn)生產(chǎn)質(zhì)量的全流程智能管控。2、本發(fā)明提供粉末冶金生產(chǎn)用質(zhì)量安全監(jiān)控管理系統(tǒng)，包括生產(chǎn)參數(shù)智能感知模塊、質(zhì)量安全智能分析模塊、質(zhì)量追溯管理模塊和人機(jī)交互模塊；所述生產(chǎn)參數(shù)智能感知模塊采集生產(chǎn)參數(shù)并完成數(shù)據(jù)預(yù)處理，將結(jié)果發(fā)送至質(zhì)量安全智能分析模塊；所述質(zhì)量安全智能分析模塊接收生產(chǎn)參數(shù)，基于語(yǔ)義本體驅(qū)動(dòng)的自適應(yīng)采樣獲得關(guān)鍵質(zhì)量特征，應(yīng)用張量分解的混合增強(qiáng)學(xué)習(xí)方法實(shí)現(xiàn)故障診斷，并通過(guò)分?jǐn)?shù)階混沌優(yōu)化動(dòng)態(tài)調(diào)整質(zhì)量管理策略，生成質(zhì)量預(yù)警信息、診斷決策和管理計(jì)劃；所述質(zhì)量追溯管理模塊利用區(qū)塊鏈技術(shù)建立覆蓋原料、工藝和產(chǎn)品全生命周期的質(zhì)量追溯鏈，接收質(zhì)量數(shù)據(jù)并完成安全存證；所述人機(jī)交互模塊實(shí)現(xiàn)系統(tǒng)功能和數(shù)據(jù)的可視化展示，接受用戶指令并協(xié)調(diào)其他模塊完成質(zhì)量監(jiān)控管理任務(wù)。3、具體地，所述生產(chǎn)參數(shù)智能感知模塊包括多源異構(gòu)傳感器、邊緣網(wǎng)關(guān)和時(shí)間敏感網(wǎng)絡(luò)；其中，多源異構(gòu)傳感器采集原料屬性、工藝參數(shù)和設(shè)備狀態(tài)信號(hào)，并將數(shù)據(jù)實(shí)時(shí)傳輸至邊緣網(wǎng)關(guān)；邊緣網(wǎng)關(guān)對(duì)傳感器數(shù)據(jù)進(jìn)行清洗、歸一化等預(yù)處理，按時(shí)間和語(yǔ)義分類(lèi)后暫存；時(shí)間敏感網(wǎng)絡(luò)將邊緣網(wǎng)關(guān)的感知數(shù)據(jù)以不大于10ms的時(shí)延傳輸至質(zhì)量安全智能分析模塊。4、具體地，所述質(zhì)量安全智能分析模塊中的基于語(yǔ)義本體驅(qū)動(dòng)的自適應(yīng)采樣單元，通過(guò)以下方式獲得關(guān)鍵質(zhì)量特征：5、形式化定義原料、設(shè)備、工藝和質(zhì)量語(yǔ)義類(lèi)別與關(guān)聯(lián)關(guān)系的生產(chǎn)過(guò)程語(yǔ)義本體o＝(c,r,a)，其中c為概念集，r為關(guān)系集，a為公理集；利用本體語(yǔ)言owl對(duì)o進(jìn)行描述；6、基于tableau算法對(duì)語(yǔ)義本體o進(jìn)行推理，獲得語(yǔ)義關(guān)聯(lián)矩陣w∈rn×n，其中矩陣元素wij∈[0,1]表示概念i與概念j間的語(yǔ)義關(guān)聯(lián)強(qiáng)度，n為本體中語(yǔ)義概念的數(shù)量；7、根據(jù)關(guān)聯(lián)矩陣w確定各傳感器采集參數(shù)xi的語(yǔ)義重要性權(quán)重計(jì)算公式為設(shè)計(jì)輪轉(zhuǎn)矩陣壓縮采樣算子φ∈rm×m，其中矩陣元素φij服從伯努利分布sigmoid(x)＝(1+e-x)-1為sigmoid函數(shù)，λ為尺度因子；8、對(duì)傳感器參數(shù)矢量x進(jìn)行自適應(yīng)采樣，得到壓縮感知矢量y＝φ·xiy∈rm為低維語(yǔ)義特征矢量。9、具體地，所述質(zhì)量安全智能分析模塊中的基于張量分解的混合增強(qiáng)學(xué)習(xí)故障診斷單元，通過(guò)以下步驟實(shí)現(xiàn)故障診斷：10、基于設(shè)備運(yùn)行日志、報(bào)警信息和質(zhì)量缺陷數(shù)據(jù)構(gòu)建的故障－征兆－部件三維語(yǔ)義立方張量t∈ri×j×k，其中i為故障模式數(shù)，j為征兆模式數(shù)，k為關(guān)聯(lián)部件數(shù)；11、采用多模態(tài)張量分解算法對(duì)語(yǔ)義張量t進(jìn)行分解，得到故障因子矩陣征兆因子矩陣s∈rj×r2，部件因子矩陣v∈rk×r3，和核心張量滿足t≈g×1u×2s×3v，其中×n表示n－模式張量積，r1、r2、r3分別為三個(gè)維度的秩；12、構(gòu)建融合先驗(yàn)知識(shí)θk和數(shù)據(jù)驅(qū)動(dòng)知識(shí)θd的混合故障診斷策略網(wǎng)絡(luò)π(a|s；θ)，其中狀態(tài)s∈rj為j維故暲征兆觀測(cè)向量，動(dòng)作a∈ri為故障模式診斷概率向量，網(wǎng)絡(luò)參數(shù)θ＝(θk,θd)；13、先驗(yàn)知識(shí)θk采用張量核化的圖卷積網(wǎng)絡(luò)建模，狀態(tài)特征傳播采用動(dòng)態(tài)雙向注意力傳播機(jī)制：其中h(k)∈rn×f為第k層網(wǎng)絡(luò)的節(jié)點(diǎn)特征矩陣，f為節(jié)點(diǎn)特征維度，σ(·)為激活函數(shù)，ai和為動(dòng)態(tài)注意力矩陣；14、數(shù)據(jù)驅(qū)動(dòng)知識(shí)θd采用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)建模，將故障征兆觀測(cè)序列(s1,s2,...,st)編碼為隱藏狀態(tài)向量ht和記憶單元狀態(tài)向量ct；15、混合診斷策略網(wǎng)絡(luò)的損失函數(shù)為：16、其中γ∈(0,1)為折扣因子，rt為診斷準(zhǔn)確率獎(jiǎng)勵(lì)，yt為真實(shí)狀態(tài)-動(dòng)作值，qπ(st,at)為估計(jì)的狀態(tài)-動(dòng)作值。17、具體地，所述質(zhì)量安全智能分析模塊中的基于分?jǐn)?shù)階混沌優(yōu)化的質(zhì)量管理策略動(dòng)態(tài)調(diào)整單元，通過(guò)以下方法實(shí)現(xiàn)最優(yōu)管理策略搜索：18、構(gòu)建n維質(zhì)量狀態(tài)矢量q＝[q1；q2；...；qn]，其中qi∈r為第i個(gè)質(zhì)量特征值；構(gòu)建m維管理決策矢量d＝[d1；d2；...；dm]，其中dj∈ω為第j個(gè)可調(diào)管理參數(shù)，參數(shù)空間ω為參數(shù)取值范圍；19、采用caputo分?jǐn)?shù)階微分方程描述質(zhì)量狀態(tài)的分?jǐn)?shù)階動(dòng)力學(xué)特性：20、21、其中dτ為caputo分?jǐn)?shù)階微分算子，「(-)為gamma函數(shù)；22、將分?jǐn)?shù)階微分方程離散化，得到質(zhì)量狀態(tài)預(yù)測(cè)模型：23、q(t+1)＝q(t)+hα·∑(k＝0:t)ωk，t+1·f(q(t-k),d(t-k))；·24、以未來(lái)t步累積質(zhì)量損失jt＝∑(t＝1:t)l(q(t),q*)為優(yōu)化目標(biāo)，構(gòu)建質(zhì)量管理決策優(yōu)化模型，其中l(wèi)(:)為度量質(zhì)量狀態(tài)q偏離目標(biāo)q*的損失函數(shù)；25、引入基于logistic映射z(k+1)＝μ·z(k)·(1-z(k))的混沌尋優(yōu)算法，通過(guò)混沌變量z對(duì)管理決策d進(jìn)行編碼映射：dj＝dminj+z·(dmaxj-dminj)，并在參數(shù)空間ω中搜索最優(yōu)決策矢量d*；由最優(yōu)決策矢量d*解碼生成未來(lái)t步的質(zhì)量管理計(jì)劃，指導(dǎo)生產(chǎn)過(guò)程的質(zhì)量改進(jìn)。26、具體地，所述質(zhì)量追溯管理模塊通過(guò)以下方式構(gòu)建三層區(qū)塊鏈質(zhì)量追溯網(wǎng)絡(luò)：搭建原料區(qū)塊鏈、工藝區(qū)塊鏈和產(chǎn)品區(qū)塊鏈，覆蓋生產(chǎn)全生命周期；利用哈希指針技術(shù)鏈接各層區(qū)塊鏈，實(shí)現(xiàn)端到端的質(zhì)量追溯采用橢圓曲線密碼算法對(duì)質(zhì)量數(shù)據(jù)進(jìn)行非對(duì)稱加密和數(shù)字簽名，保障數(shù)據(jù)安全；支持不少于100個(gè)節(jié)點(diǎn)的動(dòng)態(tài)擴(kuò)展，共識(shí)延時(shí)控制在1秒以內(nèi)。27、具體地，所述人機(jī)交互模塊基于b/s架構(gòu)設(shè)計(jì)，支持跨平臺(tái)的web訪問(wèn)；單服務(wù)節(jié)點(diǎn)支持不少于1000個(gè)并發(fā)http請(qǐng)求；28、采用webgl圖形渲染引擎，實(shí)現(xiàn)生產(chǎn)參數(shù)、質(zhì)量特征、診斷結(jié)果、追溯信息等數(shù)據(jù)的三維可視化，渲染幀率不低于60fps；內(nèi)置數(shù)據(jù)挖掘算法庫(kù)，支持相關(guān)性分析、對(duì)比分析、趨勢(shì)預(yù)測(cè)等數(shù)據(jù)分析功能，輔助質(zhì)量管理決策。29、具體地，所述多源異構(gòu)傳感器具有以下參數(shù)：傳感器采樣頻率不低于1khz，滿足在線質(zhì)量監(jiān)測(cè)需求；傳感器量程覆蓋生產(chǎn)工藝的關(guān)鍵參數(shù)范圍，示值誤差不大于1％；所述邊緣網(wǎng)關(guān)采用工業(yè)級(jí)嵌入式計(jì)算平臺(tái)，配置不低于4核cpu、8gb內(nèi)存和128gb固態(tài)硬盤(pán)，支持多協(xié)議接入和邊緣計(jì)算。30、具體地，所述故障診斷單元具有主動(dòng)學(xué)習(xí)能力，通過(guò)以下方式實(shí)現(xiàn)故障知識(shí)庫(kù)的在線更新：根據(jù)專(zhuān)家對(duì)診斷結(jié)果的反饋，提取新的故障模式、征兆信息；動(dòng)態(tài)擴(kuò)充語(yǔ)義張量t的維度，并增加新的張量元素；定期重新計(jì)算張量分解，更新先驗(yàn)診斷知識(shí)；微調(diào)混合診斷策略網(wǎng)絡(luò)參數(shù)，持續(xù)提升故障診斷的準(zhǔn)確性和泛化性。31、具體地，所述質(zhì)量追溯模塊采用聯(lián)盟鏈模式組織區(qū)塊鏈網(wǎng)絡(luò)，通過(guò)以下機(jī)制支持協(xié)同質(zhì)量管理：由生產(chǎn)企業(yè)、供應(yīng)商、經(jīng)銷(xiāo)商、監(jiān)管部門(mén)等共同作為區(qū)塊鏈節(jié)點(diǎn)，進(jìn)行身份認(rèn)證和授權(quán)；利用智能合約技術(shù)對(duì)生產(chǎn)行為和交易行為進(jìn)行規(guī)則化管控，實(shí)現(xiàn)質(zhì)量數(shù)據(jù)自動(dòng)上鏈和共享；基于身份的隱私保護(hù)和細(xì)粒度訪問(wèn)控制，平衡數(shù)據(jù)共享和安全；為第三方審核提供權(quán)限可控的質(zhì)量追溯接口，促進(jìn)質(zhì)量管理的社會(huì)協(xié)同。32、本發(fā)明具有如下有益效果：33、(1)提出一種語(yǔ)義本體驅(qū)動(dòng)的生產(chǎn)參數(shù)自適應(yīng)采樣方法。通過(guò)構(gòu)建生產(chǎn)過(guò)程語(yǔ)義本體，挖掘參數(shù)與質(zhì)量的內(nèi)在語(yǔ)義關(guān)聯(lián)，自適應(yīng)調(diào)整傳感器采樣率，在降低數(shù)據(jù)冗余度的同時(shí)提高質(zhì)量相關(guān)參數(shù)的采集精度。34、(2)提出一種張量分解的混合增強(qiáng)學(xué)習(xí)質(zhì)量診斷方法。利用張量分解獲得故障征兆的語(yǔ)義表示，構(gòu)建融合先驗(yàn)知識(shí)和數(shù)據(jù)驅(qū)動(dòng)的混合神經(jīng)網(wǎng)絡(luò)，并采用強(qiáng)化學(xué)習(xí)優(yōu)化診斷策略，顯著提升了質(zhì)量預(yù)警和缺陷診斷的準(zhǔn)確性。35、(3)提出一種分?jǐn)?shù)階混沌尋優(yōu)的質(zhì)量管理策略優(yōu)化方法。通過(guò)分?jǐn)?shù)階微分方程對(duì)質(zhì)量狀態(tài)進(jìn)行動(dòng)態(tài)建模，引入混沌優(yōu)化算法搜索最優(yōu)控制策略，可實(shí)現(xiàn)管理決策的自適應(yīng)動(dòng)態(tài)調(diào)整。36、(4)提出一種融合區(qū)塊鏈技術(shù)的質(zhì)量追溯體系。通過(guò)聯(lián)盟鏈架構(gòu)實(shí)現(xiàn)生產(chǎn)、供應(yīng)、銷(xiāo)售等業(yè)務(wù)協(xié)同，可支持粉末冶金產(chǎn)品全生命周期的質(zhì)量管理和數(shù)據(jù)共享。37、(5)提高了生產(chǎn)質(zhì)量數(shù)據(jù)采集的針對(duì)性和效率，邊緣計(jì)算能力顯著提升，語(yǔ)義特征提取更精準(zhǔn)；質(zhì)量預(yù)警、缺陷診斷的準(zhǔn)確性大幅提高，對(duì)復(fù)雜生產(chǎn)工況的適應(yīng)性更強(qiáng)；質(zhì)量管理的主動(dòng)性和前瞻性增強(qiáng)，決策優(yōu)化更符合粉末冶金工藝動(dòng)態(tài)特性；構(gòu)建了可信可追溯的質(zhì)量管理聯(lián)盟鏈，為質(zhì)量問(wèn)題的快速定位、責(zé)任追究提供數(shù)據(jù)支撐。38、綜上所述，本發(fā)明的質(zhì)量安全監(jiān)控管理系統(tǒng)為粉末冶金行業(yè)的智能化質(zhì)量管控提供了一套創(chuàng)新的理論方法和信息化解決方案，對(duì)于提升粉末冶金產(chǎn)品質(zhì)量水平和市場(chǎng)競(jìng)爭(zhēng)力具有重要意義。當(dāng)前第1頁(yè)12當(dāng)前第1頁(yè)12