CN115274218A - 一种同轴电缆同心度在线补偿控制方法及系统 - Google Patents

一种同轴电缆同心度在线补偿控制方法及系统 Download PDF

Info

Publication number
CN115274218A
CN115274218A CN202211194458.6A CN202211194458A CN115274218A CN 115274218 A CN115274218 A CN 115274218A CN 202211194458 A CN202211194458 A CN 202211194458A CN 115274218 A CN115274218 A CN 115274218A
Authority
CN
China
Prior art keywords
concentricity
electric control
coaxial cable
value
state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211194458.6A
Other languages
English (en)
Other versions
CN115274218B (zh
Inventor
王念立
李选进
祝建峰
朱福浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Changfei General Cable Co ltd
Yangtze Optical Fibre and Cable Co Ltd
Original Assignee
Wuhan Changfei General Cable Co ltd
Yangtze Optical Fibre and Cable Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Changfei General Cable Co ltd, Yangtze Optical Fibre and Cable Co Ltd filed Critical Wuhan Changfei General Cable Co ltd
Priority to CN202211194458.6A priority Critical patent/CN115274218B/zh
Publication of CN115274218A publication Critical patent/CN115274218A/zh
Application granted granted Critical
Publication of CN115274218B publication Critical patent/CN115274218B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01B—CABLES; CONDUCTORS; INSULATORS; SELECTION OF MATERIALS FOR THEIR CONDUCTIVE, INSULATING OR DIELECTRIC PROPERTIES
    • H01B13/00—Apparatus or processes specially adapted for manufacturing conductors or cables
    • H01B13/016—Apparatus or processes specially adapted for manufacturing conductors or cables for manufacturing co-axial cables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01B—CABLES; CONDUCTORS; INSULATORS; SELECTION OF MATERIALS FOR THEIR CONDUCTIVE, INSULATING OR DIELECTRIC PROPERTIES
    • H01B13/00—Apparatus or processes specially adapted for manufacturing conductors or cables
    • H01B13/06—Insulating conductors or cables
    • H01B13/14—Insulating conductors or cables by extrusion
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01B—CABLES; CONDUCTORS; INSULATORS; SELECTION OF MATERIALS FOR THEIR CONDUCTIVE, INSULATING OR DIELECTRIC PROPERTIES
    • H01B13/00—Apparatus or processes specially adapted for manufacturing conductors or cables
    • H01B13/06—Insulating conductors or cables
    • H01B13/14—Insulating conductors or cables by extrusion
    • H01B13/143—Insulating conductors or cables by extrusion with a special opening of the extrusion head
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01B—CABLES; CONDUCTORS; INSULATORS; SELECTION OF MATERIALS FOR THEIR CONDUCTIVE, INSULATING OR DIELECTRIC PROPERTIES
    • H01B13/00—Apparatus or processes specially adapted for manufacturing conductors or cables
    • H01B13/06—Insulating conductors or cables
    • H01B13/14—Insulating conductors or cables by extrusion
    • H01B13/146—Controlling the extrusion apparatus dependent on the capacitance or the thickness of the insulating material

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Extrusion Moulding Of Plastics Or The Like (AREA)

Abstract

本发明公开了一种同轴电缆同心度在线补偿控制方法及系统。方法包括：（1）获取X光偏心检测仪的各径向检测方向的发泡层厚度；（2）获取热水槽水温、水流速度；（3）获取发泡材料挤出机各个压力出料口的电控压力值；（4）采用基于马尔科夫过程的无模型强化学习算法决策压力出料口的电控压力值。系统包括X射线测偏仪、水槽监测模块、出料口压力检测模块、决策控制模块、以及挤出机头电控模块。本发明结合工业物联网数据采集技术和基于马尔科夫过程的无模型强化学习算法，实现同轴电缆同心度在线补偿控制，针对硬件设备进行控制补偿，随着算法的不断迭代，不仅能将同轴电缆的同心度控制在合格标准之上，更是能稳定同心度在最佳机械状态。

Description

一种同轴电缆同心度在线补偿控制方法及系统
技术领域
本发明属于同轴电缆加工领域，更具体地，涉及一种同轴电缆同心度在线补偿控制方法及系统。
背景技术
射频同轴电缆是指有两个同心导体，而内导体与外导体又共用同一轴心的电缆，其基本结构包括内导体、绝缘层、外导体和外护套。同心度是指导体对各绝缘层的位置,有良好的同轴对称性，同轴电缆取绝缘层薄切片，使用投影仪对其厚度进行测量，通过计算得出绝缘同心度数值。
当电缆绝缘层的同心度超过设置指标或者波动过大以后，电缆的电气性能、阻抗、驻波等指标会明显恶化。
现有的绝缘同心度检测一般都是X射线测偏仪在线检测，工人根据数据对发泡材料挤出头出料口的压力做出调整，但是比较考验工人的技能熟练度，当工人经验不足时，有可能会导致调整后的同心度会更差，影响产品质量。而且当X射线测偏仪检测到同心度不合格时，无法补救产品的质量，只能报废处理。
同时，工况环境的改变，也会一定程度上影响同轴电缆发泡绝缘材料的成型过程，从而影响同心度，并且人为观察不易做出精准及时的调整，导致产品质量下降。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种同轴电缆同心度在线补偿控制方法及系统，其目的在于针对装配完成的同轴电缆生产线的发泡层挤出工艺，通过采用基于马尔科夫过程的无模型强化学习算法，进行迭代更新控制，从而实现同轴电缆同心度在线补偿控制，通过软件补偿弥补硬件设备、工况环境差异带来的同心度降低或波动，由此解决现有技术依靠人工手动控制挤出机头的出料口压力，不能实时适应工况环境差异带来的同心度降低或者波动的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种同轴电缆同心度在线补偿控制方法，其应用于具有X光偏心检测仪的同轴电缆生产线；
所述同轴电缆生产线，在内的导体成形后，至少包括生产线方向依次设置的发泡材料挤出机、热水槽、以及基于X-光测量的X射线测偏仪；
所述发泡材料挤出机具有电控制的多个压力出料口，所述多个压力出料口在挤出机头圆周上周向均匀布置；
在每个时隙
Figure 674353DEST_PATH_IMAGE001
，执行以下步骤：
（1）获取X光偏心检测仪的各径向检测方向的发泡层厚度，组合成偏心状态
Figure 627266DEST_PATH_IMAGE002
，记作
Figure 158741DEST_PATH_IMAGE003
，其中
Figure 564315DEST_PATH_IMAGE004
为径向检测方向数量，
Figure 268966DEST_PATH_IMAGE005
为第
Figure 14068DEST_PATH_IMAGE006
径向检测方向上测得的发泡层厚度，
Figure 778762DEST_PATH_IMAGE007
；
（2）获取热水槽水温
Figure 406052DEST_PATH_IMAGE008
、水流速度
Figure 586498DEST_PATH_IMAGE009
，组合成热水槽状态
Figure 514002DEST_PATH_IMAGE010
，记作
Figure 387280DEST_PATH_IMAGE011
；
（3）获取发泡材料挤出机各个压力出料口的电控压力值，组合成出料口状态
Figure 767446DEST_PATH_IMAGE012
，记作
Figure 545391DEST_PATH_IMAGE013
，其中
Figure 265085DEST_PATH_IMAGE014
为出料口数量，
Figure 106002DEST_PATH_IMAGE015
为第
Figure 973464DEST_PATH_IMAGE016
出料口的电控压力值，
Figure 558029DEST_PATH_IMAGE017
；
（4）根据步骤（1）~（3）采集的偏心状态
Figure 132230DEST_PATH_IMAGE002
、热水槽状态
Figure 144048DEST_PATH_IMAGE010
，出料口状态
Figure 233227DEST_PATH_IMAGE012
，采用基于马尔科夫过程的无模型强化学习算法决策下一时隙
Figure 824745DEST_PATH_IMAGE018
的压力出料口电控信号
Figure 315769DEST_PATH_IMAGE019
；所述出料口电控信号
Figure 498489DEST_PATH_IMAGE019
，各个压力出料口的电控信号值组成，记作
Figure 278226DEST_PATH_IMAGE020
；
（5）按照步骤（4）获得发泡材料挤出机的电控信号
Figure 470173DEST_PATH_IMAGE019
，调整多个压力出料口的电控压力值，并进入下一时隙
Figure 550125DEST_PATH_IMAGE018
。
优选地，所述同轴电缆同心度在线补偿控制方法，其步骤（4）基于马尔科夫过程的无模型强化学习算法，具体如下：
状态
Figure 372587DEST_PATH_IMAGE021
定义为偏芯状态
Figure 436358DEST_PATH_IMAGE002
、热水槽状态
Figure 900837DEST_PATH_IMAGE010
、出料口状态
Figure 304137DEST_PATH_IMAGE012
集合，记作：
Figure 359818DEST_PATH_IMAGE022
；
行动
Figure 582989DEST_PATH_IMAGE023
定义为压力出料口电控信号，记作
Figure 116738DEST_PATH_IMAGE024
；
奖励函数
Figure 436861DEST_PATH_IMAGE025
定义为同心度、以及各出料口电控压力值变化率负值的加权和，计算方法如下：
Figure 335547DEST_PATH_IMAGE026
其中，
Figure 373910DEST_PATH_IMAGE027
为权重系数，
Figure 649034DEST_PATH_IMAGE028
为同心度，按照如下方法计算：
Figure 561013DEST_PATH_IMAGE029
其中，
Figure 958497DEST_PATH_IMAGE030
为各径向检测方向的发泡层厚度的最大值，
Figure 156260DEST_PATH_IMAGE031
为各径向检测方向的发泡层厚度的最小值。
优选地，所述同轴电缆同心度在线补偿控制方法，其步骤（4）采用DQN网络最大化决策效用。
优选地，所述同轴电缆同心度在线补偿控制方法，其策略
Figure 297391DEST_PATH_IMAGE032
是给定状态
Figure 326527DEST_PATH_IMAGE033
时，选择行动
Figure 567016DEST_PATH_IMAGE023
概率的函数，目标是最大化从时间
Figure 579971DEST_PATH_IMAGE034
开始以前预设时间段内累积的奖励值；
在策略
Figure 196897DEST_PATH_IMAGE032
下定义行动值函数
Figure 346119DEST_PATH_IMAGE035
如下：
Figure 554246DEST_PATH_IMAGE036
其中，
Figure 726601DEST_PATH_IMAGE037
表示打折因子，
Figure 209535DEST_PATH_IMAGE038
为数学期望；
最优的行动值
Figure 150947DEST_PATH_IMAGE035
满足如下等式：
Figure 61134DEST_PATH_IMAGE039
在学习算法中，本发明使用
Figure 517523DEST_PATH_IMAGE035
的
Figure 476252DEST_PATH_IMAGE040
表来估计最优的行动值函数
Figure 600065DEST_PATH_IMAGE035
，
Figure 618837DEST_PATH_IMAGE040
表的更新规则如下：
Figure 296943DEST_PATH_IMAGE041
其中，
Figure 121680DEST_PATH_IMAGE042
是学习率。
优选地，所述同轴电缆同心度在线补偿控制方法，其所述径向检测方向数量
Figure 37683DEST_PATH_IMAGE043
，所述出料口数量
Figure 289673DEST_PATH_IMAGE044
。
按照本发明的另一个方面，提供了一种同轴电缆同心度在线补偿控制系统，其包括：
X射线测偏仪、水槽监测模块、出料口压力检测模块、决策控制模块、以及挤出机头电控模块；
所述X射线测偏仪，用于监测获取X光偏心检测仪的各径向检测方向的发泡层厚度，组合成偏心状态
Figure 923916DEST_PATH_IMAGE002
并提交给所述决策控制模块，记作
Figure 21185DEST_PATH_IMAGE045
，其中
Figure 854012DEST_PATH_IMAGE046
为径向检测方向数量，
Figure 214586DEST_PATH_IMAGE005
为第
Figure 153372DEST_PATH_IMAGE006
径向检测方向上测得的发泡层厚度，
Figure 54332DEST_PATH_IMAGE047
；
所述水槽监测模块，用于监测获取热水槽水温
Figure 944927DEST_PATH_IMAGE008
、水流速度
Figure 538720DEST_PATH_IMAGE048
，组合成热水槽状态
Figure 881976DEST_PATH_IMAGE010
并提交给所述决策控制模块，记作
Figure 586627DEST_PATH_IMAGE011
；
所述出料口压力检测模块，用于监测获取发泡材料挤出机各个压力出料口的电控压力值，组合成出料口状态
Figure 128467DEST_PATH_IMAGE012
并提交给所述决策控制模块，记作
Figure 830844DEST_PATH_IMAGE013
，其中
Figure 723713DEST_PATH_IMAGE049
为出料口数量，
Figure 169738DEST_PATH_IMAGE050
为第
Figure 831664DEST_PATH_IMAGE051
出料口的电控压力值，
Figure 767259DEST_PATH_IMAGE017
；
所述决策控制模块，用于根据采集的偏心状态
Figure 819528DEST_PATH_IMAGE002
、热水槽状态
Figure 131561DEST_PATH_IMAGE010
，出料口状态
Figure 851255DEST_PATH_IMAGE012
，采用基于马尔科夫过程的无模型强化学习算法决策下一时隙
Figure 957751DEST_PATH_IMAGE052
的压力出料口电控信号
Figure 294055DEST_PATH_IMAGE019
并提交给挤出机头电控模块；所述出料口电控信号
Figure 81882DEST_PATH_IMAGE019
，各个压力出料口的电控信号值组成，记作
Figure 718400DEST_PATH_IMAGE020
；
优选地，所述同轴电缆同心度在线补偿控制系统，其所述决策控制模块采用的基于马尔科夫过程的无模型强化学习算法，具体如下：
状态
Figure 730218DEST_PATH_IMAGE054
定义为偏芯状态
Figure 22659DEST_PATH_IMAGE002
、热水槽状态
Figure 410915DEST_PATH_IMAGE010
、出料口状态
Figure 105202DEST_PATH_IMAGE012
集合，记作：
Figure 287922DEST_PATH_IMAGE022
；
行动
Figure 726381DEST_PATH_IMAGE023
定义为压力出料口电控信号，记作
Figure 652748DEST_PATH_IMAGE024
；
奖励函数
Figure 263858DEST_PATH_IMAGE055
定义为同心度、以及各出料口电控压力值变化率负值的加权和，计算方法如下：
Figure 820742DEST_PATH_IMAGE026
其中，
Figure 884512DEST_PATH_IMAGE056
为权重系数，
Figure 614571DEST_PATH_IMAGE057
为同心度，按照如下方法计算：
Figure 17871DEST_PATH_IMAGE029
其中，
Figure 807972DEST_PATH_IMAGE030
为各径向检测方向的发泡层厚度的最大值，
Figure 296722DEST_PATH_IMAGE031
为各径向检测方向的发泡层厚度的最小值。
优选地，所述同轴电缆同心度在线补偿控制系统，其所述决策控制模块采用DQN网络最大化决策效用。
优选地，所述同轴电缆同心度在线补偿控制系统，其策略
Figure 96051DEST_PATH_IMAGE032
是给定状态
Figure 353857DEST_PATH_IMAGE033
时，选择行动
Figure 49281DEST_PATH_IMAGE023
概率的函数，目标是最大化从时间
Figure 87644DEST_PATH_IMAGE058
开始以前预设时间段内累积的奖励值；
在策略
Figure 362767DEST_PATH_IMAGE032
下定义行动值函数
Figure 130872DEST_PATH_IMAGE035
如下：
Figure 466038DEST_PATH_IMAGE036
其中，
Figure 457609DEST_PATH_IMAGE059
表示打折因子，
Figure 598741DEST_PATH_IMAGE060
为数学期望；
最优的行动值
Figure 565560DEST_PATH_IMAGE035
满足如下等式：
Figure 868365DEST_PATH_IMAGE039
在学习算法中，本发明使用
Figure 615741DEST_PATH_IMAGE035
的
Figure 232667DEST_PATH_IMAGE061
表来估计最优的行动值函数
Figure 381889DEST_PATH_IMAGE035
，
Figure 58858DEST_PATH_IMAGE061
表的更新规则如下：
Figure 27951DEST_PATH_IMAGE041
其中，
Figure 510885DEST_PATH_IMAGE042
是学习率。
优选地，所述同轴电缆同心度在线补偿控制系统，其所述径向检测方向数量
Figure 452296DEST_PATH_IMAGE043
，所述出料口数量
Figure 362483DEST_PATH_IMAGE062
。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明结合工业物联网数据采集技术和基于马尔科夫过程的无模型强化学习算法，实现同轴电缆同心度在线补偿控制，针对硬件设备进行控制补偿，随着算法的不断迭代，不仅能将同轴电缆的同心度控制在合格标准之上，更是能稳定同心度在最佳机械状态，降低同心度波动；并能自动化的适应不同工况环境。
附图说明
图1是本发明实施例采用的同轴电缆生产线模块示意图；
图2是本发明实施例发泡材料挤出机生产线方向投影视图；
图3是本发明实施例X射线测偏仪径向检测方向示意图。
在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：1为X射线测偏仪，2为水槽监测模块，3为智能网关，4为发泡材料挤出机，401为压力出料口，402为挤出机头。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供的同轴电缆同心度在线补偿控制方法，如图1所示应用于具有X光偏心检测仪的同轴电缆生产线；
所述同轴电缆生产线，在内的导体成形后，至少包括生产线方向依次设置的发泡材料挤出机、热水槽、以及基于X-光测量的X射线测偏仪；
所述发泡材料挤出机，生产线方向投影视图如图2所示，具有电控制的多个压力出料口，所述多个压力出料口在挤出机头圆周上周向均匀布置；
在每个时隙
Figure 818873DEST_PATH_IMAGE001
，执行以下步骤：
（1）获取X光偏心检测仪的各径向检测方向的发泡层厚度，组合成偏心状态
Figure 777601DEST_PATH_IMAGE002
，记作
Figure 901415DEST_PATH_IMAGE045
，其中
Figure 654607DEST_PATH_IMAGE004
为径向检测方向数量，
Figure 863872DEST_PATH_IMAGE005
为第
Figure 423029DEST_PATH_IMAGE006
径向检测方向上测得的发泡层厚度，
Figure 339033DEST_PATH_IMAGE063
；一般来说X光偏心检测仪，
Figure 591022DEST_PATH_IMAGE064
，优选从8个角度径向检测发泡层的厚度，即
Figure 959687DEST_PATH_IMAGE065
；
（2）获取热水槽水温
Figure 56956DEST_PATH_IMAGE066
、水流速度
Figure 155362DEST_PATH_IMAGE048
，组合成热水槽状态
Figure 515936DEST_PATH_IMAGE010
，记作
Figure 434213DEST_PATH_IMAGE011
；
（3）获取发泡材料挤出机各个压力出料口的电控压力值，组合成出料口状态
Figure 538436DEST_PATH_IMAGE012
，记作
Figure 228699DEST_PATH_IMAGE013
，其中
Figure 822491DEST_PATH_IMAGE067
为出料口数量，
Figure 165748DEST_PATH_IMAGE068
为第
Figure 604819DEST_PATH_IMAGE069
出料口的电控压力值，
Figure 412238DEST_PATH_IMAGE070
；
优选方案，所述发泡材料挤出机具有4个压力出料口，即
Figure 114615DEST_PATH_IMAGE071
；
（4）根据步骤（1）~（3）采集的偏心状态
Figure 7485DEST_PATH_IMAGE002
、热水槽状态
Figure 453510DEST_PATH_IMAGE010
，出料口状态
Figure 849856DEST_PATH_IMAGE012
，采用基于马尔科夫过程的无模型强化学习算法决策下一时隙
Figure 785451DEST_PATH_IMAGE018
的压力出料口电控信号
Figure 103300DEST_PATH_IMAGE019
；所述出料口电控信号
Figure 415332DEST_PATH_IMAGE019
，各个压力出料口的电控信号值组成，记作
Figure 869447DEST_PATH_IMAGE020
；
同轴电缆的生产过程中，对同心度影响最大的是发泡层的各项厚度的均匀程度。发泡层的生产过程是将加热的物料挤出在内导体外侧，通过热水槽维持一定的温度状态进行发泡定型，形成发泡层。然而发泡过程复杂，同时受挤出工艺和保温工艺的影响，挤出料的均匀性、热水槽的水温和流速，同时影响着发泡层各相厚度，从而影响同心度，而这种影响是复杂的、随环境状态而变化的、对每一条生产线特异的，同时对发泡物料敏感。例如，当不同季节生产线的环境温度不同，那么热水槽的全程的温度变化会有差异，影响发泡过程；对于生产线而言，挤出头的具体设计、热水槽的长度、以及所使用的发泡材料成分不同，都会影响发泡过程。因此对于同心度的调整，目前只能依靠工人长期调整经验进行调整，不能实现自动化的同心度在线补偿，当检测到同心度下降时，在进行人为调整，电缆的质量降低已不可避免。
马尔可夫决策过程（Markov Decision Process, MDP）是序贯决策（sequentialdecision）的数学模型，用于在系统状态具有马尔可夫性质的环境中模拟智能体可实现的随机性策略与回报。本发明基于马尔科夫过程的无模型强化学习算法，决策发泡材料挤出机的电控信号，可以通过多次迭代而调整信号控制的精准程度，按照奖励函数进行不断更新调整策略，在获得高同心度的同时，迭代适应当前的工况环境，实现自动化的同心度在线补偿。
具体本发明采用的基于马尔科夫过程的无模型强化学习算法，具体如下：
状态
Figure 710364DEST_PATH_IMAGE072
定义为偏芯状态
Figure 577826DEST_PATH_IMAGE002
、热水槽状态
Figure 365654DEST_PATH_IMAGE010
、出料口状态
Figure 2171DEST_PATH_IMAGE012
集合，记作：
Figure 13990DEST_PATH_IMAGE022
；
行动
Figure 306431DEST_PATH_IMAGE073
定义为压力出料口电控信号，记作
Figure 694687DEST_PATH_IMAGE024
；
奖励函数
Figure 123394DEST_PATH_IMAGE074
定义为同心度、以及各出料口电控压力值变化率负值的加权和，计算方法如下：
Figure 837272DEST_PATH_IMAGE026
其中，
Figure 351430DEST_PATH_IMAGE075
为权重系数，
Figure 277798DEST_PATH_IMAGE076
为同心度，按照如下方法计算：
Figure 888908DEST_PATH_IMAGE029
其中，
Figure 445791DEST_PATH_IMAGE030
为各径向检测方向的发泡层厚度的最大值，
Figure 241053DEST_PATH_IMAGE031
为各径向检测方向的发泡层厚度的最小值。
由于在实际的同心度在线补偿中，一方面追求同心度，另一方面希望整体的发泡层工艺较为稳定，避免其他工艺受到同心度补偿算法的影响；即需要避免同心度虽然较高然而挤出口压力变化过大的问题。在线补偿控制方法为了获得最大的长期效用，会试图提高同心度并且稳定各出料口电控压力值，通过长时间的迭代形成稳定的自动化智能同心度负反馈补偿控制。
优选采用DQN网络最大化决策效用，具体如下：
其策略
Figure 236691DEST_PATH_IMAGE032
是给定状态
Figure 639991DEST_PATH_IMAGE033
时，选择行动
Figure 430092DEST_PATH_IMAGE023
概率的函数，目标是最大化从时间
Figure 918842DEST_PATH_IMAGE034
开始以前预设时间段内累积的奖励值，从而避免由于累积时间过长，生产先环境变化剧烈，导致策略更新滞后的问题。
在策略
Figure 452592DEST_PATH_IMAGE032
下定义行动值函数
Figure 507135DEST_PATH_IMAGE035
如下：
Figure 671400DEST_PATH_IMAGE036
其中，
Figure 709764DEST_PATH_IMAGE077
表示打折因子，
Figure 719308DEST_PATH_IMAGE078
为数学期望。
最优的行动值
Figure 893937DEST_PATH_IMAGE035
满足如下等式：
Figure 25841DEST_PATH_IMAGE039
在学习算法中，本发明使用
Figure 489184DEST_PATH_IMAGE035
的
Figure 364736DEST_PATH_IMAGE061
表来估计最优的行动值函数
Figure 597134DEST_PATH_IMAGE035
，
Figure 165519DEST_PATH_IMAGE061
表的更新规则如下：
Figure 647316DEST_PATH_IMAGE041
其中，
Figure 264242DEST_PATH_IMAGE042
是学习率。
（5）按照步骤（4）获得发泡材料挤出机的电控信号
Figure 413463DEST_PATH_IMAGE079
，调整多个压力出料口的电控压力值，并进入下一时隙
Figure 887170DEST_PATH_IMAGE018
。
本发明提出的同轴电缆同心度在线补偿控制方法步骤如下：在时间隙
Figure 59525DEST_PATH_IMAGE001
，控制设备获取当前状态
Figure 276880DEST_PATH_IMAGE033
，使用行动
Figure 483870DEST_PATH_IMAGE023
确定下一时隙
Figure 394058DEST_PATH_IMAGE018
发泡材料挤出机的电控信号
Figure 850447DEST_PATH_IMAGE019
，然后从环境中获得奖励
Figure 809175DEST_PATH_IMAGE080
，随后，状态空间传递到下一个状态
Figure 670340DEST_PATH_IMAGE081
，使用
Figure 485849DEST_PATH_IMAGE082
更新
Figure 632797DEST_PATH_IMAGE083
值。
本发明提供的同轴电缆同心度在线补偿控制系统，包括：
X射线测偏仪、水槽监测模块、出料口压力检测模块、决策控制模块、以及挤出机头电控模块；
所述X射线测偏仪，用于监测获取X光偏心检测仪的各径向检测方向的发泡层厚度，组合成偏心状态
Figure 457533DEST_PATH_IMAGE002
并提交给所述决策控制模块，记作
Figure 373537DEST_PATH_IMAGE045
，其中
Figure 359947DEST_PATH_IMAGE004
为径向检测方向数量，
Figure 790928DEST_PATH_IMAGE005
为第
Figure 91460DEST_PATH_IMAGE006
径向检测方向上测得的发泡层厚度，
Figure 189866DEST_PATH_IMAGE084
；
所述水槽监测模块，用于监测获取热水槽水温
Figure 284861DEST_PATH_IMAGE008
、水流速度
Figure 203138DEST_PATH_IMAGE085
，组合成热水槽状态
Figure 369677DEST_PATH_IMAGE010
并提交给所述决策控制模块，记作
Figure 994694DEST_PATH_IMAGE011
；
所述出料口压力检测模块，用于监测获取发泡材料挤出机各个压力出料口的电控压力值，组合成出料口状态
Figure 588486DEST_PATH_IMAGE086
并提交给所述决策控制模块，记作
Figure 931743DEST_PATH_IMAGE013
，其中
Figure 901973DEST_PATH_IMAGE087
为出料口数量，
Figure 443813DEST_PATH_IMAGE088
为第
Figure 146189DEST_PATH_IMAGE089
出料口的电控压力值，
Figure 39059DEST_PATH_IMAGE090
；
所述决策控制模块，用于根据采集的偏心状态
Figure 281821DEST_PATH_IMAGE002
、热水槽状态
Figure 881430DEST_PATH_IMAGE091
，出料口状态
Figure 817025DEST_PATH_IMAGE012
，采用基于马尔科夫过程的无模型强化学习算法决策下一时隙
Figure 134874DEST_PATH_IMAGE018
的压力出料口电控信号
Figure 181327DEST_PATH_IMAGE019
并提交给挤出机头电控模块；所述出料口电控信号
Figure 901022DEST_PATH_IMAGE019
，各个压力出料口的电控信号值组成，记作
Figure 741939DEST_PATH_IMAGE020
；
具体本发明采用的基于马尔科夫过程的无模型强化学习算法，具体如下：
状态
Figure 606471DEST_PATH_IMAGE092
定义为偏芯状态
Figure 394298DEST_PATH_IMAGE002
、热水槽状态
Figure 30816DEST_PATH_IMAGE010
、出料口状态
Figure 42634DEST_PATH_IMAGE012
集合，记作：
Figure 69496DEST_PATH_IMAGE022
；
行动
Figure 723331DEST_PATH_IMAGE093
定义为压力出料口电控信号，记作
Figure 152039DEST_PATH_IMAGE024
；
奖励函数
Figure 600338DEST_PATH_IMAGE094
定义为同心度、以及各出料口电控压力值变化率负值的加权和，计算方法如下：
Figure 176812DEST_PATH_IMAGE026
其中，
Figure 306442DEST_PATH_IMAGE095
为权重系数，
Figure 651973DEST_PATH_IMAGE096
为同心ss度，按照如下方法计算：
Figure 474436DEST_PATH_IMAGE029
其中，
Figure 272627DEST_PATH_IMAGE030
为各径向检测方向的发泡层厚度的最大值，
Figure 268265DEST_PATH_IMAGE031
为各径向检测方向的发泡层厚度的最小值。
优选采用DQN网络最大化决策效用，具体如下：
其策略
Figure 405986DEST_PATH_IMAGE032
是给定状态
Figure 461666DEST_PATH_IMAGE033
时，选择行动
Figure 950416DEST_PATH_IMAGE023
概率的函数，目标是最大化从时间
Figure 484166DEST_PATH_IMAGE034
开始以前预设时间段内累积的奖励值，从而避免由于累积时间过长，生产先环境变化剧烈，导致策略更新滞后的问题。
在策略
Figure 538710DEST_PATH_IMAGE032
下定义行动值函数
Figure 702975DEST_PATH_IMAGE035
如下：
Figure 475759DEST_PATH_IMAGE036
其中，
Figure 750882DEST_PATH_IMAGE097
表示打折因子，
Figure 925512DEST_PATH_IMAGE098
为数学期望。
最优的行动值
Figure 57416DEST_PATH_IMAGE035
满足如下等式：
Figure 520758DEST_PATH_IMAGE039
在学习算法中，本发明使用
Figure 396310DEST_PATH_IMAGE035
的
Figure 628708DEST_PATH_IMAGE099
表来估计最优的行动值函数
Figure 668864DEST_PATH_IMAGE035
，
Figure 681819DEST_PATH_IMAGE099
表的更新规则如下
Figure 298746DEST_PATH_IMAGE041
其中，
Figure 447967DEST_PATH_IMAGE042
是学习率。
所述挤出机头电控模块，用于按发泡材料挤出机的电控信号
Figure 921674DEST_PATH_IMAGE100
，调整多个压力出料口的电控压力值。
以下为实施例：
在同轴电缆生产线上增设同心度在线补偿控制，如图1所示：
X-光测量的X射线测偏仪在线实时监测热水槽出口的发泡层定型的同轴电缆各个方向上的厚度，本实施例的X-光测量的X射线测偏仪具有8个径向检测方向，沿同轴电缆圆周周向均匀分布，间隔角度为45°，如图3所示；
水槽监测模块，设置在水槽入口处，包括温度传感器和流体计量器，分别用于测量热水槽水温和水流速度。基于本发明软件补偿迭代适应硬件设备的思想，传感器设置，不要求精准固定，在槽中任意点设置亦可。
出料口压力检测模块，设置在挤出机出料口处，包括安装标准尽可能一致的压力传感器，每一出料口安装一枚。同样的，基于软件补偿的原理，即使压力传感器的设置标准不完全一致，亦可通过迭代适应，达到良好的控制效果，但尽可能一致设置的压力传感器，仍然可以提供精准的奖励函数计算值，使得更快的调整到较稳定同心度控制状态。
上述模块采集的数据，通过工业物联网提交给设置在智能网关的边缘计算节点，边缘计算节点用作决策控制模块，决策信号通过工业物联网下发给挤出机头电控模块。
挤出机头电控模块，分别调整出料口电控电压，从而独立的调整各出料口的电控压力值，从而在动态调整中稳定同心度在最佳状态。
本实施例的同轴电缆同心度在线补偿控制方法，在每个时隙
Figure 94029DEST_PATH_IMAGE101
，执行以下步骤：
（1）X射线测偏仪在线获取X各径向检测方向的发泡层厚度，组合成偏心状态
Figure 311384DEST_PATH_IMAGE002
，记作
Figure 518374DEST_PATH_IMAGE045
，其中
Figure 162982DEST_PATH_IMAGE004
为径向检测方向数量，
Figure 619371DEST_PATH_IMAGE005
为第
Figure 578100DEST_PATH_IMAGE006
径向检测方向上测得的发泡层厚度，
Figure 701914DEST_PATH_IMAGE102
；
（2）水槽监测模块获取热水槽水温
Figure 720686DEST_PATH_IMAGE008
、水流速度
Figure 664371DEST_PATH_IMAGE009
，组合成热水槽状态
Figure 223528DEST_PATH_IMAGE010
，记作
Figure 139532DEST_PATH_IMAGE011
；
（3）出料口压力检测模块获取发泡材料挤出机各个压力出料口的电控压力值，组合成出料口状态
Figure 391521DEST_PATH_IMAGE012
，记作
Figure 822503DEST_PATH_IMAGE013
，其中
Figure 123034DEST_PATH_IMAGE103
为出料口数量，
Figure 955861DEST_PATH_IMAGE104
为第
Figure 316435DEST_PATH_IMAGE105
出料口的电控压力值，
Figure 500292DEST_PATH_IMAGE106
；优选方案，所述发泡材料挤出机具有4个压力出料口，即
Figure 135672DEST_PATH_IMAGE107
；
（4）决策控制模块根据步骤（1）~（3）采集的偏心状态
Figure 26268DEST_PATH_IMAGE002
、热水槽状态
Figure 620060DEST_PATH_IMAGE010
，出料口状态
Figure 963317DEST_PATH_IMAGE012
，采用基于马尔科夫过程的无模型强化学习算法决策下一时隙
Figure 688476DEST_PATH_IMAGE018
的压力出料口电控信号
Figure 495895DEST_PATH_IMAGE019
；所述出料口电控信号
Figure 198271DEST_PATH_IMAGE019
，各个压力出料口的电控信号值组成，记作
Figure 91141DEST_PATH_IMAGE020
；
具体本实施例采用的基于马尔科夫过程的无模型强化学习算法，具体如下：
状态
Figure 271587DEST_PATH_IMAGE108
定义为偏芯状态
Figure 199091DEST_PATH_IMAGE002
、热水槽状态
Figure 869107DEST_PATH_IMAGE010
、出料口状态
Figure 186956DEST_PATH_IMAGE012
集合，记作：
Figure 233409DEST_PATH_IMAGE022
；
行动
Figure 953104DEST_PATH_IMAGE109
定义为压力出料口电控信号，记作
Figure 794021DEST_PATH_IMAGE024
；
奖励函数
Figure 661483DEST_PATH_IMAGE110
定义为同心度、以及各出料口电控压力值变化率负值的加权和，计算方法如下：
Figure 449310DEST_PATH_IMAGE026
其中，
Figure 85828DEST_PATH_IMAGE111
为权重系数，
Figure 100002_DEST_PATH_IMAGE112
为同心度，按照如下方法计算：
Figure 97646DEST_PATH_IMAGE029
其中，
Figure 921246DEST_PATH_IMAGE030
为各径向检测方向的发泡层厚度的最大值，
Figure 512764DEST_PATH_IMAGE031
为各径向检测方向的发泡层厚度的最小值。
本实施例采用DQN网络最大化决策效用，具体如下：
其策略
Figure 3788DEST_PATH_IMAGE032
是给定状态
Figure 389770DEST_PATH_IMAGE033
时，选择行动
Figure 966245DEST_PATH_IMAGE023
概率的函数，目标是最大化从时间
Figure 158192DEST_PATH_IMAGE034
开始以前预设时间段内累积的奖励值，从而避免由于累积时间过长，生产先环境变化剧烈，导致策略更新滞后的问题。
在策略
Figure 441406DEST_PATH_IMAGE032
下定义行动值函数
Figure 60606DEST_PATH_IMAGE035
如下：
Figure 124377DEST_PATH_IMAGE036
其中，
Figure 792119DEST_PATH_IMAGE113
表示打折因子，
Figure DEST_PATH_IMAGE114
为数学期望。
最优的行动值
Figure 791823DEST_PATH_IMAGE035
满足如下等式：
Figure 785187DEST_PATH_IMAGE039
在学习算法中，本发明使用
Figure 70675DEST_PATH_IMAGE035
的
Figure 807687DEST_PATH_IMAGE061
表来估计最优的行动值函数
Figure 862230DEST_PATH_IMAGE035
，
Figure 823233DEST_PATH_IMAGE061
表的更新规则如下：
Figure 799279DEST_PATH_IMAGE041
其中，
Figure 136720DEST_PATH_IMAGE042
是学习率。
（5）按照步骤（4）获得发泡材料挤出机的电控信号
Figure 45770DEST_PATH_IMAGE115
，调整多个压力出料口的电控压力值，并进入下一时隙
Figure 380936DEST_PATH_IMAGE018
。
本发明提出的同轴电缆同心度在线补偿控制方法步骤如下：在时间隙
Figure 641016DEST_PATH_IMAGE001
，控制设备获取当前状态
Figure 719831DEST_PATH_IMAGE033
，使用行动
Figure 14546DEST_PATH_IMAGE023
确定下一时隙
Figure 51772DEST_PATH_IMAGE018
发泡材料挤出机的电控信号
Figure 2410DEST_PATH_IMAGE019
，然后从环境中获得奖励
Figure DEST_PATH_IMAGE116
，随后，状态空间传递到下一个状态
Figure 416074DEST_PATH_IMAGE117
，使用
Figure DEST_PATH_IMAGE118
更新
Figure 96454DEST_PATH_IMAGE061
值。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种同轴电缆同心度在线补偿控制方法，其特征在于，应用于具有X光偏心检测仪的同轴电缆生产线；
所述同轴电缆生产线，在内的导体成形后，至少包括生产线方向依次设置的发泡材料挤出机、热水槽、以及基于X-光测量的X射线测偏仪；
所述发泡材料挤出机具有电控制的多个压力出料口，所述多个压力出料口在挤出机头圆周上周向均匀布置；
在每个时隙
Figure 318974DEST_PATH_IMAGE001
，执行以下步骤：
（1）获取X光偏心检测仪的各径向检测方向的发泡层厚度，组合成偏心状态
Figure 848175DEST_PATH_IMAGE002
，记作
Figure 8373DEST_PATH_IMAGE003
，其中
Figure 659935DEST_PATH_IMAGE005
为径向检测方向数量，
Figure 174093DEST_PATH_IMAGE007
为第
Figure 38143DEST_PATH_IMAGE009
径向检测方向上测得的发泡层厚度，
Figure 586936DEST_PATH_IMAGE010
；
（2）获取热水槽水温
Figure 143820DEST_PATH_IMAGE011
、水流速度
Figure 879695DEST_PATH_IMAGE012
，组合成热水槽状态
Figure 813015DEST_PATH_IMAGE013
，记作
Figure 216315DEST_PATH_IMAGE014
；
（3）获取发泡材料挤出机各个压力出料口的电控压力值，组合成出料口状态
Figure 944100DEST_PATH_IMAGE015
，记作
Figure 167270DEST_PATH_IMAGE016
，其中
Figure 638703DEST_PATH_IMAGE018
为出料口数量，
Figure 896509DEST_PATH_IMAGE019
为第
Figure 60774DEST_PATH_IMAGE021
出料口的电控压力值，
Figure 771241DEST_PATH_IMAGE022
；
（4）根据步骤（1）~（3）采集的偏心状态
Figure 515206DEST_PATH_IMAGE002
、热水槽状态
Figure 893098DEST_PATH_IMAGE013
，出料口状态
Figure 697106DEST_PATH_IMAGE023
，采用基于马尔科夫过程的无模型强化学习算法决策下一时隙
Figure 160448DEST_PATH_IMAGE024
的压力出料口电控信号
Figure 973684DEST_PATH_IMAGE025
；所述出料口电控信号
Figure 206082DEST_PATH_IMAGE026
，各个压力出料口的电控信号值组成，记作
Figure 712150DEST_PATH_IMAGE027
；
（5）按照步骤（4）获得发泡材料挤出机的电控信号
Figure 131630DEST_PATH_IMAGE028
，调整多个压力出料口的电控压力值，并进入下一时隙
Figure 748556DEST_PATH_IMAGE029
。
2.如权利要求1所述的同轴电缆同心度在线补偿控制方法，其特征在于，步骤（4）基于马尔科夫过程的无模型强化学习算法，具体如下：
状态
Figure 832531DEST_PATH_IMAGE030
定义为偏芯状态
Figure 509500DEST_PATH_IMAGE002
、热水槽状态
Figure 416276DEST_PATH_IMAGE013
、出料口状态
Figure 571314DEST_PATH_IMAGE023
集合，记作：
Figure 778304DEST_PATH_IMAGE031
；
行动
Figure 626174DEST_PATH_IMAGE032
定义为压力出料口电控信号，记作
Figure 285826DEST_PATH_IMAGE033
；
奖励函数
Figure 978975DEST_PATH_IMAGE035
定义为同心度、以及各出料口电控压力值变化率负值的加权和，计算方法如下：
Figure 774893DEST_PATH_IMAGE036
其中，
Figure 793665DEST_PATH_IMAGE037
、
Figure 940612DEST_PATH_IMAGE038
为权重系数，
Figure 437453DEST_PATH_IMAGE039
为同心度，按照如下方法计算：
Figure 353456DEST_PATH_IMAGE040
其中，
Figure 277550DEST_PATH_IMAGE041
为各径向检测方向的发泡层厚度的最大值，
Figure 911793DEST_PATH_IMAGE042
为各径向检测方向的发泡层厚度的最小值。
3.如权利要求1或2所述的同轴电缆同心度在线补偿控制方法，其特征在于，步骤（4）采用DQN网络最大化决策效用。
4.如权利要求3所述的同轴电缆同心度在线补偿控制方法，其特征在于，其策略
Figure 212325DEST_PATH_IMAGE043
是给定状态
Figure 982835DEST_PATH_IMAGE045
时，选择行动
Figure 77829DEST_PATH_IMAGE047
概率的函数，目标是最大化从时间
Figure 199369DEST_PATH_IMAGE049
开始以前预设时间段内累积的奖励值；
在策略
Figure 38012DEST_PATH_IMAGE043
下定义行动值函数
Figure 663029DEST_PATH_IMAGE050
如下：
Figure 194504DEST_PATH_IMAGE051
其中，
Figure 537761DEST_PATH_IMAGE052
表示打折因子，
Figure 445674DEST_PATH_IMAGE053
为数学期望；
最优的行动值
Figure 925197DEST_PATH_IMAGE054
满足如下等式：
Figure 627574DEST_PATH_IMAGE055
在学习算法中，本发明使用
Figure 455197DEST_PATH_IMAGE056
的
Figure 901222DEST_PATH_IMAGE058
表来估计最优的行动值函数
Figure 235251DEST_PATH_IMAGE059
，
Figure 108529DEST_PATH_IMAGE058
表的更新规则如下：
Figure 426378DEST_PATH_IMAGE060
其中，
Figure 410514DEST_PATH_IMAGE061
是学习率。
5.如权利要求1所述的同轴电缆同心度在线补偿控制方法，其特征在于，所述径向检测方向数量
Figure 130209DEST_PATH_IMAGE062
，所述出料口数量
Figure 174388DEST_PATH_IMAGE063
。
6.一种同轴电缆同心度在线补偿控制系统，其特征在于，包括：
X射线测偏仪、水槽监测模块、出料口压力检测模块、决策控制模块、以及挤出机头电控模块；
所述X射线测偏仪，用于监测获取X光偏心检测仪的各径向检测方向的发泡层厚度，组合成偏心状态
Figure 713954DEST_PATH_IMAGE002
并提交给所述决策控制模块，记作
Figure 501781DEST_PATH_IMAGE064
，其中
Figure 75982DEST_PATH_IMAGE066
为径向检测方向数量，
Figure 291063DEST_PATH_IMAGE067
为第
Figure 52345DEST_PATH_IMAGE069
径向检测方向上测得的发泡层厚度，
Figure 643864DEST_PATH_IMAGE070
；
所述水槽监测模块，用于监测获取热水槽水温
Figure 72571DEST_PATH_IMAGE072
、水流速度
Figure 458553DEST_PATH_IMAGE074
，组合成热水槽状态
Figure 238290DEST_PATH_IMAGE013
并提交给所述决策控制模块，记作
Figure 102341DEST_PATH_IMAGE075
；
所述出料口压力检测模块，用于监测获取发泡材料挤出机各个压力出料口的电控压力值，组合成出料口状态
Figure 385555DEST_PATH_IMAGE023
并提交给所述决策控制模块，记作
Figure 208017DEST_PATH_IMAGE076
，其中
Figure 209471DEST_PATH_IMAGE078
为出料口数量，
Figure 877213DEST_PATH_IMAGE079
为第
Figure 14933DEST_PATH_IMAGE081
出料口的电控压力值，
Figure 8297DEST_PATH_IMAGE082
；
所述决策控制模块，用于根据采集的偏心状态
Figure 497047DEST_PATH_IMAGE002
、热水槽状态
Figure 968480DEST_PATH_IMAGE013
，出料口状态
Figure 957777DEST_PATH_IMAGE084
，采用基于马尔科夫过程的无模型强化学习算法决策下一时隙
Figure 122042DEST_PATH_IMAGE085
的压力出料口电控信号
Figure 832509DEST_PATH_IMAGE086
并提交给挤出机头电控模块；所述出料口电控信号
Figure 107633DEST_PATH_IMAGE086
，各个压力出料口的电控信号值组成，记作
Figure 485524DEST_PATH_IMAGE087
。
7.如权利要求6所述的同轴电缆同心度在线补偿控制系统，其特征在于，所述决策控制模块采用的基于马尔科夫过程的无模型强化学习算法，具体如下：
状态
Figure 289532DEST_PATH_IMAGE089
定义为偏芯状态
Figure 752875DEST_PATH_IMAGE002
、热水槽状态
Figure 566110DEST_PATH_IMAGE013
、出料口状态
Figure 798508DEST_PATH_IMAGE090
集合，记作：
Figure 773417DEST_PATH_IMAGE091
；
行动
Figure 724056DEST_PATH_IMAGE092
定义为压力出料口电控信号，记作
Figure 340982DEST_PATH_IMAGE093
；
奖励函数
Figure 427887DEST_PATH_IMAGE094
定义为同心度、以及各出料口电控压力值变化率负值的加权和，计算方法如下：
Figure 104856DEST_PATH_IMAGE095
其中，
Figure 214894DEST_PATH_IMAGE096
、
Figure 104353DEST_PATH_IMAGE097
为权重系数，
Figure 780185DEST_PATH_IMAGE098
为同心度，按照如下方法计算：
Figure 362476DEST_PATH_IMAGE099
其中，
Figure 22127DEST_PATH_IMAGE100
为各径向检测方向的发泡层厚度的最大值，
Figure 980856DEST_PATH_IMAGE101
为各径向检测方向的发泡层厚度的最小值。
8.如权利要求6或7所述的同轴电缆同心度在线补偿控制系统，其特征在于，所述决策控制模块采用DQN网络最大化决策效用。
9.如权利要求8所述的同轴电缆同心度在线补偿控制系统，其特征在于，其策略
Figure 776774DEST_PATH_IMAGE102
是给定状态
Figure 795545DEST_PATH_IMAGE103
时，选择行动
Figure DEST_PATH_IMAGE104
概率的函数，目标是最大化从时间
Figure DEST_PATH_IMAGE106
开始以前预设时间段内累积的奖励值；
在策略
Figure 142825DEST_PATH_IMAGE107
下定义行动值函数
Figure DEST_PATH_IMAGE108
如下：
Figure 374087DEST_PATH_IMAGE109
其中，
Figure DEST_PATH_IMAGE110
表示打折因子，
Figure DEST_PATH_IMAGE112
为数学期望；
最优的行动值
Figure 962194DEST_PATH_IMAGE113
满足如下等式：
Figure 151867DEST_PATH_IMAGE114
在学习算法中，本发明使用
Figure DEST_PATH_IMAGE115
的
Figure 254952DEST_PATH_IMAGE116
表来估计最优的行动值函数
Figure 555483DEST_PATH_IMAGE117
，
Figure 325993DEST_PATH_IMAGE116
表的更新规则如下：
Figure 686567DEST_PATH_IMAGE118
其中，
Figure DEST_PATH_IMAGE119
是学习率。
10.如权利要求6所述的同轴电缆同心度在线补偿控制系统，其特征在于，所述径向检测方向数量
Figure 276949DEST_PATH_IMAGE120
，所述出料口数量
Figure DEST_PATH_IMAGE121
。
CN202211194458.6A 2022-09-29 2022-09-29 一种同轴电缆同心度在线补偿控制方法及系统 Active CN115274218B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211194458.6A CN115274218B (zh) 2022-09-29 2022-09-29 一种同轴电缆同心度在线补偿控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211194458.6A CN115274218B (zh) 2022-09-29 2022-09-29 一种同轴电缆同心度在线补偿控制方法及系统

Publications (2)

Publication Number Publication Date
CN115274218A true CN115274218A (zh) 2022-11-01
CN115274218B CN115274218B (zh) 2023-01-13

Family

ID=83756324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211194458.6A Active CN115274218B (zh) 2022-09-29 2022-09-29 一种同轴电缆同心度在线补偿控制方法及系统

Country Status (1)

Country Link
CN (1) CN115274218B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030029384A (ko) * 2001-10-08 2003-04-14 주식회사 포스코 압소코드 엔코더를 이용한 스크류다운 위치검출장치
EP2752287A1 (en) * 2013-01-02 2014-07-09 Proton Products International Limited Apparatus for measuring industrial products manufactured by extrusion techniques
US20190291325A1 (en) * 2016-12-08 2019-09-26 Leoni Kabel Gmbh Extrusion system, extruder and method for coating wires, cable pre-products or stranded conductors
CN209947528U (zh) * 2019-07-04 2020-01-14 山东昆嵛电缆有限公司 一种电缆生产用的中低压交联电缆绝缘偏心度控制装置
CN111816383A (zh) * 2020-07-20 2020-10-23 浙江亘古电缆股份有限公司 一种自动调整电缆绝缘偏芯度的系统及方法
CN112908562A (zh) * 2021-02-06 2021-06-04 全通电缆股份有限公司 一种自动调整电缆偏芯度的系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030029384A (ko) * 2001-10-08 2003-04-14 주식회사 포스코 압소코드 엔코더를 이용한 스크류다운 위치검출장치
EP2752287A1 (en) * 2013-01-02 2014-07-09 Proton Products International Limited Apparatus for measuring industrial products manufactured by extrusion techniques
US20190291325A1 (en) * 2016-12-08 2019-09-26 Leoni Kabel Gmbh Extrusion system, extruder and method for coating wires, cable pre-products or stranded conductors
CN209947528U (zh) * 2019-07-04 2020-01-14 山东昆嵛电缆有限公司 一种电缆生产用的中低压交联电缆绝缘偏心度控制装置
CN111816383A (zh) * 2020-07-20 2020-10-23 浙江亘古电缆股份有限公司 一种自动调整电缆绝缘偏芯度的系统及方法
CN112908562A (zh) * 2021-02-06 2021-06-04 全通电缆股份有限公司 一种自动调整电缆偏芯度的系统

Also Published As

Publication number Publication date
CN115274218B (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN110893001B (zh) 一种松散回潮工序的出口含水率的控制方法及系统
CN107658881A (zh) 基于戴维南等值方法的电压稳定临界点判断方法
CN111109643B (zh) 一种薄板烘丝的烟丝含水量的控制方法及系统
CN106093810B (zh) 一种材料电磁参数测试的方法及用于材料电磁参数测试的多值性问题解决办法
CN106980095B (zh) 一种基于改进k-k算法的超材料电磁参数反演方法
CN115407739A (zh) 一种电缆制造的生产设备控制方法及系统
CN115274218B (zh) 一种同轴电缆同心度在线补偿控制方法及系统
CN114896872A (zh) 一种高压输电线路覆冰状态综合评估方法
CN105996106A (zh) 一种基于气流干燥的烟丝质量控制方法及系统
CN114329347B (zh) 一种电能表计量误差预测方法、装置及存储介质
WO2019109627A1 (zh) 调整云台控制器的控制参数的方法、装置和云台控制器
CN114403487B (zh) 一种松散回潮的加水控制方法
CN113640584A (zh) 一种基于阻抗偏差最小判据的系统谐波阻抗估计方法
CN116776094B (zh) 一种晶振温度测试数据智能分析存储系统
CN116930798B (zh) 一种接触式电池片方阻测量方法及系统
CN107656905A (zh) 一种利用误差传递的空气质量数据实时校准方法
US4592881A (en) Method for controlling a foam resin cable coating extrusion process
Chostkovskii et al. Automation of extrusion of porous cable products based on a digital controller
CN115302678A (zh) 用于塑料成型的包装材料流延工艺参数控制方法
CN113188585B (zh) 一种基于少量冗余传感器的冷冻站传感器故障诊断方法
CN110814342B (zh) 一种计算机形式化3d打印金属材料制备方法
CN104723581A (zh) 含氟层聚酰亚胺复合材料的制备方法及用于该方法的设备
CN113408076A (zh) 基于支持向量机模型的小样本机械剩余寿命预测方法
CN116770395B (zh) 一种电泳喷粉涂装质量监测方法及系统
Ji et al. Soft Sensor of Vertical Mill pressure difference Based on RBF neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant