CN117697265B - 一种用于铝焊生产线的自动化控制管理系统 - Google Patents
一种用于铝焊生产线的自动化控制管理系统 Download PDFInfo
- Publication number
- CN117697265B CN117697265B CN202410166620.6A CN202410166620A CN117697265B CN 117697265 B CN117697265 B CN 117697265B CN 202410166620 A CN202410166620 A CN 202410166620A CN 117697265 B CN117697265 B CN 117697265B
- Authority
- CN
- China
- Prior art keywords
- unit
- network
- neuron
- layer
- output
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 139
- 238000003466 welding Methods 0.000 title claims abstract description 122
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 87
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 87
- 230000006870 function Effects 0.000 claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 33
- 238000007726 management method Methods 0.000 claims abstract description 32
- 239000010410 layer Substances 0.000 claims description 146
- 210000002569 neuron Anatomy 0.000 claims description 86
- 230000004913 activation Effects 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000003326 Quality management system Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002860 competitive effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 6
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- General Factory Administration (AREA)
Abstract
本发明公开了一种用于铝焊生产线的自动化控制管理系统,包括数据采集模块、铝焊性能分析模块、生产计划模块、控制模块、质量管理模块和自动化报告模块。本方案优化传感器定位,提高数据采集的精度和空间相关性,进行集群头节点选择,计算极限学习机的竞争子网权重,形成集群并稳定运行,提高数据的实时性和连续性;构建铝焊性能分析模型模块,计算误差项并逐步优化预测结果,优化焊接质量,保证生产线稳定运行;计算混合产能利用率和平均生产能力率,构建目标函数,寻找最小化产能利用率方差优化铝焊生产过程,提高生产效率。
Description
技术领域
本发明属于铝焊生产技术领域,具体是一种用于铝焊生产线的自动化控制管理系统。
背景技术
铝焊生产线的自动化控制管理系统是一种利用计算机、传感器、执行器和通信技术组件,实现对焊接过程的监测、控制和管理的系统,能够实时采集和处理焊接过程中的各类数据,包括温度、压力和电流,利用预设的控制算法调整焊接参数,确保焊接质量和效率的稳定和提升,还可以进行远程监控和远程操作,方便远程管理和数据分析。但是现有的铝焊生产线的自动化控制管理系统存在焊接过程需要实时的数据采集和控制,但有些系统的实时性和响应性较差,无法满足高速焊接的要求,导致焊接质量下降的技术问题;存在铝焊性能分析不充分,导致焊接质量不稳定,容易存在潜在问题,增加生产线停机时间的技术问题;存在铝焊生产规划不合理,导致生产线内部不平衡,导致生产线运行效率降低的技术问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供的一种用于铝焊生产线的自动化控制管理系统,针对存在焊接过程需要实时的数据采集和控制,但有些系统的实时性和响应性较差,无法满足高速焊接的要求,导致焊接质量下降的技术问题,采用数据采集模块,进行传感器定位优化,提高数据采集的精度和空间相关性,进行集群头节点选择,计算极限学习机的竞争子网权重,形成集群并稳定运行,减少数据传输时延,提高数据的实时性和连续性;针对存在铝焊性能分析不充分,导致焊接质量不稳定,容易存在潜在问题,增加生产线停机时间的技术问题,采用构建铝焊性能分析模型模块,计算误差项并逐步优化预测结果,优化焊接质量,保证生产线稳定运行;针对存在铝焊生产规划不合理,导致生产线内部不平衡,导致生产线运行效率降低的技术问题,采用生产计划模块,根据生产量和最大生产能力,计算混合产能利用率和平均生产能力率,构建目标函数,寻找最小化产能利用率方差优化铝焊生产过程,提高生产效率,降低成本。
本发明提供的一种用于铝焊生产线的自动化控制管理系统,包括数据采集模块、铝焊性能分析模块、生产计划模块、控制模块、质量管理模块和自动化报告模块;
所述数据采集模块具体为确定传感器节点位置,进行集群头选择,初始化无线传感器网络的参数,计算极限学习机的竞争子网权重,形成集群并稳定运行;
所述铝焊性能分析模块具体为收集铝焊性能相关的样本数据进行预处理,构建铝焊性能分析模型,计算误差项并逐步优化预测结果;
所述生产计划模块具体为根据生产量和最大生产能力,计算混合产能利用率和平均生产能力率,构建目标函数,寻找最小化产能利用率方差优化铝焊生产过程;
所述控制模块具体为监测整个生产线的运行状态,使用人机界面进行参数选择,及时采取措施进行调整;
所述质量管理模块具体为定义质量指标,设定预警机制,进行质量改进;
所述自动化报告模块具体为生成生产线运行情况的数据报告和分析报告,用于管理层和决策者对生产线进行评估和改进。
进一步地,在数据采集模块中,设有获取传感器节点位置单元、集群头选择单元、网络参数计算单元、迭代单元、集群形成单元和稳定运行单元,所述数据采集模块包括以下内容:
获取传感器节点位置,通过测距、非距离定位技术和节点坐标信息,确定传感器节点在监控区域的具体位置;
集群头选择单元,考虑网络数据收集的整体性能的基础上,选择集群头节点,选择依据包括节点的剩余能量、邻居节点的数量以及节点所在的集群头节点与接收器节点之间的距离,所述剩余能量表示节点能够完成任务和通信的可用能量;
网络参数计算单元,设置参数变量和无线传感器网络初始化参数,计算前向网络权重、极限学习机的竞争子网的权重和极限学习机的前向子网的输出,所述前向网络是指整个神经网络中从输入层到输出层的前向传播途径,包含了输入层、隐藏层和输出层;所述极限学习机的竞争子网是极限学习机模型的一部分,极限学习机是一种单层的神经网络,包括竞争子网和输出层;所述极限学习机的前向子网是极限学习机模型中神经元的前向传播路径,前向子网是前向网络中的一部分,表示从输入层节点到输出层节点的直接连接路径,包括以下内容:
计算前向网络权重,所述前向网络的权重表示节点与输入层节点之间的连接权重,所用公式如下:
;
式中,i是前向网络的节点索引,j是前向网络的输入索引,N表示前向网络的总输入数量,表示前向网络第i个节点与第j个输入神经元之间的权重;
计算极限学习机的竞争子网的权重,所述极限学习机的竞争子网的权重表示传感器节点之间的连接权重,所用公式如下:
;
式中,是竞争子网中第k个传感器节点与第L个传感器节点之间的权重,k是异构传感器网络中的当前第k个传感器节点,L是异构传感器网络中的当前第L个传感器节点,δ表示一个小的正数,用于降低竞争子网中非自身节点的权重;
计算极限学习机神经元的前向子网的输出结果,所用公式如下:
;
式中,yk(0)表示第k个神经元的前向子网的输出结果,Q1是输出函数,xj表示第j个输入神经元的输入值;
迭代单元,包括以下内容:
初始化网络,对于每个神经元,随机初始化神经元的连接权重;
神经元计算,计算每个神经元的输入值,所述神经元的输入值是当前神经元的前一层神经元的输出结果与其对应连接权重相乘后的总和;
激活函数处理,将每个神经元的输入值传递给激活函数,得到神经元的激活值;
获胜神经元选择,选择具有最大激活值的神经元作为获胜神经元,将对应的传感器节点选为簇头节点,表示该节点将负责传感器网络的汇聚任务;
权重更新,当获胜神经元与当前神经元之间存在连接,根据事先设定的学习率和误差修正规则,更新当前神经元与获胜神经元之间的连接权重;
重复迭代,重复上述内容,直到达到预先设定的最大迭代次数后,停止迭代;
集群形成单元,通过节点的分布情况、能耗和通信距离,结合网络需求,确定合适的簇数,形成集群,实现网络能耗的均衡分配,提高数据采集效率,降低数据传输时延;
稳定运行单元,在设定的时间内,集群头节点接收到数据,发送到接收器节点,完成集群之间的路由传输,在数据采集过程中,根据设置的阈值选择簇头,如果某个节点已被选为集群头,则该节点不参与下一轮的选拔,实现稳定运行。
进一步地,在铝焊性能分析模块中,设有样本收集单元、数据预处理单元、构建铝焊性能分析模型单元和迭代更新单元,所述铝焊性能分析模块包括以下内容:
样本收集单元,收集铝焊性能相关的样本数据,包括焊接参数和焊接结构,所述焊接参数包括焊接温度、焊接速度和焊接压力,所述焊接结果包括焊缝强度、焊缝形貌;
数据预处理单元,对收集的样本进行数据清洗、去除异常值和数据归一化,提高铝焊性能分析模型的训练效果;
构建铝焊性能分析模型单元,模型由三层组成,输入层、输出层和隐藏层,每个输入层上有三个节点,输出层上有一个节点,具体包括以下内容:
输入层到隐藏层的计算,将输入层中的节点值与输入层到隐藏层之间的权重进行相乘和求和,计算出隐藏层中每个神经元的输入值,通过权重的调整,捕捉输入层中的关键特征,并传递给隐藏层,所用公式如下:
;
式中,Ia表示隐藏层中第a个神经元的输入值,a表示隐藏层神经元的索引,b表示输入层中的第b个节点,n表示节点数量,Wab是连接输入层和隐藏层之间的权重,xb是输入层的值;
计算隐藏层上不同神经元的输出,使用激活函数将隐藏层中的每个神经元的输入值映射为一个范围在0到1之间的输出值,激活函数的使用帮助引入非线性关系,增加模型的表达能力和灵活性,所用公式如下:
;
式中,Oa是隐藏层上不同神经元的输出,f()表示激活函数,用于将神经元的输入映射到一个范围在0到1之间的输出;
隐藏层到输出层的计算,通过权重调整,将隐藏层中的信息进一步传递给输出层,最终得到模型的预测结果,所用公式如下:
;
式中,Y是输出层的值,Va是连接隐藏层和输出层之间的权重,m是隐藏层神经元的数量;
计算网络输出误差,所用公式如下:
;
式中,dp是表示第p个样本的输出误差,tp表示第p个样本的目标输出,Yp表示网络的实际输出;
计算误差函数,误差函数用于衡量网络的输出与目标输出之间的差距,所用公式如下:
;
式中,Ep表示第p个样本的误差函数;
假定输入节点错误,计算隐藏层中每个神经元的误差项,误差项传递给前一层神经元,作为后续权重调整的依据,通过乘以激活函数对隐藏层输出的导数,将误差项传递回隐藏层,更新权重,优化预测结果,所用公式如下:
;
式中,δa表示隐藏层中第a个神经元的误差项,Ya表示隐藏层中第a个神经元的输出值,表示激活函数对隐藏层输出的导数;
迭代更新单元,重复以上步骤,进行多次迭代,使用测试集评估训练好的模型的性能,将模型应用于实际的铝焊性能分析中,根据新的输入样本,通过前向传播得到预测结果。
进一步地,在生产计划模块中,设有衡量生产能力单元和构建目标函数单元,所述生产计划模块包括以下内容:
衡量生产能力单元,包括以下内容:
计算混合产能利用率,所述混合产能利用率是在最大生产能力约束下实际生产的比例,所用公式如下:
;
式中,Pd是混合产能利用率,t是铝焊产品种类的索引,T是铝焊产品种类的总数,St表示第t种铝焊产品的生产量,F表示最大生产能力;
计算平均生产能力率,所用公式如下:
;
式中,P1表示一个生产周期内的平均生产能力率,T1表示一个生产周期内铝焊产品种类的总数,F1表示一个生产周期内的最大生产能力;
构建目标函数单元,所述目标函数是生产周期中的产能利用率的最小方差,优化目标函数,得到最小化产能利用率方差的最优解,优化铝焊生产过程,提高产能利用率和性能,所用公式如下:
;
式中,f是目标函数,是生产周期c的混合产能利用率,d是生产周期的总数,c是生产周期的索引。
进一步地,在控制模块中,设有远程连接单元、运行状态监测单元和调整修正单元,所述控制模块包括以下内容:
远程连接单元,通过网络远程连接,将生产线的运行状态和参数传输到远程终端设备;
运行状态监测单元,采用人机交互页面,显示生产线的状态、参数和趋势曲线,操作员可以通过人机界面选择工艺参数、设置设备运行模式和接收报警信息;
调整修正单元,根据监测到的数据和状态,及时采取措施进行调整和修正,监测到焊接质量不符合要求、温度异常和速度偏离设定值,系统进行相应的措施调整,包括调整焊接参数、控制温度和调整工艺速度,确保生产线的正常运行和优化生产效果。
进一步地,在质量管理模块中,设有定义质量指标单元、数据采集单元、预警机制单元和质量改进单元,所述质量管理模块包括以下内容:
定义质量指标单元,设定生产过程中需要关注的质量指标,包括焊接强度和焊缝质量,确定合理的范围和目标;
数据监测单元,通过传感器实时采集生产过程中的关键数据,包括温度、压力和速度,将数据传输到质量管理系统进行监测和分析;
预警机制单元,当监测到异常或者超过设定的质量指标范围时,质量管理系统会触发报警,以便及时采取相应的措施进行调整和修正;
质量改进单元,根据分析结果,质量管理系统提供质量改进的建议和措施,将结果反馈给相关的生产人员,提高产品质量和生产效率,提高产品的合格率和一致性,降低不良品数量,从而提升企业的竞争力和客户满意度。
进一步地,在自动化报告模块中,生成生产线运行情况的数据报告和分析报告,用于管理层和决策者对生产线进行评估和改进。
采用上述方案本发明取得的有益效果如下:
(1)针对存在焊接过程需要实时的数据采集和控制,但有些系统的实时性和响应性较差,无法满足高速焊接的要求,导致焊接质量下降的技术问题,采用数据采集模块,进行传感器定位优化,提高数据采集的精度和空间相关性,进行集群头节点选择,计算极限学习机的竞争子网权重,形成集群并稳定运行,减少数据传输时延,提高数据的实时性和连续性;
(2)针对存在铝焊性能分析不充分,导致焊接质量不稳定,容易存在潜在问题,增加生产线停机时间的技术问题,采用构建铝焊性能分析模型模块,计算误差项并逐步优化预测结果,优化焊接质量,保证生产线稳定运行;
(3)针对存在铝焊生产规划不合理,导致生产线内部不平衡,导致生产线运行效率降低的技术问题,采用生产计划模块,根据生产量和最大生产能力,计算混合产能利用率和平均生产能力率,构建目标函数,寻找最小化产能利用率方差优化铝焊生产过程,提高生产效率,降低成本。
附图说明
图1为本发明提供的一种用于铝焊生产线的自动化控制管理系统的示意图;
图2为数据采集模块的示意图;
图3为铝焊性能分析模块的示意图;
图4为生产计划模块的示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的一种用于铝焊生产线的自动化控制管理系统,包括数据采集模块、铝焊性能分析模块、生产计划模块、控制模块、质量管理模块和自动化报告模块;
所述数据采集模块具体为确定传感器节点位置,进行集群头选择,初始化无线传感器网络的参数,计算极限学习机的竞争子网权重,形成集群并稳定运行;
所述铝焊性能分析模块具体为收集铝焊性能相关的样本数据进行预处理,构建铝焊性能分析模型,计算误差项并逐步优化预测结果;
所述生产计划模块具体为根据生产量和最大生产能力,计算混合产能利用率和平均生产能力率,构建目标函数,寻找最小化产能利用率方差优化铝焊生产过程;
所述控制模块具体为监测整个生产线的运行状态,使用人机界面进行参数选择,及时采取措施进行调整;
所述质量管理模块具体为定义质量指标,设定预警机制,进行质量改进;
所述自动化报告模块具体为生成生产线运行情况的数据报告和分析报告,用于管理层和决策者对生产线进行评估和改进。
实施例二,参阅图1和图2,该实施例基于上述实施例,在数据采集模块中,设有获取传感器节点位置单元、集群头选择单元、网络参数计算单元、迭代单元、集群形成单元和稳定运行单元,所述数据采集模块包括以下内容:
获取传感器节点位置,通过测距、非距离定位技术和节点坐标信息,确定传感器节点在监控区域的具体位置;
集群头选择单元,考虑网络数据收集的整体性能的基础上,选择集群头节点,选择依据包括节点的剩余能量、邻居节点的数量以及节点所在的集群头节点与接收器节点之间的距离,所述剩余能量表示节点能够完成任务和通信的可用能量;
网络参数计算单元,设置参数变量和无线传感器网络初始化参数,计算前向网络权重、极限学习机的竞争子网的权重和极限学习机的前向子网的输出,所述前向网络是指整个神经网络中从输入层到输出层的前向传播途径,包含了输入层、隐藏层和输出层;所述极限学习机的竞争子网是极限学习机模型的一部分,极限学习机是一种单层的神经网络,包括竞争子网和输出层;所述极限学习机的前向子网是极限学习机模型中神经元的前向传播路径,前向子网是前向网络中的一部分,表示从输入层节点到输出层节点的直接连接路径,包括以下内容:
计算前向网络权重,所述前向网络的权重表示节点与输入层节点之间的连接权重,所用公式如下:
;
式中,i是前向网络的节点索引,j是前向网络的输入索引,N表示前向网络的总输入数量,表示前向网络第i个节点与第j个输入神经元之间的权重;
计算极限学习机的竞争子网的权重,所述极限学习机的竞争子网的权重表示传感器节点之间的连接权重,所用公式如下:
;
式中,是竞争子网中第k个传感器节点与第L个传感器节点之间的权重,k是异构传感器网络中的当前第k个传感器节点,L是异构传感器网络中的当前第L个传感器节点,δ表示一个小的正数,用于降低竞争子网中非自身节点的权重;
计算极限学习机神经元的前向子网的输出结果,所用公式如下:
;
式中,yk(0)表示第k个神经元的前向子网的输出结果,Q1是输出函数,xj表示第j个输入神经元的输入值;
迭代单元,包括以下内容:
初始化网络,对于每个神经元,随机初始化神经元的连接权重;
神经元计算,计算每个神经元的输入值,所述神经元的输入值是当前神经元的前一层神经元的输出结果与其对应连接权重相乘后的总和;
激活函数处理,将每个神经元的输入值传递给激活函数,得到神经元的激活值;
获胜神经元选择,选择具有最大激活值的神经元作为获胜神经元,将对应的传感器节点选为簇头节点,表示该节点将负责传感器网络的汇聚任务;
权重更新,当获胜神经元与当前神经元之间存在连接,根据事先设定的学习率和误差修正规则,更新当前神经元与获胜神经元之间的连接权重;
重复迭代,重复上述内容,直到达到预先设定的最大迭代次数后,停止迭代;
集群形成单元,通过节点的分布情况、能耗和通信距离,结合网络需求,确定合适的簇数,形成集群,实现网络能耗的均衡分配,提高数据采集效率,降低数据传输时延;
稳定运行单元,在设定的时间内,集群头节点接收到数据,发送到接收器节点,完成集群之间的路由传输,在数据采集过程中,根据设置的阈值选择簇头,如果某个节点已被选为集群头,则该节点不参与下一轮的选拔,实现稳定运行。
通过执行上述操作,采用数据采集模块,进行传感器定位优化,提高数据采集的精度和空间相关性,进行集群头节点选择,计算极限学习机的竞争子网权重,形成集群并稳定运行,减少数据传输时延,提高数据的实时性和连续性,解决了焊接过程需要实时的数据采集和控制,但有些系统的实时性和响应性较差,无法满足高速焊接的要求,导致焊接质量下降的技术问题。
实施例三,参阅图1和图3,该实施例基于上述实施例,在铝焊性能分析模块中,设有样本收集单元、数据预处理单元、构建铝焊性能分析模型单元和迭代更新单元,所述铝焊性能分析模块包括以下内容:
样本收集单元,收集铝焊性能相关的样本数据,包括焊接参数和焊接结构,所述焊接参数包括焊接温度、焊接速度和焊接压力,所述焊接结果包括焊缝强度、焊缝形貌;
数据预处理单元,对收集的样本进行数据清洗、去除异常值和数据归一化,提高铝焊性能分析模型的训练效果;
构建铝焊性能分析模型单元,模型由三层组成,输入层、输出层和隐藏层,每个输入层上有三个节点,输出层上有一个节点,具体包括以下内容:
输入层到隐藏层的计算,将输入层中的节点值与输入层到隐藏层之间的权重进行相乘和求和,计算出隐藏层中每个神经元的输入值,通过权重的调整,捕捉输入层中的关键特征,并传递给隐藏层,所用公式如下:
;
式中,Ia表示隐藏层中第a个神经元的输入值,a表示隐藏层神经元的索引,b表示输入层中的第b个节点,n表示节点数量,Wab是连接输入层和隐藏层之间的权重,xb是输入层的值;
计算隐藏层上不同神经元的输出,使用激活函数将隐藏层中的每个神经元的输入值映射为一个范围在0到1之间的输出值,激活函数的使用帮助引入非线性关系,增加模型的表达能力和灵活性,所用公式如下:
;
式中,Oa是隐藏层上不同神经元的输出,f()表示激活函数,用于将神经元的输入映射到一个范围在0到1之间的输出;
隐藏层到输出层的计算,通过权重调整,将隐藏层中的信息进一步传递给输出层,最终得到模型的预测结果,所用公式如下:
;
式中,Y是输出层的值,Va是连接隐藏层和输出层之间的权重,m是隐藏层神经元的数量;
计算网络输出误差,所用公式如下:
;
式中,dp是表示第p个样本的输出误差,tp表示第p个样本的目标输出,Yp表示网络的实际输出;
计算误差函数,误差函数用于衡量网络的输出与目标输出之间的差距,所用公式如下:
;
式中,Ep表示第p个样本的误差函数;
假定输入节点错误,计算隐藏层中每个神经元的误差项,误差项传递给前一层神经元,作为后续权重调整的依据,通过乘以激活函数对隐藏层输出的导数,将误差项传递回隐藏层,更新权重,优化预测结果,所用公式如下:
;
式中,δa表示隐藏层中第a个神经元的误差项,Ya表示隐藏层中第a个神经元的输出值,表示激活函数对隐藏层输出的导数;
迭代更新单元,重复以上步骤,进行多次迭代,使用测试集评估训练好的模型的性能,将模型应用于实际的铝焊性能分析中,根据新的输入样本,通过前向传播得到预测结果。
通过执行上述操作,采用构建铝焊性能分析模型模块,计算误差项并逐步优化预测结果,优化焊接质量,保证生产线稳定运行,解决了铝焊性能分析不充分,导致焊接质量不稳定,容易存在潜在问题,增加生产线停机时间的技术问题。
实施例四,参阅图1和图4,该实施例基于上述实施例,在生产计划模块中,设有衡量生产能力单元和构建目标函数单元,所述生产计划模块包括以下内容:
衡量生产能力单元,包括以下内容:
计算混合产能利用率,所述混合产能利用率是在最大生产能力约束下实际生产的比例,所用公式如下:
;
式中,Pd是混合产能利用率,t是铝焊产品种类的索引,T是铝焊产品种类的总数,St表示第t种铝焊产品的生产量,F表示最大生产能力;
计算平均生产能力率,所用公式如下:
;
式中,P1表示一个生产周期内的平均生产能力率,T1表示一个生产周期内铝焊产品种类的总数,F1表示一个生产周期内的最大生产能力;
构建目标函数单元,所述目标函数是生产周期中的产能利用率的最小方差,优化目标函数,得到最小化产能利用率方差的最优解,优化铝焊生产过程,提高产能利用率和性能,所用公式如下:
;
式中,f是目标函数,是生产周期c的混合产能利用率,d是生产周期的总数,c是生产周期的索引。
通过执行上述操作,采用生产计划模块,根据生产量和最大生产能力,计算混合产能利用率和平均生产能力率,构建目标函数,寻找最小化产能利用率方差优化铝焊生产过程,提高生产效率,降低成本,解决了铝焊生产规划不合理,导致生产线内部不平衡,导致生产线运行效率降低的技术问题。
实施例五,参阅图1,该实施例基于上述实施例,在控制模块中,设有远程连接单元、运行状态监测单元和调整修正单元,所述控制模块包括以下内容:
远程连接单元,通过网络远程连接,将生产线的运行状态和参数传输到远程终端设备;
运行状态监测单元,采用人机交互页面,显示生产线的状态、参数和趋势曲线,操作员通过人机界面选择工艺参数、设置设备运行模式和接收报警信息;
调整修正单元,根据监测到的数据和状态,及时采取措施进行调整和修正,监测到焊接质量不符合要求、温度异常和速度偏离设定值,系统进行相应的措施调整,包括调整焊接参数、控制温度和调整工艺速度,确保生产线的正常运行和优化生产效果。
实施例六,参阅图1,该实施例基于上述实施例,在质量管理模块中,设有定义质量指标单元、数据采集单元、预警机制单元和质量改进单元,所述质量管理模块包括以下内容:
定义质量指标单元,设定生产过程中需要关注的质量指标,包括焊接强度和焊缝质量,确定合理的范围和目标;
数据监测单元,通过传感器实时采集生产过程中的关键数据,包括温度、压力和速度,将数据传输到质量管理系统进行监测和分析;
预警机制单元,当监测到异常或者超过设定的质量指标范围时,质量管理系统会触发报警,以便及时采取相应的措施进行调整和修正;
质量改进单元,根据分析结果,质量管理系统提供质量改进的建议和措施,将结果反馈给相关的生产人员,提高产品质量和生产效率,提高产品的合格率和一致性,降低不良品数量,从而提升企业的竞争力和客户满意度。
实施例七,参阅图1,该实施例基于上述实施例,在自动化报告模块中,生成生产线运行情况的数据报告和分析报告,用于管理层和决策者对生产线进行评估和改进。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (6)
1.一种用于铝焊生产线的自动化控制管理系统,其特征在于:该系统包括数据采集模块、铝焊性能分析模块、生产计划模块、控制模块、质量管理模块和自动化报告模块;
所述数据采集模块具体为确定传感器节点位置,进行集群头选择,初始化无线传感器网络的参数,计算极限学习机的竞争子网权重,形成集群并稳定运行;
所述铝焊性能分析模块具体为收集铝焊性能相关的样本数据进行预处理,构建铝焊性能分析模型,计算误差项并逐步优化预测结果;
所述生产计划模块具体为计算混合产能利用率和平均生产能力率,构建目标函数,寻找最小化产能利用率方差优化铝焊生产过程;
所述控制模块具体为监测整个生产线的运行状态并进行调整修正;
所述质量管理模块具体为定义质量指标,设定预警机制,进行质量改进;
所述自动化报告模块具体为生成生产线运行情况的数据报告和分析报告;
在数据采集模块中,设有获取传感器节点位置单元、集群头选择单元、网络参数计算单元、迭代单元、集群形成单元和稳定运行单元,所述数据采集模块包括以下内容:
获取传感器节点位置单元,通过测距、非距离定位技术和节点坐标信息,确定传感器节点在监控区域的具体位置;
集群头选择单元,考虑网络数据收集的整体性能的基础上,选择集群头节点,选择依据包括节点的剩余能量、邻居节点的数量以及节点所在的集群头节点与接收器节点之间的距离,所述剩余能量表示节点能够完成任务和通信的可用能量;
网络参数计算单元,设置参数变量和无线传感器网络初始化参数,计算前向网络权重、极限学习机的竞争子网的权重和极限学习机的前向子网的输出,所述前向网络是指整个神经网络中从输入层到输出层的前向传播途径,包含了输入层、隐藏层和输出层;所述极限学习机的竞争子网是极限学习机模型的一部分,极限学习机是一种单层的神经网络,包括竞争子网和输出层;所述极限学习机的前向子网是极限学习机模型中神经元的前向传播路径,前向子网是前向网络中的一部分,表示从输入层节点到输出层节点的直接连接路径,包括以下内容:
计算前向网络权重,所述前向网络的权重表示节点与输入层节点之间的连接权重,所用公式如下:
;
式中,i是前向网络的节点索引,j是前向网络的输入索引,N表示前向网络的总输入数量,表示前向网络第i个节点与第j个输入神经元之间的权重;
计算极限学习机的竞争子网的权重,所述极限学习机的竞争子网的权重表示传感器节点之间的连接权重,所用公式如下:
;
式中,是竞争子网中第k个传感器节点与第L个传感器节点之间的权重,k是异构传感器网络中的当前第k个传感器节点,L是异构传感器网络中的当前第L个传感器节点,δ表示一个小的正数,用于降低竞争子网中非自身节点的权重;
计算极限学习机神经元的前向子网的输出结果,所用公式如下:
;
式中,yk(0)表示第k个神经元的前向子网的输出结果,Q1是输出函数,xj表示第j个输入神经元的输入值;
迭代单元,包括以下内容:
初始化网络,对于每个神经元,随机初始化神经元的连接权重;
神经元计算,计算每个神经元的输入值,所述神经元的输入值是当前神经元的前一层神经元的输出结果与其对应连接权重相乘后的总和;
激活函数处理,将每个神经元的输入值传递给激活函数,得到神经元的激活值;
获胜神经元选择,选择具有最大激活值的神经元作为获胜神经元,将对应的传感器节点选为簇头节点,表示该节点将负责传感器网络的汇聚任务;
权重更新,当获胜神经元与当前神经元之间存在连接,根据事先设定的学习率和误差修正规则,更新当前神经元与获胜神经元之间的连接权重;
重复迭代,重复上述内容,直到达到预先设定的最大迭代次数后,停止迭代;
集群形成单元,通过节点的分布情况、能耗和通信距离,结合网络需求,确定合适的簇数,形成集群,实现网络能耗的均衡分配;
稳定运行单元,在设定的时间内,集群头节点接收到数据,发送到接收器节点,完成集群之间的路由传输,在数据采集过程中,根据设置的阈值选择簇头,实现稳定运行。
2.根据权利要求1所述的一种用于铝焊生产线的自动化控制管理系统,其特征在于:在铝焊性能分析模块中,设有样本收集单元、数据预处理单元、构建铝焊性能分析模型单元和迭代更新单元,所述铝焊性能分析模块包括以下内容:
样本收集单元,收集铝焊性能相关的样本数据;
数据预处理单元,对收集的样本进行数据清洗、去除异常值和数据归一化;
构建铝焊性能分析模型单元,模型由三层组成,输入层、输出层和隐藏层,每个输入层上有三个节点,输出层上有一个节点,具体包括以下内容:
输入层到隐藏层的计算,将输入层中的节点值与输入层到隐藏层之间的权重进行相乘和求和,计算出隐藏层中每个神经元的输入值,通过权重的调整,捕捉输入层中的关键特征,并传递给隐藏层,所用公式如下:
;
式中,Ia表示隐藏层中第a个神经元的输入值,a表示隐藏层神经元的索引,b表示输入层中的第b个节点,n表示节点数量,Wab是连接输入层和隐藏层之间的权重,xb是输入层的值;
计算隐藏层上不同神经元的输出,使用激活函数将隐藏层中的每个神经元的输入值映射为一个范围在0到1之间的输出值,所用公式如下:
;
式中,Oa是隐藏层上不同神经元的输出,f()表示激活函数;
隐藏层到输出层的计算,得到模型的预测结果,所用公式如下:
;
式中,Y是输出层的值,Va是连接隐藏层和输出层之间的权重,m是隐藏层神经元的数量;
计算网络输出误差,所用公式如下:
;
式中,dp是表示第p个样本的输出误差,tp表示第p个样本的目标输出,Yp表示网络的实际输出;
计算误差函数,所用公式如下:
;
式中,Ep表示第p个样本的误差函数;
假定输入节点错误,计算隐藏层中每个神经元的误差项,误差项传递给前一层神经元,作为后续权重调整的依据,通过乘以激活函数对隐藏层输出的导数,将误差项传递回隐藏层,更新权重,优化预测结果,所用公式如下:
;
式中,δa表示隐藏层中第a个神经元的误差项,Ya表示隐藏层中第a个神经元的输出值,表示激活函数对隐藏层输出的导数;
迭代更新单元,重复以上步骤,进行多次迭代,使用测试集评估训练好的模型的性能,将模型应用于实际的铝焊性能分析中,根据新的输入样本,通过前向传播得到预测结果。
3.根据权利要求1所述的一种用于铝焊生产线的自动化控制管理系统,其特征在于:在生产计划模块中,设有衡量生产能力单元和构建目标函数单元,所述生产计划模块包括以下内容:
衡量生产能力单元,包括以下内容:
计算混合产能利用率,所用公式如下:
;
式中,Pd是混合产能利用率,t是铝焊产品种类的索引,T是铝焊产品种类的总数,St表示第t种铝焊产品的生产量,F表示最大生产能力;
计算平均生产能力率,所用公式如下:
;
式中,P1表示一个生产周期内的平均生产能力率,T1表示一个生产周期内铝焊产品种类的总数,F1表示一个生产周期内的最大生产能力;
构建目标函数单元,优化目标函数,得到最小化产能利用率方差的最优解,所用公式如下:
;
式中,f是目标函数,是生产周期c的混合产能利用率,d是生产周期的总数,c是生产周期的索引。
4.根据权利要求1所述的一种用于铝焊生产线的自动化控制管理系统,其特征在于:在控制模块中,设有远程连接单元、运行状态监测单元和调整修正单元,所述控制模块包括以下内容:
远程连接单元,通过网络远程连接,将铝焊生产线的运行状态和参数传输到远程终端设备;
运行状态监测单元,采用人机交互页面,显示铝焊生产线的状态、参数和趋势曲线,操作员通过人机界面选择工艺参数、设置设备运行模式和接收报警信息;
调整修正单元,根据监测到的数据和状态,及时采取措施进行调整和修正,监测到焊接质量不符合要求、温度异常和速度偏离设定值,系统进行相应的措施调整。
5.根据权利要求1所述的一种用于铝焊生产线的自动化控制管理系统,其特征在于:在质量管理模块中,设有定义质量指标单元、数据监测单元、预警机制单元和质量改进单元,所述质量管理模块包括以下内容:
定义质量指标单元,设定生产过程中需要关注的质量指标,确定合理的范围和目标;
数据监测单元,通过传感器实时采集生产过程中的关键数据,包括温度、压力和速度,将数据传输到质量管理系统进行监测和分析;
预警机制单元,当监测到异常或者超过设定的质量指标范围时,质量管理系统会触发报警,及时采取相应的措施进行调整和修正;
质量改进单元,根据分析结果,质量管理系统提供质量改进的建议和措施,将结果反馈给相关的生产人员。
6.根据权利要求1所述的一种用于铝焊生产线的自动化控制管理系统,其特征在于:在自动化报告模块中,生成生产线运行情况的数据报告和分析报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166620.6A CN117697265B (zh) | 2024-02-06 | 2024-02-06 | 一种用于铝焊生产线的自动化控制管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166620.6A CN117697265B (zh) | 2024-02-06 | 2024-02-06 | 一种用于铝焊生产线的自动化控制管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117697265A CN117697265A (zh) | 2024-03-15 |
CN117697265B true CN117697265B (zh) | 2024-05-03 |
Family
ID=90157455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410166620.6A Active CN117697265B (zh) | 2024-02-06 | 2024-02-06 | 一种用于铝焊生产线的自动化控制管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117697265B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105057928A (zh) * | 2015-07-20 | 2015-11-18 | 北人机器人系统(苏州)有限公司 | 一种焊接生产线的信息管理系统 |
SE1651338A1 (en) * | 2016-02-19 | 2017-08-20 | Tomologic Ab | Method and machine system for controlling an industrial operation |
CN109617826A (zh) * | 2018-12-29 | 2019-04-12 | 南京航空航天大学 | 一种基于布谷鸟搜索的storm动态负载均衡方法 |
CN114693008A (zh) * | 2020-12-25 | 2022-07-01 | 合肥格瑞塑胶有限公司 | 一种智能生产管理系统 |
CN115499876A (zh) * | 2022-09-19 | 2022-12-20 | 南京航空航天大学 | Msde场景下基于dqn算法的计算卸载策略 |
CN115903675A (zh) * | 2022-10-09 | 2023-04-04 | 迈赫机器人自动化股份有限公司 | 小件涂装生产制造过程管理系统及其使用方法 |
CN116833559A (zh) * | 2023-08-10 | 2023-10-03 | 天津恒兴机械设备有限公司 | 一种基于机器学习的焊接参数优化方法 |
CN117494955A (zh) * | 2024-01-03 | 2024-02-02 | 深圳市华科精密组件有限公司 | 一种用于自动化生产的智能监测系统 |
-
2024
- 2024-02-06 CN CN202410166620.6A patent/CN117697265B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105057928A (zh) * | 2015-07-20 | 2015-11-18 | 北人机器人系统(苏州)有限公司 | 一种焊接生产线的信息管理系统 |
SE1651338A1 (en) * | 2016-02-19 | 2017-08-20 | Tomologic Ab | Method and machine system for controlling an industrial operation |
CN109617826A (zh) * | 2018-12-29 | 2019-04-12 | 南京航空航天大学 | 一种基于布谷鸟搜索的storm动态负载均衡方法 |
CN114693008A (zh) * | 2020-12-25 | 2022-07-01 | 合肥格瑞塑胶有限公司 | 一种智能生产管理系统 |
CN115499876A (zh) * | 2022-09-19 | 2022-12-20 | 南京航空航天大学 | Msde场景下基于dqn算法的计算卸载策略 |
CN115903675A (zh) * | 2022-10-09 | 2023-04-04 | 迈赫机器人自动化股份有限公司 | 小件涂装生产制造过程管理系统及其使用方法 |
CN116833559A (zh) * | 2023-08-10 | 2023-10-03 | 天津恒兴机械设备有限公司 | 一种基于机器学习的焊接参数优化方法 |
CN117494955A (zh) * | 2024-01-03 | 2024-02-02 | 深圳市华科精密组件有限公司 | 一种用于自动化生产的智能监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117697265A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021227325A1 (zh) | 一种基于数字孪生的生产过程仿真优化方法 | |
CN108500736A (zh) | 工具状态推定装置以及机床 | |
CN114386312A (zh) | 一种设备故障诊断方法 | |
CN105302848A (zh) | 一种设备智能预警系统的评估值校准方法 | |
CN112085261A (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
JP2017033525A (ja) | 複数の製造機械を有する製造セルを制御するセルコントロールシステム、生産システム、制御方法及び制御プログラム | |
KR20190062739A (ko) | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 | |
CN111695780A (zh) | 一种工艺流程质量多故障自主检测方法及系统 | |
US20200209831A1 (en) | Tool-life prediction system and method thereof | |
CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN102636624A (zh) | 铝电解过程电解槽中氧化铝浓度的软测量方法 | |
CN109634233A (zh) | 工业大数据智能分析决策方法、可读存储介质和终端 | |
CN110827091A (zh) | 一种工业原材料价格预测方法 | |
CN117697265B (zh) | 一种用于铝焊生产线的自动化控制管理系统 | |
CN108133090A (zh) | 一种可靠性敏感度驱动的高端复杂装备可靠性分析方法 | |
CN113988627A (zh) | 基于深度强化学习的协同云排产方法及系统 | |
CN103984326B (zh) | 生产管理系统及方法 | |
CN110378586B (zh) | 基于动态闭环知识管理的变电设备缺陷预警方法及系统 | |
US20180059639A1 (en) | Cell control system | |
Li et al. | Integrated predictive maintenance approach for multistate manufacturing system considering geometric and non-geometric defects of products | |
KR102474332B1 (ko) | 스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 | |
CN116705272A (zh) | 基于多维诊断的设备健康状态综合评价方法 | |
Toth et al. | Elaborating Industry 4.0 compatible DSS for enhancing production system effectiveness | |
CN110766248B (zh) | 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 | |
CN107976963A (zh) | 一种plc智能测控系统 |
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 |