一种高效能耗挤压速度调节系统及方法与流程

本发明涉及铝型材挤压控制，具体为一种高效能耗挤压速度调节系统及方法。

背景技术：

1、挤压机是轻合金（铝合金、铜合金和镁合金）管、棒、型材生产的主要设备，挤压机是实现金属挤压加工的最主要设备，也是利用金属塑性压力成形的一种重要方法，其重要的特点是能够将金属锭坯一次加工成管、棒、型材完成在瞬息之间；在当前的工业生产中，挤压工已经成为一种广泛应用的关键技术；目前，现代挤压机的一个特点是向节能化方向发展，进而降低生产铝材产品的成本，而实现上述目前的其中一个重要措施就是节能；然而，挤压机的功率都相当大，因此节能也就自然成为了企业的首选，企业往往能够通过降低了铝材在挤压过程中的耗电量，从而降低生产铝材的能量消耗，最终降低成本。

2、然而，现有的挤压机在挤压铝型材时，其挤压速度的调节在实际应用中存在诸多不足，尤其是在复杂、动态的生产环境下，实在难以满足日益增长的效率和精度需求，如：现有技术通常依赖于固定规则或简单的反馈控制方法来调节挤压速度，这种方法的主要问题在于缺乏对未来可能出现的异常情况的预测能力；且由于系统无法提前预见潜在的生产问题，如负载波动、设备老化或材料性能变化，当问题实际发生时，系统往往反应滞后，无法及时调整操作参数，导致生产中断或产品质量下降。

3、另外，现有的挤压速度调节系统往往仅基于单一变量进行调节，如：根据当前的速度或压力进行简单的反馈控制，该种方法的局限性在于它无法综合考虑多种影响因素，难以实现系统的全局最优控制；尤其是在面对不断变化的生产需求和能耗目标时，现有系统难以动态调整挤压速度和压力，从而无法实现能效的最优化，这种不足不仅导致能源的浪费，还可能影响生产效率和产品质量；并且，传统的挤压速度调节系统往往需要操作人员频繁干预和手动调整系统参数，这不仅增加了劳动强度，还存在较高的操作失误风险；同时，人工调整的滞后性和不准确性，容易导致生产过程的不稳定，进而影响产品质量和能耗效率；特别是在复杂的生产环境中，操作人员难以及时做出最优判断，可能导致设备长时间运行在次优状态下，也增加了安全隐患和系统故障的可能性。

4、因此，如何在高效能的挤压机上智能化地调节控制挤压生产铝型材是目前技术人员需要解决的技术问题。

技术实现思路

1、针对现有技术的不足，本发明提供了一种高效能耗挤压速度调节系统及方法，解决了背景技术中提到的问题。

2、为实现以上目的，本发明在第一方面提供一种高效能耗挤压速度调节系统，包括：

3、数据采集与预处理模块、特征提取模块、预测与模型更新模块、动态负载优化模块和实时调节与控制模块；

4、该数据采集与预处理模块用于实时采集设备运行参数信息和材料状态信息，组成初始数据组dat，并分别进行标记时间t和时间同步处理，得到时间序列数据组datts，同步再对该时间序列数据组datts进行预处理，并得到存储数据组datp；

5、该特征提取模块用于对该存储数据组datp进行统计特征提取和时间特征提取，并筛选生成特征向量ftvs；

6、该预测与模型更新模块用于基于机器学习算法建立训练预测模型，将该特征向量ftvs输入到该训练预测模型中，并训练输出结果风险预测指数yt，并与预设的挤压运行预测状态评估阈值jz进行匹配预测，生成挤压运行状态评估结果；

7、该动态负载优化模块根据该挤压运行状态评估结果触发调控当前的挤压运行状态，并输出评估触控执行结果，并基于该评估触控执行结果进行负载预测分析，得到负载预测指数lodpred，同步根据该负载预测指数lodpred获取调控挤压速度spdopt和调控挤压压力prsopt；

8、该实时调节与控制模块通过获取当前生产区域的实时挤压速度spd和挤压压力prs与该调控挤压速度spdopt和该调控挤压压力prsopt进行对比，并根据对比结果对该实时挤压速度spd和该挤压压力prs进行调节和控制。

9、优选地，该数据采集与预处理模块包括传感器采集单元和数据预处理单元；

10、该传感器采集单元用于实时采集挤压机设备运行参数信息和出料状态信息，并组成初始数据组dat，以及对该组成初始数据组dat分别进行标记时间t和时间同步处理，得到时间序列数据组datts，该时间序列数据组datts={tem（t），prs（t），spd（t），vsc（t），elm（t），lod（t）}；其中，该初始数据组dat包括挤压温度tem、挤压压力prs、挤压速度spd、材料黏度vsc、材料弹性模量elm和生产负载lod；该数据预处理单元用于对该时间序列数据组datts进行预处理，并生成存储数据组datp，该存储数据组datp={temp（t），prsp（t），spdp（t），vscp（t），elmp（t），lodp（t）}；

11、其中，该预处理包括数据清洗处理和数据归一化处理，该数据清洗处理包括使用中值滤波器和卡尔曼滤波器进行去除数据中噪声；该数据归一化处理包括使用min-max归一化处理方式进行消除不同参数数据之间的量纲差异。

12、优选地，该特征向量ftvs={mean（x），var（t），std（t），max（t），min（t），sks（t），kts（t）}；该mean（x）为存储数据组datp中衡量数据的集中趋势组成均值特征；该var（t）为存储数据组datp中离散程度组成方差特征；该std（t）为存储数据组datp中离散性组成标准差特征；该max（t）为存储数据组datp中极端峰值组成最大值特征；该min（t）为存储数据组datp中极端谷值组成最小值特征；该sks（t）为存储数据组datp中分布的对称性组成偏度特征；该kts（t）为存储数据组datp中分布的陡峭程度组成峰度特征。

13、优选地，该预测与模型更新模块包括建模单元，该建模单元通过使用机器学习算法建立训练预测模型，该训练预测模型的训练包括数据划分处理；

14、该数据划分处理用于将特征向量ftvs进行划分为训练集、验证集和测试集，具体包括将特征向量ftvs的70%划分为训练集，将特征向量ftvs的15%划分为验证集，将特征向量ftvs的15%划分为验证集，组成模型的输入数据集ftvsr={ftvtrain，ftvval，ftvtest}；

15、优选地，该风险预测指数yt通过以下计算公式获取：

16、；

17、式中，α表示预权重值，log表示对数函数，具体用于平滑特征组成的结果，表示指数衰减函数，具体用于调整特征xi的非线性关系影响，表示调整衰减的系数，表示sigmoid函数，具体表示特征值xi在风险预测中的非线性作用，输出范围为[0，1]，表示对特征值xi进行二次项的正弦变换，具体用于捕捉特征值之间的周期性波动，xi表示特征向量ftvsr中第i个特征值，表示正弦变换调节幅度系数，m表示特征向量ftvsr中的非线性关系特征的总数，n表示特征向量ftvsr中的多项式和指数衰减效应的总数，表示多项式系数，具体用于调整的影响，xj表示特征向量ftvsr中第j个特征值，表示指数衰减项，用于表示特征值xj的衰减效应，表示衰减系数，具体用于调控指数衰减项的衰减速率，表示指数衰减项的调整系数数。

18、优选地，该预测与模型更新模块还包括状态匹配单元，该状态匹配单元用于通过预设的挤压运行预测状态评估阈值jz与风险预测指数yt进行匹配，并生成生产区域挤压运行状态评估结果，其中，该训练预测模型的性能评估包括使用准确率和均方误差进行评估训练预测模型的预测能力；

19、该生产区域挤压运行状态评估结果通过以下匹配方式获取：

20、；

21、当该states返回状态为1时，则确定生产区域挤压机的挤压运行状态评估结果为异常结果；

22、当该states返回状态为0时，则确定生产区域挤压机的挤压运行状态评估结果为无异常结果；该states表示生产区域挤压运行状态评估结果，该yt表示风险预测指数，该jz表示挤压运行预测状态评估阈值。

23、优选地，该动态负载优化模块包括负载预测单元和调控生成单元；

24、该负载预测单元根据该挤压机的挤压运行状态评估结果触发调控当前挤压机的挤压运行状态，触控执行挤压机的挤压运行状态评估结果；

25、该触发调控的具体通过以下机制触发：

26、当生产区域挤压运行状态评估结果为异常，且该states返回状态为1时，则执行挤压机的挤压运行状态评估触控执行结果；

27、当生产区域挤压运行状态评估结果为无异常，且该states返回状态为0时，则不执行挤压机的挤压运行状态评估触控结果。

28、优选地，该调控生成单元用于负载预测分析获取负载预测指数lodpred，并同步根据负载预测指数lodpred获取调控挤压速度spdopt和调控挤压压力prsopt；其中，该负载预测指数lodpred通过以下计算公式获取：

29、；

30、式中，表示预设权重值，具体用于调控负载预测指数的影响，w表示特征向量ftvsr包括的特征数据总数，xk表示特征向量ftvsr中的第k个特征值，表示第k个特征值的预设权重值，表示第k个特征值的时间衰减系数，t表示时间点t，tmax表示时间窗口长度的上限值；

31、该调控挤压速度spdopt和该调控挤压压力prsopt通过以下计算公式获取：

32、；

33、；

34、式中，a表示基准挤压速度，b表示挤压速度对负载预测的响应系数，c表示挤压速度下限值，d表示基准挤压压力，e表示挤压压力上限值，f表示挤压压力对负载预测的响应系数。

35、优选地，该实时调节与控制模通过获取的实时挤压速度spd和挤压压力prs，并分别与获取的调控挤压速度spdopt和调控挤压压力prsopt进行对比，确定挤压速度误差值espd（t）和挤压压力误差值eprs（t），并通过使用plc和伺服电机控制对实时挤压速度spd和挤压压力prs进行调节，挤压机的运行参数，包括根据挤压速度误差值espd（t）和挤压压力误差值eprs（t）进行修正实时挤压速度spd和挤压压力prs；

36、该挤压速度误差值espd（t）和挤压压力误差值eprs（t）通过以下计算公式获取：

37、；

38、；

39、式中，spdopt（t）和prsopt（t）分别表示时间t的调控挤压速度spdopt和调控挤压压力prsopt，spd（t）和prs（t）分别表示时间t的实时挤压速度spd和挤压压力prs。

40、本技术在第二方面提供一种高效能耗挤压速度调节方法，包括上述任一项所述的一种高效能耗挤压速度调节系统，其特征在于，包括：

41、步骤一：数据采集与预处理模块实时采集挤压机设备运行参数信息和材料状态信息，组成初始数据组dat，再进行标记时间t和时间同步处理，获取时间序列数据组datts，同步再对时间序列数据组datts进行预处理，包括数据清洗和数据归一化，组成处理后的存储数据组datp；

42、步骤二：特征提取模块对存储数据组datp进行统计特征提取和时间特征提取，再应用特征选择算法进行筛选特征，组成特征向量ftvs；

43、步骤三：预测与模型更新模块通过使用机器学习算法进行建立训练预测模型，将获取的特征向量ftvs作为输入特征，进行训练建立的训练预测模型，包括数据划分、训练预测模型的参数优化和超参数调优，获取训练预测模型的输出结果风险预测指数yt，并预设的挤压运行预测状态评估阈值jz进行匹配，获取生产区域挤压运行状态评估结果；

44、步骤四：动态负载优化模块根据生产区域挤压运行状态评估结果进行触发调控当前挤压运行状态，获取挤压机的挤压运行状态评估触控执行结果，并进行负载预测分析获取负载预测指数lodpred，同步根据负载预测指数lodpred获取调控挤压速度spdopt和调控挤压压力prsopt；

45、步骤五：实时调节与控制模通过当前生产区域获取的实时挤压速度spd和挤压压力prs与获取的调控挤压速度spdopt和调控挤压压力prsopt进行对比，并通过使用pid控制对实时挤压速度spd和挤压压力prs进行调节。

46、本发明提供了一种高效能耗挤压速度调节系统及方法，具备以下有益效果：

47、（1）系统运行时，通过在生产线多个节点安装传感器组，实时采集设备运行参数和材料状态信息，确保数据的准确性和及时性。通过对采集数据的深入特征提取和筛选，系统能够构建高精度的预测模型，并通过机器学习算法提前预测潜在的异常情况。在预测到可能的风险时，系统能够自动触发动态负载优化，智能调整挤压速度和压力，以实现生产效率和能效的最优化。此外，通过实时的pid控制，系统能够迅速响应生产条件的变化，确保挤压过程的稳定性和高效性，显著减少了对人工干预的依赖，降低了操作失误的风险。这种高度集成的智能控制系统不仅克服了现有技术中缺乏预测能力、动态调整不足、响应滞后和依赖人工干预的不足，还大幅提升了整体生产的稳定性、能效和安全性。

48、（2）根据特征向量ftvs，通过数据划分与模型训练，生成高精度的风险预测指数yt，能够提前预判潜在的异常情况。同时，状态匹配单元进一步结合预设的挤压运行预测状态评估阈值jz，精准地评估生产区域的运行状态。这种方式不仅能够识别异常情况，还能通过量化的预测结果优化生产过程，减少因突发问题导致的生产中断和质量波动。系统还通过多维度的模型评估，确保预测模型的高效性和准确性，减少了人为判断的主观性，提高了系统的自动化和智能化水平。

49、（3）根据生产区域挤压运行状态评估结果，智能地触发调控机制，确保只有在必要时才进行负载调整，从而避免了不必要的系统干预，提升了整体运行的效率。调控生成单元进一步通过复杂的负载预测分析，生成负载预测指数lodpred，并依据该指数动态计算出最优的调控挤压速度spdopt和调控挤压压力prsopt。这一过程确保了挤压生产设备始终在最优状态下运行，减少了能耗并提高了生产质量。同时，系统通过精确的pid控制，实时修正挤压速度和压力的偏差，使生产过程更加稳定和可靠。这种智能化的负载预测和调控机制，不仅提升了系统的自适应能力，还显著优化了资源利用率和生产效率，确保生产线在复杂环境下的持续高效运转。