【技术实现步骤摘要】
本专利技术涉及钨丝冷拉质量监控，具体涉及一种基于大数据的钨丝冷拉质量监控方法及系统。
技术介绍
1、在现代制造业中，钨丝因其优异的高温性能和强度而被广泛应用于照明、电子和航空航天等领域。钨丝的生产通常需要通过冷拉工艺将其制成不同直径的细丝，以满足各种应用需求。然而，在钨丝冷拉过程中，如何确保和监控产品质量一直是一个挑战。
2、冷拉工艺会受到多种因素的影响，如拉力、拉丝速度、温度、机械振动等。这些因素如果未被有效监控和调整，可能导致钨丝产品的质量不稳定，出现如断裂、表面缺陷等问题。因此，实时监控这些参数并分析其中的关系，对于提升钨丝质量控制水平至关重要。
3、现有技术中，通常仅监控单一参数（如拉力或速度）来评估冷拉质量，或者多个参数进行简单的线性组合或阈值判断难以反映冷拉过程的各参数变动情况，因此，存在钨丝冷拉质量监控精度不高的问题。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的一种基于大数据的钨丝冷拉质量监控方法及系统解决了现有技术存在钨丝冷拉质量监控精度不高的问题。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于大数据的钨丝冷拉质量监控方法，包括以下步骤：
3、s1、采集钨丝冷拉过程中拉力数据、拉丝速度数据、温度数据和振动数据；
4、s2、对拉力数据、拉丝速度数据、温度数据和振动数据分别提取均值、最大值、最小值和稳定值，构建均值序列、最大值序列、最小值序列和稳定值序列；
5
6、s4、将前期融合特征、中期融合特征和后期融合特征构成训练样本，基于损失函数，对多尺度并行差距补偿网络进行训练，得到训练完成的多尺度并行差距补偿网络；
7、s5、采用训练完成的多尺度并行差距补偿网络对钨丝冷拉质量进行评估。
8、进一步地，所述s2中均值序列中包括：拉力均值、拉丝速度均值、温度均值和振动均值，最大值序列中包括：拉力最大值、拉丝速度最大值、温度最大值和振动最大值，最小值序列中包括：拉力最小值、拉丝速度最小值、温度最小值和振动最小值，稳定值序列中包括：拉力稳定值、拉丝速度稳定值、温度稳定值和振动稳定值。
9、进一步地，所述拉力稳定值、拉丝速度稳定值、温度稳定值和振动稳定值的计算公式均为：，其中，s为拉力稳定值、拉丝速度稳定值、温度稳定值或振动稳定值，xi为拉力数据、拉丝速度数据、温度数据或振动数据中第i个值，n为数据的长度，| |为绝对值运算，i为正整数。
10、进一步地，所述s3包括以下分步骤：
11、s31、按钨丝冷拉的时间长度，将钨丝冷拉过程分为：前期、中期和后期；
12、s32、根据前期的均值序列、最大值序列、最小值序列和稳定值序列，构建前期融合特征；
13、s33、根据中期的均值序列、最大值序列、最小值序列和稳定值序列，构建中期融合特征；
14、s34、根据后期的均值序列、最大值序列、最小值序列和稳定值序列，构建后期融合特征。
15、进一步地，所述s32、s33和s34均包括以下分步骤：
16、a1、对均值序列、最大值序列、最小值序列和稳定值序列中元素均进行归一化处理；
17、a2、对归一化后的每个序列构成矩阵，分别得到均值矩阵、最大值矩阵、最小值矩阵和稳定值矩阵，其中，序列构成矩阵的公式为：a = ata，a为序列，t为转置运算，a为构成的矩阵；
18、a3、对均值矩阵、最大值矩阵、最小值矩阵和稳定值矩阵进行加权处理，得到融合特征。
19、进一步地，所述s4中多尺度并行差距补偿网络包括：前期特征提取单元、中期特征提取单元、后期特征提取单元、减法器r1、减法器r2、第一差距系数计算单元、第二差距系数计算单元、加法器a1、全连接层和补偿层；
20、所述前期特征提取单元用于对前期融合特征提取特征，得到第一特征矩阵；
21、所述中期特征提取单元用于对中期融合特征提取特征，得到第二特征矩阵；
22、所述后期特征提取单元用于对后期融合特征提取特征，得到第三特征矩阵；
23、所述减法器r1用于将第一特征矩阵与第二特征矩阵相减，得到第一差值矩阵；
24、所述第一差距系数计算单元用于根据第一差值矩阵，计算第一差距系数；
25、所述减法器r2用于将第三特征矩阵与第二特征矩阵相减，得到第二差值矩阵；
26、所述第二差距系数计算单元用于根据第二差值矩阵，计算第二差距系数；
27、所述加法器a1用于将第一特征矩阵、第二特征矩阵和第三特征矩阵相加；
28、所述全连接层用于根据加法器a1相加的结果，预测初始评估值；
29、所述补偿层用于根据第一差距系数和第二差距系数，对初始评估值进行补偿，得到钨丝冷拉质量评分。
30、进一步地，所述第一差距系数计算单元或第二差距系数计算单元的表达式为：，其中，d为第一差距系数或第二差距系数，rj为第一差值矩阵或第二差值矩阵中第j个元素，j为正整数，| |为绝对值运算，max为取最大值，m为第一差值矩阵或第二差值矩阵中元素的数量，σ为sigmoid激活函数。
31、进一步地，所述补偿层的表达式为：，其中，y为钨丝冷拉质量评分，y0为初始评估值，tanh为双曲正切激活函数，d1为第一差距系数，d2为第二差距系数，ωd1为d1的权重，bd1为d1的偏置，ωd2为d2的权重，bd2为d2的偏置。
32、进一步地，所述s4中损失函数的表达式为：，其中，l为损失函数，y为钨丝冷拉质量评分，为标签。
33、一种基于大数据的钨丝冷拉质量监控系统，包括：采集子系统、序列构建子系统、特征构建子系统、训练子系统和评估子系统；
34、所述采集子系统用于采集钨丝冷拉过程中拉力数据、拉丝速度数据、温度数据和振动数据；
35、所述序列构建子系统用于对拉力数据、拉丝速度数据、温度数据和振动数据分别提取均值、最大值、最小值和稳定值，构建均值序列、最大值序列、最小值序列和稳定值序列；
36、所述特征构建子系统用于根据不同时间段的均值序列、最大值序列、最小值序列和稳定值序列，构建前期融合特征、中期融合特征和后期融合特征；
37、所述训练子系统用于将前期融合特征、中期融合特征和后期融合特征构成训练样本，基于损失函数，对多尺度并行差距补偿网络进行训练，得到训练完成的多尺度并行差距补偿网络；
38、所述评估子系统用于采用训练完成的多尺度并行差距补偿网络对钨丝冷拉质量进行评估。
39、本专利技术的有益效果为：本专利技术采集拉力、速度、温度和振动多维数据，全面反映了钨丝冷拉过程的各个方面，再分别提取均值、最大值、最小值和稳定值，构建均值序列、最大值序列、最小值本文档来自技高网...
【技术保护点】
1.一种基于大数据的钨丝冷拉质量监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于大数据的钨丝冷拉质量监控方法，其特征在于，所述S2中均值序列中包括：拉力均值、拉丝速度均值、温度均值和振动均值，最大值序列中包括：拉力最大值、拉丝速度最大值、温度最大值和振动最大值，最小值序列中包括：拉力最小值、拉丝速度最小值、温度最小值和振动最小值，稳定值序列中包括：拉力稳定值、拉丝速度稳定值、温度稳定值和振动稳定值。
3.根据权利要求2所述的基于大数据的钨丝冷拉质量监控方法，其特征在于，所述拉力稳定值、拉丝速度稳定值、温度稳定值和振动稳定值的计算公式均为：，其中，s为拉力稳定值、拉丝速度稳定值、温度稳定值或振动稳定值，xi为拉力数据、拉丝速度数据、温度数据或振动数据中第i个值，N为数据的长度，| |为绝对值运算，i为正整数。
4.根据权利要求1所述的基于大数据的钨丝冷拉质量监控方法，其特征在于，所述S3包括以下分步骤：
5.根据权利要求4所述的基于大数据的钨丝冷拉质量监控方法，其特征在于，所述S32、S33和S34均包括以下分步骤：
6.根据权利要求1所述的基于大数据的钨丝冷拉质量监控方法，其特征在于，所述S4中多尺度并行差距补偿网络包括：前期特征提取单元、中期特征提取单元、后期特征提取单元、减法器R1、减法器R2、第一差距系数计算单元、第二差距系数计算单元、加法器A1、全连接层和补偿层；
7.根据权利要求6所述的基于大数据的钨丝冷拉质量监控方法，其特征在于，所述第一差距系数计算单元或第二差距系数计算单元的表达式为：，其中，d为第一差距系数或第二差距系数，rj为第一差值矩阵或第二差值矩阵中第j个元素，j为正整数，| |为绝对值运算，max为取最大值，M为第一差值矩阵或第二差值矩阵中元素的数量，σ为Sigmoid激活函数。
8.根据权利要求6所述的基于大数据的钨丝冷拉质量监控方法，其特征在于，所述补偿层的表达式为：，其中，y为钨丝冷拉质量评分，y0为初始评估值，tanh为双曲正切激活函数，d1为第一差距系数，d2为第二差距系数，ωd1为d1的权重，bd1为d1的偏置，ωd2为d2的权重，bd2为d2的偏置。
9.根据权利要求1所述的基于大数据的钨丝冷拉质量监控方法，其特征在于，所述S4中损失函数的表达式为：，其中，L为损失函数，y为钨丝冷拉质量评分，为标签。
10.一种基于大数据的钨丝冷拉质量监控系统，基于权利要求1~9任一项所述的基于大数据的钨丝冷拉质量监控方法实现，其特征在于，包括：采集子系统、序列构建子系统、特征构建子系统、训练子系统和评估子系统；
...【技术特征摘要】
1.一种基于大数据的钨丝冷拉质量监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于大数据的钨丝冷拉质量监控方法，其特征在于，所述s2中均值序列中包括：拉力均值、拉丝速度均值、温度均值和振动均值，最大值序列中包括：拉力最大值、拉丝速度最大值、温度最大值和振动最大值，最小值序列中包括：拉力最小值、拉丝速度最小值、温度最小值和振动最小值，稳定值序列中包括：拉力稳定值、拉丝速度稳定值、温度稳定值和振动稳定值。
3.根据权利要求2所述的基于大数据的钨丝冷拉质量监控方法，其特征在于，所述拉力稳定值、拉丝速度稳定值、温度稳定值和振动稳定值的计算公式均为：，其中，s为拉力稳定值、拉丝速度稳定值、温度稳定值或振动稳定值，xi为拉力数据、拉丝速度数据、温度数据或振动数据中第i个值，n为数据的长度，| |为绝对值运算，i为正整数。
4.根据权利要求1所述的基于大数据的钨丝冷拉质量监控方法，其特征在于，所述s3包括以下分步骤：
5.根据权利要求4所述的基于大数据的钨丝冷拉质量监控方法，其特征在于，所述s32、s33和s34均包括以下分步骤：
6.根据权利要求1所述的基于大数据的钨丝冷拉质量监控方法，其特征在于，所述s4中多尺度并行差距补偿网络包括：前期特征提取单元、中期特征提取单元...
【专利技术属性】
技术研发人员：李晶，江银根，赵显学，杨天明，董贤刚，
申请(专利权)人：青岛华钨新材料有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。