一种基于母线槽生产工艺参数的改进方法与流程

本发明涉及深度神经网络领域，具体涉及一种基于母线槽生产工艺参数的改进方法。

背景技术：

1、母线槽生产涵盖冲压、折弯、焊接及镀层等多个连续工序。在传统的工艺参数控制体系中，各个工序均采用独立的闭环反馈调节机制。冲压工序依据冲压深度传感器的反馈调整冲压速度，折弯工序基于角度测量结果修正折弯压力，焊接工序通过红外测温数据调节焊接电流，镀层工序借助厚度监测仪控制镀液浓度。各工序的控制器仅接收本工序的实时检测数据，并按照预设的静态参数阈值或单变量比例积分微分控制律进行局部调整，形成相互隔离的单点反馈回路，缺乏对上下游工序间物理量传递关系的考量。

2、随着数据处理技术的发展，部分现有方案开始引入常规深度神经网络进行工艺参数优化。此类方案通常针对单一特定工序构建全连接网络模型，将当前工序的实时参数作为网络输入，输出该工序的控制调整量。这种基于纯数据驱动的单点预测模型，依然将各工序视为相互割裂的独立对象，其网络架构本质上仅捕捉单一工序内部输入与输出参数的映射关联。在模型训练和推理过程中，未建立冲压至折弯、折弯至焊接等跨工序物理介质流转路径上的信息传递通道，无法刻画上游工序参数波动沿物理传送轨迹向下游工序蔓延的动态演变过程。

3、由于上述现有技术将母线槽连续生产线拆解为孤立的调节节点，当上游冲压工序或折弯工序因设备振动或材料批次差异出现微小的工艺参数漂移时，这种偏差会随着母线槽导体材料的物理流转传递至下游焊接和镀层工序。下游独立闭环控制回路缺乏对上游偏差传递路径的感知与预判能力，无法在偏差累积放大前进行跨工序的动态前馈干预，导致上游微小扰动经多级工序的非线性叠加与持续放大，最终引发母线槽成品导体尺寸形变超差与绝缘层附着失效的问题。

技术实现思路

1、本发明的目的在于提供一种基于母线槽生产工艺参数的改进方法，可以解决上述背景技术中的问题。

2、为实现上述目的，本发明采取的技术方案为：

3、一种基于母线槽生产工艺参数的改进方法，包括：将母线槽生产线的各个工序定义为图网络的拓扑节点，将所述各个工序之间的物理介质流转路径定义为所述图网络的边，将所述各个工序对应的实时多维工艺参数序列定义为所述拓扑节点的特征向量；通过深度神经网络中的图卷积层依据所述图网络的邻接矩阵提取所述各个工序之间的空间耦合特征，并通过所述深度神经网络中的时间卷积网络层提取所述特征向量随时间演变的动态漂移特征；将所述空间耦合特征与所述动态漂移特征进行融合映射，生成所述各个工序对应的下游工序关键参数的动态补偿量，并将所述动态补偿量下发至控制器对执行机构进行参数修正。

4、优选的，将母线槽生产线的各个工序定义为图网络的拓扑节点，将所述各个工序之间的物理介质流转路径定义为所述图网络的边，将所述各个工序对应的实时多维工艺参数序列定义为所述拓扑节点的特征向量，包括：将母线槽生产线中的冲压工序、折弯工序、焊接工序以及镀层工序分别映射为所述图网络的第一拓扑节点、第二拓扑节点、第三拓扑节点以及第四拓扑节点；基于母线槽导体材料在所述冲压工序至所述折弯工序之间的物理传送轨迹构建所述第一拓扑节点与所述第二拓扑节点之间的第一边，依此类推构建所述第二拓扑节点与所述第三拓扑节点之间的第二边以及所述第三拓扑节点与所述第四拓扑节点之间的第三边；采集所述冲压工序的冲压速度与冲压深度参数、所述折弯工序的折弯角度与折弯速度参数、所述焊接工序的焊接电流与焊接温度参数以及所述镀层工序的镀层厚度与镀液浓度参数，分别作为所述第一拓扑节点、所述第二拓扑节点、所述第三拓扑节点以及所述第四拓扑节点的所述特征向量。

5、优选的，通过深度神经网络中的图卷积层依据所述图网络的邻接矩阵提取所述各个工序之间的空间耦合特征，包括：构建所述图网络的所述邻接矩阵，所述邻接矩阵中的元素值表征相邻拓扑节点之间的工艺参数空间影响权重；将所述特征向量与所述邻接矩阵进行图卷积运算，获取所述相邻拓扑节点之间工艺参数的跨工序空间交互信息；对所述跨工序空间交互信息进行非线性激活映射，捕捉上游拓扑节点对应工序的参数偏差向下游拓扑节点对应工序传递的空间传导路径与衰减系数，生成所述空间耦合特征。

6、优选的，通过所述深度神经网络中的时间卷积网络层提取所述特征向量随时间演变的动态漂移特征，包括：沿着时间维度对各个拓扑节点的所述特征向量进行滑动卷积操作，提取所述特征向量在预设时间窗口内的局部时序依赖关系；通过所述时间卷积网络层中的扩张卷积核扩大所述局部时序依赖关系的感受野，捕获所述特征向量在长周期时间跨度下的动态漂移趋势；对所述局部时序依赖关系与所述动态漂移趋势进行残差连接融合，滤除所述特征向量中的高频工艺噪声干扰，输出所述动态漂移特征。

7、优选的，将所述空间耦合特征与所述动态漂移特征进行融合映射，生成所述各个工序对应的下游工序关键参数的动态补偿量，并将所述动态补偿量下发至控制器对执行机构进行参数修正，包括：将所述空间耦合特征与所述动态漂移特征在所述深度神经网络的全连接层中进行特征拼接操作，得到联合特征表示；将所述联合特征表示输入至所述深度神经网络的前馈输出层，以消除下游潜在累积偏差为目标函数，计算得到所述下游工序关键参数的所述动态补偿量；将所述动态补偿量转换为所述控制器可识别的参数修正指令，并将所述参数修正指令下发至所述控制器，所述控制器依据所述参数修正指令调整所述执行机构的运行参数。

8、优选的，构建所述图网络的所述邻接矩阵，所述邻接矩阵中的元素值表征相邻拓扑节点之间的工艺参数空间影响权重，包括：初始化所述邻接矩阵中的所述元素值为基于物理机理确定的静态基础权重；在所述深度神经网络的训练与推理过程中，引入注意力机制对所述静态基础权重进行动态调制，计算所述上游拓扑节点的所述特征向量对所述下游拓扑节点的所述特征向量的实时注意力得分；将所述静态基础权重与所述实时注意力得分进行加权融合，生成动态空间影响权重，并将所述动态空间影响权重更新至所述邻接矩阵中。

9、优选的，通过所述时间卷积网络层中的扩张卷积核扩大所述局部时序依赖关系的感受野，捕获所述特征向量在长周期时间跨度下的动态漂移趋势，包括：设置多个具有不同扩张率的所述扩张卷积核，分别对所述特征向量进行多尺度时间卷积处理，获取多个不同时间尺度下的初始时序特征；对所述多个不同时间尺度下的初始时序特征进行通道拼接，构建多尺度时序特征矩阵；对所述多尺度时序特征矩阵进行特征选择操作，筛选出与母线槽当前工序漂移模式匹配度最高的目标尺度时序特征，将所述目标尺度时序特征确认为所述动态漂移趋势。

10、优选的，将所述联合特征表示输入至所述深度神经网络的前馈输出层，以消除下游潜在累积偏差为目标函数，计算得到所述下游工序关键参数的所述动态补偿量，包括：基于所述联合特征表示，在所述前馈输出层中预测所述下游工序在当前上游工序参数作用下的预测偏差向量；将所述预测偏差向量输入至预设的二次规划求解器中，以所述动态补偿量的二范数最小化为约束条件，以抵消所述预测偏差向量为目标，求解出所述下游工序关键参数的所述动态补偿量。

11、优选的，在将所述动态补偿量下发至控制器对执行机构进行参数修正之后，还包括：采集母线槽最终成品的物理性能检测数据，所述物理性能检测数据包括导体尺寸形变公差数据与绝缘电阻检测数据；将所述物理性能检测数据与预设标准性能指标进行比对，计算获取成品性能偏差值；基于所述成品性能偏差值构建全局损失梯度，通过反向传播算法对所述深度神经网络的所述图卷积层的所述邻接矩阵权重以及所述时间卷积网络层的卷积核参数进行自适应更新。

12、优选的，在将所述各个工序对应的实时多维工艺参数序列定义为所述拓扑节点的特征向量之前，还包括：对采集到的所述实时多维工艺参数序列进行异常值剔除与平滑滤波处理，消除所述实时多维工艺参数序列中的传感器脉冲噪声；对经过平滑滤波处理后的所述实时多维工艺参数序列进行归一化映射操作，将异构工艺参数统一映射至同一数值区间内，消除不同量纲之间的数值差异，将归一化映射后的所述实时多维工艺参数序列确认为所述拓扑节点的所述特征向量。

13、与现有技术相比，本发明的有益效果在于：

14、1.本发明通过将母线槽生产线的各个工序定义为图网络的拓扑节点，将工序间的物理介质流转路径定义为边，构建了完整的跨工序图网络结构。在此基础上，利用深度神经网络中的图卷积层依据邻接矩阵提取各个工序之间的空间耦合特征，建立了上游工序至下游工序沿物理传送轨迹的空间传导路径映射，使得下游工序能够感知上游传来的参数偏差。同时，通过深度神经网络中的时间卷积网络层提取特征向量随时间演变的动态漂移特征，捕捉工艺参数在时间维度上的延续性变化。将空间耦合特征与动态漂移特征进行融合映射，生成下游工序关键参数的动态补偿量并下发至控制器，实现了基于上游实时状态的跨工序动态前馈补偿。这种控制方式打破了工序间的隔离状态，阻截了上游偏差向下游的传导与多级放大，克服了单工序局部闭环控制无法应对跨工序扰动累积的缺陷，抑制了因参数失配导致的母线槽成品导体尺寸形变与绝缘层附着失效现象。

15、2.本发明在动态补偿的执行过程中，引入了静态基础权重与实时注意力得分加权融合的机制，生成动态空间影响权重更新至邻接矩阵中，使得图卷积层能够依据当前工况自适应调整工序间的空间影响程度，提升了跨工序空间耦合特征提取的准确性。在时间维度上，通过设置多个不同扩张率的卷积核获取多尺度时序特征并进行特征选择操作，筛选出与当前漂移模式匹配的目标尺度特征，增强了对不同周期工艺波动的适应能力。在生成动态补偿量时，基于预测偏差向量并利用二次规划求解器在补偿量二范数最小化约束下进行求解，确保了补偿动作的平滑性，避免执行机构因补偿量过大产生机械冲击。依据母线槽最终成品的导体尺寸形变公差数据与绝缘电阻检测数据构建全局损失梯度，通过反向传播算法对图卷积层和时间卷积层的参数进行自适应更新，使网络模型能够适应生产环境的慢时变特性。通过对实时多维工艺参数序列进行异常值剔除、平滑滤波与归一化映射操作，消除了传感器脉冲噪声与异构参数量纲差异对特征提取的干扰，保障了图网络特征向量的稳定性。