基于置信度安全约束与反馈修正的梳棉机工艺智能调控方法
本发明涉及纺织机械智能控制与工业人工智能,更具体的说是涉及一种基于置信度安全约束与反馈修正的梳棉机工艺智能调控方法。
背景技术:
1、纺织工业是制造业智能化升级的重要领域,梳棉机作为纺纱前处理过程中的核心设备,其运行工艺直接影响纤维开松效果、杂质去除效率、纤维损伤程度以及成纱质量稳定性。落杂状态能够直接反映梳棉机当前工艺运行情况,因此对落杂过程进行实时感知与智能调控,对于提升梳棉工艺自动化与智能化水平具有重要意义。传统梳棉机工艺参数调节主要依赖操作人员观察落杂袋状态,并结合经验手动调整刺辊速度、锡林速比、给棉板隔距以及除尘风量等参数。该方式存在响应滞后、主观性强、一致性差以及难以适应复杂工况波动等问题,无法满足高速连续化生产条件下对稳定性与实时性的要求。
2、随着机器视觉、深度学习以及工业智能决策技术的发展,基于人工智能的梳棉机落杂检测与工艺分析逐渐成为研究热点。现有相关技术主要包括以下几类:
3、1.基于计算机视觉的落杂检测技术
4、现有方案通常采用yolo系列、rt-detr、mobile-yolo等目标检测模型,对梳棉机落杂区图像进行检测,实现杂质与长纤维目标识别和数量统计。例如,部分研究通过改进yolo网络结构提升微小杂质识别能力,提高复杂背景下的检测精度与推理速度。该类技术能够实现落杂区目标检测与数量统计,但大多仅针对单帧图像进行瞬时识别,只能输出当前时刻的杂质数量与纤维数量,缺乏对连续工艺状态变化过程的时序化建模能力,无法反映落杂过程的动态演化趋势,因此难以支撑预测性工艺调控。
5、此外,现有视觉检测方案主要关注检测精度提升,缺乏面向工业控制场景的稳定性约束与风险控制机制,当现场工况发生波动时,容易导致检测结果不稳定,难以满足工业现场连续控制需求。
6、2.通用时序预测与状态建模技术
7、lstm、gru、bilstm等时序神经网络已广泛应用于工业时间序列建模,可用于数值预测或状态分类。部分研究通过引入注意力机制提升关键时间步特征提取能力,从而提高预测精度。然而,现有时序建模技术大多采用固定特征共享结构,仅能独立完成数量预测或状态分类中的单一任务,缺乏针对梳棉机落杂工艺“杂质变化—伤纤变化—工艺状态”强耦合特性的协同建模能力。同时,现有模型通常仅关注预测精度本身,缺乏针对工业控制场景的可信性判定机制。当模型输出存在波动、异常或低置信度情况时,无法对危险调控行为进行约束,容易导致工艺参数越界调整,存在工业运行风险。
8、此外,现有时序模型普遍缺乏调控执行后的反馈修正机制,无法依据实际调控效果动态优化后续工艺参数,因此难以形成稳定闭环控制。
9、3.基于知识图谱与大模型的工业决策技术
10、近年来,知识图谱增强大语言模型逐渐应用于工业故障诊断、设备运维及辅助决策等领域,部分纺织领域研究也开始尝试利用大模型进行工艺分析与参数推荐。现有工业知识图谱大多仅作为静态规则库使用,缺乏工艺机理关系、历史调控经验以及安全边界约束之间的协同组织机制,难以形成适用于复杂工业场景的可信推理体系。同时,大语言模型在缺少知识边界约束时容易产生“幻觉”问题,其生成的工艺参数可能存在不可量化、不可解释或超出设备安全范围等情况,无法直接应用于工业现场控制。
11、另外,现有技术普遍缺少针对大模型输出结果的二次安全校验机制,无法对参数风险进行约束与过滤,因此难以满足工业设备安全运行要求。
12、与此同时,现有技术存在以下明显不足:
13、(1)现有落杂检测技术多基于单帧图像瞬时识别,仅能输出当前时刻的杂质与长纤维静态计数结果,缺乏对连续工艺状态变化过程的时序化建模能力,无法刻画落杂过程的动态演化趋势,因此难以支撑工艺趋势预测与超前调控。
14、(2)现有时序预测模型大多采用固定权重的特征共享结构,无法根据工况动态调整特征关注度,且多数仅能独立完成数量预测或状态分类单一任务,缺乏针对梳棉复杂工况的动态特征分配机制,导致工况波动条件下预测稳定性与状态识别准确率下降明显。
15、(3)现有工业智能调控方案缺少分级安全防护机制:一方面对模型预测结果没有可信性准入校验,低置信度、高波动的预测结果可直接触发调控;另一方面对生成的工艺参数缺少刚性安全约束与自动修正能力,易出现参数越界、调节幅度过大等风险,难以满足工业现场连续生产的安全控制要求。
16、(4)现有知识图谱与大模型工艺决策技术多采用静态规则匹配模式,安全规则、工艺机理与历史反馈经验三类知识缺乏协同组织机制,难以形成统一的推理约束体系;同时缺少调控执行后的效果反馈与策略迭代能力,无法根据实际运行效果持续优化决策,难以形成可信、稳定的闭环自治控制体系。
17、因此,如何提供一种基于置信度安全约束与反馈修正的梳棉机工艺智能调控方法是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本发明提供了一种基于置信度安全约束与反馈修正的梳棉机工艺智能调控方法,针对落杂检测缺乏连续时序感知能力的问题,提出基于滑动窗口的动态时序特征构建方法,实现对落杂过程动态演化规律的连续表征,提升工艺状态变化趋势的感知与预判能力;针对时序预测模型特征分配固化、工况适配性弱的问题,提出状态感知门控融合的多任务协同预测方法,根据工艺状态动态调整特征权重,实现复杂工况下预测与分类任务的协同优化;针对工业智能调控分级安全防护缺失的问题,构建“预测可信准入+参数刚性校验”的两级工艺安全调控机制,实现低置信度结果前置过滤与风险参数约束修正,保障工业现场调控的安全性与稳定性;针对工艺决策知识协同性不足、缺乏闭环迭代能力的问题,提出融合安全规则、工艺机理及历史反馈的三层知识约束推理与执行反馈修正机制,实现工艺参数自适应优化与闭环自治控制。
2、为了实现上述目的,本发明采用如下技术方案:
3、一种基于置信度安全约束与反馈修正的梳棉机工艺智能调控方法,包括以下步骤:
4、s1、对梳棉机落杂区进行连续图像采集,利用轻量化目标检测模型对落杂区中的杂质与长纤维目标进行识别与计数,采用滑动时间窗口对连续检测结果进行时序重构,生成反映工艺状态变化规律的动态时序特征;
5、s2、将动态时序特征输入基于时序神经网络构建的多任务协同预测模型,通过状态感知门控融合机制根据当前工艺状态动态调整不同特征组的权重分配,同步完成下一滑动时间窗口的杂质数量预测、长纤维数量预测以及工艺状态分类;
6、s3、综合工艺状态分类置信度、回归预测波动率、连续时间窗口状态一致性、历史预测吻合度四项指标构建工艺可信度评分;当可信度评分满足预设可信条件时,允许进入自动工艺调控流程;否则维持当前工艺参数或进入人工确认模式;
7、s4、以工艺状态及预测结果作为检索条件,从三层架构的梳棉工艺知识图谱中提取安全规则、工艺机理关系及历史调控经验,结合大语言模型进行知识约束推理,生成工艺调控参数方案;
8、s5、对生成的工艺调控参数执行四级递进式安全校验,按优先级依次完成参数越界校验、调节幅度校验、组合冲突校验、工艺风险预判校验,校验不通过时执行对应约束修正,全部校验通过后下发至梳棉机控制系统执行;
9、s6、工艺执行完成后重新采集落杂区图像,评估调控效果,根据执行结果动态修正下一轮工艺参数生成策略,并将本次工况、调控参数及执行效果更新至知识图谱,形成闭环自治控制。
10、进一步的,s1中,所述滑动时间窗口长度为20帧,生成的动态时序特征包括杂质总量、长纤维总量、杂质变化率、长纤维变化率、状态波动系数和连续窗口稳定度;
11、其中,杂质总量为当前滑动时间窗口内经目标关联与去重后检出的杂质目标数量;长纤维总量为当前滑动时间窗口内经目标关联与去重后检出的长纤维目标数量;
12、杂质变化率为当前窗口杂质总量相对于前一窗口杂质总量的变化程度,长纤维变化率为当前窗口长纤维总量相对于前一窗口长纤维总量的变化程度;
13、状态波动系数根据窗口内杂质目标数量和长纤维目标数量的波动情况共同确定,用于表征当前落杂过程的整体波动程度;
14、连续窗口稳定度为预设数量的有效评估窗口中相同工艺状态所占的比例,采用低重叠或不重叠的有效评估窗口进行计算;
15、系统对动态时序特征进行异常值剔除和平滑处理,降低光照变化、纤维抖动及粉尘干扰引起的瞬时检测误差。
16、进一步的,s1中,所述轻量化目标检测模型为基于yolov8改进的cotton-yolo模型,网络结构中融入cbam注意力模块和c2f_dsconv深度可分离卷积模块,用于增强微小杂质检测能力、降低模型复杂度并提升定位精度。
17、进一步的,s2中,工艺状态基于长度为20帧的滑动时间窗口检测结果进行划分,预先设置杂质不足阈值ti1、杂质充分阈值ti2、长纤维低损失阈值tf1和长纤维过量损失阈值tf2,其中ti1 18、优良状态:杂质去除充分且纤维损失程度较低,判定条件为ni≥ti2且nf≤tf1; 19、正常状态:杂质去除程度与纤维损失程度均处于允许范围,判定条件为ni≥ti1、nf≤tf2且不满足优良状态的判定条件; 20、欠梳状态:杂质去除数量不足,判定条件为ni 21、过梳状态:落杂中长纤维数量超过允许范围,判定条件为nf>tf2; 22、其中过梳状态具有最高判定优先级,当长纤维目标数量超过长纤维过量损失阈值时,无论杂质目标数量处于何种范围,均优先判定为过梳状态;ni为窗口内经去重的杂质目标数量,nf为窗口内经去重的长纤维目标数量。 23、进一步的,s2中,所述状态感知门控融合机制的具体过程为: 24、将输入时序特征划分为杂质变化特征组、纤维损失变化特征组和全局平稳特征组三类,其中杂质变化特征组包括杂质总量和杂质变化率,纤维损失变化特征组包括长纤维总量和长纤维变化率,全局平稳特征组包括状态波动系数和连续窗口稳定度; 25、针对不同工艺状态分别设置基础权重向量,三类特征对应的门控权重之和恒定为1:欠梳状态s3对应的基础权重向量为(0.7,0.1,0.2),过梳状态s4对应的基础权重向量为(0.1,0.7,0.2),优良状态s1和正常状态s2对应的基础权重向量为(0.25,0.25,0.5); 26、根据当前滑动时间窗口的时序特征生成四类工艺状态的初步概率分布,依据各状态概率对相应基础权重向量进行加权融合,得到当前时间窗口的目标门控权重; 27、设置门控权重平滑约束:当当前时间窗口的目标门控权重与前一时间窗口实际门控权重之间的单类权重差值超过0.2时,对三类权重的整体变化量进行同比例缩放,使任一类特征权重的单次调整幅度均不超过0.2,调整后保持三类权重之和为1。 28、进一步的,s2中,所述多任务协同预测模型在共享时序特征提取层之后接入状态感知门控融合机制,输出端引入多头时间注意力机制强化关键时间步的特征表达,同时通过残差连接缓解深层时序网络训练的梯度衰减问题; 29、模型训练采用联合损失函数,将杂质数量回归损失、落杂中长纤维数量回归损失和工艺状态分类交叉熵损失进行加权融合,实现数量预测与工艺状态预测任务的端到端协同优化。 30、进一步的,s3中,工艺可信度评分为0~100分,四项指标的权重分别为:工艺状态分类置信度权重35%、连续时间窗口状态一致性权重25%、回归预测波动率权重25%、历史预测吻合度权重15%; 31、工艺状态分类置信度为四类工艺状态概率中的最大值对应的百分制得分; 32、连续时间窗口状态一致性为参与统计的有效评估窗口中,与当前主要预测状态一致的窗口数量占比对应的百分制得分; 33、回归预测波动率根据连续多个有效评估窗口内杂质数量预测值的变异系数与长纤维数量预测值的变异系数计算,变异系数越低则得分越高; 34、历史预测吻合度根据相同或相似历史工况下预测值与实际检测值的平均绝对百分比误差计算,误差越低则得分越高; 35、分级判定规则为:当可信度评分≥80分时,判定预测结果满足可信性要求,允许进入自动工艺调控流程;当可信度评分<80分时,判定预测结果可信度不足,系统维持当前工艺参数不变,并跳转至人工确认模式。 36、进一步的,s4中,所述梳棉工艺知识图谱采用三层结构化架构,采用工业本体建模方法定义工况实体、工艺参数、调控效果三类核心对象及因果、约束、关联三类关系: 37、第一层为安全规则层,用于存储设备运行边界、参数上下限、工艺安全规则及风险阈值; 38、第二层为工艺机理层,用于存储工艺参数与工艺结果之间的因果关系; 39、第三层为历史反馈层,用于存储历史工况、历史调控参数及历史调控效果; 40、所有知识条目均经工艺专家交叉校验后入库,知识图谱构建来源覆盖标准规范、设备机理、现场数据三个维度。 41、进一步的,s5中,四级递进式安全校验的具体过程为: 42、第一级为参数越界校验:当检测到参数超出工艺安全运行区间时,执行强制截断修正,将超限参数锁定至安全区间的最近边界值; 43、第二级为单次调节幅度校验:当检测到参数单次调整量超过预设安全步长阈值时,执行限幅修正,保留原调节方向不变,将调整量压缩至允许的最大调节幅度内; 44、第三级为多参数组合逻辑冲突校验:当检测到多参数同时大幅同向调节、存在风险叠加效应时,执行梯度降权修正,对高风险组合内的参数按50%比例缩减调节幅度;若缩减后仍存在逻辑冲突,则保留核心调控参数,取消次要参数的调整动作; 45、第四级为工艺风险预判校验:基于工艺机理推演修正后的参数组合,若预判会引发过梳或欠梳状态恶化,先对风险参数执行1档小幅反向补偿修正;若补偿后风险仍无法消除,则拒绝执行该参数方案,并反馈重新生成调控方案; 46、四级校验按优先级顺序依次执行,前一级校验不通过时先完成对应修正,再进入下一级校验。 47、进一步的,s6中,调控效果评估包括杂质变化情况、长纤维损伤情况、工艺状态迁移趋势以及整体调控稳定性; 48、当调控效果未达到目标要求时,依据执行反馈结果动态修正下一轮工艺参数生成策略:当杂质去除效果不足时,提高与除杂能力相关参数的调节权重;当长纤维损伤程度过高时,降低当前参数调整幅度,并重新评估对应工艺状态判定结果; 49、同时根据实际执行结果动态调整参数优化的权重与步长,使后续调控符合当前工况变化特征。 50、相较于现有技术,本发明采用轻量化目标检测模型对梳棉机落杂区进行实时检测,并通过滑动时间窗口构建动态时序特征,实现从单帧瞬时识别向连续时序感知的转换,提高了落杂过程动态变化规律的表征能力,为工艺趋势预测与超前调控提供数据支撑;构建状态感知门控融合与多任务协同预测模型,在统一框架内同步完成杂质数量预测、长纤维数量预测及工艺状态分类,提高了复杂工况下的预测稳定性与工艺状态识别准确率;构建融合安全规则、工艺机理及历史反馈信息的梳棉机工艺知识图谱,并结合知识约束推理机制,实现工艺调控参数的可信生成,提高了工艺调控方案的可靠性、可解释性与可执行性;通过置信度安全判决与参数安全校验机制,对工艺参数进行安全约束与风险过滤,降低了模型误判导致的危险调控风险,提高了工业现场自动调控过程的安全性与稳定性;建立工艺执行后的反馈修正机制,实现工艺参数动态优化与闭环自治控制,形成“动态感知—协同预测—可信决策—执行反馈”的一体化智能调控体系,降低了人工经验依赖,提高了除杂稳定性,减少了长纤维损伤,满足高速连续生产条件下的智能控制要求。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com