一种基于边缘计算的石膏板生产线乱板异常智能预警系统的制作方法
本发明涉及生产安全管理的，具体为一种基于边缘计算的石膏板生产线乱板异常智能预警系统。
背景技术：
1、随着石膏板产能持续扩张，高速连续化生产线已成为行业主流生产模式。石膏板在输送、干燥、裁切、转运等多工段流转过程中，易受设备磨损、工艺波动、环境干扰等因素影响出现位置偏移、姿态倾斜、堆叠卡阻等乱板故障，轻则造成成品次品率上升，重则引发设备损坏、生产线长时间停机，严重影响生产效率与企业经济效益；现有石膏板乱板检测方案存在三类核心缺陷：一是检测精度不足，多采用固定阈值判定，无法精准区分石膏板干燥后产生的热翘曲形变、正常工艺公差与真性乱板故障，误报、漏报率居高不下；二是实时性不足，多采用云端集中式处理架构，数据传输与推理往返时延高，无法匹配百米级高速石膏板生产线的节拍要求；三是长期适应性差，更换石膏板规格时需人工重新标定参数，且生产现场高粉尘、强振动的环境会持续造成检测基准漂移，系统缺乏闭环自优化能力。
2、公开号为cn118736786a的中国发明专利申请公开了一种石膏板生产线安全防护系统，通过设置防护网部，固定设置在生产设备的外部；断电移门部，设置有限位装置，所述断电移门部固定设置在电机处；监控报警部，设置在生产设备的一侧，所述监控报警部用于对生产线进行监控，并当存在异常情况时，实时发出报警提醒；安全光栅部，设置在预设的关键操作区域，所述安全光栅部用于发射和接收红外线，并判断是否切断对应设备的电源，该专利不仅提升了石膏板生产线的物理安全防护，更引入了智能化监控和预警机制，显著增强了生产线的安全性和稳定性，实现了对设备和操作人员的全方位保护，减少安全事故风险；然而以上技术方案不能针对石膏板生成过程乱板状态进行科学监测与预警管理。
3、现有石膏板乱板检测方案存在三类核心缺陷：一是检测精度不足，多采用固定阈值判定，无法精准区分石膏板干燥后产生的热翘曲形变、正常工艺公差与真性乱板故障，误报、漏报率居高不下；二是实时性不足，多采用云端集中式处理架构，数据传输与推理往返时延高，无法匹配百米级高速石膏板生产线的节拍要求；三是长期适应性差，更换石膏板规格时需人工重新标定参数，且生产现场高粉尘、强振动的环境会持续造成检测基准漂移，系统缺乏闭环自优化能力。
技术实现思路
1、为解决上述存在的问题，本发明基于边缘计算架构实现毫秒级石膏板乱板检测，融合几何、形貌、时序多维特征，结合自适应阈值精准区分四类板体状态；通过边云增量学习实现模型闭环自优化，适配现场工况漂移；搭配分级干预与平滑控制，兼顾检测精度、响应速度与生产稳定性，有效降低石膏板生产乱板预警的误漏报率与停机损失。
2、本发明通过以下技术方案予以实现：一种基于边缘计算的石膏板生产线乱板异常智能预警系统，所述系统包括以下：
3、多源感知采集模块，在石膏板生产线各工段同步采集板体图像数据、空间位置数据与生产线运行参数数据，执行前端数据预处理后构建标准化检测数据集；
4、边缘计算处理模块，基于所述标准化检测数据集提取板体几何偏差特征、形貌形变特征与运行时序特征，构建多维度乱板特征向量；将所述多维度乱板特征向量输入轻量化乱板分类判别模型，结合自适应阈值校准机制，区分正常工艺公差状态、热翘曲形变状态、轻度乱板状态、重度乱板状态四类状态，输出对应等级的预警信号；
5、边云协同迭代模块，将边缘端判别置信度低于设定阈值的疑难样本与人工复核标记的误报漏报样本上传至云端服务平台，云端基于增量样本完成模型优化训练后下发更新模型至各边缘节点，实现判别模型的闭环自优化；
6、预警联动执行模块，根据分级预警信号联动对应生产设备执行分级干预操作，同时将乱板故障数据同步至生产管理系统与运维终端。
7、优选的，在石膏板生产线各工段同步采集板体图像数据、空间位置数据与生产线运行参数数据，执行前端数据预处理后构建标准化检测数据集，具体包括以下步骤：
8、s11、在湿板输送段、干燥窑出口段、裁切分板段、堆垛转运段四个核心工段部署检测节点，对接线阵工业相机、激光测距阵列与辊道速度编码器，分别采集板体轮廓图像数据、板面高度数据与生产线实时速度数据；
9、s12、针对采集的板体图像数据执行粉尘遮挡修复、光照均衡化与边缘增强处理，抑制生产现场高粉尘、光照波动带来的图像噪声；
10、s13、针对采集的激光测距数据执行振动滤波与异常值剔除处理，结合辊道速度数据完成板体位置的时空配准；
11、s14、将预处理后的图像数据、测距数据与工况数据按统一时间戳对齐，封装为标准化格式后输出标准化检测数据集。
12、优选的，基于所述标准化检测数据集提取板体几何偏差特征、形貌形变特征与运行时序特征，构建多维度乱板特征向量，具体包括以下步骤：
13、s21、基于板体边缘图像与预设位置基准线，计算板体横向偏移量、纵向倾斜角度、相邻板体间距偏差、多列输送列间错位量，提取几何偏差特征；
14、s22、基于激光测距阵列的多点高度数据，计算板面最大翘曲高度、整体平整度偏差、板边缺损尺寸，提取形貌形变特征；
15、s23、调取连续多个采样周期的板体位置数据，计算偏移量变化速率、位置波动趋势、板速与辊道速度匹配度，提取运行时序特征；
16、s24、将几何偏差特征、形貌形变特征与运行时序特征进行拼接，生成多维度乱板特征向量。
17、优选的，将所述多维度乱板特征向量输入轻量化乱板分类判别模型，结合自适应阈值校准机制，区分正常工艺公差状态、热翘曲形变状态、轻度乱板状态、重度乱板状态四类状态，输出对应等级的预警信号中的自适应阈值校准机制，具体执行以下步骤：
18、s311、接收生产系统下发的当前石膏板厚度规格、长度规格与生产线实时运行速度参数；
19、s312、调用预存的基准公差库，匹配当前板型与线速对应的正常偏移阈值、翘曲允许阈值、乱板判定阈值；
20、s313、根据现场环境温湿度、设备磨损补偿系数对判定阈值进行修正，输出当前工况下的动态判定阈值至轻量化乱板分类判别模型；
21、s314、生产线换产时自动切换对应板型的基准参数，无需人工重新标定。
22、优选的，将所述多维度乱板特征向量输入轻量化乱板分类判别模型，结合自适应阈值校准机制，区分正常工艺公差状态、热翘曲形变状态、轻度乱板状态、重度乱板状态四类状态，输出对应等级的预警信号中轻量化乱板分类判别模型的状态判别处理，具体包括以下步骤：
23、s321、将多维度乱板特征向量输入模型的共享特征提取层，通过多层一维卷积神经网络提取几何偏差与形貌形变对应的空间特征，通过长短期记忆网络提取运行时序对应的动态趋势特征，融合后输出高维隐层特征向量；
24、s322、将高维隐层特征向量输入分类全连接层，通过非线性映射后经softmax函数归一化处理，分别输出正常工艺公差、热翘曲形变、轻度乱板、重度乱板四类状态对应的置信度分值；
25、s323、获取自适应阈值校准单元输出的动态判定阈值，将四类状态的置信度分值分别与对应阈值进行比对，筛选出置信度高于判定阈值的状态类别；
26、s324、在符合阈值要求的状态类别中，选取置信度最高的类别作为最终判别结果，并输出对应等级的预警信号。
27、优选的，将边缘端判别置信度低于设定阈值的疑难样本与人工复核标记的误报漏报样本上传至云端服务平台，云端基于增量样本完成模型优化训练后下发更新模型至各边缘节点，实现判别模型的闭环自优化，具体包括以下步骤：
28、s41、边缘端对每一次判别结果计算分类置信度，将最高置信度低于设定阈值的样本自动标记为疑难样本存入本地缓存，同时接收运维人员通过现场终端标记的误报样本与漏报样本；
29、s42、按固定周期将疑难样本、人工复核样本连同对应工段信息、环境温湿度、板型规格、生产线速度工况数据加密上传至云端服务平台；
30、s43、云端以当前线上模型为基础，采用增量学习方式仅对模型分类层权重进行微调优化，验证集综合精度达标后生成更新版轻量化模型；
31、s44、通过远程升级方式将更新模型下发至全部边缘计算节点，节点采用热加载方式完成模型更新，不中断生产线正常检测业务。
32、优选的，根据分级预警信号联动对应生产设备执行分级干预操作，同时将乱板故障数据同步至生产管理系统与运维终端中的分级干预操作，具体逻辑为：
33、判定为热翘曲形变状态时，向干燥窑温控系统发送温区微调指令，优化温场分布，不改变生产线运行速度；
34、判定为轻度乱板状态时，联动对应工段辊道执行降速运行，同时触发气动导向纠偏机构执行纠偏操作，板体姿态恢复正常后自动恢复原运行速度；
35、判定为重度乱板状态时，立即触发对应工段的安全急停指令，同时启动现场声光告警装置，并将故障位置与故障类型推送至现场运维人员手持终端。
36、优选的，根据分级预警信号联动对应生产设备执行分级干预操作，同时将乱板故障数据同步至生产管理系统与运维终端中执行分级干预操作前还包括防剧烈震荡平滑处理，具体为：
37、读取上一控制周期的设备控制信号当前值，计算动作指令对应的目标控制信号值与当前值的差值；
38、若差值超过预设的单次最大调节步长限制，则强制将本次下发的控制信号截断至最大调节步长限值处，按步长梯度逐步调节至目标值；
39、若差值未超过预设的单次最大调节步长限制，则直接将动作指令对应的目标控制信号下发至执行设备。
40、优选的，根据分级预警信号联动对应生产设备执行分级干预操作，同时将乱板故障数据同步至生产管理系统与运维终端还包括统计分析与风险溯源步骤，具体为：
41、按工段、班次、板型维度统计乱板发生率、故障类型占比、误报漏报率，生成多维度分析报表支撑工艺优化与设备预防性运维；
42、汇聚全工段检测数据，通过时序关联分析定位乱板故障的始发工段与诱因，实现全生产线乱板故障的根因溯源与风险预判。
43、有益效果：
44、本发明提供了一种基于边缘计算的石膏板生产线乱板异常智能预警系统。具备以下有益效果：
45、一、通过融合几何偏差、形貌形变、运行时序三类多维度特征构建判别依据，结合自适应动态阈值与四级分类判别模型，精准区分正常工艺公差、热翘曲形变与不同等级的真性乱板，替代传统单一阈值检测方式，大幅降低误报与漏报率，提升石膏板生产乱板检测精度与场景适配性。
46、二、通过边缘计算架构，将轻量化模型部署于产线本地，数据采集、特征提取、故障判别全流程本地执行，单帧推理时延控制在毫秒级，完全匹配百米级高速石膏板生产线的节拍要求，避免了云端集中处理的传输时延瓶颈；搭配分级干预与防震荡平滑机制，针对不同故障等级执行差异化处置，在遏制故障扩大的同时减少不必要的停机损失，保障石膏板生产稳定性。
47、三、通过构建边云协同的闭环自优化架构，通过边缘端采集疑难样本与人工复核样本，云端基于增量学习持续迭代优化模型，可自适应高粉尘环境、设备磨损带来的检测基准漂移，保障系统长期运行精度不衰减；全工段数据汇聚后可进行多维度统计分析与根因溯源，反向支撑工艺优化与设备预防性运维，从源头降低石膏板生产乱板故障发生率。