瓦楞纸箱智能印刷生产管理系统的制作方法

本技术涉及包装印刷，更具体地说，本技术涉及瓦楞纸箱智能印刷生产管理系统。

背景技术：

1、瓦楞纸箱作为包装行业的重要产品，广泛应用于物流、食品、电子等领域。随着市场需求多样化，传统印刷生产方式在效率、精度及灵活性方面面临挑战。当前行业正逐步向自动化、数字化方向发展，但现有系统仍存在数据孤岛、设备协同性差等问题，导致生产效率低下、资源浪费严重。近年来，物联网和人工智能技术的引入为行业升级提供了新方向，但尚未形成成熟的集成化解决方案。

2、目前行业内存在的具体解决方案及其缺陷如下：

3、方案一：采用独立控制的单机印刷设备，通过人工传递生产指令和物料，虽然设备成本低，但依赖人工调度，错误率高。

4、方案二：基于plc的局部自动化生产线，实现部分工序联动，能提升20%产能，然而系统兼容性差，不同品牌设备需定制接口，导致维护成本增加 30%。

5、方案三：引用mes系统进行生产数据采集，可追溯订单进度，但因缺乏实时反馈机制，无法动态调整印刷参数，次品率较高。

6、现有技术的主要缺陷包括：多源异构设备间通信协议不统一；生产数据与实际操作脱节；质量检测滞后于生产过程；能源消耗缺乏精准管控，因此，针对上述中的相关技术问题提出瓦楞纸箱智能印刷生产管理系统。

技术实现思路

1、为了克服现有技术的上述缺陷，本技术提供瓦楞纸箱智能印刷生产管理系统，以解决上述背景技术中提出的问题。

2、一方面，为实现上述目的，本技术提供如下技术方案：瓦楞纸箱智能印刷生产管理系统，包括中央控制模块、印刷机组、视觉检测模块和能源控制模块，

3、所述中央控制模块采用工业pc搭载opc ua服务器，且中央控制模块通过profinet总线连接所述印刷机组；

4、所述印刷机组包括送纸单元、水墨印刷单元和模切单元；

5、所述视觉检测模块包含2000万像素ccd相机与光谱分析仪，将ccd相机采集的图像输入到改进的目标检测模型即yolo模型进行缺陷检测；

6、所述能源管理模块实时采集设备能源消耗数据，基于强化学习的能源优化模型学习最优能源分配策略，调整设备功率和气压，同时，能源优化模型对未来能源消耗进行预测，为生产计划和能源采购提供依据。

7、通过采用上述技术方案，攻克多源异构设备通信难题，借通信协议转换算法实现设备统一通信，搭配基于深度学习的生产调度模型，使设备紧密协作，利用多种智能算法和模型，将生产数据与实际操作深度融合，实时依据生产状况调整设备参数有效的降低次品率。

8、进一步的，所述中央控制模块中设置有生产调度模型，且中央控制模块用于在生产任务下达时将订单需求、历史生产数据和设备状态输入基于深度学习的生产调度模型，通过生产调度模型输出生产调度方案，并将生产调度方案发送给印刷机组。

9、进一步的，所述中央控制模块内置有通信协议转换算法，基于语义解析技术采用以下策略：

10、设输入的异构协议数据为：，通过语义解析函数提取数据语义特征；

11、再经过协议转换函数得到统一格式数据，即，实现设备间的无缝通信。

12、通过采用上述技术方案，通信协议转换算法打破设备通信壁垒，使不同设备顺畅“对话”；基于深度学习的生产调度模型综合多方面数据，智能规划生产流程，优化设备作业顺序与时间安排，实现印刷机组高效协同，减少人工干预和调度失误。

13、进一步的，所述中央控制模块中的生产调度模型执行以下策略：

14、通过卷积神经网络算法即cnn对数据进行特征提取，以历史生产数据、订单需求和设备状态为输入，通过cnn的卷积层公式：提取数据特征，其中，为第l层输出，为卷积核，为上一层输出，为偏置，为激活函数，表示卷积运算；

15、通过长短时记忆网络即lstm分析时间序列信息，输出调度方案并发送给印刷机组各单元，其中lstm执行策略为：

16、lstm的细胞状态更新公式为：；

17、隐藏状态更新公式为：；

18、其中，为时刻细胞状态，为遗忘门输出，为输入门输出，为候选细胞状态，表示元素相乘，为输出门输出；

19、经过时间序列分析，输出最优的生产调度方案。

20、通过采用上述技术方案，实现印刷机组各单元的协同作业，减少换产时间和人工调度错误，该生产调度模型还会根据实时反馈的生产数据进行动态调整，确保在订单需求变更或设备突发状况时，仍能迅速优化调度方案，维持生产流程的高效稳定运行。

21、进一步的，所述印刷机组中的送纸单元根据纸张参数，利用自适应送纸算法通过安装在送纸通道上的张力传感器和速度传感器实时采集的纸张的张力和速度数据，自适应送纸算法采用pid控制模型调整送纸速度和张力；

22、pid控制模型执行以下策略：

23、，其中，代表t时刻的控制量，用于调节送纸单元的执行机构，为比例系数，为微分系数，为微分系数，为t时刻系统设定值与实际测量值之间的误差。

24、进一步的，所述水墨印刷单元采用基于计算机视觉的油墨浓度智能调节模型，且油墨浓度智能调节模型采用支持向量机算法即svm，利用视觉检测模块采集的印刷图像数据，通过图像识别算法提取图像数据中的颜色信息和纹理特征，结合预设的印刷标准，采用svm执行以下策略：

25、决策函数为建立油墨浓度与图像特征之间的关系模型，实施调整油墨输送量，其中，为拉格朗日乘子，为样本标签，为核函数，b为偏置。

26、通过采用上述技术方案，水墨印刷单元与送纸单元紧密配合，送纸单元稳定输送纸张为水墨印刷提供良好基础，水墨印刷单元的油墨浓度智能调节模型则根据纸张特性和印刷要求，进一步保障印刷质量，为后续模切单元的精准加工做好铺垫。

27、进一步的，所述模切单元运用基于遗传算法的模切路径优化算法，以模切任务的形状，尺寸和设备加工能力为约束条件，遗传算法中，个体适应度函数根据模切路径长度因素确定，公式为：，通过选择、交叉、变异操作，不断进化种群对模切路径进行优化，生成最短的模切路径。

28、通过采用上述技术方案，实时精准调整油墨输送量，保障印刷色彩和图案精准，降低因油墨问题产生的次品。

29、进一步的，所述视觉检测模块的yolo模型进行缺陷检测时采用以下策略：

30、引入注意力机制，yolo模型的损失函数包含目标定位损失、目标置信度损失和类别预测损失，即，其中，和为权重系数；

31、光谱分析仪采集的光谱数据通过主成分分析算法进行降维处理，公式为：，其中，为降维后数据，为主成分矩阵，为原始数据；

32、再利用k-均值聚类算法对印刷颜色的准确性进行判断，且k-均值聚类算法的目标函数为：，其中c为聚类标签，为聚类中心，为样本数据；

33、当检测到质量问题时，视觉检测模块将数据实时传输给中央控制模块，中央控制模块根据预设的规则和算法自动调整印刷机组的参数。

34、通过采用上述技术方案，各单元之间通过中央控制模块实现数据共享与协同，例如视觉检测模块将实时监测到的印刷质量数据及时反馈给中央控制模块后，中央控制模块会将其作为生产调度模型动态调整的依据，同时传递给印刷机组各单元，使送纸单元、水墨印刷单元和模切单元能够同步优化各自的运行参数，进一步提升整个生产系统的运行效率和产品质量稳定性。

35、进一步的，所述能源管理模块集成电流传感器和气压监测终端，且能源管理模块能源优化模型以设备的运行状态、生产任务和能源消耗数据为输入，通过深度q网络算法，其q值更新公式为：，执行不断探索和学习最优的能源分配策略，根据生产需求动态调整设备的功率、气压，降低能源消耗，其中，为t时刻状态，为t时刻动作，为学习率，为奖励，为折扣因子；

36、进一步的，所述能源管理模块利用自回归整合移动平均模型对能源消耗进行预测，且自回归整合移动平均模型公式为：，其中b为滞后算子，为差分阶数，和为多项式，为白噪声。

37、通过采用上述技术方案，基于强化学习的能源优化模型，根据设备和生产情况动态调整能源参数，实现能源按需分配；能源消耗预测功能为生产计划和能源采购提供数据支撑，减少能源浪费，降低企业运营成本。

38、本技术的技术效果和优点：

39、与现有技术相比，该瓦楞纸箱智能印刷生产管理系统，攻克多源异构设备通信难题，借通信协议转换算法实现设备统一通信，搭配基于深度学习的生产调度模型，使设备紧密协作，大大缩短换产时间，降低错误率提升生产效率；

40、利用多种智能算法和模型，将生产数据与实际操作深度融合，实时依据生产状况调整设备参数，降低次品率；视觉检测模块实时监测，与生产同步进行质量检测，发现问题及时反馈调整，有力保障产品质量；

41、通过能源管理模块通过强化学习的能源优化模型和时间序列预测算法，精准管控能源，相比传统方式降低能源消耗，实现绿色节能生产。