本發(fā)明涉及輥筒硬度檢測，具體涉及一種輥筒硬度檢測方法及系統(tǒng)。

背景技術：

1、在輥筒加工領域，確保產品批量的硬度符合規(guī)定標準是至關重要的；輥筒在工業(yè)生產中扮演著重要的角色，用于各種物流輸送過程中；然而，由于制造過程中的各種因素，如材料特性和加工控制參數等，可能導致生產出的輥筒硬度存在差異，甚至出現批量產品硬度不合格的情況，這對生產效率和產品質量造成了嚴重影響，而傳統(tǒng)的輥筒硬度檢測方法主要包括離線檢測方式，離線檢測方式通常需要將輥筒從生產線中取出，使用硬度計等設備進行測試；這種方法不僅費時費力，還會中斷生產流程，降低生產效率。

2、目前，缺乏智能化的輥筒硬度檢測方法，當然存在部分相近的硬度檢測技術，例如授權公告號為cn113447381b的專利公開了一種布氏硬度檢測方法及檢測系統(tǒng)，上述方法雖能實現硬度檢測，但對上述方法以及現有技術進行研究和實際應用發(fā)現，現有技術至少存在以下部分缺陷：

3、(1)存在檢測滯后性，無法在輥筒的生產過程中，實時預估出輥筒的檢測硬度，進一步地，無法確定生產出的輥筒硬度是否合格，從而易導致出現批量硬度不合格的輥筒。

4、(2)無法在實時預估輥筒硬度的基礎上，針對擠出機進行控制調整，進一步地，導致出現輥筒的批量返工，易造成輥筒制造成本的增加和輥筒制作不合格率的上升，容易導致生產出的輥筒出現較大的硬度誤差。

技術實現思路

1、本發(fā)明的目的是提供一種輥筒硬度檢測方法及系統(tǒng)，以解決背景技術中的不足。

2、一種輥筒硬度檢測方法，所述方法包括：

3、在利用擠出機對輥筒原料進行加工時，實時獲取擠出機的實際控制數據；所述實際控制數據包括實際擠出壓力、實際擠出溫度和實際擠出速度；

4、獲取輥筒原料數據，將輥筒原料數據、實際擠出壓力、實際擠出溫度和實際擠出速度輸入預構建第一機器學習模型中，以預測擠出成型后輥筒的預估硬度值；

5、將擠出成型后輥筒的預估硬度值與預設標準硬度值進行比對，以獲取比對結果；所述比對結果包括輥筒硬度合格品和輥筒硬度不合格品。

6、進一步地，所述輥筒原料數據包括輥筒原料成分、輥筒原料成分配比和添加劑的含量。

7、進一步地，所述預構建第一機器學習模型的生成邏輯如下：

8、獲取歷史硬度檢測訓練數據，將歷史硬度檢測訓練數據劃分為硬度檢測訓練集和硬度檢測測試集；所述歷史硬度檢測訓練數據中包含硬度檢測特征數據及其對應的預估硬度值；

9、構建第一回歸網絡，將硬度檢測訓練集中的硬度檢測特征數據作為第一回歸網絡輸入數據，以及將硬度檢測訓練集中的預估硬度值作為第一回歸網絡輸出數據，對第一回歸網絡進行訓練，得到初始第一機器學習網絡；

10、利用硬度檢測測試集對初始第一機器學習網絡進行模型驗證，輸出小于等于預設第一測試誤差閾值的初始第一機器學習網絡作為預構建第一機器學習模型。

11、進一步地，所述比對結果的生成過程如下：

12、將擠出成型后輥筒的預估硬度值與預設標準硬度值進行比對；

13、若預估硬度值與預設標準硬度值相等，則判定對應輥筒為輥筒硬度合格品；

14、若預估硬度值與預設標準硬度值不相等，則判定對應輥筒為輥筒硬度不合格品。

15、進一步地，所述方法還包括：

16、當比對結果為輥筒硬度不合格時，將預估硬度值與預設標準硬度值的差值作為生產硬度誤差，將生產硬度誤差輸入預構建的第二機器學習模型中，以獲取擠出機的最佳調整控制數據；

17、根據最佳調整控制數據對擠出機進行調控，以使得擠出成型后輥筒達到出廠標準。

18、進一步地，所述預構建的第二機器學習模型的生成邏輯如下：

19、獲取歷史控制參數訓練數據，將歷史控制參數訓練數據劃分為控制參數訓練集和控制參數測試集；所述歷史控制參數訓練數據中包含多個生產硬度誤差及其對應的最佳調整控制數據；所述最佳調整控制數據包括最佳修正擠出壓力、最佳修正擠出溫度和最佳修正擠出速度；

20、構建第二回歸網絡，將控制參數訓練集中的生產硬度誤差作為第二回歸網絡輸入數據，以及將控制參數訓練集中的最佳調整控制數據作為第二回歸網絡輸出數據，對第二回歸網絡進行訓練，得到初始第二機器學習網絡；

21、利用控制參數測試集對初始第二機器學習網絡進行模型驗證，輸出小于等于預設第二測試誤差閾值的初始第二機器學習網絡作為預構建的第二機器學習模型。

22、進一步地，所述歷史控制參數訓練數據中最佳修正擠出壓力的生成邏輯如下：

23、a1：在測試場景中，獲取在利用擠出機對輥筒原料進行加工時，獲取擠出機的實際擠出壓力，并將實際擠出壓力記作m，m為大于零的整數；

24、a2：并令q＝m+n，或令q＝m-n，得到修正擠出壓力q，q和n為大于零的整數；

25、a3：利用修正擠出壓力q對擠出機進行控制，并根據修正擠出壓力q獲取擠出成型后輥筒的預估硬度值，判斷預估硬度值與預設標準硬度值是否相等，若相等，則將修正擠出壓力q作為最佳修正擠出壓力；若不相等，則令n＝n+1，或令n＝n-1，并返回步驟a2；

26、a4：重復上述步驟a2-a3，直至得到最佳修正擠出壓力時，結束循環(huán)；

27、所述歷史控制參數訓練數據中最佳修正擠出溫度的生成邏輯如下：

28、b1：在測試場景中，獲取在利用擠出機對輥筒原料進行加工時，獲取擠出機的實際擠出溫度，并將實際擠出溫度記作p，p為大于零的整數；

29、b2：并令g＝p+u，或令g＝p-u，得到修正擠出溫度g，g和u為大于零的整數；

30、b3：利用修正擠出溫度g對擠出機進行控制，并根據修正擠出溫度g獲取擠出成型后輥筒的預估硬度值，判斷預估硬度值與預設標準硬度值是否相等，若相等，則將修正擠出溫度g作為最佳修正擠出溫度；若不相等，則令u＝u+1，或令u＝u-1，并返回步驟b2；

31、b4：重復上述步驟b2-b3，直至得到最佳修正擠出溫度時，結束循環(huán)；

32、所述歷史控制參數訓練數據中最佳修正擠出速度的生成邏輯如下：

33、c1：在測試場景中，獲取在利用擠出機對輥筒原料進行加工時，獲取擠出機的實際擠出速度，并將實際擠出速度記作e，e為大于零的整數；

34、c2：并令f＝e+b，或令f＝e-b，得到修正擠出速度f，f和b為大于零的整數；

35、c3：利用修正擠出速度f對擠出機進行控制，并根據修正擠出速度f獲取擠出成型后輥筒的預估硬度值，判斷預估硬度值與預設標準硬度值是否相等，若相等，則將修正擠出速度f作為最佳修正擠出速度；若不相等，則令u＝u+1，或令u＝u-1，并返回步驟b2；

36、c4：重復上述步驟b2-b3，直至得到修正擠出速度時，結束循環(huán)。

37、一種輥筒硬度檢測系統(tǒng)，所述系統(tǒng)包括：

38、數據采集模塊，用于在利用擠出機對輥筒原料進行加工時，實時獲取擠出機的實際控制數據；所述實際控制數據包括實際擠出壓力、實際擠出溫度和實際擠出速度；

39、硬度確定模塊，用于獲取輥筒原料數據，將輥筒原料數據、實際擠出壓力、實際擠出溫度和實際擠出速度輸入預構建第一機器學習模型中，以預測擠出成型后輥筒的預估硬度值；

40、硬度檢測模塊，用于將擠出成型后輥筒的預估硬度值與預設標準硬度值進行比對，以獲取比對結果；所述比對結果包括輥筒硬度合格品和輥筒硬度不合格品。

41、進一步地，所述系統(tǒng)還包括：

42、誤差檢測模塊，用于當比對結果為輥筒硬度不合格時，將預估硬度值與預設標準硬度值的差值作為生產硬度誤差，將生產硬度誤差輸入預構建的第二機器學習模型中，以獲取擠出機的最佳調整控制數據；

43、參數調控模塊，用于根據最佳調整控制數據對擠出機進行調控，以使得擠出成型后輥筒達到出廠標準。

44、相比于現有技術，本發(fā)明的有益效果在于：

45、本發(fā)明公開了一種輥筒硬度檢測方法及系統(tǒng)，包括：在利用擠出機對輥筒原料進行加工時，實時獲取擠出機的實際控制數據；將輥筒原料數據和實際控制數據輸入預構建第一機器學習模型中，以預測擠出成型后輥筒的預估硬度值；將輥筒的預估硬度值與預設標準硬度值進行比對，當比對結果為輥筒硬度不合格時，將生產硬度誤差輸入預構建的第二機器學習模型中，以獲取擠出機的最佳調整控制數據；根據最佳調整控制數據對擠出機進行調控，以使得擠出成型后輥筒達到出廠標準；基于上述過程，本發(fā)明有利于在輥筒的生產過程中，實時預估出輥筒的檢測硬度，進一步地，確定生產出的輥筒硬度是否合格，從而降低出現批量硬度不合格的輥筒的情況，在實時預估輥筒硬度的基礎上，針對擠出機進行控制調整，避免出現輥筒的批量返工，降低了輥筒制造成本和輥筒制作不合格率，防止生產出的輥筒出現較大的硬度誤差。