本發(fā)明涉及數(shù)據(jù)處理領域，具體涉及一種模具生產(chǎn)信息數(shù)據(jù)分析方法及系統(tǒng)。

背景技術：

1、在工業(yè)領域，叉車橋殼是叉車的重要部件之一，用于支撐和傳遞車輪的負荷，并與車橋系統(tǒng)配合，保證叉車的穩(wěn)定行駛和轉向性能。叉車橋殼模具主要用于將金屬液體澆注成型，使橋殼的幾何形狀和尺寸符合設計要求。為了保證橋殼的強度、耐磨性和抗疲勞性，模具需要具有高精度和良好的耐用性。通常叉車橋殼模具的制作過程包括設計、粗加工和精加工、熱處理以及表面處理等步驟，其中熱處理過程是模具制作的重要環(huán)節(jié)，主要目的是提升模具的硬度、強度、韌性和耐磨性，以應對長期生產(chǎn)中的高強度使用需求。如果熱處理過程中溫度控制不精確或不穩(wěn)定可能會導致模具出現(xiàn)裂紋、尺寸變形、硬度不足或脆性增加等問題，因此精確控制熱處理過程中的溫度變化是保證叉車橋殼模具質量的使用壽命的關鍵。

2、現(xiàn)有技術中通常采用一些預測模型來修正以及調控當前的實際溫度，例如，公開號為cn118485236a的中國專利申請文件公開了一種基于xgboost的供熱系統(tǒng)熱力站調控預測方法及系統(tǒng)，其通過收集供熱系統(tǒng)中相關數(shù)據(jù)建立熱力站調控模型，利用xgboost算法對熱力站調控模型進行訓練；根據(jù)預測的二次供水溫度和二次管網(wǎng)溫度響應的延遲時間，對熱力站的調控策略進行調整，從而實現(xiàn)了對熱力站二次供、回水溫度的精確預測與調控。但是，這種方法存在一些技術缺陷：其回歸模型的參數(shù)，特別是學習率固定在訓練階段，無法在運行時根據(jù)新數(shù)據(jù)實時微調模型參數(shù)，使得模型對環(huán)境和系統(tǒng)的變化響應不夠靈活，容易出現(xiàn)擬合或欠擬合的情況，降低了模型的泛化能力。

技術實現(xiàn)思路

1、針對上述模型對環(huán)境和系統(tǒng)的變化響應不夠靈活的問題，在第一方面中本發(fā)明提出了一種模具生產(chǎn)信息數(shù)據(jù)分析方法及系統(tǒng)，包括：基于模具熱處理過程的歷史正常溫度數(shù)據(jù)訓練lstm預測模型；計算各批次訓練數(shù)據(jù)所包含多個樣本窗口的熱響應系數(shù)的均值；獲取lstm預測模型的自適應學習率，所述自適應學習率與所述均值以及設定的初始學習率呈正相關；所述熱響應系數(shù)的具體獲取過程為：采集模具的中心溫度與遠端溫度，所述遠端溫度為模具兩側溫度的均值；多個采集時刻下中心溫度與遠端溫度共同構成樣本窗口；所述歷史正常溫度數(shù)據(jù)包含多個樣本窗口；計算各樣本窗口內(nèi)所有中心溫度與遠端溫度的溫度差得到溫度差序列；對所述溫度差序列進行多項式擬合，獲取對應的二次項系數(shù)；將所述二次項系數(shù)、對應樣本窗口平均溫度下模具材料的彈性模量以及熱膨脹系數(shù)的乘積作為對應樣本窗口的熱應力指數(shù)；獲取各樣本窗口的熱響應系數(shù)，所述熱響應系數(shù)與對應樣本窗口的熱應力指數(shù)、模具的平均厚度呈正相關，與模具的表面積呈負相關；基于訓練好的lstm預測模型預測當前模具的溫度數(shù)據(jù)得到預測溫度，基于當前預測溫度與實際溫度的溫度誤差調控加熱功率。

2、本發(fā)明提出了一種基于lstm模型和自適應學習率的模具生產(chǎn)信息數(shù)據(jù)分析方法，通過實時采集模具中心與遠端的溫度數(shù)據(jù)，并結合材料特性計算熱應力指數(shù)和熱響應系數(shù)，還通過特征值驅動的自適應學習率調整lstm模型的學習速度，使模型在高應力區(qū)域快速收斂，在溫差較小時進行精細調整。相比于傳統(tǒng)使用固定學習率的模型，本發(fā)明的自適應學習率能夠根據(jù)當前工況動態(tài)調整訓練策略，解決了模型在復雜工況下響應遲緩的問題。因此，本發(fā)明在復雜熱處理環(huán)境中確保了模型的高效、穩(wěn)定訓練和溫度預測的準確性，提高了模具生產(chǎn)質量和使用壽命。

3、進一步地，所述熱應力指數(shù)的計算方法具體為：

4、

5、其中表示樣本窗口的熱應力指數(shù)；表示模具在樣本窗口內(nèi)平均溫度下的彈性模量；表示模具在樣本窗口內(nèi)平均溫度下的熱膨脹系數(shù)；為最大最小值歸一化函數(shù)。

6、進一步地，所述熱響應系數(shù)的計算方法具體為：

7、

8、其中表示樣本窗口對應的熱應力指數(shù)；u表示模具的平均厚度；s表示模具的表面積；表示歸一化函數(shù)；表示自然指數(shù)函數(shù)。

9、通過結合熱應力指數(shù)、材料物理特征等多層次因素，計算出模具在溫度變化中的響應能力。該響應系數(shù)不僅考慮了材料的內(nèi)部特性，還通過結合模具結構（如厚度）的影響，使模型對溫度變化的預測更加精準。相比于現(xiàn)有技術中單一的溫度監(jiān)控，本發(fā)明的熱響應系數(shù)通過綜合考慮多種物理特性，提供了更為全面的系統(tǒng)響應評價。

10、進一步地，所述修正后的學習率的計算方法具體為：

11、

12、其中表示第y批次訓練數(shù)據(jù)修正后的學習率；表示初始學習率；表示第y批次訓練數(shù)據(jù)包含的所有樣本窗口對應的熱響應系數(shù)的均值；表示自然指數(shù)函數(shù)。

13、基于熱響應系數(shù)均值的自適應學習率調整方法，在lstm模型的訓練過程中，根據(jù)每一批次的熱響應系數(shù)，動態(tài)調整模型的學習速度。該方法使得lstm模型在溫差較大時加快收斂，在溫差較小時放慢訓練步伐，從而實現(xiàn)對模型訓練過程的自適應優(yōu)化。相比于傳統(tǒng)模型的固定學習率，本發(fā)明通過動態(tài)調整學習率，使得模型能夠在溫差和應力變化時迅速響應，有效減少了訓練過程中因學習步伐不當而產(chǎn)生的過擬合或欠擬合問題。

14、進一步地，基于當前預測溫度與實際溫度的誤差調控加熱功率，還包括：基于設定的控制規(guī)則使用模糊控制算法調控熱管理系統(tǒng)的加熱功率，所述控制規(guī)則具體為：當溫度誤差大于且誤差變化率大于時，增大加熱功率直至溫度誤差處于內(nèi)；當溫度誤差處于且誤差變化率處于，加熱功率不變；當溫度誤差小于且誤差變化率小于時，減小加熱功率直至溫度誤差處于內(nèi)。

15、通過分析lstm模型預測的溫度誤差與變化率，動態(tài)調整模具加熱和冷卻功率。該模糊控制系統(tǒng)能夠根據(jù)預測結果的變化趨勢靈活調節(jié)功率，而傳統(tǒng)pid控制系統(tǒng)在應對復雜的溫度波動時，往往需要反復調參才能達到較好的效果。本發(fā)明的模糊控制算法能夠根據(jù)實時溫度數(shù)據(jù)的變化，自適應調整調控策略，減少了人為調參的時間成本，并提升了控制精度和系統(tǒng)響應速度。

16、進一步地，采集模具的中心溫度與遠端溫度，還包括：在模具槽型開口中心固定熱電偶溫度傳感器采集模具的中心溫度；在模具兩端分別固定熱電偶溫度傳感器采集模具的兩側溫度，將所述兩側溫度的均值作為遠端溫度；設置傳感器的采集頻率為每30秒一次。

17、通過在模具中心與遠端布置溫度傳感器，定時采集溫度數(shù)據(jù)，并將這些數(shù)據(jù)作為lstm模型的輸入。該方法確保了對模具內(nèi)部溫度的全面監(jiān)控，為預測與調控提供了可靠的數(shù)據(jù)支持。相比于傳統(tǒng)的單點溫度采集方法，本發(fā)明通過多點采集更全面地反映了模具的溫度分布情況，減少了局部溫度異常導致的預測誤差。同時，多點采集的數(shù)據(jù)使得lstm模型的預測更加精準，提高了模具熱處理過程的可控性。

18、進一步地，所述lstm預測模型的訓練過程還包括：將模具熱處理過程的前70%的歷史正常溫度數(shù)據(jù)作為訓練集；將中間15%的歷史正常溫度數(shù)據(jù)作為驗證集；將最后15%的歷史正常溫度數(shù)據(jù)作為測試集。

19、在第二方面中，本發(fā)明提供了一種模具生產(chǎn)信息數(shù)據(jù)分析系統(tǒng)，包括處理器和存儲器，所述存儲器存儲有計算機程序指令，當所述計算機程序指令被所述處理器執(zhí)行時實現(xiàn)本發(fā)明的模具生產(chǎn)信息數(shù)據(jù)分析方法。

20、本發(fā)明的技術效果為：

21、本發(fā)明通過lstm模型預測模具的未來溫度變化，并使用基于溫度差與熱應力的融合特征值調整學習率，實現(xiàn)了預測與調控的智能化。該方法確保了預測模型在應對不同工況時能快速響應，顯著提升了叉車橋殼模具的生產(chǎn)質量。