本发明涉及智能制造，更具体地说，本发明涉及用于监测针刺毡生产过程的智能控制系统及其控制方法。
背景技术：
1、针刺毡是一种常见的填充材料，广泛应用于家具、床垫等产业。在现今自动化技术的普及下，自动化生产成为现在的针刺毡生产的主要前进方向。
2、例如公开号为cn113391608a的中国专利提供一种玻璃棉毡的智能生产控制系统，其包括控制器，所述控制器连接有串联模块和并联模块，所述串联模块和并联模块；所述串联模块和并联模块分别将开包机、开松机、振动给棉机、梳理机、铺网机、分卷机、针刺机、切边成卷机串联和并联；所述开包机、开松机、振动给棉机、梳理机、铺网机、分卷机、针刺机、切边成卷机的货物输出端口分别设有缓存区；所述参数采集传感器用于采集系统中各设备的内部环境参数和外部环境参数，并根据该参数采集传感器的反馈数据输出调节系统中各个设备的运行状态。对玻璃棉毡生产线的各个设备进行不同模式的管理，保证生产线的顺利、连续运行，提升了玻璃棉毡生产线的工作效率和突发状况应对能力。
3、而在针刺毡的生产过程中，开松度和混合均匀度是影响质量的两个关键指标，传统的针刺毡生产线，开松度和混合均匀度等重要工艺参数主要通过人工测试和调节来控制。这种人工测试和调节方式操作复杂，效率低下，且容易受到主观因素影响，难以保证产品的一致性。
4、随着现代自动化技术的普及，标志着智能制造技术也将在轻工业中崭露头角，而如何在生产过程中利用智能控制，控制自动化机器进行针刺毡自动化生产，使得产品的产量得到提升的同时，质量稳定性和一致性也得到保证成为了现今技术需要解决的难题。
技术实现思路
1、为了解决的上述难题，本发明的实施例提供用于监测针刺毡生产过程的智能控制方法，方法包括：
2、收集针刺毡生产过程中的开松度监测图像与混合均匀度监测数据；
3、对开松度监测图像与混合均匀度监测数据进行预处理；
4、将预处理后的开松度监测图像输入至预构建的开松度调整参数预测模型，输出开松度调整参数与开松异常标记；
5、将预处理后的混合均匀度监测数据输入至预构建的混合均匀度调整参数预测模型，输出混合均匀度调整参数；
6、接收开松度调整参数与开松异常标记，控制开松设备根据开松度调整参数与开松异常标记进行开松，获得原料配料，控制运输线启动将原料配料输送至混料设备；
7、接收混合均匀度调整参数，控制混料设备根据混合均匀度调整参数对原料配料进行混合，获得均匀物料，控制运输线启动将均匀物料输送至梳理机。
8、进一步地，所述开松度调整参数预测模型的构建方法包括：
9、所述开松度调整参数预测模型采用vgg模型结构，vgg模型结构包括输入层、d个卷积块、2个全连接层与输出层，输入层的图片大小统一规划为224×224×u，d与u为预设值，卷积块包括第一卷积块、第二卷积块、第三卷积块、第四卷积块与第五卷积块；其中，卷积块均包含两个3×3的卷积层，卷积层中的卷积核大小均为3×3，卷积块的池化结构包括池化层与汇聚层，第一卷积块与第二卷积块的池化结构均为池化层，第三卷积块、第四卷积块与第五卷积块的池化结构均为汇聚层，在卷积块的池化结构中，池化窗口大小为2×2，步长为2；第一卷积块的卷积层输出的通道有64个，第二卷积块的卷积层输出的通道有128个，第三卷积块的卷积层输出的通道有256个，第四卷积块的卷积层输出的通道有512个，第五卷积块的卷积层输出的通道有512个；全连接层包括第一全连接层与第二全连接层；第一全连接层的输入节点数为25088，输出节点数为4096，激活函数为relu函数，第二全连接层的输入节点数为4096，输出节点数为4096，激活函数为relu函数，输出层的输入节点数为4096，输出节点数为3，无激活函数。
10、进一步地，所述开松度调整参数预测模型的训练方法包括：
11、从数据库中抽取p个开松度调整参数预测日志，每个开松度调整参数预测日志包括1张开松度监测图像与一组对应的开松度调整参数与开松异常标记，将p个开松度调整参数预测日志分成训练集与验证集，训练集为h个开松度调整参数预测日志，验证集为z个开松度调整参数预测日志，优化器为adam优化器，将训练集导入开松度调整参数预测模型，完成从输入层到输出层的正向计算，采用交叉熵作为损失函数，损失函数loos公式为：
12、
13、式中，ei为第i张开松度监测图像所对应的实际开松度调整参数与开松异常标记，ea(fhi)为第i张开松度监测图像的预测开松度调整参数与开松异常标记，η为超参数，为第一全连接层与第二全连接层的权重的正则化；i为开松度监测图像的编号；
14、根据优化器更新开松度调整参数预测模型的参数的取值，每轮训练后下降学习率半量，计算验证集上的损失函数，观察损失函数是否收敛，收敛则结束训练。
15、进一步地，所述混合均匀度调整参数预测模型的构建方法包括：
16、初始化混合均匀度调整参数预测模型结构，混合均匀度调整参数预测模型结构采用mlp类型的多层前向网络结构，混合均匀度调整参数包括混合速度、混合时间与混合序列，混合序列包括纤维类型、混合顺序与混合比例；mlp类型的多层前向网络结构包括输入层、隐藏层与输出层；输入层包括第一输入层、第二输出层与第三输出层，分别对应颜色分析数据、成分分析数据与质量数据；隐藏层包括第一隐藏层与第二隐藏层，第一隐藏层的第一隐藏层节点数为128r，以relu函数作为激活函数；第二隐藏层的第二隐藏层节点数为64r，r为预设值，以relu函数作为激活函数；输出层包括第一输出层、第二输出层与第三输出层，第一输出层的第一输出层节点数为1，预测适用混合速度；第二输出层的第二输出层节点数为1，预测适用混合时间；第三输出层的第三输出层节点包括节点1、节点2与节点3，节点数为[3，m+2]，节点1为预测的纤维类型，m为混合的纤维类型数量，节点2为预测的混合顺序，节点3为预测的混合比例；
17、初始化混合均匀度调整参数预测模型结构后，使用颜色分析数据、成分分析数据与质量数据以及与颜色分析数据、成分分析数据与质量数据所对应的混合均匀度调整参数训练混合均匀度调整参数预测模型，优化器为adam，损失函数为mse损失函数，当损失函数收敛时结束训练，训练完成。
18、进一步地，所述混合均匀度调整参数预测模型的训练方法包括：
19、将颜色分析数据、成分分析数据与质量数据转换为对应的一组第一特征向量；
20、将颜色分析数据、成分分析数据与质量数据作为混合均匀度调整参数预测模型的输入，所述混合均匀度调整参数预测模型以每组颜色分析数据、成分分析数据与质量数据所对应的一组混合均匀度调整参数作为输出，以每组颜色分析数据、成分分析数据与质量数据实际对应的混合均匀度调整参数作为预测目标，以最小化混合均匀度调整参数预测模型损失函数值作为训练目标；当混合均匀度调整参数预测模型损失函数值小于或等于预设的目标损失值时停止训练。
21、进一步地，用于监测针刺毡生产过程的智能控制方法，还包括：
22、收集温度与湿度；
23、输入温度、湿度、开松度调整参数与混合均匀度调整参数至预构建的最终调整参数模型输出最终调整参数。
24、进一步地，所述最终调整参数模型的构建方法包括：
25、将温度、湿度、开松度调整参数与混合均匀度调整参数作为分析数据，预先收集c组分析数据对应的最终调整参数，将分析数据与对应的最终调整参数转换为对应的一组第二特征向量；
26、将每组第二特征向量作为最终调整参数模型的输入，所述最终调整参数模型以每组分析数据对应的一组最终调整参数作为输出，以每组分析数据对应的实际最终调整参数作为预测目标，实际最终调整参数即为预先收集的与分析数据对应的最终调整参数；以最小化所有分析数据的预测误差之和作为训练目标；其中，预测误差的计算公式为zk＝(ak-μk)2，其中zk为预测误差，k＝1，2，...，c，k为分析数据对应第二特征向量的组号，αk为第k组分析数据对应的最终调整参数，μk为第k组分析数据对应的实际最终调整参数；对最终调整参数模型进行训练，直至预测误差之和达到收敛时停止训练；
27、所述最终调整参数模型为深度神经网络模型。
28、用于监测针刺毡生产过程的智能控制系统，系统包括：
29、收集模块：用于收集温度、湿度、针刺毡生产过程中的开松度监测图像与混合均匀度监测数据；
30、预处理模块：用于对开松度监测图像与混合均匀度监测数据进行预处理；
31、开松调整模块：用于将预处理后的开松度监测图像输入至预构建的开松度调整参数预测模型，输出开松度调整参数与开松异常标记；
32、混合调整模块：用于将预处理后的混合均匀度监测数据输入至预构建的混合均匀度调整参数预测模型，输出混合均匀度调整参数；
33、最终调整模块：用于输入温度、湿度、开松度调整参数与混合均匀度调整参数至预构建的最终调整参数模型，输出最终调整参数；
34、最终调控模块：空调根据最终调整参数调控温度与湿度；开松设备与混料设备均根据最终调整参数进行调整。
35、一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现所述的自适应多目标优化的项目绩效动态评估理方法。
36、一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时，实现所述的自适应多目标优化的项目绩效动态评估方法。
37、本发明提供的用于监测针刺毡生产过程的智能控制方法及装置的技术效果和优点：
38、本发明提高了自动化级别，实现开松度和混合均匀度的实时监测和智能调控，从而替代传统人工调整，减少人力投入；采集多源多模态数据，从图像、光谱、质量等多个角度评估开松度和均匀度，信息更丰富完整；建立开松度、均匀度和最终调整参数预测模型，实现端到端的智能预测和决策，直接输出调整方案；考虑环境影响因素如温湿度，模型能自适应不同条件下进行精细调整，结果更可靠；预处理和特征提取能有效提取关键信息，提升模型训练和预测效率；模型训练采集大量真实数据，结构优化，预测结果更符合实际生产需要；整体系统模块化设计，收集-预处理-预测-输出，工作流清晰高效；实时监控和学习能持续改进模型，使控制水平与产品变化同步提升；对质量进行全程监控和追踪，有利于提高产品质量稳定性和一致性。
1.用于监测针刺毡生产过程的智能控制方法，其特征在于，方法包括：
2.根据权利要求1所述的用于监测针刺毡生产过程的智能控制方法，其特征在于，所述开松度调整参数预测模型的构建方法包括：
3.根据权利要求2所述的用于监测针刺毡生产过程的智能控制方法，其特征在于，所述开松度调整参数预测模型的训练方法包括：
4.根据权利要求1所述的用于监测针刺毡生产过程的智能控制方法，其特征在于，所述混合均匀度调整参数预测模型的构建方法包括：
5.根据权利要求4所述的用于监测针刺毡生产过程的智能控制方法，其特征在于，所述混合均匀度调整参数预测模型的训练方法包括：
6.根据权利要求1所述的用于监测针刺毡生产过程的智能控制方法，其特征在于，还包括：
7.根据权利要求6所述的用于监测针刺毡生产过程的智能控制方法，其特征在于，所述最终调整参数模型的构建方法包括：
8.用于监测针刺毡生产过程的智能控制系统，其特征在于，所述系统用于实施权利要求1-7任一项所述的用于监测针刺毡生产过程的智能控制方法，系统包括：
9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1-7任一项所述的用于监测针刺毡生产过程的智能控制方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时，实现权利要求1-7任一项所述的用于监测针刺毡生产过程的智能控制方法。
