权利要求

1.一种铝型材加工质量检测方法，其特征在于，包括以下步骤：

获取铝型材生产过程中的时序工艺数据和/或与所述时序工艺数据对应的成品性能数据;

基于多模态对比学习方法，训练一个用于将所述时序工艺数据和所述成品性能数据映射到一个统一的隐式表示空间的数据处理模型，使得在所述隐式表示空间中，来自同一铝型材样本的工艺数据表示和性能数据表示的距离小于来自不同铝型材样本的表示距离;

将待检测铝型材的实时或历史时序工艺数据输入到所述数据处理模型，获得其在所述隐式表示空间中的工艺轨迹或终点表示，并基于所述轨迹或终点表示与预设标准区域的相对位置，生成产品质量检测结果。

2.根据权利要求1所述的方法，其特征在于，所述时序工艺数据包括温度、压力、速度中至少一种的时间序列数据;所述成品性能数据包括金相显微图像、力学性能曲线图、硬度分布图中至少一种。

3.根据权利要求1或2所述的方法，其特征在于，该方法还包括：

训练一个条件生成解码器，所述条件生成解码器能够以所述隐式表示空间中的任一向量为输入，生成与该向量对应的、至少一种模态下的数据;

当质量检测结果为异常时，将该异常状态对应的隐式空间表示输入到所述条件生成解码器，生成与异常相关的、一个或多个模态下的可视化归因数据。

4.根据权利要求1所述的方法，其特征在于，该方法还包括：

在生产过程中，将实时获取的时序工艺数据持续映射到所述隐式表示空间，形成一条实时工艺轨迹;

当所述实时工艺轨迹偏离一个预设的黄金轨迹区域时，预测该轨迹的未来走向及其终点对应的产品性能;

基于所述预测的性能与目标性能的差异，生成并执行一个前馈控制指令，以调整生产工艺参数，使所述实时工艺轨迹回归到所述黄金轨迹区域内。

5.根据权利要求3所述的方法，其特征在于，所述可视化归因数据包括预测的成品金相显微图像、预测的力学性能曲线或导致异常的模拟工艺参数曲线。

6.一种铝型材加工质量检测系统，其特征在于，包括：

数据采集单元，用于获取铝型材生产过程中的时序工艺数据和成品性能数据;

统一表示融合单元，其内部集成有通过多模态对比学习训练的数据处理模型，用于将不同模态的所述数据映射到一个统一的隐式表示空间;

质量评估单元，用于将待检测铝型材在所述隐式表示空间中的表示与预设标准进行比较，并输出质量检测结果。

7.根据权利要求6所述的系统，其特征在于，该系统还包括：

生成式归因单元，其内部集成有一个条件生成解码器，用于接收来自所述质量评估单元的异常状态表示，并生成多模态的可视化归因报告。

8.根据权利要求6或7所述的系统，其特征在于，该系统还包括：

动态控制单元，用于实时监测所述统一表示融合单元生成的工艺轨迹，在轨迹发生偏离时进行前瞻性预测，并生成前馈控制指令下发至生产设备。

9.根据权利要求6所述的系统，其特征在于，所述统一表示融合单元包括一个用于处理时序工艺数据的过程编码器和一个用于处理成品性能数据的性能编码器。

10.一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如权利要求1至5中任一项所述的方法。

说明书

技术领域

[0001]本发明属于智能制造技术领域，具体涉及一种铝型材加工质量检测系统及方法。

背景技术

[0002]铝型材的质量一致性是决定其在航空、汽车、建筑等关键领域应用成败的核心。其最终性能由复杂的生产工艺(挤压、淬火、时效)全流程决定。传统质量控制方法，如终点抽检或基于单一数据源的表面缺陷检测，存在显著滞后性，且无法揭示工艺波动与内部性能演变之间的复杂非线性关系。

[0003]随着人工智能技术的发展，一些方法尝试使用机器学习模型关联工艺参数和产品质量。然而，在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

[0004]1.生产过程涉及多种异构数据，如一维的时序传感器信号(温度、压力)、二维的成品内部图像(金相图)、以及函数曲线形式的力学性能数据(应力-应变曲线)。现有方法通常将它们简单拼接或独立处理，无法建立跨模态数据间的深层语义关联，即无法真正理解一段温度曲线如何具体地影响一张金相图的纹理。

[0005]2.当模型预测出质量不合格时，它通常只能给出输入参数的相关性权重，无法提供一个直观、符合物理直觉的解释。工程师无法看到一个异常的工艺参数是如何一步步导致微观组织的劣化，从而限制了其快速定位并解决问题的能力。

[0006]3.现有的质量控制多为事后响应或基于静态模型的离线优化。对于生产过程中突发的、微小的扰动，系统缺乏实时评估该扰动对最终成品质量的未来影响的能力，因而无法进行精准、及时的事中干预或前瞻性控制。

发明内容

[0007]本发明旨在至少在一定程度上解决上述技术问题。为此，本发明目的在于提供一种铝型材加工质量检测系统及方法。

[0008]本发明所采用的技术方案为：

[0009]一种铝型材加工质量检测方法，包括：获取铝型材生产过程中的时序工艺数据和/或与所述时序工艺数据对应的成品性能数据;基于多模态对比学习方法，训练一个用于将所述时序工艺数据和所述成品性能数据映射到一个统一的隐式表示空间的数据处理模型，使得在所述隐式表示空间中，来自同一铝型材样本的工艺数据表示和性能数据表示的距离小于来自不同铝型材样本的表示距离;将待检测铝型材的实时或历史时序工艺数据输入到所述数据处理模型，获得其在所述隐式表示空间中的工艺轨迹或终点表示，并基于所述轨迹或终点表示与预设标准区域的相对位置，生成产品质量检测结果。

[0010]优选地，所述时序工艺数据包括温度、压力、速度中至少一种的时间序列数据;所述成品性能数据包括金相显微图像、力学性能曲线图、硬度分布图中至少一种。

[0011]优选地，所述方法还包括训练一个条件生成解码器，用于以隐式表示空间中的向量为输入，生成一个或多个模态下的可视化归因数据，例如预测的成品金相显微图像、预测的力学性能曲线或导致异常的模拟工艺参数曲线。当质量检测结果为异常时，将该异常状态对应的隐式空间表示输入到所述条件生成解码器，生成与异常相关的可视化归因数据。

[0012]优选地，所述方法还包括在生产过程中，将实时工艺数据持续映射到隐式表示空间形成实时轨迹，当轨迹偏离预设黄金轨迹区域时，进行前瞻性预测并执行前馈控制。

[0013]相应地，本发明还提供了一种铝型材加工质量检测系统，包括：数据采集单元;统一表示融合单元，其内部集成有通过多模态对比学习训练的数据处理模型，该模型包括一个用于处理时序工艺数据的过程编码器和一个用于处理成品性能数据的性能编码器，用于将不同模态数据映射到统一隐式表示空间;质量评估单元，用于比较待检测样本的隐式表示与预设标准。

[0014]优选地，所述系统还包括：生成式归因单元，其内部集成有一个条件生成解码器，用于提供可视化的多模态归因报告;以及动态控制单元，用于实现基于实时轨迹分析的前瞻性过程控制。

[0015]最后，本发明提供了一种存储有可执行程序的计算机可读存储介质，该程序被执行时实现前述任一项方法。

[0016]本发明的有益效果为：

[0017]本发明通过多模态对比学习，构建了一个统一的隐式表示空间，首次在语义层面打通了工艺过程数据和最终性能表征数据，使模型能够理解而非拟合它们之间的关系，预测精度和泛化能力得到本质提升;

[0018]借助生成式解码器，系统能将任何抽象的质量问题或工艺偏差翻译成直观的多模态数据(如预测的金相图)，实现了从“黑箱”到“白箱”的转变，为工程师提供了强大的、可交互的因果分析工具;

[0019]通过在隐式空间中进行轨迹分析，系统能够实时预判当前工艺微小波动对未来的影响，并进行精准、最小化的前馈干预，将质量控制从被动响应提升至主动预防的高度。

附图说明

[0020]图1是本发明实施例中离线训练阶段的流程示意图。

[0021]图2是本发明实施例中在线应用阶段的系统架构与数据流示意图。

具体实施方式

[0022]下面将结合本发明中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0023]应当理解，还应当注意到实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。

[0024]如图1和图2所示，本发明提供了一种铝型材加工质量检测系统，其通过离线训练和在线应用两个阶段实现。该系统主要包括一个用于获取数据的数据采集单元，一个用于深度融合数据的统一表示融合单元，以及一个用于判断产品质量的质量评估单元。下文将结合铝型材加工质量检测的方法步骤，对系统各单元的协作方式进行阐述。

[0025]如图1所示的离线训练阶段，此阶段的目标是训练统一表示融合单元中的核心数据处理模型，以构建一个能够深刻反映“工艺-性能”内在关系的统一表示空间。首先，数据采集单元会从历史生产数据中获取大量的成对样本。每一对样本都包含两部分：一部分是时序工艺数据，例如铝型材在挤压、淬火等工序中的温度、压力、速度等传感器读数;另一部分是与之严格对应的成品性能数据，例如成品切片的金相显微图像或拉伸试验得到的力学性能曲线图。这些数据被送入统一表示融合单元。该单元内部集成了过程编码器和性能编码器。训练时，系统采用多模态对比学习方法。具体来说，时序工艺数据和成品性能数据分别通过各自的编码器，被映射成高维的工艺表示向量和性能表示向量。模型的目标是在一个统一的隐式表示空间中，使得来自同一生产样本的工艺表示向量和性能表示向量在空间中的距离尽可能小，同时来自不同生产样本的向量对的距离尽可能大。通过这种方式，模型便学会了将两种不同模态的数据，在语义层面进行对齐和融合。

[0026]在线应用阶段是系统在实际生产中的应用流程，其系统架构和数据流如图2所示。当需要对新的铝型材进行质量检测时，数据采集单元首先获取该型材的实时或历史工艺数据。接着，该数据被送入统一表示融合单元中已训练好的过程编码器，从而获得其在隐式表示空间中的工艺轨迹或终点表示。这个表示被传递给质量评估单元，该单元的核心功能由图2中的隐式空间轨迹分析模块实现。该模块会基于获得的表示向量与一个由大量合格品表示向量构成的预设标准区域进行相对位置比较，并据此生成产品质量检测结果。如果表示向量落在标准区域内，系统便会在质量报告输出中判定为合格;反之则判定为不合格或存在风险。

[0027]此外，本发明的优选实施例还包括更高级的功能模块，以提供更深入的分析和更主动的控制，如图2所示：系统可包括一个生成式归因单元。当隐式空间轨迹分析模块发现异常时，该单元被激活，并能生成多模态的可视化归因报告(例如预测的劣化金相图)，这些报告最终可呈现给工程师交互界面，帮助工程师直观地理解问题根源。

[0028]同时，系统还可包括一个动态控制单元。该单元实时分析工艺轨迹，在发现偏离趋势时进行前瞻性预测，并生成前馈控制指令，通过生产线控制系统对上游工艺进行主动干预，从而实现预防性的质量控制。

[0029]本发明不局限于上述可选实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是落入本发明权利要求界定范围内的技术方案，均落在本发明的保护范围之内。

说明书附图(2)