本發明屬于板材切割控制，具體的說是基于一控多驅架構的板材切割能效控制方法。
背景技術：
1、板材切割作為制造業產業鏈中不可或缺的基礎加工工序，廣泛應用于金屬加工、家具制造、建筑材料等多個行業領域，其生產效率與能耗水平直接關系到企業的綜合生產成本和綠色發展能力。隨著工業生產規模的持續擴大和市場對加工精度要求的不斷提升，多單元協同作業的切割設備逐漸成為行業主流，這類設備在提升加工能力的同時，也帶來了更為復雜的能耗管理問題。
2、現有切割設備的能效管理普遍存在明顯的局限性，傳統的控制方式難以實現各作業單元之間的高效協同，容易出現功率分配失衡、能量浪費嚴重的情況。多數設備采用統一的運行參數設置，無法根據加工過程的動態變化進行針對性調整，導致在不同加工階段和不同加工區域都存在大量的無效能耗，整體能量利用效率偏低。同時，現有的能效監測與管理多為事后統計模式，只能在加工完成后對整體能耗數據進行匯總分析，無法實時感知加工過程中的能量分布變化，也不能提前識別潛在的能效異常風險，難以有效避免因能效異常導致的設備損耗增加和加工質量下降。
技術實現思路
1、本發明提供基于一控多驅架構的板材切割能效控制方法，用以解決現有技術中存在的缺陷。
2、本發明提供基于一控多驅架構的板材切割能效控制方法，包括：
3、實時采集板材切割設備的結構參數和切割工藝參數，并對結構參數和切割工藝參數進行預處理，得到預處理數據。
4、根據預處理數據，結合能量守恒定律和材料切削理論，建立能效損耗模型，模擬切割過程中的能量分布，并構建板材切割動態仿真模型。
5、根據切割過程中的能量分布結合結構參數，識別容易出現能效異常損耗的區域，作為能效風險區域。
6、實時采集能效風險區域的運行數據，構建基于圖注意力神經網絡的能效預測模型，并使用粒子群優化算法優化預測模型的超參數，輸入預處理數據和能效風險區域的實時運行數據，輸出能效風險區域下一時刻的預測能效數據。
7、根據板材切割設備的性能參數設定能效風險區域的調整閾值和預警閾值，當預測能效數據達到調整閾值時，引入自適應調整機制，動態調整切割工藝參數。當預測能效達到預警閾值時，觸發告警。
8、根據本發明提供的基于一控多驅架構的板材切割能效控制方法，結構參數包括切割設備幾何結構數據和機電特性參數。機電特性參數包括電機額定功率、傳動效率系數和切割頭損耗系數。切割工藝參數包括切割速度、切割深度、進給速率、多驅電機的實時功率數據和各傳動機構的運行狀態數據。
9、根據本發明提供的基于一控多驅架構的板材切割能效控制方法，對結構參數和切割工藝參數進行預處理的過程包括：
10、采用小波閾值去噪算法去除結構參數和切割工藝參數中的隨機噪聲，使用z-score方法識別并去除結構參數和切割工藝參數中的異常值。
11、采用移動平均方法對結構參數和切割工藝參數進行平滑處理，并采用數據歸一化將結構參數和切割工藝參數轉換至統一范圍。
12、采用插值法對結構參數和切割工藝參數中的缺失值進行處理，得到完整的數據集，將完整的數據集作為預處理數據。
13、根據本發明提供的基于一控多驅架構的板材切割能效控制方法，模擬切割過程中的能量分布的過程包括：
14、根據材料切削理論，建立切割過程中的材料去除能耗模型。
15、根據能量守恒定律，將切割過程分解為切削變形能、摩擦能和熱能三個分量，建立能效損耗計算模型。
16、設置邊界條件和初始條件，邊界條件包括切割起始點的功率分配和切割終點的能量回收。
17、運用有限體積法求解能效損耗模型，得到切割過程中的能量分布。
18、根據本發明提供的基于一控多驅架構的板材切割能效控制方法，構建板材切割動態仿真模型的過程包括：
19、根據預處理數據設置三維仿真基礎模型框架。
20、結合能量守恒定律和多驅協同理論，建立描述切割能效隨時間變化的方程組，方程組包括功率分配方程和能效演化方程。
21、將切割過程中的能量分布作為三維仿真基礎模型的初始標準，將各驅動單元的功率分配作為邊界標準。
22、設置時間步長，對三維仿真基礎模型進行動態仿真。
23、通過有限體積法對方程組求解，生成切割能效的時間序列數據，得到板材切割動態仿真模型。
24、根據本發明提供的基于一控多驅架構的板材切割能效控制方法，識別能效風險區域的過程包括：
25、對板材切割動態仿真模型進行區域劃分。
26、實時收集板材切割動態仿真模型各區域的能效數據，生成各區域的能效時序曲線和整個切割面的空間分布圖。
27、根據多驅協同理論結合空間分布圖，獲取各區域內的功率分配狀態數據。
28、建立能效風險系數計算模型，根據每個區域的平均能效損耗、峰值能效損耗、功率分配狀態數據和結構參數，得到每個區域的能效風險系數。
29、將能效風險系數達到預設閾值的區域作為能效風險區域。
30、根據本發明提供的基于一控多驅架構的板材切割能效控制方法，構建基于圖注意力神經網絡的能效預測模型的過程包括：
31、收集板材切割設備的歷史結構參數、歷史切割工藝參數和能效風險區域的歷史能效數據，及歷史能效數據對應的下一時刻能效風險區域能效數據。
32、對收集到的歷史結構參數、歷史切割工藝參數、能效風險區域的歷史能效數據和下一時刻能效風險區域能效數據進行預處理，并劃分為訓練集和測試集。
33、構建圖注意力神經網絡基礎模型，包括輸入層、圖注意力層、池化層、全連接層和輸出層。輸入層用于接收預處理后的輸入數據，輸入數據包括歷史結構參數、歷史切割工藝參數和能效風險區域的歷史能效數據。圖注意力層包括多個注意力頭，用于對輸入數據進行空間特征提取和多驅關聯建模，生成特征圖。池化層用于降低特征圖的空間維度。全連接層用于對提取到的特征進行整合。輸出層用于根據整合結果輸出預測結果。
34、使用訓練集對圖注意力神經網絡基礎模型進行訓練，保留滿足預測準確率的模型參數，得到能效預測模型。
35、根據本發明提供的基于一控多驅架構的板材切割能效控制方法，使用粒子群優化算法優化預測模型的超參數的過程包括：
36、定義超參數空間，將學習率、圖注意力頭數量、隱藏層維度和正則化參數作為需要優化的超參數，并為每個超參數設定取值范圍。
37、初始化粒子群，每個粒子表示一組超參數組合，為每個粒子隨機分配初始位置和初始速度。
38、將每個粒子的位置作為預測模型的超參數，計算相應的目標函數值，目標函數值為能效預測誤差。
39、根據每個粒子的目標函數值更新個體最優位置和全局最優位置。
40、根據粒子群更新公式調整每個粒子的速度和位置。
41、重復進行目標函數計算和粒子位置更新的過程，直到達到預設的迭代次數，將全局最優位置代表的超參數組合作為預測模型的超參數組合。
42、根據本發明提供的基于一控多驅架構的板材切割能效控制方法，設定能效風險區域的調整閾值和預警閾值的過程包括：
43、收集板材切割設備的性能參數，性能參數包括最大允許能效損耗、最低能效利用率、預期正常能效范圍。
44、將預期正常能效范圍作為調整閾值，將最大允許能效損耗和最低能效利用率作為預警閾值。
45、根據本發明提供的基于一控多驅架構的板材切割能效控制方法，動態調整切割工藝參數的過程包括：
46、優化多驅電機的功率分配比例，降低傳動系統的無效損耗。
47、調整切割速度和進給速率的匹配關系，提高材料去除的能量利用率。
48、調整各切割頭的工作時序，實現多驅協同作業，降低整體能效損耗。
49、本發明提供的基于一控多驅架構的板材切割能效控制方法，通過能效損耗模型與動態仿真模型的構建實現了對切割過程能量分布的精細化描述，結合能量守恒定律和材料切削理論建立的能效損耗模型，能夠準確量化切割過程中各能量分量的貢獻比例；板材切割動態仿真模型則通過數值模擬方法直觀展示了能效在空間和時間維度的分布特性，為能效風險區域的識別提供了科學依據。能效風險區域的識別機制實現了對潛在能效問題的主動預判。通過區域劃分、能效數據采集和風險系數計算，能夠精準定位容易出現能效異常損耗的區域，使能效管理從被動應對轉變為主動預防，有效避免了因能效異常導致的設備故障和能源浪費?；趫D注意力神經網絡的能效預測模型結合粒子群優化算法實現了高精度的能效預測。分層控制策略既保證了正常運行時的能效優化，又能有效應對極端情況下的能效風險，使其能夠廣泛應用于金屬加工、家具制造、建筑材料等多個行業的板材切割工序，為企業的節能降耗和智能化升級提供了有效的技術支撐。