[0001] 本发明涉及金属加工成型技术领域，具体为基于模块组合的集成无人化铝箔加工成型系统。

[0002] 根据中国专利公开号为CN115608903A的一种铝合金锻压件加工装置，包括，坯料加热炉、锻压机组以及中控模块。本发明通过在坯料加热炉设置初加热区、保温区以及终加热区三个加热区域，能够实现待加工坯料的均匀快速升温，通过检测完成加热的待加工坯料的实时温度，通过中控模块对待加工坯料的实时温度进行判定，根据待加工坯料的实时温度对锻压冲头的冲压速度进行实时的调整。

[0003] 根据中国专利公开号为CN112157432A公开的一种铝合金自动化加工系统及其方法，包括现场识别装置、加工装置、加工辅助装置以及区域控制器，加工装置包括铝合金生产线、输料机构以及运输平台，加工辅助装置包括自驱3D打印设备、移动式加工壳体、打磨机构吸尘机构、现场辅助壳体以及液体喷洒机构；现场识别装置包括自驱型壳体以及三维扫描仪，区域控制器设置于铝合金生产线内部并分别与铝合金生产线、输料机构以及运输平台连接，且分别与自驱3D打印设备、移动式加工壳体、打磨机构、现场辅助壳体、液体喷洒机构、吸尘机构、自驱型壳体、三维扫描仪以及用户终端无线连接。

[0004] 上述专利文件及现有技术在使用时存在以下技术问题：问题一，当前的铝箔加工生产设备工作过程中是固定设备的固定组件进行加工，
且单一设备的设定参数是固定的，无法进行快速有效的组件更换或者模具的更换；
问题二，当前智能化生产设备成本昂贵，且当前设备的部件集成度较高，导致智能化设备的扩拓展性严重不足。

[0020] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

[0021] 具体实施例一：如图1‑10所示，基于模块组合的集成无人化铝箔加工成型系统，包括主机框架1、工作台面2、原料卷3、加工模块6，加工模块6的两侧分别设有进料端模块5和出料端模块7，工作台面2在出料端模块7的一侧设有卸料槽8，控制主机11分别和进料模组4、进料端模块
5、加工模块6、出料端模块7、加工模具9、快接模组10、插接端子13、主机端子14之间相互电性连接，加工模块6的底部设有加工模具9，且加工模具9的底部和工作台面2之间设有金属块用于支撑定位加工模具9，主机框架1靠近原料卷3的一侧设有进料模组4，进料模组4导向原料卷3的原料进入加工模块6，其特征在于：加工模块6的底部和工作台面2之间设有快接模组10，快接模组10包括两端分别和工作台面2、加工模块6相互定位的组件连接端头1001和主机定位端1006，组件连接端头1001和主机定位端1006之间设有螺纹固定管1002和承载套管1004，且螺纹固定管1002和承载套管1004的外周设有锁止套管1003，承载套管1004的外侧设有独立的外接端子1005，用于直接连接外部的线缆实现数据传输，螺纹固定管1002和承载套管1004的内腔接触位置设有定位套管1008，组件连接端头1001、螺纹固定管1002、承载套管1004和主机定位端1006内腔嵌合有通信排线1007，且通信排线1007为两段式结构，两段通信排线1007之间设有插针端子1009，且插针端子1009分别设置在螺纹固定管
1002和承载套管1004相对端面，并且两侧插针端子1009为公母接头，工作台面2的拐角位置设有控制主机11，控制主机11是一个完整的技工控机设备，其可以采用有线或无线的方式直接和云端服务器或者远程控制主机11、远程终端操作者的终端设备，包括手机、平板、笔记本电脑等进行信号传输连接，同时控制主机11的系统中内置有整机相对应的算法和调控方案，可以实现整机的调节和AI计算，需要大计算量的情况下，将需要处理的数据或者需要运行的系统传递到远程服务器、云服务器等高性能设备之中，实现数据处理，控制主机11的底部设有插接端子13，插接端子13在实际使用的时候优先使用航空pin接口或者定制化的多针接口，实现数据以及电信号的传输，控制主机11的底部和插接端子13顶部之间设有定位套筒12，控制主机11的底部和插接端子13顶部均设有凸起，凸起的外侧设有外螺纹，定位套筒12设有对应的内螺纹，且控制主机11和插接端子13的外螺纹和定位套筒12的内螺纹相互啮合，实现锁止定位，插接端子13和工作台面2之间设有主机端子14和模组支架15，且主机端子14固定于模组支架15的侧面，且模组支架15设置在工作台面2的表面，，同时模组支架15优选的是铝型材，主机端子14是和插接端子13配合的公/母接头，同时主机端子14是一个安装在三角板上的接口。

[0022] 进料模组4包括进料滚筒401、定位组件4022、走料滚筒403和定位横梁404，快接模块402包括和进料模组4框架贴合栓接的安装支架4021，安装支架4021的两侧均垂直设有定位组件4022，定位组件4022包括用于和安装支架4021以及进料模组4框架栓接定位的定位销轴40224，定位销轴40224外表面设有螺纹，通过螺纹将安装支架4021螺纹连接在进料模组4的框架上，框架是用来定位进料模组4的零部件，进料滚筒401和走料滚筒403用于原料卷3的原料张紧定位，走料滚筒403通过定位组件4022和进料模组4框架相互定位，定位销轴40224内嵌有定位通信线缆40222，定位通信线缆40222本质上是一个铜芯线，并且定位通信线缆40222是内嵌的多芯线缆，定位销轴40224顶部设有和定位组件4022安装位置相互匹配的定位端头40221，定位端头40221底面环绕设有和定位通信线缆40222相互电性连接的通信触点40223，整体可以通过拆卸花口40225进行拆装紧固。

[0023] 需要进一步明确的是：整机的结构模块化是通过两个部分实现的，一部分是快接模块402部分，视线的是进料模组4中不同数量方案的张力滚筒实现快速结构变化的，在工业环境中，张力滚筒的数量会直接影响张力效果的实现，但是一般情况下为了成本以及实际加工精度的需求，不一定是越多的滚筒越好，因此需要采用的是合适的滚筒数量，用于平衡滚筒数量以及加工效率、加工精度之间的关系，在进行滚筒数量的调节的时候，每一个滚筒的端部安装有快接模块402，快接模块402直接和滚筒也就是附图标记中的走料滚筒403上设置的压力传感器以及其他相关加工传感器之间进行电通信，电信号通过快接模块402的定位组件4022中的通信触点40223和定位通信线缆40222进行信号传输交换，之后将信号传输至控制主机11之中，进一步传递至远端服务器或者用户操作终端上，实现数据的进一步的处理和数据调整，从而可以实现实施对走料滚筒403的工作情况进行检测，并通过后续的系统进行预测和调整；
另一部分的是通过快接模组10实现，将加工模块6以及加工模具9的电信号通过快
接模组10内部的通信排线1007进行数据传输，并且快接模组10是一个公母结构，其中一部分快接模组10直接安装在加工模块6的表面，另一个安装在主机框架1或者工作台面2的表面，二者相互配合，通过插针端子1009进行电信号的联通并实现实时传输，同时可以实现不同的加工模块6都可以采用同样匹配的快接模组10进行插接联通，一方面可以适配不同型号、不同尺寸、不同类型的加工模块6，加工模块6是为了实现铝箔加工的组件，这个组件只需要实现铝箔的加工即可，加工模块6包括压花、冲压、裁切、激光、除锈等等不同类型的模块均可，同时加工模块6底部设置的快接模组10需要和主机框架1或者工作台面2表面的快接模组10形成一个对应的位置，这个对应位置目前优先采用的是四个对角位置，且需要注意的是主机框架1或者工作台面2表面的快接模组10优先设置在靠近边缘的位置，尽可能的扩大对不同尺寸，不同类型加工模块6的支持，当加工模块6的尺寸较小的情况下，额外采用L型支架的形式进行电信号的连接。

[0024] 在一定情况下可以更换其他的加工模块6，包括激光加工模块6、裁切模块、冲压模块、表面清理模块等不同的工步产品，只需要按照上述方案规定的快接模组10的设定要求，插接之后直接可以实现电信号的传输，在控制主机11中烧录有对应模块的工作程序，就可以实现快速的工艺工步的表更，整机具有更强的适配性。

[0025] 具体实施例二：基于模块组合的集成无人化铝箔加工成型系统，进一步的公开本系统所采用的具
体流程和具体的操作核心算法方案：
Sp1：数据获取
获取位移传感器A、温湿度传感器B、红外传感器C、贴片式压力传感器D，以及铝箔加工成型系统的运行时间F的数据，存储为矩阵：
# 采集的数据分别存储在以下变量中：
A_data = [...] # 位移传感器A的数据
B_data = [...] # 温湿度传感器B的数据
C_data = [...] # 红外传感器C的数据
D_data = [...] # 贴片式压力传感器D的数据
F_data = [...] # 铝箔加工成型系统的运行时间F的数据
# 将数据合并为一个矩阵
import numpy as np
M = np.column_stack((A_data, B_data, C_data, D_data, F_data))
Sp2：保存矩阵至数据库
将矩阵M保存到数据库Q中，
import sqlite3
# 创建数据库连接
conn = sqlite3.connect('sensor_data.db')
c = conn.cursor()
# 创建数据表
c.execute('''
   CREATE TABLE IF NOT EXISTS SensorData (
       id INTEGER PRIMARY KEY AUTOINCREMENT,
       A REAL,
       B REAL,
       C REAL,
       D REAL,
       F REAL
   )
''')
# 插入数据
for row in M:
   c.execute('INSERT INTO SensorData (A, B, C, D, F) VALUES (?, ?, ?, 
?, ?)', tuple(row))
# 提交事务
conn.commit()
conn.close()
Sp3：从数据库中取出数据矩阵，
# 创建数据库连接
conn = sqlite3.connect('sensor_data.db')
c = conn.cursor()
# 查询数据
c.execute('SELECT * FROM SensorData')
data = c.fetchall()
# 转换为numpy矩阵
M_retrieved = np.array(data)[:, 1:] # 去掉id列
conn.close()
Sp4：将数据进行离散化处理，然后应用Apriori算法进行关联规则分析，得到输出结果G，
from mlxtend.frequent_patterns import apriori, association_rules
import pandas as pd
# 数据离散化
df = pd.DataFrame(M_retrieved, columns=['A', 'B', 'C', 'D', 'F'])
df['A'] = pd.cut(df['A'], bins=3, labels=["Low", "Medium", "High"])
df['B'] = pd.cut(df['B'], bins=3, labels=["Low", "Medium", "High"])
df['C'] = pd.cut(df['C'], bins=3, labels=["Low", "Medium", "High"])
df['D'] = pd.cut(df['D'], bins=3, labels=["Low", "Medium", "High"])
df['F'] = pd.cut(df['F'], bins=3, labels=["Short", "Medium", "Long"])
# One‑hot编码
onehot = pd.get_dummies(df)
# 应用Apriori算法
frequent_itemsets = apriori(onehot, min_support=0.1, use_colnames=
True)
rules = association_rules(frequent_itemsets, metric="lift", min_
threshold=1.0)
# 提取相关规则作为输出G
G = rules[['antecedents',  'consequents',  'support',  'confidence',  'lift']]
将输出结果G注入神经卷积算法进行重复计算，得到设备的运行状态T，
# 假设一个神经网络模型
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv1D, Flatten
# 准备数据
# 将G中的支持度、置信度和提升度作为输入特征
G_features = G[['support', 'confidence', 'lift']].values
# 构建模型
model = Sequential([
   Conv1D(32, 3, activation='relu', input_shape=(G_features.shape[0], 
1)),
   Flatten(),
  Dense(1, activation='linear')
])
# 编译模型
model.compile(optimizer='adam', loss='mean_squared_error')
# 训练模型（假设我们有一些训练数据train_X, train_Y）
# model.fit(train_X, train_Y, epochs=10)
# 使用模型进行预测
G_reshaped = G_features.reshape(‑1, 3, 1) # 调整G的形状以适应模型输入
T = model.predict(G_reshaped)
Sp5：判断T区间，调节设备速度并生成生产日报K
def adjust_speed_and_generate_report(T):
   if T       speed = 'slow'
   elif threshold_1<= T       speed = 'normal'
   else:
       speed = 'fast'
     # 生成生产日报K
  report_K = {
       'timestamp': time.time(),
       'T': T,
       'speed': speed
   }
   # 保存报告到数据库
   conn = sqlite3.connect('report_data.db')
   c = conn.cursor()
   c.execute('''
       CREATE TABLE IF NOT EXISTS ProductionReport (
           id INTEGER PRIMARY KEY AUTOINCREMENT,
           timestamp REAL,
           T REAL,
           speed TEXT
       )
   ''')
   c.execute('INSERT INTO ProductionReport (timestamp, T, speed) 
VALUES (?, ?, ?)',
             (report_K['timestamp'], report_K['T'], report_K['
speed']))
   conn.commit()
   conn.close()
   return report_K
K = adjust_speed_and_generate_report(T)
Sp6：持续读取生产日报K的数据矩阵
# 创建数据库连接
conn = sqlite3.connect('report_data.db')
c = conn.cursor()
# 查询数据
c.execute('SELECT * FROM ProductionReport')
report_data = c.fetchall()
# 转换为numpy矩阵
K_matrix = np.array(report_data)[:, 1:] # 去掉id列
conn.close()
Sp7：通过AI算法计算设备工作的效率L,使用随机森林算法来计算L：
from sklearn.ensemble import RandomForestRegressor
# 训练数据为长时间积累的数据元train_X, train_Y
# train_X = ...
# train_Y = ...
# 训练模型
model_rf = RandomForestRegressor(n_estimators=100)
model_rf.fit(train_X, train_Y)
# 使用模型进行预测
L = model_rf.predict(K_matrix)
Sp8：根据L和设备的工况条件给出维保建议
def maintenance_suggestion(L):
   if L       suggestion = '需要维护'
   else:
       suggestion = '可持续工作'
   return suggestion
suggestion = maintenance_suggestion(L)。

[0026] 基于模块组合的集成无人化铝箔加工成型系统，和定位横梁404、定位组件4022、快接模组10均内嵌有位移传感器、温湿度传感器、红外传感器，原料卷3、进料端模块5、加工模块6、出料端模块7、加工模具9、进料滚筒401、定位组件4022、走料滚筒403的表面设有贴片式压力传感器，铝箔加工成型系统的控制流程如下：Sp1：获取位移传感器A、温湿度传感器B、红外传感器C、贴片式压力传感器D，以及铝箔加工成型系统的运行时间F的数据，存为矩阵M：
；
分别表示第i个时间点的位移、温湿度、红外、压力传感器和运
行时间的数据；
Sp2：将Sp1中获取的矩阵保存为数据库Q；
Sp3：在Sp2中的数据库中获取数据 ；
Sp4：将Sp3中的数据带入下述算法公式：
数据离散化将连续数据离散化为分类数据，将传感器的数据分成"Low","
Medium","High"三类:其他传感脂数据类似处理，One‑hot编码将离散化后的数据进行One‑hot编码：
；
其他传感器数据类比处理；
Apriori公式如下：1.支持度(Support)：某一项集I在数据集中出现的频率：
；
其中count(I)为项集I在数据集中出现的次数，N为数据集的总记录数；
置信度(Confidence)：在项集A出现的条件下，项集B出现的概率：
；
提升度(Lift)：项集A出现的条件下，项集B出现的概率与B独立出现的概率之比：
；
将输出结果G注入神经卷积算法假设从Apriori算法得到的结果G包含支持度、置
信度和提升度：
；
使用卷积神经网络进行进一步计算，模型为1D卷积:卷积层使用32个滤波器，每个滤波器大小为3，
；
其中 表示输入序列G中的第 个元素,k的起始数值为1，依次步进计算总
的加权； 表示卷积核的权重，b 是偏置项，ReLU是修正线性单元的激活函数；
全连接层：
；
全连接层（Dense），用于将输入映射到输出，x 表示输入向量；W 表示权重矩阵；b 是偏置向量，全连接层的结果通过 ReLU 激活函数进行非线性变换得到设备的运行状态T；
Sp5：判断T所处的区间，调节设备的工作速度同时反馈设备的维护终端服务器，生成设备的生产日报K；调节设备速度T为CNN的输出结果，其值用于判断设备速度，定义速度阈值threshold和threshold_2；生产日报K包含时间戳、设备状态T和设备速度speed，K的形式如下：
；
Sp6：持续读取生产日报K的数据矩阵 ，得到K的数据矩阵：
；
Sp7：将Sp6得到的K的矩阵注入以下公式：
；
计算设备工作的效率L使用随机森林算法计算效率L假设使用随机森林算法来计
算设备工作的效率L；
Sp8：根据Sp7得到的L以及设备的工况条件，给出关于设备的维保建议；
Sp8.1.定义设备工作效率的区间阈值:maintenance_threshold:定义需要维护的
效率阈值；
Sp8.2.判断设备工作效率L的区间：
；
随机森林算法计算设备效率L：
；
是训练好的随机森林模型，表示为多棵决策树的集合：
；
其中 是第t棵决策树，T是树的总数；
Sp8.3维保建议生成：
；
Sp8.4输出设备维保建议: 设备维保建议包含设备的当前效率L、维保建议和维保
时间戳，
；
维保建议：根据设备工作效率L和定义的维护阈值 判断设备
是否需要维护。通过比较L与阈值的关系，可以得出设备当前是否需要维护的结论。随机森林模型的训练和预测。

[0027] 1.训练数据：将生产日报中的数据 划分为训练集和测试集；2.训练模型：使用训练集数据训练随机森林模型：
；

[0028] 3.预测效率：使用训练好的模型预测设备效率L：。

[0029] 在上述工作流程和控制算法的基础上，可以实现铝箔加工成型系统有更加快速和稳定的整机寿命以及加工效率的控制，尤其对于整机的维护上面，可以实现整机的维护在无人操作的时候，也可以实时得到整机的维护要求，保证整机在长时间处于一个良好的工作状态，并且实时监测整机的传感器数据，从而实现了整机的数据监控处理，从而提高整机运行寿命，提高持续性工作的生产效率，提高生产效益。

[0030] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个引用结构”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0031] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。