本发明涉及工业自动化和智能制造，尤其涉及电镀生产过程的实时监控方法、系统及储存介质。
背景技术：
1、在现代制造业中，电镀生产过程的实时监控至关重要，因为它直接影响到产品的质量和生产效率。电镀是一种通过电化学反应在物品表面镀上金属薄层的技术，广泛应用于汽车、电子、航空等行业。由于电镀涉及复杂的化学反应和精确的操作条件，如温度、电流、化学成分等，实时监控成为确保涂层质量和均匀性的关键。
2、电镀生产监控中存在的问题主要包括：参数波动，电镀过程中温度、电流的微小波动都可能影响镀层质量；化学成分不均，电镀液中化学成分的不均匀混合可能导致镀层不均匀；设备老化，长时间运作下设备性能退化，影响整个电镀过程的稳定性。这些问题通常由传感器精度不足、数据处理方法过时或监控系统的反应延迟等原因产生。
3、尽管传统的电镀监控系统（中国发明专利，公开号cn114757473a）能够处理一些基本的监控任务，但在面对复杂多变的生产条件时，它们展现出明显的不足：传统系统通常依赖简单的阈值判断或基本的统计方法，难以处理非线性或多参数的复杂情况；缺乏实时数据处理和即时反馈调整的能力，导致对突发问题的响应不够及时，无法有效预防问题的发生或扩大；主要依赖传统传感器数据，如温度和电流，忽略了视觉等其他维度的数据，限制了故障诊断和质量控制的精确度。
技术实现思路
1、针对上述现有技术存在的诸多问题，本发明提供电镀生产过程的实时监控方法、系统及储存介质，本发明综合应用多模态数据采集、高级特征工程、多级机器学习模型，以及决策融合技术，实现对电镀生产过程的全面监控和动态调整；通过整合来自视觉传感器和传统传感器的数据，本发明能够捕捉到更多维度的生产异常信号；多级机器学习模型如卷积神经网络、长短期记忆网络、非监督学习算法和自编码器被用于分析这些数据，提高异常检测的精确度和深度；本发明显著提升了异常检测的准确性和生产过程的适应性，减少生产缺陷，提高了生产效率；动态反馈机制允许实时调整工艺参数，优化生产操作，防止问题的扩大，确保生产质量。
2、一种电镀生产过程的实时监控方法，包括以下步骤：
3、采集电镀生产线的原始数据，所述原始数据包括温度、压力、电流及视频/图像，对原始数据进行去噪、标准化，并提取视觉特征、传感器统计量及时间序列特征，生成综合特征数据集；
4、利用卷积神经网络处理视觉特征，长短期记忆网络分析时间序列特征，同时应用非监督学习模型和自编码器模型进行异常聚类和数据重构，通过综合特征数据集分别进行独立分析并输出对应的结果；
5、将各模型输出结果使用决策融合算法整合，生成异常检测报告，明确异常点的位置和类型，并标识所有潜在的异常点；
6、基于异常检测报告，动态调整生产线工艺参数，实时监控调整效果，并根据持续收集的原始数据不断优化调整策略。
7、优选的，使用图像处理算法提取并获得视觉特征，通过计算传感器数据获得传感器统计量和时间序列特征，生成综合特征数据集。
8、优选的，通过卷积神经网络识别图像中的异常模式，异常模式包括：不寻常的颜色变化、形状或纹理异常，获得视觉异常检测结果，并标识出所有视觉上的异常点；
9、通过长短期记忆网络分析时间序列特征中的模式和趋势，识别数据中的长期模式和趋势，预测未来出现的异常行为，获得时间序列异常检测结果，用于显示传感器数据中的任何潜在异常。
10、优选的，应用非监督学习算法对视觉特征、时间序列特征进行聚类，根据数据的相似性将数据点分组，生成异常聚类结果，异常聚类结果用于标识出数据中的异常集群；
11、通过自编码器模型对视觉特征、时间序列特征进行重构，基于重构误差进行异常检测，生成重构误差结果，其中，高误差的数据点被标记为潜在的异常。
12、优选的，将视觉异常检测结果、时间序列异常检测结果、异常聚类结果及重构误差结果作为输入，应用决策融合算法进行处理，各模型输出结果的权重根据对应历史表现进行调整，生成异常检测报告，所述异常检测报告包括：明确标识并解释所有检测到的异常点，以及基于长短期记忆网络和数据分析得出的潜在异常点。
13、优选的，所述异常检测报告中异常检测结果通过以下加权和来计算：
14、
15、其中，；表示视觉异常检测结果；表示时间序列异常检测结果；表示异常聚类结果；表示重构误差结果；、、、分别表示对应的权重。
16、优选的，基于异常检测报告，动态调整电镀生产线的相关工艺参数，将调整后的参数反馈至控制系统，实时更新电镀生产线的运行状态后，持续监控电镀生产线的运行状态，评估调整的效果，根据监控结果和持续收集的原始数据，不断优化工艺参数和调整策略。
17、一种电镀生产过程的实时监控系统，包括：
18、数据采集模块，配置为采集电镀生产线的原始数据，所述原始数据包括温度、压力、电流及视频/图像；
19、数据处理模块，配置为对采集到的原始数据进行去噪、标准化，并提取视觉特征、传感器统计量及时间序列特征，生成综合特征数据集；
20、分析模块，包括：视觉处理子模块，利用卷积神经网络处理视觉特征；序列分析子模块，利用长短期记忆网络分析时间序列特征；异常检测子模块，应用非监督学习模型和自编码器模型进行异常聚类和数据重构；
21、决策融合模块，配置为将分析模块的各模型输出结果整合使用决策融合算法，生成异常检测报告，明确异常点的位置和类型，并标识所有潜在的异常点；
22、调整控制模块，基于异常检测报告动态调整生产线工艺参数，实时监控调整效果，并根据持续收集的原始数据不断优化调整策略。
23、一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述电镀生产过程的实时监控的步骤。
24、相比于现有技术，本发明的优点及有益效果在于：
25、通过结合高分辨率视频/图像数据与传统传感器数据，本发明实现了多维度的异常信号捕捉，显著增强了系统的监控能力和故障诊断的精确度；高级特征工程技术能够从复杂的数据中提取更有价值的信息，使得监控更为全面和细致；
26、应用包括深度学习（cnn）、时序分析（lstm）、非监督学习（k-means, dbscan）以及自编码器等多种机器学习技术，本发明能够进行复杂的异常检测；这种多算法融合让异常检测更全面、更深入，提升了监控系统的预测精度和响应速度；
27、通过采用高级决策融合算法（如加权投票、堆叠泛化），本发明整合多个模型的输出，提供综合的异常检测报告；这种决策融合技术提高了诊断的可靠性，有效减少了误判的可能性，优化了生产决策支持；
28、本发明实施了动态反馈机制，根据异常检测结果自动调整生产线参数，并持续优化这些调整；这种自适应调整机制使生产过程更加优化，有助于即时解决问题，防止异常情况恶化，同时提高生产效率和产品质量。
1.一种电镀生产过程的实时监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的电镀生产过程的实时监控方法，其特征在于，使用图像处理算法提取并获得视觉特征，通过计算传感器数据获得传感器统计量和时间序列特征，生成综合特征数据集。
3.根据权利要求1所述的电镀生产过程的实时监控方法，其特征在于，通过卷积神经网络识别图像中的异常模式，异常模式包括：不寻常的颜色变化、形状或纹理异常，获得视觉异常检测结果，并标识出所有视觉上的异常点；
4.根据权利要求3所述的电镀生产过程的实时监控方法，其特征在于，应用非监督学习算法对视觉特征、时间序列特征进行聚类，根据数据的相似性将数据点分组，生成异常聚类结果，异常聚类结果用于标识出数据中的异常集群；
5.根据权利要求4所述的电镀生产过程的实时监控方法，其特征在于，将视觉异常检测结果、时间序列异常检测结果、异常聚类结果及重构误差结果作为输入，应用决策融合算法进行处理，各模型输出结果的权重根据对应历史表现进行调整，生成异常检测报告，所述异常检测报告包括：明确标识并解释所有检测到的异常点，以及基于长短期记忆网络和数据分析得出的潜在异常点。
6.根据权利要求5所述的电镀生产过程的实时监控方法，其特征在于，所述异常检测报告中异常检测结果通过以下加权和来计算：
7.根据权利要求1所述的电镀生产过程的实时监控方法，其特征在于，基于异常检测报告，动态调整电镀生产线的相关工艺参数，将调整后的参数反馈至控制系统，实时更新电镀生产线的运行状态后，持续监控电镀生产线的运行状态，评估调整的效果，根据监控结果和持续收集的原始数据，不断优化工艺参数和调整策略。
8.一种电镀生产过程的实时监控系统，其特征在于，包括：
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7任一项所述电镀生产过程的实时监控的步骤。