1.粉末冶金生产用质量安全监控管理系统，其特征在于，包括生产参数智能感知模块、质量安全智能分析模块、质量追溯管理模块和人机交互模块；所述生产参数智能感知模块采集生产参数并完成数据预处理，将结果发送至质量安全智能分析模块；所述质量安全智能分析模块接收生产参数，基于语义本体驱动的自适应采样获得关键质量特征，应用张量分解的混合增强学习方法实现故障诊断，并通过分数阶混沌优化动态调整质量管理策略，生成质量预警信息、诊断决策和管理计划；所述质量追溯管理模块利用区块链技术建立覆盖原料、工艺和产品全生命周期的质量追溯链，接收质量数据并完成安全存证；所述人机交互模块实现系统功能和数据的可视化展示，接受用户指令并协调其他模块完成质量监控管理任务；

所述质量安全智能分析模块中的基于语义本体驱动的自适应采样单元，通过以下方式获得关键质量特征：构建粉末冶金生产过程语义本体 ，其中 为概念集， 为关系集，为公理集；定义原料、设备、工艺和质量的语义概念，并用本体语言OWL形式化地描述概念间的关联关系，构成语义本体的知识图谱；

基于Tableau算法对语义本体O进行推理，获得语义关联矩阵 ，其中矩阵元素 表示概念 与概念间的语义关联强度，为本体中语义概念的数量；

设传感器采集的生产参数为 ，根据关联矩阵 确定各传感器采集参数的语义重要性权重 ，计算公式为 ；设计轮转矩阵压缩采样算子Φ∈ ，其中矩阵元素 服从伯努利分布 ,

为Sigmoid函数，为尺度因子；

对传感器参数矢量 进行自适应采样，得到压缩感知矢量 为低维语义特征矢量；由于 以 为概率分布，采样过程将以较大概率保留语义权重高的关键参数,而以较小概率采样相对次要的参数；

所述质量安全智能分析模块中的基于张量分解的混合增强学习故障诊断单元，通过以下步骤实现故障诊断：基于设备运行日志、报警信息和质量缺陷数据提取故障模式、故障征兆和影响部件，构建故障－征兆－部件三维语义立方张量 ，其中 为故障模式数，为征兆模式数，为关联部件数；

采用多模态张量分解算法对语义张量 进行分解，得到故障因子矩阵 ，征兆因子矩阵 ，部件因子矩阵 和核心张量 ，满足，其中 表示 －模式张量积， 、 、 分别为三个维度的秩；

构建融合先验知识 和数据驱动知识 的混合故障诊断策略网络 ，其中状态 为J维故障征兆观测向量，动作 为故障模式诊断概率向量，网络参数；

为了充分利用张量分解获得的先验知识，先验知识 采用的张量因子图卷积网络建模，张量因子图卷积网络TF‑GCN不同于传统GCN，其状态特征传播采用动态双向注意力传播机制： ，其中 为第 层网络的节点特征矩阵，为节点特征维度， 为激活函数， 和 为动态注意力矩阵；

数据驱动知识 采用长短时记忆网络建模，将故障征兆观测序列 编码为隐藏状态向量 和记忆单元状态向量 ；

张量因子图卷积网络采用动态双向注意力传播机制，动态双向注意力传播机制的状态特征传播规则为：，

其中 为第 层网络的节点特征矩阵，为节点特征维度， 为非线性激活函数ReLU， 和 是动态生成的注意力矩阵，它们分别控制了特征的行方向和列方向的信息流动，具体地：，

，

这里 和 是可学习的参数矩阵， 表示矩阵拼接操作， 是核心张量 的第 个切片，softmax函数用于将注意力分数归一化；

TF‑GCN网络的输出与LSTM网络的隐藏状态向量拼接后，输入到全连接层，得到故障模式的预测概率向量；系统采用强化学习方法优化网络的在线诊断策略，将故暲诊断任务建模为一个马尔科夫决策过程MDP，状态空间S为历史故障征兆观测序列，动作空间A为候选的故障原因集合，奖励函数R为预测故暲原因的准确率，网络的推断过程可形式化为寻找一个最优诊断策略π:S→A，使得在当前故障征兆状态s下采取诊断动作a，能够获得未来累积奖励的期望最大；

系统采用基于深度Q学习DQN的方法来优化诊断策略，混合神经网络作为Q值函数的近似；

混合诊断策略网络的损失函数为：

，其中 为折扣因子，

为诊断准确率奖励， 为真实状态‑动作值， 为估计的状态‑动作值；

所述质量安全智能分析模块中的基于分数阶混沌优化的质量管理策略动态调整单元，通过以下方法实现最优管理策略搜索：构建N维质量状态矢量 ，其中 为第i个质量特征值；构建M维管理决策矢量 ，其中 为第 个可调管理参数，参数空间

为参数取值范围；

采用Caputo分数阶微分方程描述质量状态的分数阶动力学特性：，

其中，为分数阶阶次， 为Caputo型分数阶微分算子，反映了质量状态的非局部记忆效应和分数阶动力学特性， 为质量状态矢量 和决策矢量 的非线性耦合函数；

将分数阶微分方程离散化，得到质量状态预测模型：

,

其中，为时间步长， 为分数阶微分的Grunwald‑Letnikov(G‑L）定义的权系数；

构建质量管理优化目标函数：

，

其中，为管理决策的优化时域， 为度量质量状态 偏离目标 的损失函数；

引入基于Logistic映射的混沌优化算法,利用混沌运动的伪随机性和遍历性，通过混沌变量对管理决策变量进行编码映射：,

其中， 和 分别为第 个决策变量的取值下界和上界， 为混沌变量，满足Logistic映射：，

为混沌参数，在参数空间 中搜索最优决策矢量 由最优决策矢量 解码生成未来T步的质量管理计划，指导生产过程的质量改进。

2.如权利要求1所述的系统，其特征在于，所述生产参数智能感知模块包括多源异构传感器、边缘网关和时间敏感网络；其中，多源异构传感器采集原料属性、工艺参数和设备状态信号，并将数据实时传输至边缘网关；边缘网关对传感器数据进行清洗、归一化预处理，按时间和语义分类后暂存；时间敏感网络将边缘网关的感知数据以不大于10ms的时延传输至质量安全智能分析模块。

3.如权利要求1所述的系统，其特征在于，所述质量追溯管理模块通过以下方式构建三层区块链质量追溯网络：搭建原料区块链、工艺区块链和产品区块链，覆盖生产全生命周期；利用哈希指针技术链接各层区块链，实现端到端的质量追溯采用椭圆曲线密码算法对质量数据进行非对称加密和数字签名，保障数据安全；支持不少于100个节点的动态扩展，共识延时控制在1秒以内。

4.如权利要求1所述的系统，其特征在于，所述人机交互模块基于B/S架构设计，支持跨平台的Web访问；单服务节点支持不少于1000个并发Http请求；

采用WebGL图形渲染引擎，实现生产参数、质量特征、诊断结果、追溯信息数据的三维可视化，渲染帧率不低于60FPS；内置数据挖掘算法库，支持相关性分析、对比分析、趋势预测数据分析功能，辅助质量管理决策。

5.如权利要求2所述的系统，其特征在于，所述多源异构传感器具有以下参数：传感器采样频率不低于1kHz，满足在线质量监测需求；传感器量程覆盖生产工艺的关键参数范围，示值误差不大于1%；所述边缘网关采用工业级嵌入式计算平台，配置不低于4核CPU、8GB内存和128GB固态硬盘，支持多协议接入和边缘计算。

6.如权利要求1所述的系统，其特征在于，所述故障诊断单元具有主动学习能力，通过以下方式实现故障知识库的在线更新：根据专家对诊断结果的反馈，提取新的故障模式、征兆信息；动态扩充语义张量T的维度，并增加新的张量元素；定期重新计算张量分解，更新先验诊断知识；微调混合诊断策略网络参数，持续提升故障诊断的准确性和泛化性。

7.如权利要求3所述的系统，其特征在于，所述质量追溯模块采用联盟链模式组织区块链网络，通过以下机制支持协同质量管理：由生产企业、供应商、经销商、监管部门共同作为区块链节点，进行身份认证和授权；利用智能合约技术对生产行为和交易行为进行规则化管控，实现质量数据自动上链和共享；基于身份的隐私保护和细粒度访问控制，平衡数据共享和安全；为第三方审核提供权限可控的质量追溯接口，促进质量管理的社会协同。