CN118456126B 基于機器學習的圓柱桶內表面熔覆層拋光路徑優化方法 （中國長江電力股份有限公司）

基于機器學習的圓柱桶內表面熔覆層拋光一種基于機器學習的圓柱桶內表面熔覆層結合了卷積神經網絡(CNN)和循環神經網絡(RNN)，能夠根據處理過的數據自動優化拋光路21.基于機器學習的圓柱桶內表面熔覆層拋光路徑優化方法，其特征在于包括以下步步驟4、訓練完成的深度學習模型用于實時識別圓柱桶內表面的某區域并生成拋光路3其中，F表示原始掃描數據，表示濾波后的數據，w是濾波器的權重矩陣，i代表圖像強度，和分別是圖像強度在x和y方向2.根據權利要求1所述的基于機器學習的圓柱桶內表面熔覆層拋光路徑優化方法，其其中，輸入層：以接受三維掃描數據轉換后的二維深度圖其中，r,"")是第l+1層的第i個特征圖中的第j個特征響應，σ表示激活函全連接層：在網絡的后端應用全連接層，將拋光區域的分4[c=-1yo3.根據權利要求1所述的基于機器學習的圓柱桶內表面熔覆層拋光路徑優化方法，其5光效果。例如，Zhao_shengLi等人提出了一種離線編程系統來生成機器人拋光的工具路[0007]本發明所要解決的技術問題是提供基于機器學習的圓柱桶內表面熔覆層拋光路6[0023]步驟4、訓練完成的深度學習模型用于實時識別圓柱桶內表面的某區域并生成拋7[0045]其中，(e")是第l+1層的第i個特征圖中的第j個特征響應，σ表示激活函數，8[0051][c=-1y上評估模型性能來監控訓練過程并調整模型超參數，使用批量梯度下降法對模型進行訓方法，圖1用于展示基于深度學習優化的水輪機接力器內表面熔覆層拋光路徑技術的總體表面形狀精度等參數的量化評價。圖7用于展示系統如何自動檢測和糾正拋光過程中的偏9積神經網絡和循環神經網絡作為基礎架構，用于處理和識別圖像數據中的空間層級信息，[0103]其中，是第l+1層的第i個特征圖中的第j個特征響應，σ表示激活函數，")和w"分別是第l層的偏置和卷積核權重，*表示卷積運算。[0114]步驟4、訓練完成的深度學習模型用于實時識別接力器內表面的特定區域并生成[0116]本實施例中的圓柱桶為水輪機接力器缸體，本發明采用深度卷積網絡(DCN)來提[0117]網絡架構設計:設計了具[0118]輸入層配置:配置輸入層[0119]數據預處理:對輸入圖像執行為:[0121]其中,I代表原始圖像,I9代表標準化后的圖像,Imin和Imax分別代表圖像中的最小[0122]卷積層定義:定義多個卷積[0131]優化器選擇:選擇Adam(Adaptive[0135]數據增強策略:通過隨機旋[0136]驗證與測試:在獨立的驗證集[0137]優化拋光路徑算法設計:本發明提出[0138]路徑生成初始化:初始化[0139]路徑規劃準則:定義路徑規劃的目標函[0141]其中,J(p)是目標函數,T(p)表示拋光路徑p下的預計時間,Q(p)表示預計拋光質[0142]空間約束考慮:設定拋光路[0147]路徑迭代優化:使用迭代算法[0153]實時反饋循環:建立實時反饋系[0155]轉換優化拋光路徑:本發明描述了如何[0159]其中,Probot是機器人坐標系下的點,是從世界坐標系到機器人坐標系的轉[0160]運動規劃:開發運動規劃算法，以規劃從一個拋[0165]加速度控制:設定合適的加速度以避免[0166]工具末端控制:計算并控制工具末端執行器(End_E[0175]實時監控拋光效果:本實施例提[0177]數據采集:實時收集拋光頭與接力器[0178]數據分析:對采集的數據應用數據[0180]其中Ractual表示實際[0181]效果評估:使用機器學習算i[0187]決策支持系統:實施決[0188]實驗反饋循環:設立實驗反[0200]自適應算法應用:應用自適應神經模糊推理系統(ANFIS[0201]模糊邏輯控制:利用模糊邏輯控制器[0207]穩態誤差減少:設計控[0208]數據驅動調整:實施數據驅動的[0210]拋光壓力反饋控制:根據實時壓力反饋[0214]性能指標開發:關鍵性能指標(KPIs)設定為接力器內表面的尺寸精度和圓柱度，[0215]迭代學習:應用迭代學習控制(ILC)策略，在連續的拋光循環中逐步提高控制性[0216]在線優化控制參數:本發[0223]自適應調整:根據梯度信息調整[0229]魯棒性增強:通過引入魯棒控[0230]多參數協同優化:開發多參[0231]優化算法驗證:本發明在接力器缸體的[0232]預測模型集成:將預測模型集[0234]迭代路徑優化:本發明描[0243]性能評估函數設定:設計一[0247]步長系數調整:根據迭代過程中拋光效果的變化調整步長系數γ,以實現更有效[0249]終止條件設置:設定迭代的[0251]動態調整機制:建立了一個動態學習率[0252]自動化調整流程:實現了完全[0254]迭代學習應用:應用迭代學習控制(IterativeLearning[0255]通過一系列的實施例，本發明能夠減少拋光時間約40并使接力器缸體內表面[0257]樣本選擇:選擇相同類[0258]拋光時間測量:使用精確的計時器[0262]表面粗糙度:采用表面粗糙度測量[0263]表面形狀精度:使用光學顯微鏡[0267]效率提升計算:計算本發明技術在拋光時間上相比于傳統技術的效率提升百分[0269]技術方案總述:本發明通過器缸體內表面熔覆層的拋光工作提供了一種革命性的[0272]拋光效率提升:試驗結果顯示，與傳統方法相比，本發明能夠減少拋光時間約[0273]拋光質量改善:通過精準控制[0274]工藝可靠性增強:利用自適應[0282]檢查并校準三維掃描設備，確保能夠準確捕捉到水輪機接力器內表面的幾何數[0292]在本發明的實施過程中，數據采集與處理是確保拋光路徑優化成功的關鍵步[0310]使用結合了卷積神經網絡(CNN)和循環神經網絡(RNN)的深度學習模型進行特征[0340]1.4數據校正：為了提[0343]數據預處理模塊的主要目的是將數據采集模塊收集到的原始三維掃描數據轉化[0351]本發明的核心是一個深度結合了卷積神經網絡(CNN)和循環神經網絡(RNN)的深[0355]訓練完成的深度學習模型用于實時識別接力器內表面的特定區域并生成拋光路[0360]本發明的路徑規劃算法是基于深度學習模型輸出的關鍵區域識別結果來實現[0369]本發明采用協作機器人(Cobot)作為拋光執行的主體，其選擇基于協作機器人在