CN118456126B 基于机器学习的圆柱桶内表面熔覆层抛光路径优化方法 （中国长江电力股份有限公司）

基于机器学习的圆柱桶内表面熔覆层抛光一种基于机器学习的圆柱桶内表面熔覆层结合了卷积神经网络(CNN)和循环神经网络(RNN)，能够根据处理过的数据自动优化抛光路21.基于机器学习的圆柱桶内表面熔覆层抛光路径优化方法，其特征在于包括以下步步骤4、训练完成的深度学习模型用于实时识别圆柱桶内表面的某区域并生成抛光路3其中，F表示原始扫描数据，表示滤波后的数据，w是滤波器的权重矩阵，i代表图像强度，和分别是图像强度在x和y方向2.根据权利要求1所述的基于机器学习的圆柱桶内表面熔覆层抛光路径优化方法，其其中，输入层：以接受三维扫描数据转换后的二维深度图其中，r,"")是第l+1层的第i个特征图中的第j个特征响应，σ表示激活函全连接层：在网络的后端应用全连接层，将抛光区域的分4[c=-1yo3.根据权利要求1所述的基于机器学习的圆柱桶内表面熔覆层抛光路径优化方法，其5光效果。例如，Zhao_shengLi等人提出了一种离线编程系统来生成机器人抛光的工具路[0007]本发明所要解决的技术问题是提供基于机器学习的圆柱桶内表面熔覆层抛光路6[0023]步骤4、训练完成的深度学习模型用于实时识别圆柱桶内表面的某区域并生成抛7[0045]其中，(e")是第l+1层的第i个特征图中的第j个特征响应，σ表示激活函数，8[0051][c=-1y上评估模型性能来监控训练过程并调整模型超参数，使用批量梯度下降法对模型进行训方法，图1用于展示基于深度学习优化的水轮机接力器内表面熔覆层抛光路径技术的总体表面形状精度等参数的量化评价。图7用于展示系统如何自动检测和纠正抛光过程中的偏9积神经网络和循环神经网络作为基础架构，用于处理和识别图像数据中的空间层级信息，[0103]其中，是第l+1层的第i个特征图中的第j个特征响应，σ表示激活函数，")和w"分别是第l层的偏置和卷积核权重，*表示卷积运算。[0114]步骤4、训练完成的深度学习模型用于实时识别接力器内表面的特定区域并生成[0116]本实施例中的圆柱桶为水轮机接力器缸体，本发明采用深度卷积网络(DCN)来提[0117]网络架构设计:设计了具[0118]输入层配置:配置输入层[0119]数据预处理:对输入图像执行为:[0121]其中,I代表原始图像,I9代表标准化后的图像,Imin和Imax分别代表图像中的最小[0122]卷积层定义:定义多个卷积[0131]优化器选择:选择Adam(Adaptive[0135]数据增强策略:通过随机旋[0136]验证与测试:在独立的验证集[0137]优化抛光路径算法设计:本发明提出[0138]路径生成初始化:初始化[0139]路径规划准则:定义路径规划的目标函[0141]其中,J(p)是目标函数,T(p)表示抛光路径p下的预计时间,Q(p)表示预计抛光质[0142]空间约束考虑:设定抛光路[0147]路径迭代优化:使用迭代算法[0153]实时反馈循环:建立实时反馈系[0155]转换优化抛光路径:本发明描述了如何[0159]其中,Probot是机器人坐标系下的点,是从世界坐标系到机器人坐标系的转[0160]运动规划:开发运动规划算法，以规划从一个抛[0165]加速度控制:设定合适的加速度以避免[0166]工具末端控制:计算并控制工具末端执行器(End_E[0175]实时监控抛光效果:本实施例提[0177]数据采集:实时收集抛光头与接力器[0178]数据分析:对采集的数据应用数据[0180]其中Ractual表示实际[0181]效果评估:使用机器学习算i[0187]决策支持系统:实施决[0188]实验反馈循环:设立实验反[0200]自适应算法应用:应用自适应神经模糊推理系统(ANFIS[0201]模糊逻辑控制:利用模糊逻辑控制器[0207]稳态误差减少:设计控[0208]数据驱动调整:实施数据驱动的[0210]抛光压力反馈控制:根据实时压力反馈[0214]性能指标开发:关键性能指标(KPIs)设定为接力器内表面的尺寸精度和圆柱度，[0215]迭代学习:应用迭代学习控制(ILC)策略，在连续的抛光循环中逐步提高控制性[0216]在线优化控制参数:本发[0223]自适应调整:根据梯度信息调整[0229]鲁棒性增强:通过引入鲁棒控[0230]多参数协同优化:开发多参[0231]优化算法验证:本发明在接力器缸体的[0232]预测模型集成:将预测模型集[0234]迭代路径优化:本发明描[0243]性能评估函数设定:设计一[0247]步长系数调整:根据迭代过程中抛光效果的变化调整步长系数γ,以实现更有效[0249]终止条件设置:设定迭代的[0251]动态调整机制:建立了一个动态学习率[0252]自动化调整流程:实现了完全[0254]迭代学习应用:应用迭代学习控制(IterativeLearning[0255]通过一系列的实施例，本发明能够减少抛光时间约40并使接力器缸体内表面[0257]样本选择:选择相同类[0258]抛光时间测量:使用精确的计时器[0262]表面粗糙度:采用表面粗糙度测量[0263]表面形状精度:使用光学显微镜[0267]效率提升计算:计算本发明技术在抛光时间上相比于传统技术的效率提升百分[0269]技术方案总述:本发明通过器缸体内表面熔覆层的抛光工作提供了一种革命性的[0272]抛光效率提升:试验结果显示，与传统方法相比，本发明能够减少抛光时间约[0273]抛光质量改善:通过精准控制[0274]工艺可靠性增强:利用自适应[0282]检查并校准三维扫描设备，确保能够准确捕捉到水轮机接力器内表面的几何数[0292]在本发明的实施过程中，数据采集与处理是确保抛光路径优化成功的关键步[0310]使用结合了卷积神经网络(CNN)和循环神经网络(RNN)的深度学习模型进行特征[0340]1.4数据校正：为了提[0343]数据预处理模块的主要目的是将数据采集模块收集到的原始三维扫描数据转化[0351]本发明的核心是一个深度结合了卷积神经网络(CNN)和循环神经网络(RNN)的深[0355]训练完成的深度学习模型用于实时识别接力器内表面的特定区域并生成抛光路[0360]本发明的路径规划算法是基于深度学习模型输出的关键区域识别结果来实现[0369]本发明采用协作机器人(Cobot)作为抛光执行的主体，其选择基于协作机器人在