CN109014626A - 能量束工作状态控制方法 - Google Patents
能量束工作状态控制方法 Download PDFInfo
- Publication number
- CN109014626A CN109014626A CN201810978470.3A CN201810978470A CN109014626A CN 109014626 A CN109014626 A CN 109014626A CN 201810978470 A CN201810978470 A CN 201810978470A CN 109014626 A CN109014626 A CN 109014626A
- Authority
- CN
- China
- Prior art keywords
- energy beam
- working condition
- mean
- work
- tar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/70—Auxiliary operations or equipment
- B23K26/702—Auxiliary equipment
Abstract
本发明提供了一种能量束工作状态控制方法,包括步骤:1、设计能量束工作状态离散空间,对能量束工作状态离散空间中不同工作状态能量束作用于材料辐射出的多波段复合电磁波信号进行数据采样;2、使用神经网络建立不同工作状态能量束作用于材料辐射出的多波段复合电磁波信号与能量束工作状态的关系模型;3、在能量束工作过程中实时连续采集其作用于材料辐射出的多波段复合电磁波信号,使用步骤2得到的能量束工作状态评价网络输出其工作状态评价,基于评价给出控制动作;4、循环执行步骤3。
Description
技术领域
本发明涉及能量束工作状态控制领域,尤其涉及一种能量束工作状态控制方法。
背景技术
能量束的热作用过程包括焊接中的电弧热作用过程、激光加工中的激光热作用过程以及增材制造中的电子束热作用过程与激光热作用过程。能量束的工作状态包括工作功率、工作速度和工作模式等。在不同的能量束设备之间,常存在即便设置相同的工作参数,而实际执行的能力束工作状态却不一致;在同一能量束设备上,常存在不同使用时期即便设置相同的工作参数,而实际执行的能量束工作状态却不一致。
发明内容
鉴于背景技术中存在的问题,本发明的目的在于提供一种能量束工作状态控制方法,其能够对能量束实际执行工作状态进行判断,在此基础上给出达到目标能量束工作状态所需的能量束控制动作,使得能量束执行工作状态转变为目标工作状态。
为了实现上述目的,本发明提供了一种能量束工作状态控制方法,其包括步骤:
步骤1:设计能量束工作状态离散空间,对能量束工作状态离散空间中不同工作状态能量束作用于材料辐射出的多波段复合电磁波信号进行数据采样;本发明以能量束工作参数的组合(P,V,F,M)来表达能量束工作状态,其中P为能量束工作功率,V为能量束工作速度,F为能量束工作焦深,M为能量束工作模式;所有(P,V,F,M)的组合构成了能量束工作状态空间,本发明将此空间进行离散,其中P,V,F连续且存在工作上下限,分别将其工作上限记为PU,VU,FU,将其工作下限记为PL,VL,FL;分别对三个工作参数区间进行等分操作,其中对P以(PU-PL)/NP进行NP等分,对V以(VU-VL)/NV进行NV等分,对F以(FU-FL)/NF进行NF等分,能量束工作模式M本身是离散的且是有限个工作模式,记为NM个工作模式;因而本发明中(P,V,F,M)参数组合构成的能量束离散工作状态空间包含N个工作状态,其中N=NP×NV×NF×NM,且NP≥2,NV≥2,NF≥2,NM≥1;对于所有N个能量束工作状态中的第i个工作状态(Pj,Vk,Fn,Mm)i,其工作功率为Pj= PL +(j+0.5) ×(PU-PL)/NP,工作速度为Vk= VL +(k+0.5) ×(VU-VL)/NV,工作焦深为Fn= FL +(n+0.5) ×(FU-FL)/NF,工作模式为Mm=m,i与j,k,n,m的关系为i=m×(NP×NV ×NF) + n×(NP ×NV) + k×NP + j,因而对于任意i都有唯一(j,k,n,m)与之对应,其中0≤i≤N -1,0≤j≤NP -1,0≤k≤NV -1,0≤n≤NF -1,0≤m≤NM -1;对于一种材料,固定能量束与工作平面的垂直距离,使能量束在整个可达工作平面上以第i个工作状态(Pj,Vk,Fn,Mm)连续工作,工作过程中使用光学传感器连续采集能量束作用于材料辐射出的不同波段电磁波信号点阵数据,采集的曝光时间固定为t微秒,其中10≤t≤1000000;本发明使用(λ’,λ’’,λ’’’)来分别代表采集到的红外波段电磁波信号点阵数据、可见光波段电磁波信号点阵数据和其它波段电磁波信号点阵数据;将采集得到的不同波段电磁波点阵数据(λ’,λ’’,λ’’’)与工作状态i组合构成数据单元[(λ’,λ’’,λ’’’),i];对每个能量束工作状态i在能量束工作平面上连续采集得到K个[(λ’,λ’’,λ’’’),i]数据单元,且所有K个数据单元的采集位置应覆盖整个能量束工作平面,其中K≥100,0≤i≤N -1;所有N个能量束工作状态下采集得到的所有[(λ’,λ’’,λ’’’),i]数据单元共同构成数据集D;
步骤2:使用神经网络建立不同工作状态能量束作用于材料辐射出的多波段复合电磁波信号与能量束工作状态的关系模型;本发明使用神经网络Pe (s;ε)建立不同工作状态能量束作用于材料辐射出的多波段复合电磁波信号与能量束工作状态的关系模型,其中神经网络Pe (s;ε) 的输入为s=(λ’,λ’’,λ’’’),即数据集D中的多波段复合电磁波信号点阵数据,输出为能量束工作状态在N个工作状态的上的概率分布[p 0, p 1,…, p N-1 ],ε为神经网络参数;以softmax互熵损失值使用随机梯度下降法在数据集D上训练更新Pe的网络参数ε;训练完成后得到能量束工作状态评价网络Pe (s;ε),对于任意多波段复合电磁波信号点阵数据输入,通过能量束工作状态评价网络Pe (s;ε)输出为该能量束工作状态在N种工作状态上的概率分布[p 0, p 1,…, p N-1 ],本发明通过N种工作状态的相应工作参数(Pj,Vk,Fn,Mm)与其相应概率进行加权平均得到的值(P,V,F,M)来表示能量束工作状态评价值,其中(P,V,F,M)的具体计算方式如下,
其中 i=m×(NP ×NV ×NF) + n×(NP ×NV) + k×NP + j,M最后取整数;
步骤3:在能量束工作过程中实时连续采集其作用于材料辐射出的多波段复合电磁波信号,使用评价网络输出其工作状态评价,基于评价给出控制动作;对于给定的目标能量束工作状态(Ptar,Vtar,Ftar,Mtar),在能量束工作过程中实时连续采集θ个多波段复合电磁波信号数据(λ’,λ’’,λ’’’),采集的曝光时间固定为t微秒,其中10≤t≤1000000;使用能量束工作状态评价网络Pe (s;ε)分别对其进行评价,按照步骤2中的评价方式输出θ个能量束工作状态评价值(P,V,F,M),对该θ个能量束工作状态评价值取均值得到(P mean ,V mean ,F mean , M mean ),其中θ≥3;因此为了使当前能量束工作状态(P mean ,V mean ,F mean ,M mean )转变为目标能量束工作状态(Ptar,Vtar,Ftar,Mtar)而给出的控制动作为(Pc,Vc,Fc,Mc),其中Pc= Ptar - P mean ,Vc= Vtar - V mean ,Fc= Ftar - F mean ,Mc= Mtar - M mean ;对能量束设备执行控制动作(Pc,Vc,Fc,Mc);
步骤4:循环执行步骤3。
本发明的有益效果如下:
使用神经网络建立不同工作状态能量束作用于材料辐射出的多波段复合电磁波信号与能量束工作状态的关系模型,能够在能量束工作过程中实时对其工作状态进行评价得到其执行工作状态评价值,因而对于任意给定的目标能量束工作状态,能够给出合适的能量束控制动作,使能量束执行工作状态转变为目标能量束工作状态;因而本发明能够使得不同的能量束设备之间,设置相同的工作参数,实际执行的能力束工作状态稳定一致;本发明能够使得同一能量束设备上,不同使用时期设置相同的工作参数,实际执行的能量束工作状态稳定一致。
Claims (10)
1.一种能量束工作状态控制方法,其特征在于,包括步骤:
步骤1:设计能量束工作状态离散空间,对能量束工作状态离散空间中不同工作状态能量束作用于材料辐射出的多波段复合电磁波信号进行数据采样;本发明以能量束工作参数的组合(P,V,F,M)来表达能量束工作状态,其中P为能量束工作功率,V为能量束工作速度,F为能量束工作焦深,M为能量束工作模式;所有(P,V,F,M)的组合构成了能量束工作状态空间,本发明将此空间进行离散,其中P,V,F连续且存在工作上下限,分别将其工作上限记为PU,VU,FU,将其工作下限记为PL,VL,FL;分别对三个工作参数区间进行等分操作,其中对P以(PU-PL)/NP进行NP等分,对V以(VU-VL)/NV进行NV等分,对F以(FU-FL)/NF进行NF等分,能量束工作模式M本身是离散的且是有限个工作模式,记为NM个工作模式;因而本发明中(P,V,F,M)参数组合构成的能量束离散工作状态空间包含N个工作状态,其中N=NP×NV×NF×NM,且NP≥2,NV≥2,NF≥2,NM≥1;对于所有N个能量束工作状态中的第i个工作状态(Pj,Vk,Fn,Mm)i,其工作功率为Pj= PL +(j+0.5) ×(PU-PL)/NP,工作速度为Vk= VL +(k+0.5) ×(VU-VL)/NV,工作焦深为Fn= FL +(n+0.5) ×(FU-FL)/NF,工作模式为Mm=m,i与j,k,n,m的关系为i=m×(NP×NV ×NF) + n×(NP ×NV) + k×NP + j,因而对于任意i都有唯一(j,k,n,m)与之对应,其中0≤i≤N -1,0≤j≤NP -1,0≤k≤NV -1,0≤n≤NF -1,0≤m≤NM -1;对于一种材料,固定能量束与工作平面的垂直距离,使能量束在整个可达工作平面上以第i个工作状态(Pj,Vk,Fn,Mm)连续工作,工作过程中使用光学传感器连续采集能量束作用于材料辐射出的不同波段电磁波信号点阵数据,采集的曝光时间固定为t微秒,其中10≤t≤1000000;本发明使用(λ’,λ’’,λ’’’)来分别代表采集到的红外波段电磁波信号点阵数据、可见光波段电磁波信号点阵数据和其它波段电磁波信号点阵数据;将采集得到的不同波段电磁波点阵数据(λ’,λ’’,λ’’’)与工作状态i组合构成数据单元[(λ’,λ’’,λ’’’),i];对每个能量束工作状态i在能量束工作平面上连续采集得到K个[(λ’,λ’’,λ’’’),i]数据单元,且所有K个数据单元的采集位置应覆盖整个能量束工作平面,其中K≥100,0≤i≤N -1;所有N个能量束工作状态下采集得到的所有[(λ’,λ’’,λ’’’),i]数据单元共同构成数据集D;
步骤2:使用神经网络建立不同工作状态能量束作用于材料辐射出的多波段复合电磁波信号与能量束工作状态的关系模型;本发明使用神经网络Pe (s;ε)建立不同工作状态能量束作用于材料辐射出的多波段复合电磁波信号与能量束工作状态的关系模型,其中神经网络Pe (s;ε) 的输入为s=(λ’,λ’’,λ’’’),即数据集D中的多波段复合电磁波信号点阵数据,输出为能量束工作状态在N个工作状态的上的概率分布[p 0, p 1,…, p N-1 ],ε为神经网络参数;以softmax互熵损失值使用随机梯度下降法在数据集D上训练更新Pe的网络参数ε;训练完成后得到能量束工作状态评价网络Pe (s;ε),对于任意多波段复合电磁波信号点阵数据输入,通过能量束工作状态评价网络Pe (s;ε)输出为该能量束工作状态在N种工作状态上的概率分布[p 0, p 1,…, p N-1 ],本发明通过N种工作状态的相应工作参数(Pj,Vk,Fn,Mm)与其相应概率进行加权平均得到的值(P,V,F,M)来表示能量束工作状态评价值,其中(P,V,F,M)的具体计算方式如下,
其中 i=m×(NP ×NV ×NF) + n×(NP ×NV) + k×NP + j,M最后取整数;
步骤3:在能量束工作过程中实时连续采集其作用于材料辐射出的多波段复合电磁波信号,使用评价网络输出其工作状态评价,基于评价给出控制动作;对于给定的目标能量束工作状态(Ptar,Vtar,Ftar,Mtar),在能量束工作过程中实时连续采集θ个多波段复合电磁波信号数据(λ’,λ’’,λ’’’),采集的曝光时间固定为t微秒,其中10≤t≤1000000;使用能量束工作状态评价网络Pe (s;ε)分别对其进行评价,按照步骤2中的评价方式输出θ个能量束工作状态评价值(P,V,F,M),对该θ个能量束工作状态评价值取均值得到(P mean ,V mean ,F mean , M mean ),其中θ≥3;因此为了使当前能量束工作状态(P mean ,V mean ,F mean ,M mean )转变为目标能量束工作状态(Ptar,Vtar,Ftar,Mtar)而给出的控制动作为(Pc,Vc,Fc,Mc),其中Pc= Ptar - P mean ,Vc= Vtar - V mean ,Fc= Ftar - F mean ,Mc= Mtar - M mean ;对能量束设备执行控制动作(Pc,Vc,Fc,Mc);
步骤4:循环执行步骤3。
2.根据权利要求1所述的能量束工作状态控制方法,其特征在于,能量束为等离子弧、电弧、电子束或激光。
3.根据权利要求1所述的能量束工作状态控制方法,其特征在于,采样数据集D中用以表征能量束工作状态的电磁波信号为多波段复合电磁波信号。
4.根据权利要求3所述的能量束工作状态控制方法,其特征在于,多波段复合电磁波信号的波长范围为10-12~10-3米之间。
5.根据权利要求1所述的能量束工作状态控制方法,其特征在于,以能量束工作参数的组合(P,V,F,M)来表达能量束工作状态,由有限个(P,V,F,M)构成能量束离散工作状态空间,其中P为能量束工作功率,V为能量束工作速度,F为能量束工作焦深,M为能量束工作模式。
6.根据权利要求5所述的能量束工作状态控制方法,其特征在于,(P,V,F,M)参数组合构成的能量束离散工作状态空间包含N个工作状态,分别对P以(PU-PL)/NP进行NP等分,对V以(VU-VL)/NV进行NV等分,对F以(FU-FL)/NF进行NF等分,能量束工作模式M本身是离散的且是有限个工作模式,记为NM个工作模式,其中N=NP×NV×NF×NM,且NP≥2,NV≥2,NF≥2,NM≥1。
7.根据权利要求6所述的能量束工作状态控制方法,其特征在于,对于能量束离散工作状态空间N个工作状态中的第i个工作状态(Pj,Vk,Fn,Mm)i,其工作功率为Pj= PL +(j+0.5)×(PU-PL)/NP,工作速度为Vk= VL +(k+0.5) ×(VU-VL)/NV,工作焦深为Fn= FL +(n+0.5) ×(FU-FL)/NF,工作模式为Mm=m,i与j,k,n,m的关系为i=m×(NP ×NV ×NF) + n×(NP ×NV) +k×NP + j,其中0≤i≤N -1,0≤j≤NP -1,0≤k≤NV -1,0≤n≤NF -1,0≤m≤NM -1。
8.根据权利要求1所述的能量束工作状态控制方法,其特征在于,能量束工作过程中使用光学传感器连续采集能量束作用于材料辐射出的不同波段电磁波信号点阵数据,采集的曝光时间固定为t微秒,其中10≤t≤1000000。
9.根据权利要求1所述的能量束工作状态控制方法,其特征在于,通过N种工作状态的相应工作参数(Pj,Vk,Fn,Mm)与其相应概率进行加权平均得到的值(P,V,F,M)来表示能量束工作状态评价值,其中(P,V,F,M)的具体计算方式为
其中 i=m×(NP ×NV ×NF) + n×(NP ×NV) + k×NP + j,M最后取整数。
10.根据权利要求1所述的能量束工作状态控制方法,其特征在于,在能量束工作过程中实时连续采集θ个多波段复合电磁波信号数据(λ’,λ’’,λ’’’),使用能量束工作状态评价网络Pe (s;ε)分别对其进行评价,对该θ个能量束工作状态评价值取均值得到(P mean ,V mean , F mean ,M mean ),以(P mean ,V mean ,F mean ,M mean )表示能量束执行工作状态,其中θ≥3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810978470.3A CN109014626B (zh) | 2018-08-27 | 2018-08-27 | 能量束工作状态控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810978470.3A CN109014626B (zh) | 2018-08-27 | 2018-08-27 | 能量束工作状态控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109014626A true CN109014626A (zh) | 2018-12-18 |
CN109014626B CN109014626B (zh) | 2020-09-22 |
Family
ID=64624563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810978470.3A Active CN109014626B (zh) | 2018-08-27 | 2018-08-27 | 能量束工作状态控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109014626B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1466372A (zh) * | 2002-07-05 | 2004-01-07 | 北京创先泰克科技有限公司 | 自动跟踪运动目标的系统和实现方法 |
CN1682236A (zh) * | 2002-08-20 | 2005-10-12 | 成像治疗仪股份有限公司 | 用于x射线图像分析的方法和设备 |
CN101187990A (zh) * | 2007-12-14 | 2008-05-28 | 华南理工大学 | 一种会话机器人系统 |
CN102072922A (zh) * | 2009-11-25 | 2011-05-25 | 东北林业大学 | 基于粒子群优化神经网络模型的木材含水率检测方法 |
CN103854658A (zh) * | 2012-11-29 | 2014-06-11 | 沈阳工业大学 | 基于短时分形维数增强法的钢板腐蚀声发射信号去噪方法 |
-
2018
- 2018-08-27 CN CN201810978470.3A patent/CN109014626B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1466372A (zh) * | 2002-07-05 | 2004-01-07 | 北京创先泰克科技有限公司 | 自动跟踪运动目标的系统和实现方法 |
CN1682236A (zh) * | 2002-08-20 | 2005-10-12 | 成像治疗仪股份有限公司 | 用于x射线图像分析的方法和设备 |
CN101187990A (zh) * | 2007-12-14 | 2008-05-28 | 华南理工大学 | 一种会话机器人系统 |
CN102072922A (zh) * | 2009-11-25 | 2011-05-25 | 东北林业大学 | 基于粒子群优化神经网络模型的木材含水率检测方法 |
CN103854658A (zh) * | 2012-11-29 | 2014-06-11 | 沈阳工业大学 | 基于短时分形维数增强法的钢板腐蚀声发射信号去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109014626B (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046374B (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
CN103984980B (zh) | 一种温室内温度极值的预测方法 | |
CN104134003B (zh) | 基于知识与数据共同驱动的作物单产量预测方法 | |
CN102982393B (zh) | 一种输电线路动态容量的在线预测方法 | |
CN109948845A (zh) | 一种配电网负荷长短期记忆神经网络预测方法 | |
CN108053061A (zh) | 一种基于改进卷积神经网络的太阳能辐照度预测方法 | |
CN105447567B (zh) | 基于bp神经网络与mpso算法的铝电解节能减排控制方法 | |
CN106227038A (zh) | 基于神经网络和模糊控制的粮食烘干塔智能控制方法 | |
CN107423850B (zh) | 基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 | |
CN102524024A (zh) | 基于计算机视觉的作物灌溉系统 | |
CN110059891A (zh) | 一种基于vmd-svm-wsa-gm组合模型的光伏电站输出功率预测方法 | |
CN205910119U (zh) | 基于太赫兹波的植物叶片含水量检测系统 | |
CN110119169A (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
CN108762084A (zh) | 基于模糊控制决策的水田灌溉系统及方法 | |
CN107403233A (zh) | 一种玉米株型优化方法及系统 | |
CN109014626A (zh) | 能量束工作状态控制方法 | |
CN110147825B (zh) | 一种基于经验模态分解模型的草莓温室温度智能检测装置 | |
CN106100582B (zh) | 基于带遗忘因子的递推最小二乘光伏电池参数辨识方法 | |
CN103234916B (zh) | 一种群体净光合速率预测方法 | |
Shan et al. | Spatio-temporal evolution characteristics and prediction of dry–wet abrupt alternation during the summer monsoon in the middle and lower reaches of the Yangtze River Basin | |
CN116167508B (zh) | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 | |
Ji et al. | Design of fuzzy control algorithm for precious irrigation system in greenhouse | |
An et al. | Prediction of soil moisture based on BP neural network optimized search algorithm | |
Gong et al. | Review of Intelligent Control Methods for Greenhouse Cluster Systems | |
Xie et al. | Irrigation prediction model with BP neural network improved by genetic algorithm in orchards |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |