CN115310365A - 一种基于多角度的激光控制方法及相关装置 - Google Patents

一种基于多角度的激光控制方法及相关装置 Download PDF

Info

Publication number
CN115310365A
CN115310365A CN202211045018.4A CN202211045018A CN115310365A CN 115310365 A CN115310365 A CN 115310365A CN 202211045018 A CN202211045018 A CN 202211045018A CN 115310365 A CN115310365 A CN 115310365A
Authority
CN
China
Prior art keywords
metal plate
data
areas
point cloud
training
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.)
Pending
Application number
CN202211045018.4A
Other languages
English (en)
Inventor
吴楷龙
蒋榕
陈磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Smartind Automation Technology Co ltd
Original Assignee
Shenzhen Smartind Automation Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Smartind Automation Technology Co ltd filed Critical Shenzhen Smartind Automation Technology Co ltd
Priority to CN202211045018.4A priority Critical patent/CN115310365A/zh
Publication of CN115310365A publication Critical patent/CN115310365A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Geometry (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computer Graphics (AREA)
  • Laser Beam Processing (AREA)

Abstract

本发明涉及一种基于多角度的激光控制方法及相关装置，所述方法包括：所述方法包括：向钣金表面发射不同角度的激光束，根据接收到的目标激光反射回波进行处理并获得目标表面的点云信息；根据点云信息划分为多个区域，将多个区域构建钣金的平面模型；根据钣金加工时的参数，利用神经网络预测钣金的波动幅度；并根据波动幅度修正所述平面模型。本发明提供一种基于多角度的激光控制方法及相关装置，解决了现有技术需要复杂手段获取切削的厚度，导致工作效率低下的技术问题。

Description

一种基于多角度的激光控制方法及相关装置
技术领域
本方法和相关装置涉及机械加工技术领域，尤其涉及一种基于多角度的激光控制方法及相关装置。
背景技术
近年来，高功率激光加工技术因其加工效率高、无机械接触、易于实现自动化等一系列优点，在工业领域正得到越来越广泛的应用。特别是激光加工装置的“刀具”为激光，其加工特性与激光束的输出方式、能量大小以及所采用的光学系统、聚焦方式等密切相关。当我们改变激光的输出功率、输出脉冲频率或占空比等参数时，或者改变激光加工头的结构（如切割头、焊接头等)，激光加工工艺将会发生性质的变化，如从激光切割变为激光焊接或者激光表面强化处理等，而相应的机械结构、控制系统等几乎无需改动。这样，我们就可以利用改变激光加工参数(包括工艺参数和加工头）的方法使某台单功能的激光加工设备变为多功能的激光加工装置，实现智能柔性加工。
现有的加工过程中，无法测量加工时，工件被加工时的加工的效果，或者需要通过传感器实时测量才能知晓切削的厚度，导致工作效率低下。
发明内容
针对上述问题，本发明的目的是提供一种基于多角度的激光控制方法及相关装置，解决了现有技术需要复杂手段获取切削的厚度，导致工作效率低下的技术问题。
为实现上述目的，本发明采取以下技术方案：本发明的公开了一种基于多角度的激光控制方法，所述方法包括：
向钣金表面发射不同角度的激光束，根据接收到的目标激光反射回波进行处理并获得目标表面的点云信息；
根据点云信息划分为多个区域，将多个区域构建钣金的平面模型；
根据钣金加工时的参数，利用神经网络预测钣金的波动幅度；并根据波动幅度修正所述平面模型。
优选地，根据点云信息划分为多个区域，将多个区域构建钣金的平面模型包括：
将钣金划分为多个栅格区域；
获取每个栅格区域的点云信息；
确定每个栅格区域的预设阈值并计算栅格中每一个点到预设加工平面的正交投影距离，然后将投影距离与预设阈值进行比较，如满足阈值范围则为合格点集，否则为不合格点集，并将不合格点集划分为新的栅格区域。
优选地，所述根据钣金加工时的参数，利用神经网络预测钣金的波动幅度；并根据波动幅度修正所述平面模型包括：
根据钣金加工的加工的厚度，刀片的旋转速度，利用神经网络预测钣金的波动幅度；
根据样条曲线拟合预设阈值与波动幅度的关系；
根据波动幅度修正预设阈值，将激光电集重新划分为新的合格点集和新的不合格点集，根据新的合格点集和新的不合格点集划分为新的栅格区域，从可以通过不同的栅格区域重新拟合新的平面模型。
优选地，神经网络训练过程包括：将根据钣金加工的加工的厚度，刀片的旋转速度以及此时设备对应钣金的波动幅度的作为训练数据集，基于训练数据和测试数据对神经网络进行训练。
优选地，运用奇异谱分析对训练数据和测试进行处理；
对钣金的波动幅度进行奇异谱分析，剔除奇异小的数据序列以去除噪声，获得多组不同趋势成分的数据样本
Figure 450573DEST_PATH_IMAGE001
，其中k为奇异谱分析处理后的数据序列组数；
对每组不同趋势成分的数据序列中80%的数据作为训练样本集，其余数据作为测试样本集，并且对训练样本集和测试样本集进行归一化，得到归一化训练样本集
Figure 803932DEST_PATH_IMAGE002
和测试样本集
Figure 521352DEST_PATH_IMAGE003
。
优选地，所述使用的归一化方法为最大最小标准化,公式如下：
Figure 650982DEST_PATH_IMAGE004
其中，采用滑动窗口方法，并且设置批大小为batch_size，k为奇异谱分析后得到的序列数，数据打包如下：从
Figure 403037DEST_PATH_IMAGE005
中提取长度为window_size的连续数据，将其作为训练集：
Figure 897604DEST_PATH_IMAGE006
，i=1，2，……，k；从
Figure 418101DEST_PATH_IMAGE007
中提取长度为window_size的连续数据，将其作为本发明的训练集：
Figure 289105DEST_PATH_IMAGE008
，i=1，2，……，k。
本发明的第二个目的可以通过采取如下技术方案达到：基于多角度的激光控制系统，所述系统包括：
数据采集单元，向钣金表面发射不同角度的激光束，根据接收到的目标激光反射回波进行处理并获得目标表面的点云信息；
建模单元，根据点云信息划分为多个区域，将多个区域构建钣金的平面模型；
模型修正单元，根据钣金加工时的参数，利用神经网络预测钣金的波动幅度；并根据波动幅度修正所述平面模型。
本发明的第三个目的可以通过采取如下技术方案达到：
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的基于多角度的激光控制方法和相关装置。
本发明的第四个目的可以通过采取如下技术方案达到：
一种存储介质，存储程序，所述程序被处理器执行时，实现上述的基于多角度的激光控制方法和相关装置。
本发明通过向钣金表面发射不同角度的激光束，根据接收到的目标激光反射回波进行处理并获得目标表面的点云信息；根据点云信息划分为多个区域，将多个区域构建钣金的平面模型；在实时加工的过程中，可以根据激光反馈的点云数据进行分类，将处于同样厚度的点云数据作为一个区域来考虑，而通过多个区域的点云数据进行拟合从而建立钣金的平面模型，为后续加工提供依据。而通过根据钣金加工时的参数，利用神经网络预测钣金的波动幅度；并根据波动幅度修正所述平面模型。可以在加工过程中，点云数据的厚度信息进行调整，从而对多个区域的划分进行实时调整，进而调整了整个钣金的平面模型，从而提高了加工过程中的测量精度和消除加工设备对建模的影响，同时也不需要应用传感器等设备进行检测，降低了模型修正的难度，节约的工作的成本。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
图1是本发明实施例1的基于多角度的激光控制方法的流程图；
图2是本发明实施例1的基于多角度的激光控制方法的另一流程图；
图3是本发明实施例2的基于基于多角度的激光控制系统的结构图。
附图中各标记表示如下。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例1：
本发明的公开了一种基于多角度的激光控制方法，所述方法包括：步骤S100，向钣金表面发射不同角度的激光束，根据接收到的目标激光反射回波进行处理并获得目标表面的点云信息；
步骤S200，根据点云信息划分为多个区域，将多个区域构建钣金的平面模型；
在本实施例中，初始的区域划分，可以将多个区域划分为相同大小或者大小不一的区域，只需要方便计算即可，不需要过多的要求区域的划分策略，在此不再赘述。
步骤S300，根据钣金加工时的参数，利用神经网络预测钣金的波动幅度；并根据波动幅度修正所述平面模型。
本发明通过向钣金表面发射不同角度的激光束，根据接收到的目标激光反射回波进行处理并获得目标表面的点云信息；根据点云信息划分为多个区域，将多个区域构建钣金的平面模型；在实时加工的过程中，可以根据激光反馈的点云数据进行分类，将处于同样厚度的点云数据作为一个区域来考虑，而通过多个区域的点云数据进行拟合从而建立钣金的平面模型，为后续加工提供依据。而通过根据钣金加工时的参数，利用神经网络预测钣金的波动幅度；并根据波动幅度修正所述平面模型。可以在加工过程中，点云数据的厚度信息进行调整，从而对多个区域的划分进行实时调整，进而调整了整个钣金的平面模型，从而提高了加工过程中的测量精度和消除加工设备对建模的影响，同时也不需要应用传感器等设备进行检测，降低了模型修正的难度，节约的工作的成本。
优选地，步骤S200，根据点云信息划分为多个区域，将多个区域构建钣金的平面模型包括：
步骤S210，将钣金划分为多个栅格区域；
在本实施例中，初始的栅格区域划分，可以将多个栅格区域划分为相同大小或者大小不一的区域，只需要方便计算即可，不需要过多的要求栅格区域的划分策略，在此不再赘述。
步骤S220，获取每个栅格区域的点云信息；
在本实施例中，栅格区域划分后，可以将点云信息先按照区域进行划分，这样方便各个区域进行处理，可以多个线程同时进行处理，并且处理同样的算法操作，提高了处理的速度。另外，也方面栅格区域的进一步细化，可以在栅格中进行进一步操作，进行了进一步划分，可以提高栅格区域划分的层次。
步骤S230，确定每个栅格区域的预设阈值并计算栅格中每一个点到预设加工平面的正交投影距离，然后将投影距离与预设阈值进行比较，如满足阈值范围则为合格点集，否则为不合格点集，并将不合格点集划分为新的栅格区域。
在本实施例中，将钣金加工前的厚度设置为e1，加工后的厚度设置为e2,理想的加工过程中e1与e2的差值为h，即预设钣金需要切削加工的厚度为h，但是在实际加工的过程中，激光测量的点云数据，有些是小于h，有些是大于h，可以设置一定的误差范围e3，h上下浮动e3都是合理的加工点集，但是误差大于e3为不合格的点集，并将不合格的点集新的栅格区域，可以对这个区域进行重新加工，使得其加工的厚度符合要求。
优选地，步骤S300，根据钣金加工时的参数，利用神经网络预测钣金的波动幅度；并根据波动幅度修正所述平面模型包括：
步骤S310，根据钣金加工的加工的厚度，刀片的旋转速度，利用神经网络预测钣金的波动幅度；
在本实施例中，在刀片的旋转速度越快，钣金的波动幅度越大，加工时，每次加工的厚度越厚，意味着钣金的受力也是越大的，那么钣金的波动幅度也是越大的，在本实施例中，可以根据神经网络预测加工的厚度，刀片的旋转速度对波动幅度的影响的大小，从而对波动幅度进行修正，进而可以达到修正激光测量建模的精度的目的，为后续的加工提供了理论依据。
步骤S320，根据样条曲线拟合预设阈值与波动幅度的关系；
本实施例中，实际测试中发现波动幅度与模型的预设阈值存在一定的关联，因而用钣金区域点集距理想平面模型的垂向距离散布程度表征当前钣金的波动幅度，并利用当前时刻的波动幅度自适应地确定合适的阈值。在本实施例中，将钣金加工前的厚度设置为e1，加工后的厚度设置为e2,理想的加工过程中e1与e2的差值为h，即预设钣金需要切削加工的厚度为h，但是在实际加工的过程中，机床的振动会导致激光测量的e1和e2发生一定的误差，进而导致两者的差值h发生一定的变化，通过神经网络获取波动幅度，通过样条曲线拟合来预测两者之间的关系：h=af2+bf+c，其中，a，b，c为预设的参数。
步骤S330，根据波动幅度修正预设阈值，将激光电集重新划分为新的合格点集和新的不合格点集，根据新的合格点集和新的不合格点集划分为新的栅格区域，从可以通过不同的栅格区域重新拟合新的平面模型。
如此，不需要应用传感器等设备进行检测，降低了模型修正的难度，节约的工作的成本。而且可以实时进行测量，在测量过程中进行重新建模，从而为后续的加工提供了依据。
优选地，步骤S310中神经网络训练过程包括：将根据钣金加工的加工的厚度，刀片的旋转速度以及此时设备对应钣金的波动幅度的作为训练数据集，基于训练数据和测试数据对神经网络进行训练。
在本实施例中，以往需要通过传感器等实时测量钣金的波动幅度，但是通过训练神经网络，可以通过软件的方式来预测钣金的波动幅度，提高了测量的精度，提高了测量的高效性。
优选地，运用奇异谱分析对训练数据和测试进行处理；
对钣金的波动幅度进行奇异谱分析，剔除奇异小的数据序列以去除噪声，获得多组不同趋势成分的数据样本
Figure 692404DEST_PATH_IMAGE001
，其中k为奇异谱分析处理后的数据序列组数；
对每组不同趋势成分的数据序列中80%的数据作为训练样本集，其余数据作为测试样本集，并且对训练样本集和测试样本集进行归一化，得到归一化训练样本集
Figure 357872DEST_PATH_IMAGE002
和测试样本集
Figure 846622DEST_PATH_IMAGE003
。
所述奇异谱分析过程如下：
选择窗口长度为L，将原始序列
Figure 754273DEST_PATH_IMAGE009
，N为序列长度，构造为轨迹矩阵：
Figure 12079DEST_PATH_IMAGE010
由于直接对轨迹矩阵分解比较困难，因而构造协方差矩阵S，然后对S进行奇异值分解（SVD），获得S的特征值λ和特征向量U：
Figure 379607DEST_PATH_IMAGE011
此时S分解得到的特征值
Figure 558915DEST_PATH_IMAGE012
和对应的特征向量
Figure 506143DEST_PATH_IMAGE013
，
Figure 385499DEST_PATH_IMAGE014
；
完成分解后，就是进行分组，首先计算迟滞序列
Figure 392769DEST_PATH_IMAGE015
在
Figure 856112DEST_PATH_IMAGE016
上的投影:
Figure 607030DEST_PATH_IMAGE017
Figure 839428DEST_PATH_IMAGE015
表示轨迹矩阵X的第i列，
Figure 781714DEST_PATH_IMAGE018
是
Figure 404457DEST_PATH_IMAGE015
所反映的时间演变型在原序列的
Figure 755804DEST_PATH_IMAGE019
，时段的权重，称为时间主成分(TPC)，得到
Figure 780391DEST_PATH_IMAGE018
便可以根据下列公式得到重构序列：
Figure 359491DEST_PATH_IMAGE020
使用奇异谱分析方法，是为了将数据中的每种趋势成分提取出来分别进行预测，从而避免出现组合模型提取数据特征时不充分导致预测精度下降的问题。
优选地，使用的归一化方法为最大最小标准化,公式如下：
Figure 735108DEST_PATH_IMAGE021
其中，采用滑动窗口方法，并且设置批大小为batch_size，k为奇异谱分析后得到的序列数，数据打包如下：从
Figure 827829DEST_PATH_IMAGE005
中提取长度为window_size的连续数据，将其作为训练集：
Figure 736617DEST_PATH_IMAGE006
，i=1，2，……，k；从
Figure 584487DEST_PATH_IMAGE007
中提取长度为window_size的连续数据，将其作为本发明的训练集：
Figure 447401DEST_PATH_IMAGE008
，i=1，2，……，k。
实施例2：
本实施例提供了一种基于激光的同步控制系统，该系统包括：
数据采集单元401，向钣金表面发射不同角度的激光束，根据接收到的目标激光反射回波进行处理并获得目标表面的点云信息；
建模单元402，根据点云信息划分为多个区域，将多个区域构建钣金的平面模型；
模型修正单元403，根据钣金加工时的参数，利用神经网络预测钣金的波动幅度；并根据波动幅度修正所述平面模型。
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述。需要说明的是，上述实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
可以理解，上述实施例的装置中所使用的术语“第一”、“第二”等可用于描述各种单元，但这些单元不受这些术语限制。这些术语仅用于将第一个模块与另一个模块区分。举例来说，在不脱离本发明的范围的情况下，可以将第一发送模块称为第二发送模块，且类似地，可将第二发送模块称为第一发送模块，第一发送模块和第二发送模块两者都是发送模块，但其不是同一发送模块。
实施例3：
本实施例提供了一种多关键词搜索功能的安全无信道公钥认证可搜索加密计算机设备。其通过系统总线连接的处理器、存储器、输入装置、显示器和网络接口，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质和内存储器，该非易失性存储介质存储有操作系统、计算机程序和数据库，该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器执行存储器存储的计算机程序时，实现上述实施例1的一种基于多角度的激光控制方法，所述方法包括：向钣金表面发射不同角度的激光束，根据接收到的目标激光反射回波进行处理并获得目标表面的点云信息；根据点云信息划分为多个区域，将多个区域构建钣金的平面模型；根据钣金加工时的参数，利用神经网络预测钣金的波动幅度；并根据波动幅度修正所述平面模型
实施例4：
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述程序被处理器执行时，处理器执行存储器存储的计算机程序时，实现上述实施例1的基于多角度的激光控制方法，所述方法包括：向钣金表面发射不同角度的激光束，根据接收到的目标激光反射回波进行处理并获得目标表面的点云信息；根据点云信息划分为多个区域，将多个区域构建钣金的平面模型；根据钣金加工时的参数，利用神经网络预测钣金的波动幅度；并根据波动幅度修正所述平面模型。
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于多角度的激光控制方法，其特征在于，所述方法包括：
向钣金表面发射不同角度的激光束，根据接收到的目标激光反射回波进行处理并获得目标表面的点云信息；
根据点云信息划分为多个区域，将多个区域构建钣金的平面模型；
根据钣金加工时的参数，利用神经网络预测钣金的波动幅度；并根据波动幅度修正所述平面模型。
2.根据权利要求1所述基于多角度的激光控制方法，其特征在于，根据点云信息划分为多个区域，将多个区域构建钣金的平面模型包括：
将钣金划分为多个栅格区域；
获取每个栅格区域的点云信息；
确定每个栅格区域的预设阈值并计算栅格中每一个点到预设加工平面的正交投影距离，然后将投影距离与预设阈值进行比较，如满足阈值范围则为合格点集，否则为不合格点集，并将不合格点集划分为新的栅格区域。
3.根据权利要求2所述基于多角度的激光控制方法，其特征在于，所述根据钣金加工时的参数，利用神经网络预测钣金的波动幅度；并根据波动幅度修正所述平面模型包括：
根据钣金加工的加工的厚度，刀片的旋转速度，利用神经网络预测钣金的波动幅度；
根据样条曲线拟合预设阈值与波动幅度的关系；
根据波动幅度修正预设阈值，将激光电集重新划分为新的合格点集和新的不合格点集，根据新的合格点集和新的不合格点集划分为新的栅格区域，从可以通过不同的栅格区域重新拟合新的平面模型。
4.根据权利要求3所述基于多角度的激光控制方法，其特征在于，神经网络训练过程包括：将根据钣金加工的加工的厚度，刀片的旋转速度以及此时设备对应钣金的波动幅度的作为训练数据集，基于训练数据和测试数据对神经网络进行训练。
5.根据权利要求4所述基于多角度的激光控制方法，其特征在于，运用奇异谱分析对训练数据和测试进行处理；
对钣金的波动幅度进行奇异谱分析，剔除奇异小的数据序列以去除噪声，获得多组不同趋势成分的数据样本
Figure 682324DEST_PATH_IMAGE002
，其中k为奇异谱分析处理后的数据序列组数；
对每组不同趋势成分的数据序列中80%的数据作为训练样本集，其余数据作为测试样本集，并且对训练样本集和测试样本集进行归一化，得到归一化训练样本集
Figure 412513DEST_PATH_IMAGE004
和测试样本集
Figure 926671DEST_PATH_IMAGE006
。
6.根据权利要求5所述基于多角度的激光控制方法，其特征在于，所述使用的归一化方法为最大最小标准化,公式如下：
Figure 384197DEST_PATH_IMAGE007
其中，采用滑动窗口方法，并且设置批大小为batch_size，k为奇异谱分析后得到的序列数，数据打包如下：从
Figure 11619DEST_PATH_IMAGE008
中提取长度为window_size的连续数据，将其作为训练集：
Figure 630819DEST_PATH_IMAGE009
，i=1，2，……，k；从
Figure 710902DEST_PATH_IMAGE010
中提取长度为window_size的连续数据，将其作为本发明的训练集：
Figure 972119DEST_PATH_IMAGE011
，i=1，2，……，k。
7.一种基于多角度的激光控制系统，其特征在于，所述系统包括：
数据采集单元，向钣金表面发射不同角度的激光束，根据接收到的目标激光反射回波进行处理并获得目标表面的点云信息；
建模单元，根据点云信息划分为多个区域，将多个区域构建钣金的平面模型；
模型修正单元，根据钣金加工时的参数，利用神经网络预测钣金的波动幅度；并根据波动幅度修正所述平面模型。
8.一种计算机设备，其特征在于，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，所述计算机设备执行如权利要求1至6中任一项所述的方法。
9.一种存储介质，存储程序，其特征在于，所述程序被处理器执行时，所述处理器执行权利要求1至6中任意一项所述的方法。
CN202211045018.4A 2022-08-30 2022-08-30 一种基于多角度的激光控制方法及相关装置 Pending CN115310365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211045018.4A CN115310365A (zh) 2022-08-30 2022-08-30 一种基于多角度的激光控制方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211045018.4A CN115310365A (zh) 2022-08-30 2022-08-30 一种基于多角度的激光控制方法及相关装置

Publications (1)

Publication Number Publication Date
CN115310365A true CN115310365A (zh) 2022-11-08

Family

ID=83864466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211045018.4A Pending CN115310365A (zh) 2022-08-30 2022-08-30 一种基于多角度的激光控制方法及相关装置

Country Status (1)

Country Link
CN (1) CN115310365A (zh)

Similar Documents

Publication Publication Date Title
US11624731B2 (en) Method for predicting remaining life of numerical control machine tool
CN108062565B (zh) 基于化工te过程的双主元-动态核主元分析故障诊断方法
CN116086537B (zh) 一种设备状态监测方法、装置、设备及存储介质
CN116618764B (zh) 一种镜面放电加工机的生产优化方法及系统
CN105508148B (zh) 基于风能分布捕获最大风能的方法和系统
CN114692926A (zh) 车用电池的安全评估方法、系统、设备及可读存储介质
CN114025912A (zh) 加工条件搜索装置以及加工条件搜索方法
US20220382229A1 (en) Machining condition searching device and machining condition searching method
CN112329191B (zh) 一种多模态过程中模态辨识方法和过渡模态故障检测方法
CN112207631B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
CN116307269B (zh) 一种基于人工智能的光伏发电功率预测方法及装置
CN114757225A (zh) 信号采样质量的确定方法、装置、设备及存储介质
CN115310365A (zh) 一种基于多角度的激光控制方法及相关装置
CN111971200A (zh) 用于确定电池的老化状态的方法、计算机程序、存储装置、控制设备和车辆
CN109521001A (zh) 一种基于PSO和ε-SVR的飞灰含碳量测量方法
CN116300687B (zh) 基于数控加工的加工精度预测方法、系统及介质
CN117420444A (zh) 一种电池状态确定方法、装置、设备及存储介质
CN116578041A (zh) 一种用于cnc控制器的数据处理方法
CN114578197A (zh) 基于平面uhf传感器的变压器套管局放三维定位方法及系统
CN113627490B (zh) 基于多核异构处理器的运维多模态决策方法及系统
CN116150666B (zh) 储能系统故障检测方法、装置及智能终端
CN113553776B (zh) 一种电磁辐射数据监控分析方法及系统
EP4119930B1 (en) Method for estimating fluorescent species in a fluorescent sample and system carrying out the method
CN109992086B (zh) 一种数据中心动力系统的状态测评方法及状态测评装置
CN118963242A (zh) 基于加工追踪的新能源汽车阀体切削成型加工监测方法

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