CN116000475A - 激光切割头的控制方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本发明涉及激光切割技术领域，提供了一种激光切割头的控制方法、装置、计算机设备和存储介质，其中方法包括：获取所述激光切割头的工作参数，以及基于所述激光切割头内置的传感器获取所述激光切割头工作时的第一状态参数；基于所述工作参数以及所述第一状态参数进行异常分析，得到所述激光切割头工作时的异常等级；基于所述激光切割头的异常等级，在数据库中匹配与所述异常等级对应的控制策略；验证匹配到的所述控制策略是否有效；若有效，则控制所述激光切割头执行所述控制策略；若无效，则阻断所述激光切割头执行所述控制策略。本发明可以针对不同工作状态下的激光切割头进行异常检测，从而作出合理的控制操作。

Description

激光切割头的控制方法、装置、计算机设备和存储介质

技术领域

本发明涉及激光切割技术领域，特别涉及一种激光切割头的控制方法、装置、计算机设备和存储介质。

背景技术

激光切割在制造业加工生产过程中，是一种常用的加工方式，其具有诸多优点；企业在使用激光切割头进行激光切割的加工过程中，发现对激光切割头的异常检测不仅对加工产品至关重要，同样对激光切割头的自我保护也尤为重要。而目前，通常是采用一套标准化的参数去判断激光切割头是否出现异常，显然这种方式不够精确，对于不同工作状态下的激光切割头无法作出不同的检测判断，从而无法作出合理的控制操作。

发明内容

本发明的主要目的为提供一种激光切割头的控制方法、装置、计算机设备和存储介质，旨在解决目前无法针对不同工作状态下的激光切割头进行异常检测的缺陷。

为实现上述目的，本发明提供了一种激光切割头的控制方法，包括以下步骤：

获取所述激光切割头的工作参数，以及基于所述激光切割头内置的传感器获取所述激光切割头工作时的第一状态参数；

基于所述工作参数以及所述第一状态参数进行异常分析，得到所述激光切割头工作时的异常等级；

基于所述激光切割头的异常等级，在数据库中匹配与所述异常等级对应的控制策略；

验证匹配到的所述控制策略是否有效；

若有效，则控制所述激光切割头执行所述控制策略；若无效，则阻断所述激光切割头执行所述控制策略。

进一步地，所述第一状态参数包括第一压力数据、第一温度数据以及第一湿度数据；

所述基于所述激光切割头内置的传感器获取所述激光切割头工作时的第一状态参数的步骤，包括：

基于所述激光切割头内置的压力传感器获取第一压力数据，基于所述激光切割头内置的温湿度传感器获取第一温度数据以及第一湿度数据。

进一步地，所述基于所述工作参数以及所述状态参数进行异常分析，得到所述激光切割头工作时的异常等级的步骤，包括：

将所述工作参数按照预设规则转换为第一向量，并输入至第一预测模型中，预测得到所述激光切割头工作时的第二状态参数；其中，所述第一预测模型预先基于深度学习模型训练得到，所述第二状态参数包括第二压力数据、第二温度数据以及第二湿度数据；

将所述第一压力数据与所述第二压力数据进行对比，计算得到第一偏离值；将所述第一温度数据与所述第二温度数据进行对比，计算得到第二偏离值；将所述第一湿度数据与所述第二湿度数据进行对比，计算得到第三偏离值；

将所述第一偏离值、第二偏离值以及第三偏离值构成第二向量之后，输入至第二预测模型中，预测得到所述激光切割头工作时的异常等级；其中，所述第二预测模型预先基于深度学习模型训练得到。

进一步地，所述基于所述工作参数以及所述状态参数进行异常分析，得到所述激光切割头工作时的异常等级的步骤，包括：

将所述工作参数按照预设规则转换为第一向量，并输入至第一预测模型中，预测得到所述激光切割头工作时的第二状态参数；其中，所述第一预测模型预先基于深度学习模型训练得到，所述第二状态参数包括第二压力数据、第二温度数据以及第二湿度数据；

根据所述工作参数，在预设的数据库中匹配得到所述激光切割头工作时的标准状态参数；所述标准状态参数包括第三压力数据、第三温度数据以及第三湿度数据；

将所述第三压力数据与所述第二压力数据进行加权计算，得到第四压力数据；将所述第三温度数据与所述第二温度数据进行加权计算，得到第四温度数据；将所述第三湿度数据与所述第二湿度数据进行加权计算，得到第四湿度数据；

将所述第一压力数据与所述第四压力数据进行对比，计算得到第四偏离值；将所述第一温度数据与所述第四温度数据进行对比，计算得到第五偏离值；将所述第一湿度数据与所述第四湿度数据进行对比，计算得到第六偏离值；

将所述第四偏离值、第五偏离值以及第六偏离值构成第三向量之后，输入至第二预测模型中，预测得到所述激光切割头工作时的异常等级；其中，所述第二预测模型预先基于深度学习模型训练得到。

进一步地，所述工作参数包括所述激光切割头输出的激光强度、激光加工时间、激光加工角度；所述将所述工作参数按照预设规则转换为第一向量的步骤，包括：

将所述激光强度转换为标准单位的强度值，获取所述强度值；将所述激光加工时间转换为标准单位的时间值，获取所述时间值；将所述激光加工角度转换为标准单位的角度值；

分别获取所述强度值、时间值以及角度值中小数点之后的数字个数；

判断所述强度值、时间值以及角度值中小数点之后的数字个数是否在预设范围之内；

若不在，则对数字个数不在预设范围之内的小数点之后的数字进行编码，使其在预设范围之内；

分别获取所述强度值、时间值以及角度值中小数点之前的数字个数；

判断所述强度值、时间值以及角度值中小数点之前的数字个数是否在预设范围之内；

若不在，则对数字个数不在预设范围之内的小数点之前的数字进行编码，使其在预设范围之内；

将编码之后得到的强度值、时间值以及角度值按照顺序组合得到所述第一向量。

进一步地，所述基于所述工作参数以及所述第一状态参数进行异常分析，得到所述激光切割头工作时的异常等级的步骤，包括：

对所述工作参数进行标准化，得到标准化工作参数，并在数据库中匹配与所述标准化工作参数对应的异常分析模型；所述异常分析模型预先基于深度学习模型训练得到；

将所述压力数据、温度数据以及湿度数据输入至所述异常分析模型中进行异常分析，得到对应所述激光切割头的异常等级。

进一步地，所述验证匹配到的所述控制策略是否有效的步骤，包括：

获取所述激光切割头的唯一识别号，并基于所述唯一识别号获取所述激光切割头的类型，以根据所述类型获取到所述激光切割头的标准参数范围；

获取所述控制策略中对所述激光切割头的控制参数；

判断所述控制参数是否处于所述标准参数范围之内；

若处于，则生成一个唯一标识码，并将所述唯一标识码拆分为第一标识以及第二标识；

将所述第一标识发送至操作所述激光切割头的第一终端上，将所述第二标识发送至管理所述激光切割头的第二终端上；

在所述第一终端上验证是否接收到用户输入所述第一标识以及第二标识；若接收到，则验证所述控制策略为有效；若未接收到，则验证所述控制策略无效；其中，所述第二标识由所述用户向所述第二终端上的管理用户索取。

本发明还提供了一种激光切割头的控制装置，包括：

获取单元，用于获取所述激光切割头的工作参数，以及基于所述激光切割头内置的传感器获取所述激光切割头工作时的第一状态参数；

异常检测单元，用于基于所述工作参数以及所述第一状态参数进行异常分析，得到所述激光切割头工作时的异常等级；

匹配单元，用于基于所述激光切割头的异常等级，在数据库中匹配与所述异常等级对应的控制策略；

验证单元，用于验证匹配到的所述控制策略是否有效；

控制单元，用于若所述控制策略有效，则控制所述激光切割头执行所述控制策略；若所述控制策略无效，则阻断所述激光切割头执行所述控制策略。

本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

本发明提供的激光切割头的控制方法、装置、计算机设备和存储介质，包括：获取所述激光切割头的工作参数，以及基于所述激光切割头内置的传感器获取所述激光切割头工作时的第一状态参数；基于所述工作参数以及所述第一状态参数进行异常分析，得到所述激光切割头工作时的异常等级；基于所述激光切割头的异常等级，在数据库中匹配与所述异常等级对应的控制策略；验证匹配到的所述控制策略是否有效；若有效，则控制所述激光切割头执行所述控制策略；若无效，则阻断所述激光切割头执行所述控制策略。本发明可以针对不同工作状态下的激光切割头进行异常检测，从而作出合理的控制操作。

附图说明

图1是本发明一实施例中激光切割头的控制方法步骤示意图；

图2是本发明一实施例中激光切割头的控制装置结构框图；

图3是本发明一实施例的计算机设备的结构示意框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，本发明一实施例中提供了一种激光切割头的控制方法，包括以下步骤：

步骤S1，获取所述激光切割头的工作参数，以及基于所述激光切割头内置的传感器获取所述激光切割头工作时的第一状态参数；

步骤S2，基于所述工作参数以及所述第一状态参数进行异常分析，得到所述激光切割头工作时的异常等级；

步骤S3，基于所述激光切割头的异常等级，在数据库中匹配与所述异常等级对应的控制策略；

步骤S4，验证匹配到的所述控制策略是否有效；

步骤S5，若有效，则控制所述激光切割头执行所述控制策略；若无效，则阻断所述激光切割头执行所述控制策略。

在本实施例中，上述激光切割头的控制方法应用于对激光切割头进行工作状态下的异常检测以及在激光切割头出现异常时，执行对于的控制策略，上述控制策略可以包括控制激光切割头的工作参数，报警信号的控制等。

具体地，如上述步骤S1所述的，获取所述激光切割头在工作状态下的工作参数，以及基于所述激光切割头内置的传感器获取所述激光切割头工作时的第一状态参数；上述工作参数包括激光切割头输出的激光强度、激光加工时间、激光加工角度、加工工艺等多种参数；上述状态参数包括温度数据、压力数据、湿度数据等。可以理解的是，在不同的工作参数下，上述激光切割头在工作时所达到的状态参数也会不同。

如上述步骤S2所述的，基于所述工作参数以及所述第一状态参数进行异常分析，得到所述激光切割头工作时的异常等级，实现了针对不同工作状态下的激光切割头进行异常检测处理。

如上述步骤S3所述的，在数据中可以预先存储有异常等级与控制策略的对应关系，那么在分析到激光切割头工作时的异常等级之后，便可以在数据库中匹配与所述异常等级对应的控制策略。

如上述步骤S4-S5所述的，在匹配到上述控制策略之后，对其有效性进行验证，上述验证可以包括控制策略中的工作参数的验证，也可以是对上述控制策略的控制权限进行验证。对控制策略进行验证，可以避免激光切割头被随意控制，必须经过验证之后，才可以执行相应的控制策略，保障了生产加工的安全性以及生产加工的有效性。

在一实施例中，所述第一状态参数包括第一压力数据、第一温度数据以及第一湿度数据；

所述基于所述激光切割头内置的传感器获取所述激光切割头工作时的第一状态参数的步骤，包括：

基于所述激光切割头内置的压力传感器获取第一压力数据，基于所述激光切割头内置的温湿度传感器获取第一温度数据以及第一湿度数据。

在本实施例中，上述激光切割头内置有压力传感器以及温湿度传感器，当然也可以内置其它更多的传感器，在此不仅仅一一赘述。

在一实施例中，提出一种分析激光切割头的异常等级的方案。

具体地，所述基于所述工作参数以及所述状态参数进行异常分析，得到所述激光切割头工作时的异常等级的步骤S2，包括：

步骤S21，将所述工作参数按照预设规则转换为第一向量，并输入至第一预测模型中，预测得到所述激光切割头工作时的第二状态参数；其中，所述第一预测模型预先基于深度学习模型训练得到，所述第二状态参数包括第二压力数据、第二温度数据以及第二湿度数据；在本实施例中，为了实现将工作参数输入至第一预设模型中进行预测，需要对其进行向量化，即将多个工作参数转换为一特征向量。上述第一预测模型可以是决策树模型，也可以是BERT等深度学习模型，其在经过大量的样本数据进行训练之后，可以现在精准的状态参数预测。上述预测得到的第二状态参数表示的是上述激光切割头在上述工作参数下工作时将会达到的状态参数，该状态参数可以默认为正常状态参数。

步骤S22，将所述第一压力数据与所述第二压力数据进行对比，计算得到第一偏离值；将所述第一温度数据与所述第二温度数据进行对比，计算得到第二偏离值；将所述第一湿度数据与所述第二湿度数据进行对比，计算得到第三偏离值；在本实施例中，以压力数据为例，上述第一压力数据为实际测量得到的数据，上述第二压力数据为预测数据，因此，根据所述第一压力数据与所述第二压力数据，便可以计算得到第一压力数据偏离第二压力数据的值，即第一偏离值，可以理解的是，上述第一偏离值越大，表面当前出现异常的概率越大。同理，上述温度数据以及湿度数据的偏离值类似，在此不再进行赘述。

步骤S23，将所述第一偏离值、第二偏离值以及第三偏离值构成第二向量之后，输入至第二预测模型中，预测得到所述激光切割头工作时的异常等级；其中，所述第二预测模型预先基于深度学习模型训练得到。

在本实施例中，预先基于大量训练数据训练决策树等深度学习模型得到上述第二预测模型，便可以将所述第一偏离值、第二偏离值以及第三偏离值构成第二向量之后，输入至第二预测模型中，预测得到所述激光切割头工作时的异常等级；该第二预测模型是基于上述三种状态参数的偏离值进行融合预测，从而使得预测结果更为准确。

在另一实施例中，所述基于所述工作参数以及所述状态参数进行异常分析，得到所述激光切割头工作时的异常等级的步骤S2，包括：

步骤201，将所述工作参数按照预设规则转换为第一向量，并输入至第一预测模型中，预测得到所述激光切割头工作时的第二状态参数；其中，所述第一预测模型预先基于深度学习模型训练得到，所述第二状态参数包括第二压力数据、第二温度数据以及第二湿度数据；在本实施例中，上述步骤S201与上述步骤S21类似，在此不再进行赘述。

步骤S202，根据所述工作参数，在预设的数据库中匹配得到所述激光切割头工作时的标准状态参数；所述标准状态参数包括第三压力数据、第三温度数据以及第三湿度数据；在本实施例中，不仅需要基于上述第一预测模型预测状态参数，还可以从数据库预存的标准状态参数与工作参数的对应关系中，获取到上述激光切割头在当前工作参数下对应的标准状态参数。

步骤S203，将所述第三压力数据与所述第二压力数据进行加权计算，得到第四压力数据；将所述第三温度数据与所述第二温度数据进行加权计算，得到第四温度数据；将所述第三湿度数据与所述第二湿度数据进行加权计算，得到第四湿度数据；在本实施例中，为了进一步提升状态参数的参考值的准确性，结合了上述标准状态参数以及上述第二状态参数，对其进行加权计算，保障了数据的有效性。可以理解的是，在进行上述加权计算时，其对应的权重还可以根据上述工作参数进行调整，即在上述数据库中，不同的工作参数不仅对应不同的标准状态参数，该标准状态参数对应的权重也不同。

步骤S204，将所述第一压力数据与所述第四压力数据进行对比，计算得到第四偏离值；将所述第一温度数据与所述第四温度数据进行对比，计算得到第五偏离值；将所述第一湿度数据与所述第四湿度数据进行对比，计算得到第六偏离值；在本实施例中，上述步骤S204与上述步骤S22类似，在此不再进行赘述。

步骤S205，将所述第四偏离值、第五偏离值以及第六偏离值构成第三向量之后，输入至第二预测模型中，预测得到所述激光切割头工作时的异常等级；其中，所述第二预测模型预先基于深度学习模型训练得到。

在本实施例中，上述步骤S205与上述步骤S23类似，在此不再进行赘述。

在上述实施例中，所述工作参数包括所述激光切割头输出的激光强度、激光加工时间、激光加工角度；所述将所述工作参数按照预设规则转换为第一向量的步骤，具体包括：

将所述激光强度转换为标准单位的强度值，获取所述强度值；将所述激光加工时间转换为标准单位的时间值，获取所述时间值；将所述激光加工角度转换为标准单位的角度值；上述标准单位指的是国际标准单位，上述强度值、时间值以及角度值分别为不包括单位的数值。

分别获取所述强度值、时间值以及角度值中小数点之后的数字个数；例如，上述强度值、时间值以及角度值分别为10.308、3.13、79.5，则强度值、时间值以及角度值中小数点之后的数字个数分别为3、2、1。

判断所述强度值、时间值以及角度值中小数点之后的数字个数是否在预设范围之内；在一实施例中，上述预测范围可以为2，显然上述强度值小数点之后的数字个数不在预设范围之内。

若不在，则对数字个数不在预设范围之内的小数点之后的数字进行编码，使其在预设范围之内；为了保障上述数据的对齐，便于后续输入至模型进行计算，则可以对上述强度值小数点之后的数字进行编码，将其编码为2个字符；上述编码方式，可以是Base编码方式，也可以是将上述强度值直接编码为10.31。

分别获取所述强度值、时间值以及角度值中小数点之前的数字个数；

判断所述强度值、时间值以及角度值中小数点之前的数字个数是否在预设范围之内；

若不在，则对数字个数不在预设范围之内的小数点之前的数字进行编码，使其在预设范围之内；上述编码过程与上述小数点之后的数字编码过程类似，在此不再进行赘述。

将编码之后得到的强度值、时间值以及角度值按照顺序组合得到所述第一向量。例如，经过编码后的强度值、时间值以及角度值为10.3X、3.13、79.5，则上述第一向量为（10.3X，3.13，79.5）。

在一实施例中，所述基于所述工作参数以及所述第一状态参数进行异常分析，得到所述激光切割头工作时的异常等级的步骤S2，包括：

步骤Sa，对所述工作参数进行标准化，得到标准化工作参数，并在数据库中匹配与所述标准化工作参数对应的异常分析模型；所述异常分析模型预先基于深度学习模型训练得到；

步骤Sb，将所述压力数据、温度数据以及湿度数据输入至所述异常分析模型中进行异常分析，得到对应所述激光切割头的异常等级。

在本实施例中，在数据库中预测有工作参数与异常分析模型的对应关系，由于上述工作参数具有多样性，其对应的数据不一定可以与数据库中的标准化工作参数一一进行对应，因此需要对上述工作参数进行标准化，得到标准化工作参数，从而从数据库中匹配与所述标准化工作参数对应的异常分析模型。在本实施例中，不同的工作参数对应不同的异常分析模型，便于针对性进行异常检测，提升了检测异常的准确性。同时，异常分析模型中融合了压力数据、温度数据以及湿度数据多个维度的数据特性，进一步提升了上述异常分析模型的分析异常的能力。

在又一实施例中，所述验证匹配到的所述控制策略是否有效的步骤S4，包括：

步骤S401，获取所述激光切割头的唯一识别号，并基于所述唯一识别号获取所述激光切割头的类型，以根据所述类型获取到所述激光切割头的标准参数范围；可以理解的是，不同的激光切割头，其对应的标准参数范围显然也大不相同，因此，获取到上述唯一识别号，并对唯一识别号进行解析，获取到唯一识别号中头部的两个字符以及末尾两个字符，组成识别字符，在数据库中匹配与识别字符对应的激光切割头的类型。

步骤S402，获取所述控制策略中对所述激光切割头的控制参数；

步骤S403，判断所述控制参数是否处于所述标准参数范围之内；上述控制策略中包括了对所述激光切割头的控制参数，若该激光切割头的标准参数范围没有完全覆盖上述控制参数，则会造成不安全影响，因此，在本实施例中，优先对控制策略中的激光切割头控制参数进行验证。

步骤S404，若处于，则生成一个唯一标识码，并将所述唯一标识码拆分为第一标识以及第二标识；

步骤S405，将所述第一标识发送至操作所述激光切割头的第一终端上，将所述第二标识发送至管理所述激光切割头的第二终端上；

步骤S406，在所述第一终端上验证是否接收到用户输入所述第一标识以及第二标识；若接收到，则验证所述控制策略为有效；若未接收到，则验证所述控制策略无效；其中，所述第二标识由所述用户向所述第二终端上的管理用户索取。

在本实施例中，除了需要对控制策略中的激光切割头控制参数进行验证，还需要对上述激光切割头的控制权限进行验证。具体地，首先生成一个唯一标识码，并将所述唯一标识码拆分为第一标识以及第二标识；上述拆分方式可以是固定的，也可以是根据上述激光切割头的类型进行变动，即获取到激光切割头的类型之后，还可以在数据库中匹配对应的唯一标识码生成方式以及拆分方式。在一具体实施例中，上述拆分方式为：若唯一标识码为六位数，则将第一、第三、第五位上的数组合作为所述第一标识，将第二、第四、第六位上的数组合作为所述第二标识。

在得到上述第一标识以及第二标识之后，将其分别发送至操作所述激光切割头的第一终端上，以及管理所述激光切割头的第二终端上；而在验证控制策略是否有效时，需要在第一终端上同时输入第一标识以及第二标识，这便使得第一终端上的用户必须获取到第二终端上的管理用户的许可授权，才能获取到第二标识输入至第一终端上，如此，便使得上述控制策略具有了控制权限。可以理解的是，若第一终端无法接收到用户输入所述第一标识以及第二标识，则可以判定该用户无法对上述激光切割头进行控制，但是为了保障激光切割头的安全性，可以对其进行停止操作。

在一实施例中，将所述第一标识发送至操作所述激光切割头的第一终端上，将所述第二标识发送至管理所述激光切割头的第二终端上的过程中，可以采用明码发送，也可以采用暗码发送，即对上述第一标识以及第二标识进行编码之后再发送至上述第一终端、第二终端；上述第一终端以及第二终端上预设有对应的解码程序对其进行自动解码。

参照图2，本发明一实施例中还提供了一种激光切割头的控制装置，包括：

获取单元，用于获取所述激光切割头的工作参数，以及基于所述激光切割头内置的传感器获取所述激光切割头工作时的第一状态参数；

异常检测单元，用于基于所述工作参数以及所述第一状态参数进行异常分析，得到所述激光切割头工作时的异常等级；

匹配单元，用于基于所述激光切割头的异常等级，在数据库中匹配与所述异常等级对应的控制策略；

验证单元，用于验证匹配到的所述控制策略是否有效；

控制单元，用于若所述控制策略有效，则控制所述激光切割头执行所述控制策略；若所述控制策略无效，则阻断所述激光切割头执行所述控制策略。

在一实施例中，所述第一状态参数包括第一压力数据、第一温度数据以及第一湿度数据；所述获取单元用于：

基于所述激光切割头内置的压力传感器获取第一压力数据，基于所述激光切割头内置的温湿度传感器获取第一温度数据以及第一湿度数据。

在一实施例中，所述异常检测单元，包括：

第一预测子单元，用于将所述工作参数按照预设规则转换为第一向量，并输入至第一预测模型中，预测得到所述激光切割头工作时的第二状态参数；其中，所述第一预测模型预先基于深度学习模型训练得到，所述第二状态参数包括第二压力数据、第二温度数据以及第二湿度数据；

第一对比子单元，用于将所述第一压力数据与所述第二压力数据进行对比，计算得到第一偏离值；将所述第一温度数据与所述第二温度数据进行对比，计算得到第二偏离值；将所述第一湿度数据与所述第二湿度数据进行对比，计算得到第三偏离值；

第二预测子单元，用于将所述第一偏离值、第二偏离值以及第三偏离值构成第二向量之后，输入至第二预测模型中，预测得到所述激光切割头工作时的异常等级；其中，所述第二预测模型预先基于深度学习模型训练得到。

在另一实施例中，所述异常检测单元，包括：

第三预测子单元，用于将所述工作参数按照预设规则转换为第一向量，并输入至第一预测模型中，预测得到所述激光切割头工作时的第二状态参数；其中，所述第一预测模型预先基于深度学习模型训练得到，所述第二状态参数包括第二压力数据、第二温度数据以及第二湿度数据；

第一匹配子单元，用于根据所述工作参数，在预设的数据库中匹配得到所述激光切割头工作时的标准状态参数；所述标准状态参数包括第三压力数据、第三温度数据以及第三湿度数据；

计算子单元，用于将所述第三压力数据与所述第二压力数据进行加权计算，得到第四压力数据；将所述第三温度数据与所述第二温度数据进行加权计算，得到第四温度数据；将所述第三湿度数据与所述第二湿度数据进行加权计算，得到第四湿度数据；

第二对比子单元，用于将所述第一压力数据与所述第四压力数据进行对比，计算得到第四偏离值；将所述第一温度数据与所述第四温度数据进行对比，计算得到第五偏离值；将所述第一湿度数据与所述第四湿度数据进行对比，计算得到第六偏离值；

第四预测子单元，用于将所述第四偏离值、第五偏离值以及第六偏离值构成第三向量之后，输入至第二预测模型中，预测得到所述激光切割头工作时的异常等级；其中，所述第二预测模型预先基于深度学习模型训练得到。

在本实施例中，上述第一预测子单元或者第三预测子单元，将所述工作参数按照预设规则转换为第一向量，具体包括：

将所述激光强度转换为标准单位的强度值，获取所述强度值；将所述激光加工时间转换为标准单位的时间值，获取所述时间值；将所述激光加工角度转换为标准单位的角度值；

分别获取所述强度值、时间值以及角度值中小数点之后的数字个数；

判断所述强度值、时间值以及角度值中小数点之后的数字个数是否在预设范围之内；

若不在，则对数字个数不在预设范围之内的小数点之后的数字进行编码，使其在预设范围之内；

分别获取所述强度值、时间值以及角度值中小数点之前的数字个数；

判断所述强度值、时间值以及角度值中小数点之前的数字个数是否在预设范围之内；

若不在，则对数字个数不在预设范围之内的小数点之前的数字进行编码，使其在预设范围之内；

将编码之后得到强度值、时间值以及角度值按照顺序组合得到所述第一向量。

在另一实施例中，上述异常检测单元，包括：

第二匹配子单元，用于对所述工作参数进行标准化，得到标准化工作参数，并在数据库中匹配与所述标准化工作参数对应的异常分析模型；所述异常分析模型预先基于深度学习模型训练得到；

异常分析子单元，用于将所述压力数据、温度数据以及湿度数据输入至所述异常分析模型中进行异常分析，得到对应所述激光切割头的异常等级。

在又一实施例中，所述验证单元，包括：

第一获取子单元，用于获取所述激光切割头的唯一识别号，并基于所述唯一识别号获取所述激光切割头的类型，以根据所述类型获取到所述激光切割头的标准参数范围；

第二获取子单元，用于获取所述控制策略中对所述激光切割头的控制参数；

判断子单元，用于判断所述控制参数是否处于所述标准参数范围之内；

生成子单元，用于若处于，则生成一个唯一标识码，并将所述唯一标识码拆分为第一标识以及第二标识；

发送子单元，用于将所述第一标识发送至操作所述激光切割头的第一终端上，将所述第二标识发送至管理所述激光切割头的第二终端上；

验证子单元，用于在所述第一终端上验证是否接收到用户输入所述第一标识以及第二标识；若接收到，则验证所述控制策略为有效；若未接收到，则验证所述控制策略无效；其中，所述第二标识由所述用户向所述第二终端上的管理用户索取。

在本实施例中，上述装置实施例中的各个单元、子单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。

参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、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。该计算机设备的数据库用于存储激光切割头的工作参数、状态参数等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种激光切割头的控制方法。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定。

本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种激光切割头的控制方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。

综上所述，为本发明实施例中提供的激光切割头的控制方法、装置、计算机设备和存储介质，包括：获取所述激光切割头的工作参数，以及基于所述激光切割头内置的传感器获取所述激光切割头工作时的第一状态参数；基于所述工作参数以及所述第一状态参数进行异常分析，得到所述激光切割头工作时的异常等级；基于所述激光切割头的异常等级，在数据库中匹配与所述异常等级对应的控制策略；验证匹配到的所述控制策略是否有效；若有效，则控制所述激光切割头执行所述控制策略；若无效，则阻断所述激光切割头执行所述控制策略。本发明可以针对不同工作状态下的激光切割头进行异常检测，从而作出合理的控制操作。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种激光切割头的控制方法，其特征在于，包括以下步骤：

获取所述激光切割头的工作参数，以及基于所述激光切割头内置的传感器获取所述激光切割头工作时的第一状态参数；

基于所述工作参数以及所述第一状态参数进行异常分析，得到所述激光切割头工作时的异常等级；

基于所述激光切割头的异常等级，在数据库中匹配与所述异常等级对应的控制策略；

验证匹配到的所述控制策略是否有效；

若有效，则控制所述激光切割头执行所述控制策略；若无效，则阻断所述激光切割头执行所述控制策略。

2.根据权利要求1所述的激光切割头的控制方法，其特征在于，所述第一状态参数包括第一压力数据、第一温度数据以及第一湿度数据；

所述基于所述激光切割头内置的传感器获取所述激光切割头工作时的第一状态参数的步骤，包括：

基于所述激光切割头内置的压力传感器获取第一压力数据，基于所述激光切割头内置的温湿度传感器获取第一温度数据以及第一湿度数据。

3.根据权利要求2所述的激光切割头的控制方法，其特征在于，所述基于所述工作参数以及所述状态参数进行异常分析，得到所述激光切割头工作时的异常等级的步骤，包括：

将所述工作参数按照预设规则转换为第一向量，并输入至第一预测模型中，预测得到所述激光切割头工作时的第二状态参数；其中，所述第一预测模型预先基于深度学习模型训练得到，所述第二状态参数包括第二压力数据、第二温度数据以及第二湿度数据；

将所述第一压力数据与所述第二压力数据进行对比，计算得到第一偏离值；将所述第一温度数据与所述第二温度数据进行对比，计算得到第二偏离值；将所述第一湿度数据与所述第二湿度数据进行对比，计算得到第三偏离值；

将所述第一偏离值、第二偏离值以及第三偏离值构成第二向量之后，输入至第二预测模型中，预测得到所述激光切割头工作时的异常等级；其中，所述第二预测模型预先基于深度学习模型训练得到。

4.根据权利要求2所述的激光切割头的控制方法，其特征在于，所述基于所述工作参数以及所述状态参数进行异常分析，得到所述激光切割头工作时的异常等级的步骤，包括：

将所述工作参数按照预设规则转换为第一向量，并输入至第一预测模型中，预测得到所述激光切割头工作时的第二状态参数；其中，所述第一预测模型预先基于深度学习模型训练得到，所述第二状态参数包括第二压力数据、第二温度数据以及第二湿度数据；

根据所述工作参数，在预设的数据库中匹配得到所述激光切割头工作时的标准状态参数；所述标准状态参数包括第三压力数据、第三温度数据以及第三湿度数据；

将所述第三压力数据与所述第二压力数据进行加权计算，得到第四压力数据；将所述第三温度数据与所述第二温度数据进行加权计算，得到第四温度数据；将所述第三湿度数据与所述第二湿度数据进行加权计算，得到第四湿度数据；

将所述第一压力数据与所述第四压力数据进行对比，计算得到第四偏离值；将所述第一温度数据与所述第四温度数据进行对比，计算得到第五偏离值；将所述第一湿度数据与所述第四湿度数据进行对比，计算得到第六偏离值；

将所述第四偏离值、第五偏离值以及第六偏离值构成第三向量之后，输入至第二预测模型中，预测得到所述激光切割头工作时的异常等级；其中，所述第二预测模型预先基于深度学习模型训练得到。

5.根据权利要求3或4所述的激光切割头的控制方法，其特征在于，所述工作参数包括所述激光切割头输出的激光强度、激光加工时间、激光加工角度；所述将所述工作参数按照预设规则转换为第一向量的步骤，包括：

将所述激光强度转换为标准单位的强度值，获取所述强度值；将所述激光加工时间转换为标准单位的时间值，获取所述时间值；将所述激光加工角度转换为标准单位的角度值；

分别获取所述强度值、时间值以及角度值中小数点之后的数字个数；

判断所述强度值、时间值以及角度值中小数点之后的数字个数是否在预设范围之内；

若不在，则对数字个数不在预设范围之内的小数点之后的数字进行编码，使其在预设范围之内；

分别获取所述强度值、时间值以及角度值中小数点之前的数字个数；

判断所述强度值、时间值以及角度值中小数点之前的数字个数是否在预设范围之内；

若不在，则对数字个数不在预设范围之内的小数点之前的数字进行编码，使其在预设范围之内；

将编码之后得到的强度值、时间值以及角度值按照顺序组合得到所述第一向量。

6.根据权利要求2所述的激光切割头的控制方法，其特征在于，所述基于所述工作参数以及所述第一状态参数进行异常分析，得到所述激光切割头工作时的异常等级的步骤，包括：

对所述工作参数进行标准化，得到标准化工作参数，并在数据库中匹配与所述标准化工作参数对应的异常分析模型；所述异常分析模型预先基于深度学习模型训练得到；

将所述压力数据、温度数据以及湿度数据输入至所述异常分析模型中进行异常分析，得到对应所述激光切割头的异常等级。

7.根据权利要求1所述的激光切割头的控制方法，其特征在于，所述验证匹配到的所述控制策略是否有效的步骤，包括：

获取所述激光切割头的唯一识别号，并基于所述唯一识别号获取所述激光切割头的类型，以根据所述类型获取到所述激光切割头的标准参数范围；

获取所述控制策略中对所述激光切割头的控制参数；

判断所述控制参数是否处于所述标准参数范围之内；

若处于，则生成一个唯一标识码，并将所述唯一标识码拆分为第一标识以及第二标识；

将所述第一标识发送至操作所述激光切割头的第一终端上，将所述第二标识发送至管理所述激光切割头的第二终端上；

在所述第一终端上验证是否接收到用户输入所述第一标识以及第二标识；若接收到，则验证所述控制策略为有效；若未接收到，则验证所述控制策略无效；其中，所述第二标识由所述用户向所述第二终端上的管理用户索取。

8.一种激光切割头的控制装置，其特征在于，包括：

获取单元，用于获取所述激光切割头的工作参数，以及基于所述激光切割头内置的传感器获取所述激光切割头工作时的第一状态参数；

异常检测单元，用于基于所述工作参数以及所述第一状态参数进行异常分析，得到所述激光切割头工作时的异常等级；

匹配单元，用于基于所述激光切割头的异常等级，在数据库中匹配与所述异常等级对应的控制策略；

验证单元，用于验证匹配到的所述控制策略是否有效；

控制单元，用于若所述控制策略有效，则控制所述激光切割头执行所述控制策略；若所述控制策略无效，则阻断所述激光切割头执行所述控制策略。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images