CN116652681A - 锻钢阀阀盖自动化多工位机加工设备及方法 - Google Patents
锻钢阀阀盖自动化多工位机加工设备及方法 Download PDFInfo
- Publication number
- CN116652681A CN116652681A CN202310590688.2A CN202310590688A CN116652681A CN 116652681 A CN116652681 A CN 116652681A CN 202310590688 A CN202310590688 A CN 202310590688A CN 116652681 A CN116652681 A CN 116652681A
- Authority
- CN
- China
- Prior art keywords
- feature
- vector
- thermal
- convolution
- decoding
- 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
Links
- 238000003754 machining Methods 0.000 title claims abstract description 99
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 92
- 239000010959 steel Substances 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000013598 vector Substances 0.000 claims description 240
- 238000012546 transfer Methods 0.000 claims description 199
- 238000009826 distribution Methods 0.000 claims description 172
- 238000000605 extraction Methods 0.000 claims description 85
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000013527 convolutional neural network Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 37
- 239000000110 cooling liquid Substances 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 23
- 230000007246 mechanism Effects 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 11
- 239000002826 coolant Substances 0.000 claims description 3
- 238000001338 self-assembly Methods 0.000 claims 1
- 238000005553 drilling Methods 0.000 description 25
- 238000003801 milling Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 12
- 230000020347 spindle assembly Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 229910001018 Cast iron Inorganic materials 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005266 casting Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005242 forging Methods 0.000 description 3
- 239000006243 Fine Thermal Substances 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010009 beating Methods 0.000 description 2
- 239000012809 cooling fluid Substances 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000008646 thermal stress Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
- B23Q11/10—Arrangements for cooling or lubricating tools or work
- B23Q11/1038—Arrangements for cooling or lubricating tools or work using cutting liquids with special characteristics, e.g. flow rate, quality
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Forging (AREA)
Abstract
本申请涉及智能加工领域，其具体地公开了一种锻钢阀阀盖自动化多工位机加工设备及方法，其基于热红外图像，并利用基于深度学习的图像处理技术来挖掘热红外图像中被加工区域的热分布和热转移特征，从而自动化的推荐锻钢阀门阀盖加工冷却液的流速值。这样，能够优化锻钢阀门阀盖加工方案，提高工件表面质量，增强工件的精度、强度和耐久性，提高其使用性能和寿命。
Description
技术领域
本申请涉及智能加工领域，且更为具体地，涉及一种锻钢阀阀盖自动化多工位机加工设备及方法。
背景技术
在工业阀门制造领域中，锻钢阀门阀盖一般需要经过车、铣、钻、锪等多道工序才能完成，在工业阀门生产领域中，阀盖的加工涉及设备种类较多如：车床、摇臂钻、铣床等，且每台设备都需要一个专人去操控。
在加工过程中，由于钻头、锪平钻头和铣刀都会对工件表面造成一定的切削力和热影响。切削力会导致工件表面产生塑性变形和弹性变形，热影响会导致工件表面产生温度梯度和热应力。因此容易导致孔壁质量不佳，出现毛刺、裂纹等问题，这些问题都会降低工件的精度、强度和耐久性，影响其使用性能和寿命。
因此，期待一种优化的锻钢阀阀盖加工方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种锻钢阀阀盖自动化多工位机加工设备及方法，其基于热红外图像，并利用基于深度学习的图像处理技术来挖掘热红外图像中被加工区域的热分布和热转移特征，从而自动化的推荐锻钢阀门阀盖加工冷却液的流速值。这样，能够优化锻钢阀门阀盖加工方案，提高工件表面质量，增强工件的精度、强度和耐久性，提高其使用性能和寿命。
根据本申请的一个方面，提供了一种锻钢阀阀盖自动化多工位机加工设备，其包括：热红外图像采集模块，用于获取被加工区域在预定时间段内多个预定时间点的热红外图像；热分布空间特征提取模块，用于将所述多个预定时间点的热红外图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个热分布特征矩阵；热转移模块，用于计算所述多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵，并计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量；热转移特征提取模块，用于将所述热转移输入向量通过多尺度邻域特征提取模块以得到热转移时序特征向量；热分布时序特征提取模块，用于将所述多个热分布特征矩阵通过使用三维卷积核的卷积神经网络模型以得到热分布时序特征向量；特征融合模块，用于融合所述热转移时序特征向量和所述热分布时序特征向量以得到解码特征向量；优化模块，用于对所述解码特征向量进行流形曲面优化以得到优化解码特征向量；以及解码回归模块，用于将所述优化解码特征向量通过解码器进行回归解码以得到解码值，所述解码值用于表示推荐的冷却液的流速值。
在上述锻钢阀阀盖自动化多工位机加工设备中，所述热分布空间特征提取模块，包括：深度卷积编码单元，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对所述多个预定时间点的热红外图像进行卷积处理、基于沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始热分布特征矩阵；以及，空间注意力单元，用于将所述多个初始热分布特征矩阵输入所述卷积神经网络模型的空间注意力层以得到所述多个热分布特征矩阵。
在上述锻钢阀阀盖自动化多工位机加工设备中，所述热转移模块，用于：以如下公式计所述多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵；其中，所述公式为：，其中/>和/>分别表示所述多个热分布特征矩阵中任意两个相邻热分布特征矩阵，/> 表示所述转移矩阵，/>表示矩阵相乘；以及，计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量。
在上述锻钢阀阀盖自动化多工位机加工设备中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
在上述锻钢阀阀盖自动化多工位机加工设备中，所述热转移特征提取模块，包括：第一邻域尺度特征提取单元，用于将所述热转移输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度热转移时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取单元，用于将所述热转移输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度热转移时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元，用于将所述第一邻域尺度热转移时序特征向量和所述第二邻域尺度热转移时序特征向量进行级联以得到所述热转移时序特征向量。其中，所述第一邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述热转移输入向量进行一维卷积编码以得到第一邻域尺度热转移时序特征向量；其中，所述公式为：，其中，/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，/>为第一一维卷积核的尺寸，/>表示所述热转移输入向量，/>表示对所述热转移输入向量进行一维卷积编码；所述第二邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述热转移输入向量进行一维卷积编码以得到所述第二邻域尺度热转移时序特征向量；其中，所述公式为：，其中，/>为第二卷积核在/>方向上的宽度、为第二卷积核参数向量、 />为与卷积核函数运算的局部向量矩阵，/>为第二一维卷积核的尺寸，/>表示所述热转移输入向量，/>表示对所述热转移输入向量进行一维卷积编码。
在上述锻钢阀阀盖自动化多工位机加工设备中，所述热分布时序特征提取模块，用于：使用所述使用三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用三维卷积核的卷积神经网络的最后一层的输出为所述热分布时序特征向量，所述使用三维卷积核的卷积神经网络的第一层的输入为所述热分布特征矩阵。
在上述锻钢阀阀盖自动化多工位机加工设备中，所述优化模块，用于：以如下优化公式对所述解码特征向量进行流形曲面优化以得到优化解码特征向量；其中，所述公式为：，/>和/>是所述解码特征向量的各个位置特征值集合的均值和标准差，且/>是优化后的所述解码特征向量的第/>个位置的特征值。
在上述锻钢阀阀盖自动化多工位机加工设备中，所述解码回归模块，用于：使用所述解码器以如下公式将所述优化解码特征向量进行解码回归以获得用于表示推荐的冷却液的流速值的解码值；其中，所述公式为：，其中/>表示所述优化解码特征向量，/>是所述解码值，/>是权重矩阵，/>表示矩阵相乘。
根据本申请的另一方面，提供了一种锻钢阀阀盖自动化多工位机加工方法，其包括：
获取被加工区域在预定时间段内多个预定时间点的热红外图像；将所述多个预定时间点的热红外图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个热分布特征矩阵；计算所述多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵，并计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量；将所述热转移输入向量通过多尺度邻域特征提取模块以得到热转移时序特征向量；将所述多个热分布特征矩阵通过使用三维卷积核的卷积神经网络模型以得到热分布时序特征向量；融合所述热转移时序特征向量和所述热分布时序特征向量以得到解码特征向量；对所述解码特征向量进行流形曲面优化以得到优化解码特征向量；以及
将所述优化解码特征向量通过解码器进行回归解码以得到解码值，所述解码值用于表示推荐的冷却液的流速值。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的锻钢阀阀盖自动化多工位机加工方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的锻钢阀阀盖自动化多工位机加工方法。
与现有技术相比，本申请提供的一种锻钢阀阀盖自动化多工位机加工设备及方法，其基于热红外图像，并利用基于深度学习的图像处理技术来挖掘热红外图像中被加工区域的热分布和热转移特征，从而自动化的推荐锻钢阀门阀盖加工冷却液的流速值。这样，能够优化锻钢阀门阀盖加工方案，提高工件表面质量，增强工件的精度、强度和耐久性，提高其使用性能和寿命。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1A为根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备的场景示意图。
图1B为根据本申请实施例的锻钢阀阀盖的示意图。
图2为根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备的框图。
图3为根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备的系统架构图。
图4为根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备中热分布空间特征提取模块的框图。
图5为根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备中热转移特征提取模块的框图。
图6为根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备中卷积神经网络编码的流程图。
图7为根据本申请实施例的锻钢阀阀盖自动化多工位机加工方法的流程图。
图8为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述：针对上述技术问题，本申请的技术构思为：基于热红外图像，并利用基于深度学习的图像处理技术来挖掘热红外图像中被加工区域的热分布和热转移特征，从而自动化的推荐锻钢阀门阀盖加工冷却液的流速值。这样，提高锻钢阀门阀盖的加工质量和效率。
具体地，在本申请的技术方案中，首先，获取被加工区域在预定时间段内多个预定时间点的热红外图像。这里，热红外图像可以反映工件表面的温度分布，并且，多个预定时间点的热红外图像能够表征温度变化的速率和幅度。
接着，将所述多个预定时间点的热红外图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个热分布特征矩阵。这里，空间注意力机制的卷积神经网络模型是一种能够自动学习图像中不同区域的重要性，并根据重要性分配不同的权重的模型。这种模型可以有效地提取图像中的局部特征，并增强感兴趣区域的表达能力，从而提高图像的识别和分析效果。在本技术方案中，使用空间注意力机制的卷积神经网络模型可以针对各个预定时间点的热红外图像，自动识别出加工区域中受热影响最大的部分，并赋予其较高的权重，从而得到更准确和细致的热分布特征矩阵。
在锻钢阀门阀盖加工过程中，热量会在不同部位之间进行传递。也就是说，相邻两个时间点的热分布特征矩阵之间存在着一定的相关性。在本申请的技术方案中，计算所述多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵，并计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量。这里，每相邻两个热分布特征矩阵之间的转移矩阵可以表示从一个时间点到另一个时间点的温度变化情况，可以反映出被加工区域的热动态特性。
在锻钢阀门阀盖加工过程中，热传递的过程是动态的，随着时间的推移，热分布会发生变化，为了更好地捕捉热转移的时序变化和动态特征，在本申请的技术方案中，将所述热转移输入向量通过多尺度邻域特征提取模块以得到热转移时序特征向量。这里，多尺度邻域特征提取模块可以提取不同尺度的特征，能够更好地表达不同时间点之间的热传递和热分布规律。这可以增强模型对加工过程中的热传递和热分布特征的建模能力，进而提高模型的准确性和稳定性。
然后，将所述多个热分布特征矩阵通过使用三维卷积核的卷积神经网络模型以得到热分布时序特征向量。这里，三维卷积核的卷积神经网络模型（3D CNN）可以从相邻的热分布特征矩阵中提取出空间和时间上的特征，从而更好地捕捉热分布的动态变化。
考虑到热传递和热分布是互相影响的关系，在本申请的技术方案中，融合所述热转移时序特征向量和所述热分布时序特征向量以同时考虑热传递和热分布这两个方面的特征，更好地理解加工过程中的热传递和热分布规律，从而得到解码特征向量。
继而，将所述解码特征向量通过解码器进行回归解码以得到解码值，所述解码值用于表示推荐的冷却液的流速值。其中，解码器是一种能够将高维特征向量映射到低维输出值的神经网络模型，通过解码回归，可以得到一个解码值作为推荐的冷却液的流速值。这样，可以动态调整冷却液的流速，以达到最佳的冷却效果。
在本申请的技术方案中，对于所述热转移时序特征向量来说，其表达热红外图像语义的特征域时序转移的多尺度邻域关联时序特征分布，而对于所述热分布时序特征向量来说，其表达热红外图像语义的时序-语义关联特征的卷积神经网络模型的通道分布，因此，在考虑到特征表示和分布维度的差异的情况下，优选地通过直接级联所述热转移时序特征向量和所述热分布时序特征向量来得到所述解码特征向量。但是，由于并没有对于所述特征表示和分布维度的差异进行融合，这也会导致所述解码特征向量的整体特征分布的规则化程度低，从而影响所述解码特征向量通过解码器进行回归解码得到的解码值的准确性。
基于此，本申请的申请人对所述解码特征向量，例如记为进行流形曲面的高斯概率密度参数二次正则化，具体表示为：/>其中/>和/>是特征值集合/>的均值和标准差，且/>是优化后的所述解码特征向量/>的第/>个位置的特征值。
具体地，为了解决所述解码特征向量的特征集合的高维特征分布在融合的高维特征空间内的分布不规则化的问题，通过特征值针对解码器的回归概率分布的高斯概率密度参数的似然性进行所述解码特征向量/>的各个特征值的二次正则化，来将基于目标回归概率的高斯概率密度参数的参数空间内的等距离分布进行特征值的平滑约束，以获得高维特征的流形曲面表达的原始概率密度似然函数在参数空间内的规则化重整，从而提升优化后的所述解码特征向量的特征分布的规则性，以提升优化后的所述解码特征向量通过解码器进行回归解码得到的解码值的准确性。
基于此，本申请提出了一种锻钢阀阀盖自动化多工位机加工设备，其包括：热红外图像采集模块，用于获取被加工区域在预定时间段内多个预定时间点的热红外图像；热分布空间特征提取模块，用于将所述多个预定时间点的热红外图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个热分布特征矩阵；热转移模块，用于计算所述多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵，并计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量；热转移特征提取模块，用于将所述热转移输入向量通过多尺度邻域特征提取模块以得到热转移时序特征向量；热分布时序特征提取模块，用于将所述多个热分布特征矩阵通过使用三维卷积核的卷积神经网络模型以得到热分布时序特征向量；特征融合模块，用于融合所述热转移时序特征向量和所述热分布时序特征向量以得到解码特征向量；优化模块，用于对所述解码特征向量进行流形曲面优化以得到优化解码特征向量；以及，解码回归模块，用于将所述优化解码特征向量通过解码器进行回归解码以得到解码值，所述解码值用于表示推荐的冷却液的流速值。
图1A为根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备的场景示意图。如图1A所示，在该应用场景中，通过热红外传感器（例如，如图1中所示意的V）获取被加工区域在预定时间段内多个预定时间点的热红外图像。接着，将上述热红外图像输入至部署有用于锻钢阀阀盖自动化多工位机加工算法的服务器（例如，图1A中的S）中，其中，所述服务器能够以所述锻钢阀阀盖自动化多工位机加工算法对上述输入的图像进行处理，以生成解码值，所述解码值用于表示推荐的冷却液的流速值。图1B为根据本申请实施例的锻钢阀阀盖的示意图，其中，所述的锻钢阀阀盖为被加工工件。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统：图2为根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备的框图。如图2所示，根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备300，包括：热红外图像采集模块310；热分布空间特征提取模块320；热转移模块330；热转移特征提取模块340；热分布时序特征提取模块350；特征融合模块360；优化模块370；以及，解码回归模块380。
其中，所述热红外图像采集模块310，用于获取被加工区域在预定时间段内多个预定时间点的热红外图像；所述热分布空间特征提取模块320，用于将所述多个预定时间点的热红外图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个热分布特征矩阵；所述热转移模块330，用于计算所述多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵，并计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量；所述热转移特征提取模块340，用于将所述热转移输入向量通过多尺度邻域特征提取模块以得到热转移时序特征向量；所述热分布时序特征提取模块350，用于将所述多个热分布特征矩阵通过使用三维卷积核的卷积神经网络模型以得到热分布时序特征向量；所述特征融合模块360，用于融合所述热转移时序特征向量和所述热分布时序特征向量以得到解码特征向量；所述优化模块370，用于对所述解码特征向量进行流形曲面优化以得到优化解码特征向量；以及，所述解码回归模块380，用于将所述优化解码特征向量通过解码器进行回归解码以得到解码值，所述解码值用于表示推荐的冷却液的流速值。
图3为根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备的系统架构图。如图3所示，在该网络架构中，首先通过所述热红外图像采集模块310获取被加工区域在预定时间段内多个预定时间点的热红外图像；接着，所述热分布空间特征提取模块320将所述热红外图像采集模块310获取的多个预定时间点的热红外图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个热分布特征矩阵；所述热转移模块330将所述热分布空间特征提取模块320得到的多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵，并计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量；所述热转移特征提取模块340将所述热转移模块330得到的热转移输入向量通过多尺度邻域特征提取模块以得到热转移时序特征向量；然后，所述热分布时序特征提取模块350将所述热分布空间特征提取模块320得到的多个热分布特征矩阵通过使用三维卷积核的卷积神经网络模型以得到热分布时序特征向量；所述特征融合模块360融合所述热转移特征提取模块340得到的热转移时序特征向量和所述热分布时序特征提取模块350得到的热分布时序特征向量以得到解码特征向量；所述优化模块370对所述特征融合模块360融合所得的解码特征向量进行流形曲面优化以得到优化解码特征向量；进而，所述解码回归模块380将所述优化解码特征向量通过解码器进行回归解码以得到解码值，所述解码值用于表示推荐的冷却液的流速值。
具体地，在所述锻钢阀阀盖自动化多工位机加工设备300的运行过程中，所述热红外图像采集模块310，用于获取被加工区域在预定时间段内多个预定时间点的热红外图像。应可以理解，在实际进行加工的过程中，钻头、锪平钻头和铣刀都会对工件表面造成一定的热影响，而热影响会导致工件表面产生温度梯度和热应力。因此，在本申请的技术方案中，基于热红外图像，来自适应地推荐锻钢阀门阀盖加工冷却液的流速值。这里，热红外图像可以反映工件表面的温度分布，并且，多个预定时间点的热红外图像能够表征温度变化的速率和幅度。首先，通过热红外传感器获取获取被加工区域在预定时间段内多个预定时间点的热红外图像。
具体地，在所述锻钢阀阀盖自动化多工位机加工设备300的运行过程中，所述热分布空间特征提取模块320，用于将所述多个预定时间点的热红外图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个热分布特征矩阵。也就是，将所述多个预定时间点的热红外图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个热分布特征矩阵。这里，空间注意力机制的卷积神经网络模型是一种能够自动学习图像中不同区域的重要性，并根据重要性分配不同的权重的模型。这种模型可以有效地提取图像中的局部特征，并增强感兴趣区域的表达能力，从而提高图像的识别和分析效果。在本技术方案中，使用空间注意力机制的卷积神经网络模型可以针对各个预定时间点的热红外图像，自动识别出加工区域中受热影响最大的部分，并赋予其较高的权重，从而得到更准确和细致的热分布特征矩阵。
图4为根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备中热分布空间特征提取模块的框图。如图4所示，所述热分布空间特征提取模块320，包括：深度卷积编码单元321，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对所述多个预定时间点的热红外图像进行卷积处理、基于沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始热分布特征矩阵；以及，空间注意力单元322，用于将所述多个初始热分布特征矩阵输入所述卷积神经网络模型的空间注意力层以得到所述多个热分布特征矩阵。
具体地，在所述锻钢阀阀盖自动化多工位机加工设备300的运行过程中，所述热转移模块330，用于计算所述多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵，并计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量。应可以理解，在锻钢阀门阀盖加工过程中，热量会在不同部位之间进行传递。也就是说，相邻两个时间点的热分布特征矩阵之间存在着一定的相关性。在本申请的技术方案中，计算所述多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵，并计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量。这里，每相邻两个热分布特征矩阵之间的转移矩阵可以表示从一个时间点到另一个时间点的温度变化情况，可以反映出被加工区域的热动态特性。在本申请的一个具体示例中，首先，以如下公式计所述多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵；其中，所述公式为：，其中/>和/>分别表示所述多个热分布特征矩阵中任意两个相邻热分布特征矩阵，/> 表示所述转移矩阵，/>表示矩阵相乘；接着，计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量。
具体地，在所述锻钢阀阀盖自动化多工位机加工设备300的运行过程中，所述热转移特征提取模块340，用于将所述热转移输入向量通过多尺度邻域特征提取模块以得到热转移时序特征向量。考虑到热分布在时序上有着动态变化特征，因此，将所述热转移输入向量通过多尺度邻域特征提取模块以得到热转移时序特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。这里，多尺度邻域特征提取模块可以提取不同尺度的特征，能够更好地表达不同时间点之间的热传递和热分布规律。这可以增强模型对加工过程中的热传递和热分布特征的建模能力，进而提高模型的准确性和稳定性。
图5为根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备中热转移特征提取模块的框图。如图5所示，所述热转移特征提取模块350，包括：第一邻域尺度特征提取单元351，用于将所述热转移输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度热转移时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取单元352，用于将所述热转移输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度热转移时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元353，用于将所述第一邻域尺度热转移时序特征向量和所述第二邻域尺度热转移时序特征向量进行级联以得到所述热转移时序特征向量。其中，所述第一邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述热转移输入向量进行一维卷积编码以得到第一邻域尺度热转移时序特征向量；其中，所述公式为：，其中，/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，/>为第一一维卷积核的尺寸，/>表示所述热转移输入向量，/>表示对所述热转移输入向量进行一维卷积编码；所述第二邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述热转移输入向量进行一维卷积编码以得到所述第二邻域尺度热转移时序特征向量；其中，所述公式为：，其中，/>为第二卷积核在/>方向上的宽度、为第二卷积核参数向量、 />为与卷积核函数运算的局部向量矩阵，/>为第二一维卷积核的尺寸，/>表示所述热转移输入向量，/>表示对所述热转移输入向量进行一维卷积编码。
具体地，在所述锻钢阀阀盖自动化多工位机加工设备300的运行过程中，所述热分布时序特征提取模块350，用于将所述多个热分布特征矩阵通过使用三维卷积核的卷积神经网络模型以得到热分布时序特征向量。也就是，使用在特征提取上具有优异表现的卷积神经网络对所述多个热分布特征矩阵进行卷积编码，以此从相邻的热分布特征矩阵中提取出空间和时间上的特征，从而更好地捕捉热分布的动态变化。在一个示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图6为根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备中卷积神经网络编码的流程图。如图6所示，在所述卷积神经网络的编码过程中，包括:使用所述使用三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：S210,对输入数据进行卷积处理以得到卷积特征图；S220,对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及,S230,对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用三维卷积核的卷积神经网络的最后一层的输出为所述热分布时序特征向量，所述使用三维卷积核的卷积神经网络的第一层的输入为所述热分布特征矩阵。
具体地，在所述锻钢阀阀盖自动化多工位机加工设备300的运行过程中，所述特征融合模块360，用于融合所述热转移时序特征向量和所述热分布时序特征向量以得到解码特征向量。也就是，在得到所述热转移时序特征向量和所述热分布时序特征向量后，进一步将两者进行特征融合以此来融合所述热转移时序特征向量和所述热分布时序特征向量以同时考虑热传递和热分布这两个方面的特征，更好地理解加工过程中的热传递和热分布规律，从而得到解码特征向量。在本申请的一个具体示例中，可通过级联的方式来进行融合。
具体地，在所述锻钢阀阀盖自动化多工位机加工设备300的运行过程中，所述优化模块370，用于对所述解码特征向量进行流形曲面优化以得到优化解码特征向量。在本申请的技术方案中，对于所述热转移时序特征向量来说，其表达热红外图像语义的特征域时序转移的多尺度邻域关联时序特征分布，而对于所述热分布时序特征向量来说，其表达热红外图像语义的时序-语义关联特征的卷积神经网络模型的通道分布，因此，在考虑到特征表示和分布维度的差异的情况下，优选地通过直接级联所述热转移时序特征向量和所述热分布时序特征向量来得到所述解码特征向量。但是，由于并没有对于所述特征表示和分布维度的差异进行融合，这也会导致所述解码特征向量的整体特征分布的规则化程度低，从而影响所述解码特征向量通过解码器进行回归解码得到的解码值的准确性。基于此，本申请的申请人对所述解码特征向量，例如记为进行流形曲面的高斯概率密度参数二次正则化，具体表示为：/>，其中/>是所述解码特征向量的第/>各个位置的特征值，/>和/>是所述解码特征向量的各个位置特征值集合的均值和标准差，且/>是优化后的所述解码特征向量的第/>个位置的特征值。具体地，为了解决所述解码特征向量/>的特征集合的高维特征分布在融合的高维特征空间内的分布不规则化的问题，通过特征值针对解码器的回归概率分布的高斯概率密度参数的似然性进行所述解码特征向量/>的各个特征值的二次正则化，来将基于目标回归概率的高斯概率密度参数的参数空间内的等距离分布进行特征值的平滑约束，以获得高维特征的流形曲面表达的原始概率密度似然函数在参数空间内的规则化重整，从而提升优化后的所述解码特征向量的特征分布的规则性，以提升优化后的所述解码特征向量通过解码器进行回归解码得到的解码值的准确性。
具体地，在所述锻钢阀阀盖自动化多工位机加工设备300的运行过程中，所述解码回归模块380，用于将所述优化解码特征向量通过解码器进行回归解码以得到解码值，所述解码值用于表示推荐的冷却液的流速值。在本申请的技术方案中，将所述优化解码特征向量作为解码特征向量通过解码器进行解码回归以得到用于表示推荐的冷却液的流速值的解码值。其中，解码器是一种能够将高维特征向量映射到低维输出值的神经网络模型，通过解码回归，可以得到一个解码值作为推荐的冷却液的流速值。这样，可以动态调整冷却液的流速，以达到最佳的冷却效果。在本申请的一个具体示例中，使用所述解码器以如下公式将所述优化解码特征向量进行解码回归以获得用于表示推荐的冷却液的流速值的解码值；其中，所述公式为：，其中/>表示所述优化解码特征向量，/>是所述解码值，/>是权重矩阵，/>表示矩阵相乘。
综上，根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备300被阐明，其基于热红外图像，并利用基于深度学习的图像处理技术来挖掘热红外图像中被加工区域的热分布和热转移特征，从而自动化的推荐锻钢阀门阀盖加工冷却液的流速值。这样，能够优化锻钢阀门阀盖加工方案，提高工件表面质量，增强工件的精度、强度和耐久性，提高其使用性能和寿命。
如上所述，根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备可以实现在各种终端设备中。在一个示例中，根据本申请实施例的锻钢阀阀盖自动化多工位机加工设备300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该锻钢阀阀盖自动化多工位机加工设备300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该锻钢阀阀盖自动化多工位机加工设备300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该锻钢阀阀盖自动化多工位机加工设备300与该终端设备也可以是分立的设备，并且该锻钢阀阀盖自动化多工位机加工设备300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法：图7为根据本申请实施例的锻钢阀阀盖自动化多工位机加工方法的流程图。如图7所示，根据本申请实施例的锻钢阀阀盖自动化多工位机加工方法，包括步骤：S110，获取被加工区域在预定时间段内多个预定时间点的热红外图像；S120，将所述多个预定时间点的热红外图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个热分布特征矩阵；S130，计算所述多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵，并计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量；S140，将所述热转移输入向量通过多尺度邻域特征提取模块以得到热转移时序特征向量；S150，将所述多个热分布特征矩阵通过使用三维卷积核的卷积神经网络模型以得到热分布时序特征向量；S160，融合所述热转移时序特征向量和所述热分布时序特征向量以得到解码特征向量；S170，对所述解码特征向量进行流形曲面优化以得到优化解码特征向量；以及，S180，将所述优化解码特征向量通过解码器进行回归解码以得到解码值，所述解码值用于表示推荐的冷却液的流速值。
在一个示例中，在上述锻钢阀阀盖自动化多工位机加工方法中，所述步骤S120，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别对所述多个预定时间点的热红外图像进行卷积处理、基于沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始热分布特征矩阵；以及，将所述多个初始热分布特征矩阵输入所述卷积神经网络模型的空间注意力层以得到所述多个热分布特征矩阵。
在一个示例中，在上述锻钢阀阀盖自动化多工位机加工方法中，所述步骤S130，包括：以如下公式计所述多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵；其中，所述公式为：，其中/>和/>分别表示所述多个热分布特征矩阵中任意两个相邻热分布特征矩阵，/> 表示所述转移矩阵，/>表示矩阵相乘；以及，计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量。
在一个示例中，在上述锻钢阀阀盖自动化多工位机加工方法中，所述步骤S140，包括：将所述热转移输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度热转移时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述热转移输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度热转移时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度热转移时序特征向量和所述第二邻域尺度热转移时序特征向量进行级联以得到所述热转移时序特征向量。其中，所述将所述热转移输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度热转移时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述热转移输入向量进行一维卷积编码以得到第一邻域尺度热转移时序特征向量；其中，所述公式为：，其中，/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，/>为第一一维卷积核的尺寸，/>表示所述热转移输入向量，/>表示对所述热转移输入向量进行一维卷积编码；以及，所述将所述热转移输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度热转移时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述热转移输入向量进行一维卷积编码以得到所述第二邻域尺度热转移时序特征向量；其中，所述公式为：，其中，/>为第二卷积核在/>方向上的宽度、为第二卷积核参数向量、 />为与卷积核函数运算的局部向量矩阵，/>为第二一维卷积核的尺寸，/>表示所述热转移输入向量，/>表示对所述热转移输入向量进行一维卷积编码。更具体地，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
在一个示例中，在上述锻钢阀阀盖自动化多工位机加工方法中，所述步骤S150，包括：使用所述使用三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用三维卷积核的卷积神经网络的最后一层的输出为所述热分布时序特征向量，所述使用三维卷积核的卷积神经网络的第一层的输入为所述热分布特征矩阵。
在一个示例中，在上述锻钢阀阀盖自动化多工位机加工方法中，所述步骤S170，包括：以如下优化公式对所述解码特征向量进行流形曲面优化以得到优化解码特征向量；其中，所述公式为：，其中/>是所述解码特征向量的第/>各个位置的特征值，/>和/>是所述解码特征向量的各个位置特征值集合的均值和标准差，且/>是优化后的所述解码特征向量的第/>个位置的特征值。
在一个示例中，在上述锻钢阀阀盖自动化多工位机加工方法中，所述步骤S180，包括：使用所述解码器以如下公式将所述优化解码特征向量进行解码回归以获得用于表示推荐的冷却液的流速值的解码值；其中，所述公式为：，其中/>表示所述优化解码特征向量，/>是所述解码值，/>是权重矩阵，/>表示矩阵相乘。
综上，根据本申请实施例的锻钢阀阀盖自动化多工位机加工方法被阐明，其基于热红外图像，并利用基于深度学习的图像处理技术来挖掘热红外图像中被加工区域的热分布和热转移特征，从而自动化的推荐锻钢阀门阀盖加工冷却液的流速值。这样，能够优化锻钢阀门阀盖加工方案，提高工件表面质量，增强工件的精度、强度和耐久性，提高其使用性能和寿命。
示例性应用：本申请提供了一种锻钢阀阀盖自动化多工位机加工设备及方法，以使得使阀门阀盖在生产过程中提高阀盖钻安装孔、锪平安装孔、铣槽口、钻销子孔的生产效率，解决人工操控的劳动强度大，多机位等问题。具体地，本申请提供了一种锻钢阀门阀盖自动化多工位机加工设备及工艺，该设备结构包括：钻安装孔、锪平安装孔、铣槽口、钻销子孔四工位分体机构总成、钻孔工装夹具总成、液压站总成、电气箱总成、触摸屏控制总成、设备外钣金、铸铁机架。其中：所述钻安装孔、锪平安装孔、铣槽口、钻销子孔四工位分体机构总成，包括:燕尾滑台、伺服电机、动力主轴总成组成。动力主轴总成，包括：动力主轴，钻夹头，钻头或铣刀片或锪平钻组成。所述钻孔工装夹具总成，包括：工装夹具体，零件安装夹具座，液压压板，液压缸组成。所述液压站总成，包括：油箱，叶片泵，压力表，换向电磁阀，液压油管，冷却风机，接头等组成。所述电气箱总成，包括：变频器，伺服驱动器，过流保护器，继电器，中间继电器，变压器，开关电源，接线排等组成。所述触摸屏控制总成，包括： 六轴控制系统，触摸屏，伺服手轮，急停，电源开，松紧，启动，停止等按键组成。所述设备外钣金，包括：设备外部的全防护钣金组成。所述铸铁机架，包括：铸铁架，调节底脚组成。
阀门自动多工位钻锪铣复合机是钻安装孔、锪平安装孔、铣槽口、钻销子孔四工位分体机构总成、钻孔工装夹具总成、液压站总成、电气箱总成、触摸屏控制总成、设备外钣金、铸铁机架等零部件组装而成为一个整体机器，所述铸铁机架是一整体浇铸的铸件加工而成，铸铁机架内部是箱体式结构，在机架平板下面分布配置有1个液压基站，所述钻安装孔、锪平安装孔、铣槽口、钻销子孔四工位分体机构都是有独立的安装柱，安装柱分别为十字分布在铸铁机架的四个固定位置，钻孔工装夹具总成配备有液压缸，液压缸与液压基站相连接，由液压站提供液压油来运行液压缸，钻安装孔、锪平安装孔、铣槽口、钻销子孔四工位分体机构安装柱上分别安装有燕尾滑台、动力主轴总成、伺服电机，动力主轴总成上分别安装钻夹头，钻头或铣刀片或锪平钻，伺服电机与动力主轴是由同步带配合来带动主轴转动运行的。
所有控制信号都是通过六轴控制系统，通过六轴控制系统程序来启动主轴的伺服电机带动主轴运行，主轴上下运行是靠伺服电机传动丝杆动行，六轴控制系统电磁阀来运行液压缸。控制部分具体原理：
1.工件安装：阀盖法兰上的安装孔是在一个圆上均匀分布的四个孔，工件放上钻孔工装夹具上，通过触摸屏总成上夹紧按键操作让钻孔工装夹具上的液压缸夹紧工件，再按下启动开关，设备进入自动钻锪铣工作。
2.钻安装孔加工：钻安装孔动力主轴总成电机启动，带动钻头旋转，伺服电机启动按设定的位置带动动力主轴总成前进，完成钻孔加工，到达设置深度后，伺服电机反转带动动力主轴总成后退，完成本工位加工后进入到下道工序。
3.锪平安装孔加工：锪平安装孔动力主轴总成电机启动，带动锪平钻头旋转，伺服电机启动按设定的位置带动动力主轴总成前进，完成锪平孔加工，到达设置深度后，伺服电机反转带动动力主轴总成后退，完成本工位加工后进入到下道工序。
4.铣槽口加工：铣槽口动力主轴总成电机启动，带动铣刀旋转，伺服电机启动按设定的位置带动动力主轴总成前进，完成铣槽口加工，到达设置深度后，伺服电机反转带动动力主轴总成后退，完成本工位加工后进入到下道工序。
5.钻销子孔加工：钻销子孔动力主轴总成电机启动，带动钻头旋转，伺服电机启动按设定的位置带动动力主轴总成前进，完成钻销子孔加工，到达设置深度后，伺服电机反转带动动力主轴总成后退，完成本工位加工后进入到下道工序。
6.工件取出：全部加工完成后，通过触摸屏总成上夹紧按键操作让钻孔工装夹具上的液压缸松开工件，取出完成品。
根据各种型号的预设定了动力头主轴电机的不同转速，伺服电机的进给速度，深度等，以保证加工的尺寸符合要求。所有数据都是可以通过触摸屏控制总成中的显示屏来手动设置调整。
示例性电子设备：下面，参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的锻钢阀阀盖自动化多工位机加工设备中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如解码特征向量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图8中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的锻钢阀阀盖自动化多工位机加工方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的锻钢阀阀盖自动化多工位机加工方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（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。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种锻钢阀阀盖自动化多工位机加工设备，其特征在于，包括：热红外图像采集模块，用于获取被加工区域在预定时间段内多个预定时间点的热红外图像；热分布空间特征提取模块，用于将所述多个预定时间点的热红外图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个热分布特征矩阵；热转移模块，用于计算所述多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵，并计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量；热转移特征提取模块，用于将所述热转移输入向量通过多尺度邻域特征提取模块以得到热转移时序特征向量；热分布时序特征提取模块，用于将所述多个热分布特征矩阵通过使用三维卷积核的卷积神经网络模型以得到热分布时序特征向量；特征融合模块，用于融合所述热转移时序特征向量和所述热分布时序特征向量以得到解码特征向量；优化模块，用于对所述解码特征向量进行流形曲面优化以得到优化解码特征向量；以及解码回归模块，用于将所述优化解码特征向量通过解码器进行回归解码以得到解码值，所述解码值用于表示推荐的冷却液的流速值。
2.根据权利要求1所述的锻钢阀阀盖自动化多工位机加工设备，其特征在于，所述热分布空间特征提取模块，包括：深度卷积编码单元，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对所述多个预定时间点的热红外图像进行卷积处理、基于沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始热分布特征矩阵；以及空间注意力单元，用于将所述多个初始热分布特征矩阵输入所述卷积神经网络模型的空间注意力层以得到所述多个热分布特征矩阵。
3.根据权利要求2所述的锻钢阀阀盖自动化多工位机加工设备，其特征在于，所述热转移模块，用于：以如下公式计所述多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵；其中，所述公式为：，其中/>和/>分别表示所述多个热分布特征矩阵中任意两个相邻热分布特征矩阵，/> 表示所述转移矩阵，/>表示矩阵相乘；以及计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量。
4.根据权利要求3所述的锻钢阀阀盖自动化多工位机加工设备，其特征在于，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
5.根据权利要求4所述的锻钢阀阀盖自动化多工位机加工设备，其特征在于，所述热转移特征提取模块，包括：第一邻域尺度特征提取单元，用于将所述热转移输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度热转移时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取单元，用于将所述热转移输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度热转移时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及多尺度级联单元，用于将所述第一邻域尺度热转移时序特征向量和所述第二邻域尺度热转移时序特征向量进行级联以得到所述热转移时序特征向量；其中，所述第一邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述热转移输入向量进行一维卷积编码以得到第一邻域尺度热转移时序特征向量；其中，所述公式为：，其中，为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，/>为第一一维卷积核的尺寸，/>表示所述热转移输入向量，/>表示对所述热转移输入向量进行一维卷积编码；所述第二邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述热转移输入向量进行一维卷积编码以得到所述第二邻域尺度热转移时序特征向量；其中，所述公式为：/>，其中，/>为第二卷积核在/>方向上的宽度、 />为第二卷积核参数向量、 />为与卷积核函数运算的局部向量矩阵，/>为第二一维卷积核的尺寸，/>表示所述热转移输入向量，/>表示对所述热转移输入向量进行一维卷积编码。
6.根据权利要求5所述的锻钢阀阀盖自动化多工位机加工设备，其特征在于，所述热分布时序特征提取模块，用于：使用所述使用三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用三维卷积核的卷积神经网络的最后一层的输出为所述热分布时序特征向量，所述使用三维卷积核的卷积神经网络的第一层的输入为所述热分布特征矩阵。
7.根据权利要求6所述的锻钢阀阀盖自动化多工位机加工设备，其特征在于，所述优化模块，用于：以如下优化公式对所述解码特征向量进行流形曲面优化以得到优化解码特征向量；其中，所述公式为：，/>和/>是所述解码特征向量的各个位置特征值集合的均值和标准差，且/>是优化后的所述解码特征向量的第个位置的特征值。
8.根据权利要求7所述的锻钢阀阀盖自动化多工位机加工设备，其特征在于，所述解码回归模块，用于：使用所述解码器以如下公式将所述优化解码特征向量进行解码回归以获得用于表示推荐的冷却液的流速值的解码值；其中，所述公式为：，其中表示所述优化解码特征向量，/>是所述解码值，/>是权重矩阵，/>表示矩阵相乘。
9.一种锻钢阀阀盖自动化多工位机加工方法，其特征在于，包括：获取被加工区域在预定时间段内多个预定时间点的热红外图像；将所述多个预定时间点的热红外图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个热分布特征矩阵；计算所述多个热分布特征矩阵中每相邻两个热分布特征矩阵之间的转移矩阵，并计算所述各个转移矩阵的全局均值以得到由多个全局均值组成的热转移输入向量；将所述热转移输入向量通过多尺度邻域特征提取模块以得到热转移时序特征向量；将所述多个热分布特征矩阵通过使用三维卷积核的卷积神经网络模型以得到热分布时序特征向量；融合所述热转移时序特征向量和所述热分布时序特征向量以得到解码特征向量；对所述解码特征向量进行流形曲面优化以得到优化解码特征向量；以及将所述优化解码特征向量通过解码器进行回归解码以得到解码值，所述解码值用于表示推荐的冷却液的流速值。
10.根据权利要求9所述的一种锻钢阀阀盖自动化多工位机加工方法，其特征在于，将所述优化解码特征向量通过解码器进行回归解码以得到解码值，所述解码值用于表示推荐的冷却液的流速值，包括：使用所述解码器以如下公式将所述优化解码特征向量进行解码回归以获得用于表示推荐的冷却液的流速值的解码值；其中，所述公式为：，其中/>表示所述优化解码特征向量，/>是所述解码值，/>是权重矩阵，/>表示矩阵相乘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310590688.2A CN116652681A (zh) | 2023-05-24 | 2023-05-24 | 锻钢阀阀盖自动化多工位机加工设备及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310590688.2A CN116652681A (zh) | 2023-05-24 | 2023-05-24 | 锻钢阀阀盖自动化多工位机加工设备及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116652681A true CN116652681A (zh) | 2023-08-29 |
Family
ID=87712967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310590688.2A Pending CN116652681A (zh) | 2023-05-24 | 2023-05-24 | 锻钢阀阀盖自动化多工位机加工设备及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116652681A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2702325A1 (fr) * | 1993-03-03 | 1994-09-09 | France Telecom | Procédé et dispositif de formation d'une image échantillonnée. |
| CN103034169A (zh) * | 2012-12-26 | 2013-04-10 | 西安理工大学 | 一种数控机床热误差建模与补偿的方法 |
| EP3301640A1 (de) * | 2016-09-30 | 2018-04-04 | JENOPTIK Advanced Systems GmbH | Verfahren und wärmebildkamera zur berührungslosen temperaturmessung oder zur beobachtung von schnell bewegten ir-szenen mit einem thermischen ir-bildsensor |
| CN115202265A (zh) * | 2022-07-29 | 2022-10-18 | 福建天甫电子材料有限公司 | 电子级氢氧化钾的智慧产线的控制系统及其控制方法 |
| CN115291646A (zh) * | 2022-07-08 | 2022-11-04 | 福建龙氟化工有限公司 | 用于氟化锂制备的能源管理控制系统及其控制方法 |
| CN115719298A (zh) * | 2022-11-23 | 2023-02-28 | 浙江鸿屹智能装备科技有限公司 | 一种纺织加弹机 |
| CN115810007A (zh) * | 2022-12-29 | 2023-03-17 | 吉祥铝业（长兴）有限公司 | 铝复合板节能生产方法及系统 |
| CN115827257A (zh) * | 2023-02-20 | 2023-03-21 | 腾云创威信息科技(威海)有限公司 | 用于处理器体系的cpu容量预测方法及其系统 |
| CN115887086A (zh) * | 2023-01-10 | 2023-04-04 | 杭州糖吉医疗科技有限公司 | 可控转向的胃转流支架输送器及其方法 |
| CN116003126A (zh) * | 2023-03-22 | 2023-04-25 | 珠海和泽科技有限公司 | 静电吸盘表面陶瓷材料的制备方法及其系统 |
| CN116038854A (zh) * | 2023-01-10 | 2023-05-02 | 漯河江山天安新型建材有限公司 | 门加工用成型控制系统及方法 |
| CN116128250A (zh) * | 2023-03-07 | 2023-05-16 | 上海合煌能源科技有限公司 | 面向现货市场的售电偏差管理方法及其系统 |
| CN116149397A (zh) * | 2023-04-20 | 2023-05-23 | 福建天甫电子材料有限公司 | 电子级双氧水存储的温度自适应控制系统 |
-
2023
- 2023-05-24 CN CN202310590688.2A patent/CN116652681A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2702325A1 (fr) * | 1993-03-03 | 1994-09-09 | France Telecom | Procédé et dispositif de formation d'une image échantillonnée. |
| CN103034169A (zh) * | 2012-12-26 | 2013-04-10 | 西安理工大学 | 一种数控机床热误差建模与补偿的方法 |
| EP3301640A1 (de) * | 2016-09-30 | 2018-04-04 | JENOPTIK Advanced Systems GmbH | Verfahren und wärmebildkamera zur berührungslosen temperaturmessung oder zur beobachtung von schnell bewegten ir-szenen mit einem thermischen ir-bildsensor |
| CN115291646A (zh) * | 2022-07-08 | 2022-11-04 | 福建龙氟化工有限公司 | 用于氟化锂制备的能源管理控制系统及其控制方法 |
| CN115202265A (zh) * | 2022-07-29 | 2022-10-18 | 福建天甫电子材料有限公司 | 电子级氢氧化钾的智慧产线的控制系统及其控制方法 |
| CN115719298A (zh) * | 2022-11-23 | 2023-02-28 | 浙江鸿屹智能装备科技有限公司 | 一种纺织加弹机 |
| CN115810007A (zh) * | 2022-12-29 | 2023-03-17 | 吉祥铝业（长兴）有限公司 | 铝复合板节能生产方法及系统 |
| CN115887086A (zh) * | 2023-01-10 | 2023-04-04 | 杭州糖吉医疗科技有限公司 | 可控转向的胃转流支架输送器及其方法 |
| CN116038854A (zh) * | 2023-01-10 | 2023-05-02 | 漯河江山天安新型建材有限公司 | 门加工用成型控制系统及方法 |
| CN115827257A (zh) * | 2023-02-20 | 2023-03-21 | 腾云创威信息科技(威海)有限公司 | 用于处理器体系的cpu容量预测方法及其系统 |
| CN116128250A (zh) * | 2023-03-07 | 2023-05-16 | 上海合煌能源科技有限公司 | 面向现货市场的售电偏差管理方法及其系统 |
| CN116003126A (zh) * | 2023-03-22 | 2023-04-25 | 珠海和泽科技有限公司 | 静电吸盘表面陶瓷材料的制备方法及其系统 |
| CN116149397A (zh) * | 2023-04-20 | 2023-05-23 | 福建天甫电子材料有限公司 | 电子级双氧水存储的温度自适应控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN201239760Y (zh) | 分段式折弯机刀具 | |
| CN108345266B (zh) | 一种五轴数控机床数控程序生成方法 | |
| CN108907900B (zh) | 一种基于数字图形扫描的整体立铣刀开槽方法 | |
| CN116560327A (zh) | 一种基于物联网的电动工具生产控制方法及系统 | |
| CN114871486B (zh) | 龙门刨床及其加工控制方法 | |
| CN102566492A (zh) | 一种用于预测金属难加工材料插铣最大铣削力的方法 | |
| Dong et al. | Machinability improvement of gear hobbing via process simulation and tool wear predictions | |
| Huang et al. | Utilization of heat quantity to model thermal errors of machine tool spindle | |
| CN105081188A (zh) | 电子驻车调节螺母冷镦装置及其加工方法 | |
| CN116652681A (zh) | 锻钢阀阀盖自动化多工位机加工设备及方法 | |
| Park et al. | Energy-efficient optimization of forging process considering the manufacturing history | |
| CN111695256B (zh) | 一种基于能量分配系数的激光电弧复合热源的建模方法 | |
| CN103177166A (zh) | 一种基于多项式拟合的模锻件毛坯设计方法 | |
| Long∗ et al. | Combined effects of flank and crater wear on cutting force modeling in orthogonal machining—part I: model development | |
| CN104551044A (zh) | 一种带内置冷却弯道的车床用刀具 | |
| CN104096739A (zh) | 高精度磁悬浮马达壳加工工艺 | |
| CN207343695U (zh) | 钢质棒材局部加热镦粗成型装置 | |
| CN102799143A (zh) | 薄壁曲面零件加工质量缺陷区域计算方法 | |
| Liu et al. | Influence of blade curvature characteristics on energy consumption in machining process | |
| Ding et al. | Computer-integrated manufacturing system for tube bending | |
| CN116912241B (zh) | 基于机器学习的cnc调机优化方法及系统 | |
| CN203711644U (zh) | 一种提高工件质量的冲压模具 | |
| US11931793B2 (en) | Inlet lip skin manufacturing method | |
| JP2003011037A (ja) | Ｎｃ加工機械によるワーク加工方法及び該加工方法に用いる工具経路データ作成方法 | |
| CN108620915A (zh) | 一种用于顶块数控加工快速定位的工装 |
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 |