CN117620448B - 激光雕刻机的加工控制方法、装置、设备及存储介质 - Google Patents
激光雕刻机的加工控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117620448B CN117620448B CN202410106257.9A CN202410106257A CN117620448B CN 117620448 B CN117620448 B CN 117620448B CN 202410106257 A CN202410106257 A CN 202410106257A CN 117620448 B CN117620448 B CN 117620448B
- Authority
- CN
- China
- Prior art keywords
- laser engraving
- axis
- engraving machine
- feature
- target
- 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.)
- Active
Links
- 238000010147 laser engraving Methods 0.000 title claims abstract description 168
- 238000012545 processing Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 21
- 239000002245 particle Substances 0.000 claims description 37
- 230000009466 transformation Effects 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 20
- 238000003754 machining Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000002789 length control Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 32
- 230000033001 locomotion Effects 0.000 description 26
- 238000012544 monitoring process Methods 0.000 description 14
- 238000005457 optimization Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004886 process control Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Numerical Control (AREA)
Abstract
本申请涉及智能加工控制技术领域,公开了一种激光雕刻机的加工控制方法、装置、设备及存储介质。所述方法包括:获取多轴激光雕刻机的多轴参数集合并构建运动学模型;创建初始加工控制参数组合并进行激光雕刻加工控制和运行数据采集,得到目标运行数据集合;进行多轴空间关系和动态变化特征提取,得到时空关联特征集合;进行运行时序特征分析,得到运行时序特征集合并进行多模态特征融合,得到目标多模态融合特征;通过MLP分类器进行多轴激光雕刻机运行故障分类,得到运行故障分类结果;根据运行故障分类结果对多轴激光雕刻机进行加工控制参数优化,得到目标加工控制参数组合,本申请提高了激光雕刻机的加工控制精度。
Description
技术领域
本申请涉及智能加工控制技术领域,尤其涉及一种激光雕刻机的加工控制方法、装置、设备及存储介质。
背景技术
激光雕刻技术已经在制造业广泛应用,因其高精度和高效性而备受欢迎。然而,随着激光雕刻机的复杂性不断增加,其运行和维护也面临着挑战。在这一背景下,研究人员一直努力寻找更有效的方法来监测和管理激光雕刻机的运行状态,以提高其性能和可靠性。
然而,传统的激光雕刻机监测方法存在一些问题。仅仅依靠传统的传感器数据收集和分析无法充分理解激光雕刻机的复杂动态行为,这限制了故障检测和预测的准确性。其次,由于多轴激光雕刻机的高自由度和复杂性,运动学建模和运行状态分析变得更加困难。传统的监测方法通常依赖于手工调整控制参数,而这种方法不够自适应和高效。
发明内容
本申请提供了一种激光雕刻机的加工控制方法、装置、设备及存储介质,用于提高了激光雕刻机的加工控制精度。
第一方面,本申请提供了一种激光雕刻机的加工控制方法,所述激光雕刻机的加工控制方法包括:
获取多轴激光雕刻机的多轴参数集合,并基于齐次变换矩阵和所述多轴参数集合构建多轴激光雕刻机的运动学模型;
基于所述运动学模型创建所述多轴激光雕刻机的初始加工控制参数组合,并通过所述初始加工控制参数组合进行激光雕刻加工控制和运行数据采集,得到目标运行数据集合;
通过预置的时空图卷积网络对所述目标运行数据集合进行多轴空间关系和动态变化特征提取,得到时空关联特征集合;
通过长短时记忆网络对所述目标运行数据集合进行运行时序特征分析,得到运行时序特征集合,并对所述运行时序特征集合和所述时空关联特征集合进行多模态特征融合,得到目标多模态融合特征;
将所述目标多模态融合特征输入预置的MLP分类器进行多轴激光雕刻机运行故障分类,得到运行故障分类结果;
根据所述运行故障分类结果对所述多轴激光雕刻机进行加工控制参数优化,得到目标加工控制参数组合。
第二方面,本申请提供了一种激光雕刻机的加工控制装置,所述激光雕刻机的加工控制装置包括:
获取模块,用于获取多轴激光雕刻机的多轴参数集合,并基于齐次变换矩阵和所述多轴参数集合构建多轴激光雕刻机的运动学模型;
创建模块,用于基于所述运动学模型创建所述多轴激光雕刻机的初始加工控制参数组合,并通过所述初始加工控制参数组合进行激光雕刻加工控制和运行数据采集,得到目标运行数据集合;
特征提取模块,用于通过预置的时空图卷积网络对所述目标运行数据集合进行多轴空间关系和动态变化特征提取,得到时空关联特征集合;
特征融合模块,用于通过长短时记忆网络对所述目标运行数据集合进行运行时序特征分析,得到运行时序特征集合,并对所述运行时序特征集合和所述时空关联特征集合进行多模态特征融合,得到目标多模态融合特征;
分析模块,用于将所述目标多模态融合特征输入预置的MLP分类器进行多轴激光雕刻机运行故障分类,得到运行故障分类结果;
优化模块,用于根据所述运行故障分类结果对所述多轴激光雕刻机进行加工控制参数优化,得到目标加工控制参数组合。
本申请第三方面提供了一种激光雕刻机的加工控制设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述激光雕刻机的加工控制设备执行上述的激光雕刻机的加工控制方法。
本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的激光雕刻机的加工控制方法。
本申请提供的技术方案中,通过构建多轴激光雕刻机的运动学模型,该方法可以实现高精度的运动控制,使激光雕刻机能够更准确地定位和移动,从而提高加工精度。通过MLP分类器对运行故障进行分类,该方法能够实现对激光雕刻机的实时故障监测。这有助于及时检测并识别潜在的故障,减少生产中的停机时间。采用多模态特征融合技术,综合利用了时空关联特征和运行时序特征。这种多模态融合可以提供更全面的信息,提高了故障分类的准确性。通过根据运行故障分类结果对加工控制参数进行优化,这个方法可以自动化地调整激光雕刻机的工作参数,以适应不同工件或工艺要求,提高了生产效率。利用时空图卷积网络和长短时记忆网络,从大量的运行数据中提取关键特征,从而实现数据驱动的控制和故障诊断。由于自动化的参数优化和实时故障监测,这个方法可以减少对操作员的依赖和人工干预,降低了人为错误的风险。通过更精确的运动控制、故障监测和参数优化,这个方法有助于提高激光雕刻机的生产效率和加工质量,进而提高了激光雕刻机的加工控制精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以基于这些附图获得其他的附图。
图1为本申请实施例中激光雕刻机的加工控制方法的一个实施例示意图;
图2为本申请实施例中激光雕刻机的加工控制装置的一个实施例示意图。
具体实施方式
本申请实施例提供了一种激光雕刻机的加工控制方法、装置、设备及存储介质。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中激光雕刻机的加工控制方法的一个实施例包括:
步骤S101、获取多轴激光雕刻机的多轴参数集合,并基于齐次变换矩阵和多轴参数集合构建多轴激光雕刻机的运动学模型;
可以理解的是,本申请的执行主体可以为激光雕刻机的加工控制装置,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,多轴激光雕刻机包含两个平移轴和一个旋转轴,这些轴的精确控制有助于雕刻过程的精度和效率。为了准确地获得这些轴的运动参数,通过预置的激光跟踪器进行实时测量。激光跟踪器以其高精度和可靠性,能够精确捕捉每个轴的位置、速度及加速度等关键参数,从而形成一个全面的多轴参数集合。针对获取的多轴参数集合,单独对每个轴进行齐次变换矩阵的计算。齐次变换矩阵是描述空间中刚体运动的工具,它能够同时表示平移和旋转,适用于描述激光雕刻机中复杂的轴运动。通过对每个轴的齐次变换矩阵计算,可以得到反映各个轴当前状态的精确数学模型。将这些矩阵相乘,合成一个代表整个多轴激光雕刻机当前状态的目标变换矩阵,这个矩阵不仅包含了所有轴的位置信息,还融合了它们的相对运动关系。对每个轴进行速度以及加速度的计算。分析各轴的实时运动数据,不仅包括位置变化,还有速度和加速度,这些都是构建高精度运动学模型的关键数据。基于目标变换矩阵以及各轴的速度和加速度数据,构建多轴激光雕刻机的运动学模型。这个模型不仅能够实时反映机器的运动状态,还可以预测未来的运动轨迹,为激光雕刻提供精确的导引。
步骤S102、基于运动学模型创建多轴激光雕刻机的初始加工控制参数组合,并通过初始加工控制参数组合进行激光雕刻加工控制和运行数据采集,得到目标运行数据集合;
具体的,基于运动学模型,对多轴激光雕刻机进行加工控制参数的计算。运动学模型提供了机器各部分的运动状态和相互关系的详细信息,使得可以针对特定的加工任务计算出最适合的初始加工控制参数组合,这包括激光功率参数、加工速度参数以及焦距控制参数等。激光功率影响雕刻的深度和效果,加工速度参数决定了加工的快慢和精细程度,而焦距控制则关系到激光焦点的精确性和加工面的均匀性。根据初始加工控制参数组合,对多轴激光雕刻机进行激光雕刻加工。通过预置在机器上的多个传感器对其进行实时监控和运行数据采集,这些传感器能够精确地捕捉到机器在加工过程中的各种状态,包括激光的实际功率输出、各轴的运动速度和加速度、材料的去除率以及焦距的变化等。通过这些数据的收集,能够形成一个全面反映激光雕刻机加工状态的初始运行数据集合,这个数据集合是后续分析和优化的基础。进行数据清洗。数据清洗包括去除异常值、平滑噪声以及分离出关键的运行参数等,确保后续分析的准确性和可靠性。完成数据清洗后,获得标准运行数据集合。为了便于分析和比较,对这些标准运行数据进行标准化处理。数据标准化处理通常包括缩放到统一的范围、归一化处理等,确保各个参数的数据格式一致,便于进行后续的数据分析和机器学习处理。
步骤S103、通过预置的时空图卷积网络对目标运行数据集合进行多轴空间关系和动态变化特征提取,得到时空关联特征集合;
具体的,通过预置的时空图卷积网络对目标运行数据集合进行图卷积操作。图卷积操作是在数据的图表示上进行的,其中每个节点代表激光雕刻机的一个特定部分或参数,边代表这些部分之间的空间关系。通过在这个图上应用卷积运算,网络能够提取出反映多轴空间关系的图卷积特征。这些特征包含了各轴位置、速度关系等空间结构信息,为理解和分析激光雕刻机的空间动态提供了基础。网络进行时空卷积操作。与传统的卷积网络不同,时空卷积网络不仅考虑空间上的邻接关系,还考虑时间序列中的连续性和变化趋势。通过对目标运行数据集合进行时空卷积操作,网络能够提取出反映动态变化特征的时空卷积特征。这些特征捕捉了激光雕刻过程中随时间变化的参数,如加工速度的变化、激光功率的调整等。将图卷积特征和时空卷积特征进行综合分析和转换,以构建一个全面的时空关联特征集合。通过多轴空间关系和动态变化特征的集合转换,将两类特征融合在一起,形成一个能够全面反映激光雕刻机状态和行为的特征集合。
步骤S104、通过长短时记忆网络对目标运行数据集合进行运行时序特征分析,得到运行时序特征集合,并对运行时序特征集合和时空关联特征集合进行多模态特征融合,得到目标多模态融合特征;
具体的,长短时记忆网络(LSTM)是一种特别设计的递归神经网络,能够处理和分析具有时间序列特性的数据,它通过门控机制来解决传统递归神经网络在长序列数据上的信息遗忘问题。通过LSTM网络中的前向长短时记忆网络对目标运行数据集合进行前向隐藏特征提取。从时间序列的起始点开始,逐步学习和提取每个时间点上的特征,并将这些特征按时间顺序进行组织,形成一系列反映时间发展趋势的前向隐藏特征。这些特征包含了激光雕刻过程中各个时刻的重要信息,如速度变化、激光功率调整等。通过LSTM网络中的后向长短时记忆网络对目标运行数据集合进行后向隐藏特征提取。后向网络从时间序列的末尾开始反向学习和提取特征,这种从未来到过去的学习方式能够捕捉到时间序列中的另一种依赖关系。将前向隐藏特征和后向隐藏特征进行特征拼接,形成一个更加全面的运行时序特征集合,这个集合不仅包含了时间序列的进展方向特征,还融合了反向的历史依赖特征。对运行时序特征集合进行均值和标准差的计算,得到第一均值和第一标准差。这两个统计量能够反映时序特征的中心趋势和分布散度,为之后的特征权重计算提供依据。同时,对时空关联特征集合也进行类似的均值和标准差计算,得到第二均值和第二标准差。根据这些统计量,对运行时序特征集合和时空关联特征集合进行特征权重计算。通过分析两组特征集合的统计特性,可以确定各自在整体特征中的重要性和贡献度,据此计算出第一特征权重和第二特征权重。根据计算出的第一特征权重和第二特征权重,将运行时序特征集合和时空关联特征集合进行多模态特征融合。通过加权结合两组特征,形成一个既包含时间动态又包含空间关系的目标多模态融合特征。这个融合特征集合能够为后续的加工控制决策提供更为丰富和深入的信息,增强激光雕刻机加工控制的准确性和效率。
步骤S105、将目标多模态融合特征输入预置的MLP分类器进行多轴激光雕刻机运行故障分类,得到运行故障分类结果;
具体的,多层感知器(MLP)分类器是一种前馈人工神经网络,它由多个层次构成,包括输入层、一个或多个隐藏层以及输出层。将目标多模态融合特征输入到预置的MLP分类器的输入层。输入层的每个节点对应目标多模态融合特征中的一个特征,将整个特征集合送入网络中进行分析。这些特征包含了激光雕刻机在加工过程中的复杂信息,如时序动态、空间关系以及它们的融合信息。通过分类器的多个隐藏层,分别对目标多模态融合特征进行高维特征分析。每个隐藏层都由一系列节点组成,这些节点通过激活函数对输入的数据进行变换,提取出更高层次的特征表示。通过层层传递和变换,网络能够逐渐捕捉到更深层次的数据结构和模式,形成每个隐藏层的第一高维特征向量。这些高维特征向量是对原始输入特征的抽象和重新组合,能够揭示数据中的深层次和非线性关系。获取每个隐藏层的隐藏权重,并根据这些权重对每个隐藏层的第一高维特征向量进行加权平均处理。通过权重来决定每个特征在最终特征表示中的重要性,从而得到更为精炼和有代表性的第二高维特征向量。这些第二高维特征向量蕴含了激光雕刻机运行状态的关键信息,是进行故障分类的重要依据。通过MLP分类器的输出层对这些第二高维特征向量进行分析和分类。输出层通常包含一个或多个二分类函数,如softmax函数或sigmoid函数,可以将高维特征向量转换为故障分类的概率。通过这一层的处理,最终得到激光雕刻机运行故障的分类结果,这些结果反映了机器在特定状态下的运行状况和的问题。
步骤S106、根据运行故障分类结果对多轴激光雕刻机进行加工控制参数优化,得到目标加工控制参数组合。
具体的,根据运行故障分类结果,定义激光功率参数的第一参数范围、加工速度参数的第二参数范围以及焦距控制参数的第三参数范围。这些参数范围是根据机器的实际运行情况和故障分类结果进行调整的,旨在限定参数搜索的空间,以便更快更准确地找到最优的控制参数组合。通过第一参数范围、第二参数范围以及第三参数范围,对多轴激光雕刻机进行加工控制参数的随机初始值生成。通过在定义的参数范围内随机选择参数值来生成一组第一候选控制参数组合。这组候选参数作为优化算法的起点,是对机器的最佳运行状态的初步猜测。通过预置的反向粒子传播算法对第一候选控制参数组合进行粒子种群构建。反向粒子传播算法是一种基于群体智能的优化算法,它模拟了鸟群觅食的行为来寻找最优解。在这个过程中,每个粒子代表一个潜在的解决方案,即第二候选控制参数组合。通过算法,生成一个包含多个候选解的粒子种群。对粒子种群进行粒子适应度计算。适应度计算是根据每个第二候选控制参数组合的性能来评估其质量,如加工效率、产品质量和机器稳定性等。高适应度的参数组合意味着更接近最优解。根据粒子适应度对多个第二候选控制参数组合进行迭代计算和最优求解。通过反复迭代计算,不断调整粒子的位置和速度,使其向适应度更高的区域移动。这个过程持续进行,直到找到最优的控制参数组合,即目标加工控制参数组合,或达到预设的迭代次数或精度标准。
本申请实施例中,通过构建多轴激光雕刻机的运动学模型,该方法可以实现高精度的运动控制,使激光雕刻机能够更准确地定位和移动,从而提高加工精度。通过MLP分类器对运行故障进行分类,该方法能够实现对激光雕刻机的实时故障监测。这有助于及时检测并识别潜在的故障,减少生产中的停机时间。采用多模态特征融合技术,综合利用了时空关联特征和运行时序特征。这种多模态融合可以提供更全面的信息,提高了故障分类的准确性。通过根据运行故障分类结果对加工控制参数进行优化,这个方法可以自动化地调整激光雕刻机的工作参数,以适应不同工件或工艺要求,提高了生产效率。利用时空图卷积网络和长短时记忆网络,从大量的运行数据中提取关键特征,从而实现数据驱动的控制和故障诊断。由于自动化的参数优化和实时故障监测,这个方法可以减少对操作员的依赖和人工干预,降低了人为错误的风险。通过更精确的运动控制、故障监测和参数优化,这个方法有助于提高激光雕刻机的生产效率和加工质量,进而提高了激光雕刻机的加工控制精度。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)多轴激光雕刻机包括多个轴,多个轴为两个平移轴和一个旋转轴,通过预置的激光跟踪器对多个轴进行参数测量,得到多轴参数集合;
(2)通过多轴参数集合对多轴激光雕刻机的每个轴进行齐次变换矩阵计算,得到每个轴对应的齐次变换矩阵;
(3)对每个轴对应的齐次变换矩阵相乘,得到多轴激光雕刻机的目标变换矩阵;
(4)对多轴激光雕刻机的每个轴进行速度以及加速度计算,得到每个轴的速度数据以及加速度数据;
(5)基于目标变换矩阵和每个轴的速度数据以及加速度数据,构建多轴激光雕刻机的运动学模型。
具体的,多轴激光雕刻机包括两个平移轴和一个旋转轴。通过预置的激光跟踪器对多个轴进行参数测量。激光跟踪器是一种高精度测量设备,能够实时监测和记录各轴的位置、速度和加速度等参数,从而形成一个全面的多轴参数集合。基于收集到的多轴参数集合,对每个轴进行齐次变换矩阵的计算。齐次变换矩阵是自动控制领域中描述刚体运动的一种工具,它能够同时表示平移和旋转。对于平移轴,其齐次变换矩阵主要描述轴沿特定方向的移动距离;对于旋转轴,则描述了围绕某一轴线的旋转角度。通过为每个轴计算这样的齐次变换矩阵,得到一个精确描述激光雕刻机各部分空间位置和姿态的数学模型。将每个轴对应的齐次变换矩阵相乘,得到描述整个多轴激光雕刻机综合运动状态的目标变换矩阵。将各个单独的轴运动合成为一个整体的运动。例如,如果一个平移轴沿X轴移动了一定距离,而旋转轴绕Z轴旋转了一定角度,通过矩阵相乘得到一个综合这两种运动的变换矩阵,精确地描述雕刻头的最终位置和姿态。通过分析激光跟踪器收集到的位置信息随时间的变化,计算每个轴的速度和加速度。速度数据描述了每个轴的运动速率,而加速度数据则提供了关于运动变化率的信息。基于目标变换矩阵和各轴的速度以及加速度数据,构建一个全面而精确的多轴激光雕刻机的运动学模型。这个模型不仅包含了机器的空间位置和姿态信息,还融合了动态变化的特征,如速度和加速度。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)基于运动学模型对多轴激光雕刻机进行加工控制参数计算,得到初始加工控制参数组合,初始加工控制参数组合包括:激光功率参数、加工速度参数以及焦距控制参数;
(2)根据初始加工控制参数组合并通过多轴激光雕刻机进行激光雕刻加工控制,通过预置的多个传感器对多轴激光雕刻机进行运行数据采集,得到初始运行数据集合;
(3)对初始运行数据集合进行数据清洗,得到标准运行数据集合,并对标准运行数据集合进行数据标准化处理,得到目标运行数据集合。
具体的,通过运动学模型对机器的运动特性和能力进行分析,从而计算出合适的初始加工控制参数组合。运动学模型提供了机器各个轴的运动状态和相互关系的详细描述,基于这个模型,可以对激光功率参数、加工速度参数以及焦距控制参数等进行精确计算。例如,根据雕刻任务的复杂性和材料的特性,模型可以帮助确定所需的激光功率以达到理想的雕刻深度和质量,同时计算出相应的加工速度以优化雕刻时间和效率,以及确定焦距控制参数以确保激光焦点的精确。根据这些计算出的初始加工控制参数组合,多轴激光雕刻机进行实际的激光雕刻加工。通过预置的多个传感器对机器进行实时监控和运行数据采集。这些传感器可以是位置传感器、速度传感器、加速度传感器以及专门监测激光功率和焦距的传感器等,它们共同工作,收集包括激光头位置、速度、加工材料的反馈、激光功率输出等在内的数据。例如,当激光雕刻机在加工一个复杂图案时,传感器可以实时记录激光头的移动轨迹和速度变化,同时监测激光功率的调整和焦距的变化。通过这些详细的运行数据,可以形成一个全面反映激光雕刻机加工状态的初始运行数据集合。进行数据清洗,提取有效数据。数据清洗包括去除异常值、平滑噪声、填补缺失值以及分离出关键的运行参数等,确保后续分析的准确性和可靠性。例如,如果某次激光功率的读数异常高,远超过正常范围,这是传感器错误或暂时的噪声,应从数据集中去除或进行修正。完成数据清洗后,得到标准运行数据集合。对标准运行数据进行标准化处理,得到目标运行数据集合。包括将数据缩放到统一的范围、归一化处理以及进行其他的转换,以确保各个参数的数据格式一致,便于进行后续的数据分析和模型训练。例如,如果激光功率的测量值和加工速度的测量值单位和量级差异很大,直接比较和分析这些数据会引入误导。通过标准化处理,可以将这些数据转换到同一标准下,使其具有可比性。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)通过预置的时空图卷积网络对目标运行数据集合进行图卷积操作,得到多个图卷积特征;
(2)通过预置的时空图卷积网络对目标运行数据集合进行时空卷积操作,得到多个时空卷积特征;
(3)对多个图卷积特征和多个时空卷积特征进行多轴空间关系和动态变化特征集合转换,得到时空关联特征集合。
具体的,通过预置的时空图卷积网络对目标运行数据集合进行图卷积操作。图卷积操作是在数据的图表示上进行的,其中每个节点代表激光雕刻机的一个特定部分或参数,边则代表这些部分之间的空间关系。通过在这个图上应用卷积运算,网络能够提取出反映多轴空间关系的图卷积特征。例如,如果在激光雕刻过程中X轴和Y轴的协同运动对雕刻质量有重要影响,图卷积操作可以帮助揭示这种协同关系的特征。通过预置的时空图卷积网络对目标运行数据集合进行时空卷积操作。不同于普通的卷积操作只关注空间上的邻接关系,时空卷积操作还考虑了数据随时间的变化。通过时空卷积,网络能够提取出反映动态变化特征的时空卷积特征。将提取出的多个图卷积特征和多个时空卷积特征进行综合分析和转换,以构建一个全面的时空关联特征集合。通过特定的转换方法,如特征拼接、加权平均或更复杂的特征融合技术,将两类特征集合融合在一起,形成一个能够全面反映激光雕刻机状态和行为的特征集合。例如,可以通过加权平均的方式,根据每种特征在描述激光雕刻过程中的重要性给予不同的权重,然后将它们组合起来形成一个综合特征。这个时空关联特征集合不仅包含了各轴之间的空间关系,还融合了这些关系随时间的变化趋势。
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
(1)通过长短时记忆网络中的前向长短时记忆网络对目标运行数据集合进行前向隐藏特征提取,得到前向隐藏特征;
(2)通过长短时记忆网络中的后向长短时记忆网络对目标运行数据集合进行后向隐藏特征提取,得到后向隐藏特征;
(3)对前向隐藏特征和后向隐藏特征进行特征拼接,得到运行时序特征集合;
(4)对运行时序特征集合进行均值和标准差计算,得到第一均值和第一标准差,并对时空关联特征集合进行均值和标准差计算,得到第二均值和第二标准差;
(5)根据第一均值和第一标准差以及第二均值和第二标准差,对运行时序特征集合和时空关联特征集合进行特征权重计算,得到运行时序特征集合的第一特征权重以及时空关联特征集合的第二特征权重;
(6)根据第一特征权重和第二特征权重,对运行时序特征集合和时空关联特征集合进行多模态特征融合,得到目标多模态融合特征。
具体的,通过长短时记忆网络中的前向长短时记忆网络对目标运行数据集合进行前向隐藏特征提取。在这个阶段,网络将从时间序列的起始点开始,逐步学习和提取每个时间点上的特征,并将这些特征按时间顺序进行组织,形成一系列反映时间发展趋势的前向隐藏特征。例如,如果在激光雕刻过程中,某个特定的操作序列总是导致特定类型的错误,前向LSTM可以帮助识别这种模式,并提取出与之相关的前向隐藏特征。通过LSTM网络中的后向长短时记忆网络对目标运行数据集合进行后向隐藏特征提取。与前向网络相反,后向LSTM从时间序列的末尾开始反向学习和提取特征,捕捉到时间序列中的另一种依赖关系,提供对过去状态的理解。例如,如果雕刻机在加工结束时出现的特定问题可以追溯到加工开始阶段的操作,后向LSTM可以通过分析时间序列的逆序来提取这种因果关系的后向隐藏特征。将提取出的前向隐藏特征和后向隐藏特征进行特征拼接,形成一个综合的运行时序特征集合。这个集合融合了时间序列的前向和后向信息,为描述和理解激光雕刻机的动态行为提供了更全面的视角。对运行时序特征集合进行均值和标准差的计算,得到描述这些特征集合的统计特性,即第一均值和第一标准差。同样,对时空关联特征集合进行均值和标准差的计算,得到第二均值和第二标准差。这些统计量提供了对特征集合分布和变异性的量化描述,为后续的特征权重计算和融合提供了依据。根据第一均值和第一标准差以及第二均值和第二标准差,对运行时序特征集合和时空关联特征集合进行特征权重计算。根据特征集合的统计特性来确定各自在整体特征中的重要性和贡献度,据此计算出运行时序特征集合的第一特征权重以及时空关联特征集合的第二特征权重。例如,如果时序特征在预测某种故障类型上表现出更高的相关性,则可以给予这些特征更高的权重。根据第一特征权重和第二特征权重,将运行时序特征集合和时空关联特征集合进行多模态特征融合。通过加权结合两组特征,形成一个既包含时间动态又包含空间关系的目标多模态融合特征。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)将目标多模态融合特征输入预置的MLP分类器,MLP分类器包括:输入层、多个隐藏层和输出层;
(2)通过输入层接收目标多模态融合特征,输入层中的每个输入节点对应目标多模态融合特征中的一个特征;
(3)通过多个隐藏层,分别对目标多模态融合特征进行高维特征分析,得到每个隐藏层的第一高维特征向量;
(4)获取每个隐藏层的隐藏权重,并根据隐藏权重对每个隐藏层的第一高维特征向量进行加权平均处理,得到第二高维特征向量;
(5)通过输出层中的二分类函数对第二高维特征向量进行多轴激光雕刻机运行故障分类,得到运行故障分类结果。
具体的,MLP是一种前馈人工神经网络,包括输入层、多个隐藏层和输出层。这种网络结构使得MLP能够处理和分析高度复杂的数据,并用于分类和预测任务。将目标多模态融合特征输入到MLP分类器的输入层。输入层的每个节点接收目标多模态融合特征中的一个特征。这些特征包含了激光雕刻机在加工过程中的复杂信息,如时序动态、空间关系以及它们的融合信息。通过多个隐藏层,分别对目标多模态融合特征进行高维特征分析。每个隐藏层都由一系列节点组成,这些节点通过激活函数对输入的数据进行变换,提取出更高层次的特征表示。这种层层传递和变换的过程使得网络能够逐渐捕捉到更深层次的数据结构和模式,形成每个隐藏层的第一高维特征向量。例如,如果在激光雕刻过程中,某种特定的速度和功率组合总是导致特定类型的错误,那么隐藏层可以帮助提取出描述这种关系的高维特征。获取每个隐藏层的隐藏权重,并根据这些权重对每个隐藏层的第一高维特征向量进行加权平均处理。通过权重来决定每个特征在最终特征表示中的重要性,从而得到更为精炼和有代表性的第二高维特征向量。这些第二高维特征向量蕴含了激光雕刻机运行状态的关键信息,是进行故障分类的重要依据。通过MLP分类器的输出层对这些第二高维特征向量进行分析和分类。输出层通常包含一个或多个二分类函数,如softmax函数或sigmoid函数,它们可以将高维特征向量转换为故障分类的概率。通过这一层的处理,最终得到激光雕刻机运行故障的分类结果,这些结果反映了机器在特定状态下的运行状况和的问题。例如,如果分类结果表明有高概率的故障类型是由于激光功率过高导致的,那么可以进一步调整激光功率设置来避免此类故障。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)根据运行故障分类结果定义激光功率参数的第一参数范围、加工速度参数的第二参数范围以及焦距控制参数的第三参数范围;
(2)通过第一参数范围、第二参数范围以及第三参数范围,对多轴激光雕刻机进行加工控制参数随机初始值生成,得到对应的第一候选控制参数组合;
(3)通过预置的反向粒子传播算法对第一候选控制参数组合进行粒子种群构建,得到粒子种群,粒子种群包括多个第二候选控制参数组合;
(4)对粒子种群进行粒子适应度计算,得到每个第二候选控制参数组合对应的粒子适应度;
(5)根据粒子适应度对多个第二候选控制参数组合进行迭代计算和最优求解,得到目标加工控制参数组合。
具体的,根据运行故障分类结果,定义激光功率参数的第一参数范围、加工速度参数的第二参数范围以及焦距控制参数的第三参数范围。这些参数范围是根据激光雕刻机的实际运行情况和识别出的故障类型进行调整的,旨在限定参数搜索的空间,以便更快更准确地找到最优的控制参数组合。例如,如果故障分类结果表明激光功率过高是导致加工错误的主要原因,则可以相应地降低激光功率参数的范围以避免类似故障的发生。通过第一参数范围、第二参数范围以及第三参数范围,对多轴激光雕刻机进行加工控制参数的随机初始值生成。通过在定义的参数范围内随机选择参数值来生成一组第一候选控制参数组合。这组候选参数作为优化算法的起点,是对机器的最佳运行状态的初步猜测。例如,随机生成的一组初始参数包括较低的激光功率、中等的加工速度和适中的焦距设置。通过预置的反向粒子传播算法对第一候选控制参数组合进行粒子种群构建。反向粒子传播算法是一种基于群体智能的优化算法,它模拟了鸟群觅食的行为来寻找最优解。在这个过程中,每个粒子代表一个潜在的解决方案,即第二候选控制参数组合。通过算法,生成一个包含多个这样候选解的粒子种群,为后续的优化计算打下基础。例如,粒子种群包括各种不同的激光功率、加工速度和焦距组合,每种组合都有是最优解。对粒子种群进行粒子适应度计算。适应度计算是根据每个第二候选控制参数组合的性能来评估其质量,如加工效率、产品质量和机器稳定性等。高适应度的参数组合意味着更接近最优解。例如,如果某个参数组合导致加工速度提高而不牺牲产品质量,则这个组合的适应度较高。根据粒子适应度对多个第二候选控制参数组合进行迭代计算和最优求解。通过反复迭代计算,不断调整粒子的位置和速度,使其向适应度更高的区域移动。这个过程持续进行,直到找到最优的控制参数组合,即目标加工控制参数组合,或达到预设的迭代次数或精度标准。
上面对本申请实施例中激光雕刻机的加工控制方法进行了描述,下面对本申请实施例中激光雕刻机的加工控制装置进行描述,请参阅图2,本申请实施例中激光雕刻机的加工控制装置一个实施例包括:
获取模块201,用于获取多轴激光雕刻机的多轴参数集合,并基于齐次变换矩阵和所述多轴参数集合构建多轴激光雕刻机的运动学模型;
创建模块202,用于基于所述运动学模型创建所述多轴激光雕刻机的初始加工控制参数组合,并通过所述初始加工控制参数组合进行激光雕刻加工控制和运行数据采集,得到目标运行数据集合;
特征提取模块203,用于通过预置的时空图卷积网络对所述目标运行数据集合进行多轴空间关系和动态变化特征提取,得到时空关联特征集合;
特征融合模块204,用于通过长短时记忆网络对所述目标运行数据集合进行运行时序特征分析,得到运行时序特征集合,并对所述运行时序特征集合和所述时空关联特征集合进行多模态特征融合,得到目标多模态融合特征;
分析模块205,用于将所述目标多模态融合特征输入预置的MLP分类器进行多轴激光雕刻机运行故障分类,得到运行故障分类结果;
优化模块206,用于根据所述运行故障分类结果对所述多轴激光雕刻机进行加工控制参数优化,得到目标加工控制参数组合。
通过上述各个组成部分的协同合作,通过构建多轴激光雕刻机的运动学模型,该方法可以实现高精度的运动控制,使激光雕刻机能够更准确地定位和移动,从而提高加工精度。通过MLP分类器对运行故障进行分类,该方法能够实现对激光雕刻机的实时故障监测。这有助于及时检测并识别潜在的故障,减少生产中的停机时间。采用多模态特征融合技术,综合利用了时空关联特征和运行时序特征。这种多模态融合可以提供更全面的信息,提高了故障分类的准确性。通过根据运行故障分类结果对加工控制参数进行优化,这个方法可以自动化地调整激光雕刻机的工作参数,以适应不同工件或工艺要求,提高了生产效率。利用时空图卷积网络和长短时记忆网络,从大量的运行数据中提取关键特征,从而实现数据驱动的控制和故障诊断。由于自动化的参数优化和实时故障监测,这个方法可以减少对操作员的依赖和人工干预,降低了人为错误的风险。通过更精确的运动控制、故障监测和参数优化,这个方法有助于提高激光雕刻机的生产效率和加工质量,进而提高了激光雕刻机的加工控制精度。
本申请还提供一种激光雕刻机的加工控制设备,所述激光雕刻机的加工控制设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述激光雕刻机的加工控制方法的步骤。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述激光雕刻机的加工控制方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (8)
1.一种激光雕刻机的加工控制方法,其特征在于,所述激光雕刻机的加工控制方法包括:
获取多轴激光雕刻机的多轴参数集合,并基于齐次变换矩阵和所述多轴参数集合构建多轴激光雕刻机的运动学模型;具体包括:所述多轴激光雕刻机包括多个轴,多个轴为两个平移轴和一个旋转轴,通过预置的激光跟踪器对所述多个轴进行参数测量,得到多轴参数集合;通过所述多轴参数集合对所述多轴激光雕刻机的每个轴进行齐次变换矩阵计算,得到每个轴对应的齐次变换矩阵;对每个轴对应的齐次变换矩阵相乘,得到所述多轴激光雕刻机的目标变换矩阵;对所述多轴激光雕刻机的每个轴进行速度以及加速度计算,得到每个轴的速度数据以及加速度数据;基于所述目标变换矩阵和每个轴的速度数据以及加速度数据,构建所述多轴激光雕刻机的运动学模型;
基于所述运动学模型创建所述多轴激光雕刻机的初始加工控制参数组合,并通过所述初始加工控制参数组合进行激光雕刻加工控制和运行数据采集,得到目标运行数据集合;具体包括:基于所述运动学模型对所述多轴激光雕刻机进行加工控制参数计算,得到初始加工控制参数组合,所述初始加工控制参数组合包括:激光功率参数、加工速度参数以及焦距控制参数;根据所述初始加工控制参数组合并通过所述多轴激光雕刻机进行激光雕刻加工控制,通过预置的多个传感器对所述多轴激光雕刻机进行运行数据采集,得到初始运行数据集合;对所述初始运行数据集合进行数据清洗,得到标准运行数据集合,并对所述标准运行数据集合进行数据标准化处理,得到目标运行数据集合;
通过预置的时空图卷积网络对所述目标运行数据集合进行多轴空间关系和动态变化特征提取,得到时空关联特征集合;
通过长短时记忆网络对所述目标运行数据集合进行运行时序特征分析,得到运行时序特征集合,并对所述运行时序特征集合和所述时空关联特征集合进行多模态特征融合,得到目标多模态融合特征;
将所述目标多模态融合特征输入预置的MLP分类器进行多轴激光雕刻机运行故障分类,得到运行故障分类结果;
根据所述运行故障分类结果对所述多轴激光雕刻机进行加工控制参数优化,得到目标加工控制参数组合。
2.根据权利要求1所述的激光雕刻机的加工控制方法,其特征在于,通过预置的时空图卷积网络对所述目标运行数据集合进行多轴空间关系和动态变化特征提取,得到时空关联特征集合,包括:
通过预置的时空图卷积网络对所述目标运行数据集合进行图卷积操作,得到多个图卷积特征;
通过预置的时空图卷积网络对所述目标运行数据集合进行时空卷积操作,得到多个时空卷积特征;
对所述多个图卷积特征和所述多个时空卷积特征进行多轴空间关系和动态变化特征集合转换,得到时空关联特征集合。
3.根据权利要求1所述的激光雕刻机的加工控制方法,其特征在于,通过长短时记忆网络对所述目标运行数据集合进行运行时序特征分析,得到运行时序特征集合,并对所述运行时序特征集合和所述时空关联特征集合进行多模态特征融合,得到目标多模态融合特征,包括:
通过长短时记忆网络中的前向长短时记忆网络对所述目标运行数据集合进行前向隐藏特征提取,得到前向隐藏特征;
通过长短时记忆网络中的后向长短时记忆网络对所述目标运行数据集合进行后向隐藏特征提取,得到后向隐藏特征;
对所述前向隐藏特征和所述后向隐藏特征进行特征拼接,得到运行时序特征集合;
对所述运行时序特征集合进行均值和标准差计算,得到第一均值和第一标准差,并对所述时空关联特征集合进行均值和标准差计算,得到第二均值和第二标准差;
根据所述第一均值和所述第一标准差以及所述第二均值和所述第二标准差,对所述运行时序特征集合和所述时空关联特征集合进行特征权重计算,得到所述运行时序特征集合的第一特征权重以及所述时空关联特征集合的第二特征权重;
根据所述第一特征权重和所述第二特征权重,对所述运行时序特征集合和所述时空关联特征集合进行多模态特征融合,得到目标多模态融合特征。
4.根据权利要求1所述的激光雕刻机的加工控制方法,其特征在于,将所述目标多模态融合特征输入预置的MLP分类器进行多轴激光雕刻机运行故障分类,得到运行故障分类结果,包括:
将所述目标多模态融合特征输入预置的MLP分类器,所述MLP分类器包括:输入层、多个隐藏层和输出层;
通过所述输入层接收所述目标多模态融合特征,所述输入层中的每个输入节点对应所述目标多模态融合特征中的一个特征;
通过所述多个隐藏层,分别对所述目标多模态融合特征进行高维特征分析,得到每个隐藏层的第一高维特征向量;
获取每个隐藏层的隐藏权重,并根据所述隐藏权重对每个隐藏层的第一高维特征向量进行加权平均处理,得到第二高维特征向量;
通过所述输出层中的二分类函数对所述第二高维特征向量进行多轴激光雕刻机运行故障分类,得到运行故障分类结果。
5.根据权利要求1所述的激光雕刻机的加工控制方法,其特征在于,根据所述运行故障分类结果对所述多轴激光雕刻机进行加工控制参数优化,得到目标加工控制参数组合,包括:
根据所述运行故障分类结果定义所述激光功率参数的第一参数范围、所述加工速度参数的第二参数范围以及所述焦距控制参数的第三参数范围;
通过所述第一参数范围、所述第二参数范围以及所述第三参数范围,对所述多轴激光雕刻机进行加工控制参数随机初始值生成,得到对应的第一候选控制参数组合;
通过预置的反向粒子传播算法对所述第一候选控制参数组合进行粒子种群构建,得到粒子种群,所述粒子种群包括多个第二候选控制参数组合;
对所述粒子种群进行粒子适应度计算,得到每个第二候选控制参数组合对应的粒子适应度;
根据所述粒子适应度对所述多个第二候选控制参数组合进行迭代计算和最优求解,得到目标加工控制参数组合。
6.一种激光雕刻机的加工控制装置,应用于权利要求1-5任意一项所述的加工控制方法,其特征在于,所述激光雕刻机的加工控制装置包括:
获取模块,用于获取多轴激光雕刻机的多轴参数集合,并基于齐次变换矩阵和所述多轴参数集合构建多轴激光雕刻机的运动学模型;具体包括:所述多轴激光雕刻机包括多个轴,多个轴为两个平移轴和一个旋转轴,通过预置的激光跟踪器对所述多个轴进行参数测量,得到多轴参数集合;通过所述多轴参数集合对所述多轴激光雕刻机的每个轴进行齐次变换矩阵计算,得到每个轴对应的齐次变换矩阵;对每个轴对应的齐次变换矩阵相乘,得到所述多轴激光雕刻机的目标变换矩阵;对所述多轴激光雕刻机的每个轴进行速度以及加速度计算,得到每个轴的速度数据以及加速度数据;基于所述目标变换矩阵和每个轴的速度数据以及加速度数据,构建所述多轴激光雕刻机的运动学模型;
创建模块,用于基于所述运动学模型创建所述多轴激光雕刻机的初始加工控制参数组合,并通过所述初始加工控制参数组合进行激光雕刻加工控制和运行数据采集,得到目标运行数据集合;具体包括:基于所述运动学模型对所述多轴激光雕刻机进行加工控制参数计算,得到初始加工控制参数组合,所述初始加工控制参数组合包括:激光功率参数、加工速度参数以及焦距控制参数;根据所述初始加工控制参数组合并通过所述多轴激光雕刻机进行激光雕刻加工控制,通过预置的多个传感器对所述多轴激光雕刻机进行运行数据采集,得到初始运行数据集合;对所述初始运行数据集合进行数据清洗,得到标准运行数据集合,并对所述标准运行数据集合进行数据标准化处理,得到目标运行数据集合;
特征提取模块,用于通过预置的时空图卷积网络对所述目标运行数据集合进行多轴空间关系和动态变化特征提取,得到时空关联特征集合;
特征融合模块,用于通过长短时记忆网络对所述目标运行数据集合进行运行时序特征分析,得到运行时序特征集合,并对所述运行时序特征集合和所述时空关联特征集合进行多模态特征融合,得到目标多模态融合特征;
分析模块,用于将所述目标多模态融合特征输入预置的MLP分类器进行多轴激光雕刻机运行故障分类,得到运行故障分类结果;
优化模块,用于根据所述运行故障分类结果对所述多轴激光雕刻机进行加工控制参数优化,得到目标加工控制参数组合。
7.一种激光雕刻机的加工控制设备,其特征在于,所述激光雕刻机的加工控制设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述激光雕刻机的加工控制设备执行如权利要求1-5中任一项所述的激光雕刻机的加工控制方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的激光雕刻机的加工控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410106257.9A CN117620448B (zh) | 2024-01-25 | 2024-01-25 | 激光雕刻机的加工控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410106257.9A CN117620448B (zh) | 2024-01-25 | 2024-01-25 | 激光雕刻机的加工控制方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117620448A CN117620448A (zh) | 2024-03-01 |
CN117620448B true CN117620448B (zh) | 2024-04-16 |
Family
ID=90028991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410106257.9A Active CN117620448B (zh) | 2024-01-25 | 2024-01-25 | 激光雕刻机的加工控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117620448B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330958A (zh) * | 2022-10-10 | 2022-11-11 | 创数(深圳)网络科技有限公司 | 基于激光雷达的实时三维重建方法及装置 |
CN117009872A (zh) * | 2023-08-19 | 2023-11-07 | 重庆公共运输职业学院 | 一种基于车体横向加速度的重载电力机车车钩失稳预警方法 |
CN117195683A (zh) * | 2023-07-25 | 2023-12-08 | 佛山科学技术学院 | 机械臂及其故障诊断模型的训练方法、故障诊断方法 |
CN117407770A (zh) * | 2023-11-02 | 2024-01-16 | 国网湖北省电力有限公司黄石供电公司 | 基于神经网络的高压开关柜故障模式分类及预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11455497B2 (en) * | 2018-07-23 | 2022-09-27 | Accenture Global Solutions Limited | Information transition management platform |
CN111797882A (zh) * | 2019-07-30 | 2020-10-20 | 华为技术有限公司 | 图像分类方法及装置 |
US20220343639A1 (en) * | 2019-12-06 | 2022-10-27 | Intel Corporation | Object re-identification using pose part based models |
-
2024
- 2024-01-25 CN CN202410106257.9A patent/CN117620448B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330958A (zh) * | 2022-10-10 | 2022-11-11 | 创数(深圳)网络科技有限公司 | 基于激光雷达的实时三维重建方法及装置 |
CN117195683A (zh) * | 2023-07-25 | 2023-12-08 | 佛山科学技术学院 | 机械臂及其故障诊断模型的训练方法、故障诊断方法 |
CN117009872A (zh) * | 2023-08-19 | 2023-11-07 | 重庆公共运输职业学院 | 一种基于车体横向加速度的重载电力机车车钩失稳预警方法 |
CN117407770A (zh) * | 2023-11-02 | 2024-01-16 | 国网湖北省电力有限公司黄石供电公司 | 基于神经网络的高压开关柜故障模式分类及预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117620448A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Serradilla et al. | Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects | |
Wang et al. | On line tool wear monitoring based on auto associative neural network | |
CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
JP2022063240A (ja) | 自己学習システムを用いて工作機械上での機械加工をシミュレーションするための方法及び装置 | |
CN113601261B (zh) | 一种面向刀具的在线快速优化模型的监测方法 | |
JP2022522159A (ja) | 組立てラインのための組立てエラー修正 | |
Muniategui et al. | Spot welding monitoring system based on fuzzy classification and deep learning | |
CN115135463A (zh) | 工业系统的预测模型学习方法、装置和系统 | |
CN117620448B (zh) | 激光雕刻机的加工控制方法、装置、设备及存储介质 | |
Li et al. | Neural process enhanced machining error evaluation for coordinate measuring machines | |
CN117572771A (zh) | 数字孪生的系统参数控制方法及系统 | |
Trinh et al. | Dynamics modeling of industrial robots using transformer networks | |
Behera et al. | GAN-based multi-task learning approach for prognostics and health management of IIoT | |
CN116572237A (zh) | 基于深度学习的串联机械臂的轨迹速度优化方法 | |
KR20210128713A (ko) | 통계적 분석과 딥러닝을 이용한 제조 공정 품질 분석 및 예측 방법 및 이를 기록한 기록매체 | |
Xiao et al. | Deep learning based modeling for cutting energy consumed in CNC turning process | |
Wong et al. | Control chart pattern identification using a synergy between neural networks and bees algorithm | |
CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 | |
CN114764538A (zh) | 一种设备声音信号模式识别模型 | |
CN117444990B (zh) | 基于3d建模的机械臂注射控制方法及系统 | |
Selch et al. | Quality monitoring of coupled digital twins for multistep process chains using Bayesian networks | |
CN117687307B (zh) | 一种多摇杆控制方法、装置、设备及存储介质 | |
CN117647725B (zh) | Pcba的老化测试方法及系统 | |
Stipancic et al. | Self-adaptive vision system |
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 |