基于指针网络的大型高速回转装备叶片质量矩优化方法及装置制造方法及图纸

基于指针网络的大型高速回转装备叶片质量矩优化方法及装置，涉及大型高速回转装备领域。针对现有技术中存在的，在叶片排布的工作中，现有方法只适合处理一类问题，一旦叶片规模发生改变，就需要对程序进行大量的修改，并且算法自身的原因引入的随机性较大，重复性较差的问题，本发明专利技术提供的技术方案为：指针网络解码方法，应用于大型高速回转装备叶片质量矩优化损失函数，所述方法包括：采集所述损失函数的对齐向量；根据所述对齐向量和叶片序列嵌入矩阵，得到背景矩阵；根据所述背景矩阵，得到所述叶片序列的softmax概率输出，作为结果。适用于大型高速回转装备装配优化工作中，可为大型高速回转装备叶片的装配提供指导。型高速回转装备叶片的装配提供指导。型高速回转装备叶片的装配提供指导。

【技术实现步骤摘要】
基于指针网络的大型高速回转装备叶片质量矩优化方法及装置


[0001]涉及大型高速回转装备领域，具体涉及大型高速回转装备装配优化。

技术介绍

[0002]工厂在制造大型高速回转装备叶片时，由于周围环境，机器制造误差等的影响，制造出的叶片不可避免地出现质量和形状上的差异，这就需要测量每个叶片的质量矩，进行质量矩平衡，保证转子的初始不平衡量最小，这样也可以减小后续在动平衡机上添加质量块配平的工作量，提高转子平衡的精度。而如果叶片安装不当，风扇叶片在旋转过程中误差被放大，较长的叶片很有可能于静子机匣发生碰磨，对叶片和机匣造成一定程度的磨损，严重损害大型高速回转装备的安全。国内工厂还采用传统的对称安装的方法，即将质量相近的叶片堆成安装，这样不仅速度慢并且精度低。国内外学者对叶片排布也进行了大量的研究，主要集中在以遗传算法为主的启发式算法方面，建立以转子不平衡量为目标函数的模型，使用遗传算法进行优化，这类算法精度较高，能够高效地给出合格的叶片排布顺序，然而这类方法只适合处理一类问题，一旦叶片规模发生改变，就需要对程序进行大量的修改，并且由于算法自身的原因引入的随机性较大，重复性较差，很难应用在实际工程上。

技术实现思路

[0003]针对现有技术中存在的，在叶片排布的工作中，现有方法只适合处理一类问题，一旦叶片规模发生改变，就需要对程序进行大量的修改，并且算法自身的原因引入的随机性较大，重复性较差的问题，本专利技术提供的技术方案为：
[0004]指针网络解码方法，应用于大型高速回转装备叶片质量矩优化损失函数，所述方法包括：
[0005]步骤1：采集所述损失函数的对齐向量；
[0006]步骤2：根据所述对齐向量和叶片序列嵌入矩阵，得到背景矩阵；
[0007]步骤3：根据所述背景矩阵，得到所述叶片序列的softmax概率输出，作为结果。
[0008]进一步，提供一个优选实施方式，所述步骤1中，采集所述对齐向量的方法具体为：采用加法注意力机制。
[0009]进一步，提供一个优选实施方式，所述步骤2中，得到所述背景矩阵的方式为：通过加权累加的方式。
[0010]进一步，提供一个优选实施方式，所述步骤3中，得到所述概率输出的方式为：根据Glimpse机制。
[0011]基于同一专利技术构思，本专利技术还提供了指针网络解码装置，应用于大型高速回转装备叶片质量矩优化损失函数，所述装置包括：
[0012]模块1：用于采集所述损失函数的对齐向量；
[0013]模块2：用于根据所述对齐向量和叶片序列嵌入矩阵，得到背景矩阵；
[0014]模块3：用于根据所述背景矩阵，得到所述叶片序列的softmax概率输出，作为结果。
[0015]基于同一专利技术构思，本专利技术还提供了基于指针网络的大型高速回转装备叶片质量矩优化方法，所述方法包括：
[0016]步骤4：定义所述叶片质量矩优化的目标损失函数；
[0017]步骤5：解码指针网络，得到叶片序列的softmax概率；
[0018]步骤6：采用Actor
‑
Critic算法训练所述指针网络，更新Actor网络参数和Critic网络参数；
[0019]步骤7：输出所述Actor网络参数和Critic网络参数作为优化结果；
[0020]所述的步骤5具体为：所述的指针网络解码方法。
[0021]进一步，提供一个优选实施方式，所述损失函数具体为：
[0022][0023]其中，θ表示神经网络参数；J(θ|s)表示损失函数；P
(θ|s)
表示参数θ对应的叶片排序序列s的决策策略概率分布；π表示按照P
(θ|s)
做出的决策；L(π|s)表示决策的目标函数值，E表示单级转子叶片排序后的不平衡量值，下标i表示第i个样本序列。
[0024]基于同一专利技术构思，本专利技术还提供了基于指针网络的大型高速回转装备叶片质量矩优化装置，所述装置包括：
[0025]模块4：用于定义所述叶片质量矩优化的目标损失函数；
[0026]模块5：用于解码指针网络，得到叶片序列的softmax概率；
[0027]模块6：用于采用Actor
‑
Critic算法训练所述指针网络，更新Actor网络参数和Critic网络参数；
[0028]模块7：用于输出所述Actor网络参数和Critic网络参数作为优化结果；
[0029]所述的模块5的功能具体为：采用所述的指针网络解码装置完成。
[0030]基于同一专利技术构思，本专利技术还提供了计算机储存介质，用于储存计算机程序，当所述储存介质中储存的计算机程序被计算机的处理器读取时，所述计算机所述的指针网络解码方法或所述的基于指针网络的大型高速回转装备叶片质量矩优化方法。
[0031]基于同一专利技术构思，本专利技术还提供了计算机，包括处理器和储存介质，当所述处理器读取所述储存介质中储存的计算机程序时，所述计算机执行所述的指针网络解码方法或所述的基于指针网络的大型高速回转装备叶片质量矩优化方法。
[0032]本专利技术提供的基于指针网络的大型高速回转装备叶片质量矩优化方法，以转子不平衡量作为损失函数，预测准确性高，耗费时间短，解决了叶片质量矩优化不合理导致的转子不平衡量超差问题。
[0033]本专利技术提供的基于指针网络的大型高速回转装备叶片质量矩优化方法，叶片质量矩优化后不平衡量较小，求解速度较快，十分高效，满足大型高速回转装备的装配要求，可为大型高速回转装备叶片的装配提供指导。
[0034]适用于大型高速回转装备装配优化工作中，可为大型高速回转装备叶片的装配提供指导。
附图说明
[0035]图1为实施方式六提供的基于指针网络的大型高速回转装备叶片质量矩优化方法的流程示意图；
[0036]图2为实施方式六提供的基于指针网络的大型高速回转装备叶片质量矩优化方法的结构示意图。
具体实施方式
[0037]为使本专利技术提供的技术方案的优点和有益之处体现得更清楚，现结合附图对本专利技术提供的技术方案进行进一步详细地描述，具体的：
[0038]实施方式一、本实施方式提供了指针网络解码方法，应用于大型高速回转装备叶片质量矩优化损失函数，所述方法包括：
[0039]步骤1：采集所述损失函数的对齐向量；
[0040]步骤2：根据所述对齐向量和叶片序列嵌入矩阵，得到背景矩阵；
[0041]步骤3：根据所述背景矩阵，得到所述叶片序列的softmax概率输出，作为结果。
[0042]具体的：
[0043]首先叶片质量矩优化的损失函数定义为：
[0044][0045]式中：θ表示神经网络参数；J(θ|s)表示损失函数；P
(θ|s)
表示参数θ对应的叶片排序序列s的决策策略概率分布；π表示按照P
(θ|s)
做出的决策；L(π|s)表示决策的目标函数值，E表示单级转子叶片排序本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.指针网络解码方法，应用于大型高速回转装备叶片质量矩优化损失函数，其特征在于，所述方法包括：步骤1：采集所述损失函数的对齐向量；步骤2：根据所述对齐向量和叶片序列嵌入矩阵，得到背景矩阵；步骤3：根据所述背景矩阵，得到所述叶片序列的softmax概率输出，作为结果。2.根据权利要求1所述的指针网络解码方法，其特征在于，所述步骤1中，采集所述对齐向量的方法具体为：采用加法注意力机制。3.根据权利要求1所述的指针网络解码方法，其特征在于，所述步骤2中，得到所述背景矩阵的方式为：通过加权累加的方式。4.根据权利要求1所述的指针网络解码方法，其特征在于，所述步骤3中，得到所述概率输出的方式为：根据Glimpse机制。5.指针网络解码装置，应用于大型高速回转装备叶片质量矩优化损失函数，其特征在于，所述装置包括：模块1：用于采集所述损失函数的对齐向量；模块2：用于根据所述对齐向量和叶片序列嵌入矩阵，得到背景矩阵；模块3：用于根据所述背景矩阵，得到所述叶片序列的softmax概率输出，作为结果。6.基于指针网络的大型高速回转装备叶片质量矩优化方法，其特征在于，所述方法包括：步骤4：定义所述叶片质量矩优化的目标损失函数；步骤5：解码指针网络，得到叶片序列的softmax概率；步骤6：采用Actor
‑
Critic算法训练所述指针网络，更新Actor网络参数和Critic网络参数；步骤7：输出所述Actor网络参数和Critic网络参数作为优化结果；所述的步骤5具体为：权利要求1所述的指针网络解码方法。7.根据权利要求6所述的基于指针网络的大型高速回转装备叶片质量矩优化方法，其特征在于...

【专利技术属性】
技术研发人员：孙传智，卢情，刘永猛，谭久彬，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：