【技术实现步骤摘要】
本专利技术涉及超快激光内部改质切割加工工艺优化技术，特别是一种工艺参数寻优方法、终端设备及存储介质。
技术介绍
1、超快激光内部改质切割加工工艺涉及激光器输出平均功率、重复频率、切割速度、激光焦点位置等多个参数，更换产品规格(如厚度)后通常需要经验丰富的操作人员进行复杂耗时的工艺参数调试工作。同时随着设备的运行时长增加，设备核心部件相关指标发生变化，例如激光加工设备固有的“激光器功率衰减”和运动机构磨损导致的精度下降等情况，即使按最初调试合格的工艺参数指导加工，或者根据最初调试合格的工艺参数对不同加工工艺进行系统寻优，其加工质量也会随着设备核心部件相关指标变化而出现一定程度的下降，进而需要重新进行工艺参数调试工作。这将导致巨大的额外成本支出。
技术实现思路
1、本专利技术所要解决的技术问题是，针对现有技术不足，提供一种工艺参数寻优方法、终端设备及存储介质，保证加工结果向“合格”结果靠拢。
2、为解决上述技术问题，本专利技术所采用的技术方案是：一种工艺参数寻优方法，包括以下步骤：
3、s1、基于加工原位层析成像装置采集的微通道俯视图图像堆栈，获取当前加工结果图像空间所在高维空间坐标向量以及对应的工艺参数其中，所述高维空间坐标向量通过将相同加工工艺参数下层析成像的图像堆栈映射到高维欧几里得空间获得；
4、s2、比较所述在高维空间坐标向量与预期加工要求ecenter，利用公式计算预测工艺参数相比预期加工要求对应的工艺参数所在高维空间欧几里得方向dir，
5、s3、判断所述高维空间欧几里得距离dis是否满足判断加工质量合格的设定要求，若是，则结束；否则，根据所述高维空间欧几里得方向dir确定工艺参数调整方向，返回步骤s1，直至加工结果满足预期加工要求。
6、受采集图像中仅部分区域包含加工特征信息的影响，相比于使用图像等仅包含部分有效信息的高维复杂数据映射到工艺参数等低维简单数据，本专利技术通过特定的神经网络将图像信息与采集图像过程信息进行拼接降维得到高维空间坐标向量进而映射到工艺参数可以有效消除“维度灾难”对深度学习过程带来的不良影响，提高训练速度和预测准确率，为后续在线学习、联邦学习等新的机器学习方法提供研究基础。
7、步骤s2中，所述预期加工要求ecenter的获取过程包括：
8、在某一组工艺参数下，对整个样品厚度范围内所有深度下采样的图像与对应深度值进行处理，得到对应向量将与工艺参数组成高维矩阵，代表当前工艺参数下的加工结果图像空间
9、将相同工艺参数下，不同照明角度、照明亮度以及材料加工方向的加工结果图像空间使用描述子转换为统一的高维空间坐标向量ei；
10、将不同加工工艺对应加工结果图像空间在高维空间的坐标向量进行聚类，以合格加工结果对应的图像空间作为标签划分合格区域的阈值，确定阈值闭合曲面包围的高维空间体积中心坐标向量ecenter，该高维空间体积中心坐标向量ecenter即为预期加工要求。
11、该步骤概述了图像等高维复杂数据降维处理过程的各个步骤。判别加工结果是否合格的一般多分类机器学习方法通过对预期加工结果聚类，再设定判断阈值进行处理。受加工过程存在不稳定性的影响，即使是相同工艺参数的加工结果也可能存在略微不同；加上整个样品层析成像采集数百张图像的过程中，照明光源亮度衰减、照明光源不稳定性等影响会导致采集图像存在略微差别。前述影响导致相同工艺参数下，加工结果不同，层析成像采集得到的图像堆栈也不同，为机器学习的输入数据引入额外误差。通过数据扩充、数据均值化等数据处理方法，一般多分类机器学习方法往往需要处理同一工艺参数下的数十组实验结果才能得到较好的训练结果。然而，受到训练算力和存储空间的限制，一般多分类机器学习方法仅处理同一次实验下的单张实验结果图像，再将多次相同工艺参数下实验结果进行数据处理再训练以消除误差。
12、由于本专利技术的加工结果为三维微结构，其加工特征深度受工艺参数影响，例如焦点深度和激光功率二者共同影响了加工特征在样品厚度方向上的位置，进而导致采集图像堆栈中包含加工特征的数张图片必须人工筛选，且难以判断可以代表该工艺参数下加工结果特征的单张特定图像。众所周知，数据质量比数据数量对机器学习准确率的影响更大。难以选择可以代表加工结果特征的单张特定图像数据，意味着一般多分类机器学习方法无法得到可靠的神经网络训练结果。
13、本专利技术方案充分考虑了相同工艺参数下加工结果与采集图像的不稳定性，处理包含三维微结构特征的全部图像组成的图像堆栈。
14、为了降低对存储空间的需求，本专利技术将单次实验结果采集得到的图像堆栈及匹配图像采集过程的相关数据(例如图像堆栈中每一张图像的采集深度等)进行处理得到对应向量(与工艺参数组成高维矩阵，代表当前工艺参数下的加工结果图像空间)。将相同工艺参数下的多次实验结果处理得到的对应向量按照实验序号(例如k＝1,2,3,...)依次与gi相乘，得到代表相同工艺参数下，不同实验结果的对应矩阵其中与相乘的矩阵gi为满足矩阵乘法要求的随机种子赋值矩阵。这个过程中将相同工艺参数下多次实验，每次采集得到的数百张图像等大量高维复杂数据及图像采集过程数据降维得到高维空间位置向量组成的张量，极大地降低了存储空间。
15、为了降低对训练算力的要求，本专利技术逐行将预期加工要求下“合格”加工质量的不同工艺参数加工结果对应的构成“合格”加工质量高维空间并划分为1～m1列和m1+1～m2列两部分。其中m2为的总列数，由“合格”加工质量、相同工艺参数下实验次数决定，m1可取任意小于m2的正整数，一般取8～16最佳。相比于直接使用构建满足平移不变性、旋转不变性和对称不变性的空间描述子空间描述子本专利技术将划分为两部分，可以显著降低算力要求和计算耗时。例如，m2为120时，取m1＝16，则由未划分两部分的构建描述子时需要进行一次120行/列的矩阵相乘；划分为两部分的构建描述子时仅需进行一次16行与104列的矩阵相乘，算力要求大幅度降低，计算效率提升。
16、向量中某一行或某一列的获取过程包括：将某一深度的图像通过卷积神经网络处理为n×1维的向量，将对应深度值通过独热编码处理为1×m维的向量，二者拼接得到(n+m)×1维的向量，即得到向量中某一行或某一列。
17、步骤s3中，根据所述高维空间欧几里得方向dir确定工艺参数调整方向时，调整幅度根据所述高维空间欧几里得距离dis选定。
18、调整幅度可以选定为高维空间欧几里得距离dis的30％-80％。
19、作为一个专利技术构思，本专利技术还提供了一种终端设备，其包括：
20、一个或多个处理器；
21、存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本专利技术上述方法的步骤。
本文档来自技高网...【技术保护点】
1.一种工艺参数寻优方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的工艺参数寻优方法，其特征在于，步骤S2中，所述预期加工要求ECenter的获取过程包括：
3.根据权利要求2所述的工艺参数寻优方法，其特征在于，向量中某一行或某一列的获取过程包括：
4.根据权利要求1所述的工艺参数寻优方法，其特征在于，步骤S3中，根据所述高维空间欧几里得方向Dir确定工艺参数调整方向时，调整幅度根据所述高维空间欧几里得距离Dis选定。
5.根据权利要求4所述的工艺参数寻优方法，其特征在于，调整幅度可以选定为高维空间欧几里得距离Dis的30％-80％。
6.一种终端设备，其特征在于，包括：
7.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～5之一所述方法的步骤。
【技术特征摘要】
1.一种工艺参数寻优方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的工艺参数寻优方法，其特征在于，步骤s2中，所述预期加工要求ecenter的获取过程包括：
3.根据权利要求2所述的工艺参数寻优方法，其特征在于，向量中某一行或某一列的获取过程包括：
4.根据权利要求1所述的工艺参数寻优方法，其特征在于，步骤s3中，根据所述高维空间欧几里得方向dir...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。