【技术实现步骤摘要】
本专利技术涉及激光加工、表面除垢领域，尤其涉及一种基于深度学习的激光作用深度控制方法。
技术介绍
1、我国海洋资源丰富，勘探海洋资源一直是国家层面的重大发展战略。然而，海洋环境湿度大、腐蚀性强，在长期服役过程中，对各类海工装备和船舶造成损伤，使金属表面产生腐蚀坑、氧化皮和附着物等。因此，海工装备和船舶往往需要定期的表面清理维护，重刷漆面或防锈涂层，以延长服役年限。
2、传统的清理方式主要是基于人工的机械打磨和抛光，其效率低下且除垢质量不稳定。近年来，随着激光技术的普及和成本的降低，激光除垢技术的应用日益增加。激光除垢技术作为一种非机械方法，具有柔性好，可达性高，效率高等优点，十分契合船舶等大型结构的高效除垢。
3、激光作用深度对激光除垢的效果影响重大。虽然激光除垢相比于传统的机械方式效率更高，但是其清洗深度只取决于所采取的激光加工参数，无法人为地修正。在实际工程作业中，表面污垢的深度和种类随机变化，导致在固定的清洗参数下，激光除垢的作用深度不均匀，局部污垢无法一次性去除，需要反复清洗，无法像人工除垢那样随机应变。目前已有的激光清洗系统无法自适应地调节激光作用深度，导致清洗后存在局部表面污垢残留、表面粗糙度高和需要二次除垢等不良结果。
技术实现思路
1、基于现有激光除垢技术的不足，本专利技术提出一种基于深度学习的激光作用深度控制方法，可以根据激光除垢过程中材料表面的激光羽辉信息，通过深度学习神经网络识别出实际激光作用深度，进而对作用深度进行双闭环反馈控制，自适
2、本专利技术解决上述技术问题的技术方案如下：
3、本专利技术提供了一种基于深度学习的激光作用深度控制方法，包括以下步骤：
4、步骤100.通过激光加工除垢试验采集激光加工过程中的激光羽辉图片及激光加工参数；所述激光加工参数包括激光功率、加工速度和工作距离；
5、步骤200.基于采集到的激光羽辉图片，预设卷积神经网络，学习激光羽辉图片和激光作用深度之间的对应关系，训练得到激光作用深度识别模型；
6、步骤300.基于采集到的激光加工参数，预设bp神经网络，学习激光加工参数和激光作用深度之间的对应关系，训练得到激光作用深度预测模型；
7、步骤400.基于激光作用深度识别模型获取当前时刻的激光作用深度，基于激光作用深度预测模型获取未来时刻的激光作用深度，设定目标作用深度，以当前时刻的激光作用深度和未来时刻的激光作用深度作为信息量，激光加工参数作为控制量，实际激光作用深度作为被控制量，建立激光作用深度控制系统。
8、进一步地，所述步骤200中卷积神经网络采用多核卷积神经网络，其包括依次连接的输入层、四层多核卷积层、两层全连接层及输出层。
9、进一步地，所述多核卷积层包括多核并联卷积结构及权重模块，所述多核并联卷积结构包括3×3、5×5和7×7三种尺寸的卷积核；卷积核的输出结果与权重模块相乘，得到多核卷积层的输出。
10、进一步地，所述步骤300中bp神经网络采用变时域bp神经网络，包括依次连接的输入层、三层隐含层和输出层；其输入是激光加工参数及控制时域；输出是在当前时刻的基础上经过控制时域后的激光作用深度的预测值。
11、进一步地，所述步骤400中激光作用深度控制系统还包括模糊控制器和预测控制器；所述预测控制器的第一输入端输入历史时刻的实际激光作用深度；所述模糊控制器输入是在历史时刻的实际激光作用深度和目标作用深度之间的差值和深度变化率，模糊控制器输出连接可编程控制器的第一输入端，所述可编程控制器的输出端连接激光作用深度预测模型的输入端，所述激光作用深度预测模型的输出端连接预测控制器的第二输入端；激光作用深度识别模型输入端输入当前时刻的激光羽辉图片，激光作用深度识别模型输出端连接预测控制器的第三输入端；所述预测控制器的第一输出端连接可编程控制器的第二输入端，所述预测控制器的第二输出端输出实际激光作用深度。
12、进一步地，所述步骤400中具体包括：
13、将t-δt时刻的激光作用深度和目标深度之间的差值以及深度变化率作为输入变量输入模糊控制器，模糊控制器输出变量为t时刻激光加工参数变量；其中，t为当前时刻，δt为控制时域；
14、可编程控制器基于t时刻激光加工参数变量和t-δt时刻的激光作用深度，得到t时刻的激光加工参数；
15、基于t时刻的激光加工参数，激光作用深度预测模型预测t+δt时刻的激光作用深度；
16、基于当前t时刻的激光羽辉图片，激光作用深度识别模型对当前作用深度进行识别，得到t时刻激光作用深度识别模型的识别值；
17、将t-δt时刻的激光作用深度、t时刻激光作用深度识别模型的识别值及t+δt时刻的激光作用深度输入预测控制器中，预测控制器输出最终的激光作用深度作为t时刻的实际激光作用深度，并进入下一个控制周期；
18、将t时刻的实际激光作用深度反馈给可编程控制器形成闭环反馈。
19、进一步地，所述模糊控制器中具体步骤包括：对输入变量和输出变量进行模糊化处理；建立模糊规则表，实现输入到输出的非线性映射。
20、进一步地，对输入量和输出量进行模糊化处理，其方法为：
21、差值δh基本论域为[-3，3]，对应的离散模糊论域为{-3,-2,-1,0,1,2,3}，量化因子为1；深度变化率δh基本论域为[-1.5，1.5]，对应的离散模糊论域为{-3,-2,-1,0,1,2,3}，量化因子为2；激光功率变量δp基本论域为[-150，150]，对应的离散模糊论域为{-6,-4,-2,0,2,4,6}，比例因子为25；速度变量δv基本论域为[-1.5，1.5]，对应的离散模糊论域为{-3,-2,-1,0,1,2,3}，比例因子为0.5；工作距离变量δd基本论域为[-30，30]，对应的离散模糊论域为{-6,-4,-2,0,2,4,6}，比例因子为5。
22、进一步地，所述模糊规则表为：
23、
24、其中，输入变量、输出变量均定义为7个模糊子集｛nb，nm，ns，zo，ps，pm，pb}，分别对应负大、负中、负小、零、正小、正中、正大。
25、进一步地，预测控制器采用的预测关系为：
26、；
27、上式中，h4表示t时刻的实际激光作用深度，h1表示t-δt时刻的激光作用深度，h2表示t时刻激光作用深度识别模型的识别值，h3表示t+δt时刻的预测作用深度。
28、与现有技术相比，本专利技术具有如下技术效果：
29、（1）本专利技术中，卷积神经网络采用mk-cnn（多核卷积神经网络），mk-cnn相比普通的cnn（卷积神经网络），采用了不同尺寸的卷积核，卷积核的大小和深度学习神经网络捕捉图片信息的能力有关，普通cnn网络采用3×3卷积核只能捕捉图片的小尺寸细节，本专利技术的优势是可以同时捕捉小尺寸和大尺寸信息，提高神经本文档来自技高网...
【技术保护点】
1.一种基于深度学习的激光作用深度控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的激光作用深度控制方法，其特征在于，所述步骤200中卷积神经网络采用多核卷积神经网络，其包括依次连接的输入层、四层多核卷积层、两层全连接层及输出层。
3.根据权利要求2所述的一种基于深度学习的激光作用深度控制方法，其特征在于，所述多核卷积层包括多核并联卷积结构及权重模块，所述多核并联卷积结构包括3×3、5×5和7×7三种尺寸的卷积核；卷积核的输出结果与权重模块相乘，得到多核卷积层的输出。
4.根据权利要求3所述的一种基于深度学习的激光作用深度控制方法，其特征在于，所述步骤300中BP神经网络采用变时域BP神经网络，包括依次连接的输入层、三层隐含层和输出层；其输入是激光加工参数及控制时域；输出是在当前时刻的基础上经过控制时域后的激光作用深度的预测值。
5.根据权利要求1所述的一种基于深度学习的激光作用深度控制方法，其特征在于，所述步骤400中激光作用深度控制系统还包括模糊控制器和预测控制器；所述预测控制器的第一输入端输入历史
6.根据权利要求5所述的一种基于深度学习的激光作用深度控制方法，其特征在于，所述步骤400中具体包括：
7.根据权利要求6所述的一种基于深度学习的激光作用深度控制方法，其特征在于，所述模糊控制器中具体步骤包括：对输入变量和输出变量进行模糊化处理；建立模糊规则表，实现输入到输出的非线性映射。
8.根据权利要求7所述的一种基于深度学习的激光作用深度控制方法，其特征在于，对输入量和输出量进行模糊化处理，其方法为：
9.根据权利要求7所述的一种基于深度学习的激光作用深度控制方法，其特征在于，所述模糊规则表为：
10.根据权利要求6所述的一种基于深度学习的激光作用深度控制方法，其特征在于，预测控制器采用的预测关系为：
...【技术特征摘要】
1.一种基于深度学习的激光作用深度控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的激光作用深度控制方法，其特征在于，所述步骤200中卷积神经网络采用多核卷积神经网络，其包括依次连接的输入层、四层多核卷积层、两层全连接层及输出层。
3.根据权利要求2所述的一种基于深度学习的激光作用深度控制方法，其特征在于，所述多核卷积层包括多核并联卷积结构及权重模块，所述多核并联卷积结构包括3×3、5×5和7×7三种尺寸的卷积核；卷积核的输出结果与权重模块相乘，得到多核卷积层的输出。
4.根据权利要求3所述的一种基于深度学习的激光作用深度控制方法，其特征在于，所述步骤300中bp神经网络采用变时域bp神经网络，包括依次连接的输入层、三层隐含层和输出层；其输入是激光加工参数及控制时域；输出是在当前时刻的基础上经过控制时域后的激光作用深度的预测值。
5.根据权利要求1所述的一种基于深度学习的激光作用深度控制方法，其特征在于，所述步骤400中激光作用深度控制系统还包括模糊控制器和预测控制器；所述预测控制器的第一输入端输入历史时刻的实际激光作用深度；所述模糊控制器输入是在历史时刻的实际激光作用深度和目标作用深...
【专利技术属性】
技术研发人员：杨彪，檀财旺，刘福运，陈波，宋晓国，陈国庆，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：
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。