【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。...
【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...
【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。