一种用于锌合金零件加工的智能控制方法技术

本发明专利技术涉及一种用于锌合金零件加工的智能控制方法，该方法包括通过气泡缺陷特征获取重构损失函数，对初始样本聚类，利用初始样本、聚类后的样本类别得到变分自编码器对应的两个网络得到概率分布，根据两个概率分布对应得到正则化损失函数、均衡化损失函数，根据重构损失函数、正则化损失函数、均衡化损失函数得到最终损失函数，基于最终损失函数得到最终变分自编码器，从最终变分自编码器的推断网络输出的隐变量分布中取样并利用最终变分自编码器获得重构工艺参数，根据重构工艺参数来扩充初始样本，根据扩充样本对神经网络训练得到最终工艺参数，根据最终工艺参数调整工艺参数，本发明专利技术方法能精确调整工艺参数，从而提高零件加工的质量。加工的质量。加工的质量。

【技术实现步骤摘要】
一种用于锌合金零件加工的智能控制方法


[0001]本专利技术涉及智能控制
，具体涉及一种用于锌合金零件加工的智能控制方法。

技术介绍

[0002]在加工锌合金零件时，由于工艺参数的不同，零件表面会产生一些缺陷，气泡缺陷就是其中一种不可修复的缺陷，严重影响零件的合格率。
[0003]一般来说通过设置设备加工时的工艺参数，可以减少气泡缺陷的产生，提高零件的合格率。但是影响气泡缺陷产生的工艺参数有很多，并且工艺参数之间存在相互制约或者相互促进的关系，这就导致虽然只对某一个工艺参数做微小变化，但仍会对零件表面的气泡缺陷产生很大的影响。
[0004]在利用神经网络对锌合金零件加工工艺参数进行训练时，神经网络预测模型的准确性取决于样本的数据量和数据精度，但是在实际生产中，难以获取到足够多的高精度的样本，则神经网络模型无法学习到工艺参数和气泡缺陷的关系的特征，导致训练后的工艺参数的精度较低，从而使得根据训练后的工艺参数来调整加工工艺参数后生产出来的零件的质量并不好。
[0005]因此，需要一种用于锌合金零件加工的智能控制方法。

技术实现思路

[0006]本专利技术提供一种用于锌合金零件加工的智能控制方法，以解决现有的问题。
[0007]本专利技术的一种用于锌合金零件加工的智能控制方法采用如下技术方案：该方法包括：获取多个零件图像，获取多个零件图像中的气泡缺陷特征，将所有零件图像中气泡缺陷特征及影响气泡缺陷的工艺参数作为初始样本；根据初始样本利用变分自编码器获取生成样本，根据初始样本、生成样本获取重构损失函数；对初始样本中的气泡缺陷特征进行相似度聚类得到多个样本类别；根据初始样本、每个样本类别依次获取变分自编码器的两个网络对应的概率分布，根据初始样本对应的概率分布的KL散度获取正则化损失函数，根据每个样本类别对应的概率分布的KL散度获取均衡化损失函数；根据重构损失函数、正则化损失函数、均衡化损失函数获取最终损失函数，基于最终损失函数对变分自编码器的网络进行训练获取最终变分自编码器；从训练好的最终变分自编码器的隐变量分布中取样并利用最终变分自编码器获得重构工艺参数，根据重构工艺参数与初始样本中的工艺参数确定得到扩充样本；对神经网络进行训练，其中，输入为扩充样本中的工艺参数，输出为扩充样本中的气泡缺陷特征，根据训练好的神经网络得到气泡缺陷特征中各个最少缺陷特征对应的最终
工艺参数，根据最终工艺参数调整零件加工的工艺参数。
[0008]进一步的，获取多个零件图像中的气泡缺陷特征的步骤包括：气泡缺陷特征包括气泡缺陷的数量、大小、缺陷程度、密集度；获取零件图像的灰度图；对灰度图进行阈值分割获得气泡缺陷，并得到气泡缺陷的二值图；获取气泡缺陷的二值图进行连通域分析，连通域的数量即为气泡缺陷的数量，连通域的大小之和为气泡缺陷的大小；根据连通域中对应的像素的灰度值获取气泡缺陷程度；获取每个连通域的最小外接圆及最小外接圆的圆心，根据圆心的分布获得气泡缺陷密集度。
[0009]进一步的，根据初始样本、生成样本获取重构损失函数的步骤包括：计算生成样本和初始样本的第一相似度；根据初始样本中的气泡缺陷特征获取权重；根据权重和第一相似度获取重构损失函数。
[0010]进一步的，对初始样本中的气泡缺陷特征进行相似度聚类得到多个样本类别的步骤包括：计算初始样本中每两个零件图像的气泡缺陷特征的第二相似度；根据第二相似度对初始样本中的气泡缺陷特征进行聚类得到多个样本类别。
[0011]进一步的，根据初始样本、每个样本类别依次获取变分自编码器的两个网络对应的概率分布的步骤包括：变分自编码器包括利用两个网络建立高斯混合模型和工艺参数的隐变量的变分概率分布模型；根据样本类别的数量确定高斯混合模型中高斯模型的数量；根据初始样本获取变分自编码器对应的高斯混合模型的高斯混合分布、隐变量的变分概率分布模型的第一隐变量分布；根据每个样本类别获取变分自编码器对应的高斯模型的高斯分布及隐变量的变分概率分布模型的第二隐变量分布。
[0012]进一步的，根据初始样本对应的概率分布的KL散度获取正则化损失函数步骤包括：根据下式（1）计算正则化损失函数：（1）其中，表示初始样本X对应的第一隐变量分布，表示初始样本X对应的第一隐变量分布中的隐变量均值，表示初始样本X对应的第一隐变量分布中的隐变量方差；表示初始样本X对应的高斯混合分布，n表示高斯模型的数量，表示初始样本X中高斯混合分布对应的所有高斯混合模型的均值构成的均值向量，=，
第个高斯模型对应的均值，表示初始样本X中高斯混合分布对应的所有高斯混合模型的方差构成的方差向量，=，表示第个高斯模型对应的方差。
[0013]进一步的，根据每个样本类别对应的概率分布的KL散度获取正则化损失函数的步骤包括：根据式（2）计算均衡化损失函数：（2）其中，表示第个样本类别对应的第个隐变量分布对应的均值，表示第个样本类别中第个隐变量分布对应的方差，表示第个样本类别对应的第个高斯混合模型的均值，第个样本类别对应的第个高斯混合模型的方差，n表示高斯模型的数量。
[0014]进一步的，根据重构损失函数、正则化损失函数、均衡化损失函数获取最终损失函数的步骤包括：根据下式（3）获取最终损失函数：（3）其中，表示重构损失函数；表示正则化损失函数；表示均衡化损失函数，表示最终变分自编码器的网络的训练次数。
[0015]进一步的，根据重构工艺参数与初始样本中的工艺参数确定得到扩充样本的步骤包括：若重构工艺参数在初始样本中，则重新进行采样；若重构工艺参数不在初始样本，则将为重构工艺参数记为扩充后的工艺参数；直至扩充的工艺参数的数据量达到初始样本的总工艺参数的数据量的50%，则将所有的扩充的工艺参数增添至初始样本的工艺参数中得到扩充样本。
[0016]本专利技术的有益效果是：本专利技术的一种用于锌合金零件加工的智能控制方法，通过对变分自编码器的损失函数进行更新得到最终损失函数，基于最终损失函数对变分自编码器进行训练得到最终变分自编码器，从训练好的最终变分自编码器的隐变量分布中取样并利用最终变分自编码器获得重构工艺参数，根据重构工艺参数来扩充初始样本，得到扩充样本，从而改进变分自编码器的损失函数，使得最终变分自编码器训练得到的扩充样本均衡化程度高，同时利用扩充样本对神经网络训练得到气泡缺陷特征中各个最少或者没有缺陷特征对应的最终工艺参数，然后在利用最终工艺参数调整零件加工的工艺参数，进而使得应用于零件加工过程中的工艺参数的调整的精确度更高，使得零件加工过程中的存在最少或者没有气泡缺陷特征，从而提高加工锌合金零件的质量。
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0018]图1为本专利技术的一种用于锌合金零件加工的智能控制方法的实施例总体步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于锌合金零件加工的智能控制方法，其特征在于，该方法包括：获取多个零件图像，获取多个零件图像中的气泡缺陷特征，将所有零件图像中气泡缺陷特征及影响气泡缺陷的工艺参数作为初始样本；根据初始样本利用变分自编码器获取生成样本，根据初始样本、生成样本获取重构损失函数；对初始样本中的气泡缺陷特征进行相似度聚类得到多个样本类别；根据初始样本、每个样本类别依次获取变分自编码器的两个网络对应的概率分布，根据初始样本对应的概率分布的KL散度获取正则化损失函数，根据每个样本类别对应的概率分布的KL散度获取均衡化损失函数；根据重构损失函数、正则化损失函数、均衡化损失函数获取最终损失函数，基于最终损失函数对变分自编码器的网络进行训练获取最终变分自编码器；从训练好的最终变分自编码器的隐变量分布中取样并利用最终变分自编码器获得重构工艺参数，根据重构工艺参数与初始样本中的工艺参数确定得到扩充样本；对神经网络进行训练，其中，输入为扩充样本中的工艺参数，输出为扩充样本中的气泡缺陷特征，根据训练好的神经网络得到气泡缺陷特征中各个最少缺陷特征对应的最终工艺参数，根据最终工艺参数调整零件加工的工艺参数。2.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法，其特征在于，获取多个零件图像中的气泡缺陷特征的步骤包括：气泡缺陷特征包括气泡缺陷的数量、大小、缺陷程度、密集度；获取零件图像的灰度图；对灰度图进行阈值分割获得气泡缺陷，并得到气泡缺陷的二值图；获取气泡缺陷的二值图进行连通域分析，连通域的数量即为气泡缺陷的数量，连通域的大小之和为气泡缺陷的大小；根据连通域中对应的像素的灰度值获取气泡缺陷程度；获取每个连通域的最小外接圆及最小外接圆的圆心，根据圆心的分布获得气泡缺陷密集度。3.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法，其特征在于，根据初始样本、生成样本获取重构损失函数的步骤包括：计算生成样本和初始样本的第一相似度；根据初始样本中的气泡缺陷特征获取权重；根据权重和第一相似度获取重构损失函数。4.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法，其特征在于，对初始样本中的气泡缺陷特征进行相似度聚类得到多个样本类别的步骤包括：计算初始样本中每两个零件图像的气泡缺陷特征的第二相似度；根据第二相似度对初始样本中的气泡缺陷特征进行聚类得到多个样本类别。5.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法，其特征在于，根据初始样本、每个样本类别依次获取...

【专利技术属性】
技术研发人员：盛建凯，孙小春，盛太纯，
申请(专利权)人：江苏茂融智能科技有限公司，
类型：发明
国别省市：