【技术实现步骤摘要】
本申请涉及光学玻璃的，尤其是涉及光学玻璃熔炼工艺预测方法、系统、设备及介质。
技术介绍
1、光学玻璃作为一种重要的材料，广泛应用于光学仪器、摄影设备和激光技术等领域，其性能直接受到熔炼工艺的影响。光学玻璃的熔炼工艺是制造过程中至关重要的步骤，其质量和控制直接关系到最终产品的光学性能和物理特性。然而，在熔炼过程中常常出现气泡问题，这些气泡会导致光线散射，从而显著降低光透过率，影响光学器件的成像质量和性能。
2、目前，针对气泡问题的研究多采用试错方法进行工艺控制和预测，这种方法虽然能够进行一定的优化，但往往程序复杂、耗时长且效率不高。因此，如何快速、准确地设计熔炼工艺，以有效减少气泡的产生，降低气泡影响，提升光学玻璃的质量，成为业界亟待解决的重要课题。为了优化光学玻璃的熔炼工艺，需要在理解气泡形成机制的基础上，探索更为精准的控制策略和方法提升生产效率，确保光学玻璃的优良光学性能。
技术实现思路
1、为了降低光学玻璃熔炼工艺的优化成本，本申请提供光学玻璃熔炼工艺预测方法、系统、设备及介质。
2、第一方面，本申请提供了光学玻璃熔炼工艺预测方法，采用如下的技术方案：
3、光学玻璃熔炼工艺预测方法，包括：
4、获取光学玻璃的熔炼工艺数据和气泡评价数据，所述气泡评价数据包括所述光学玻璃的图像数据、超声反射信号和等级数据；
5、对所述图像数据和所述超声反射信号进行特征提取，得到对应的气泡特征；所述气泡特征包括气泡密度特征、气泡面积特征和气
6、基于第一预设模型，并根据所述气泡特征和所述等级数据得到气泡等级预测模型；
7、基于第二预设模型，并根据所述熔炼工艺数据和所述气泡特征得到气泡特征预测模型；
8、获取目标气泡等级和限制条件，基于随机网络搜索算法对气泡密度、气泡面积和气泡深度中的至少一项进行遍历，并调用所述气泡等级预测模型进行预测，得到气泡等级，将与目标气泡等级一致的所述气泡等级所对应的气泡参数作为目标气泡特征参数；所述气泡参数包括气泡密度、气泡面积和气泡深度中的至少一项，所述目标气泡特征参数包括目标气泡密度、目标气泡面积和目标气泡深度中的至少一项；
9、根据所述目标气泡特征参数生成目标矢量，并调用所述气泡特征预测模型，设置工艺前置条件及范围，根据蒙特卡洛算法和所述目标矢量筛选出一组工艺参数，所述一组工艺参数对应的气泡特征参数与目标气泡特征参数最接近。
10、通过采用上述技术方案，先获取光学玻璃的熔炼工艺数据和气泡评价数据，所述气泡评价数据包括所述光学玻璃的图像数据、超声反射信号和等级数据，然后对所述图像数据和所述超声反射信号进行特征提取，得到对应的气泡特征；所述气泡特征包括气泡密度特征、气泡面积特征和气泡深度特征中的至少一项，然后基于第一预设模型，并根据所述气泡特征和所述等级数据得到气泡等级预测模型，并基于第二预设模型，并根据所述熔炼工艺数据和所述气泡特征得到气泡特征预测模型，然后获取目标气泡等级和限制条件，基于随机网络搜索算法对气泡密度、气泡面积和气泡深度中的至少一项进行遍历，并调用所述气泡等级预测模型进行预测，得到气泡等级，将与目标气泡等级一致的所述气泡等级所对应的气泡参数作为目标气泡特征参数，所述气泡参数包括气泡密度、气泡面积和气泡深度中的至少一项，所述目标气泡特征参数包括目标气泡密度、目标气泡面积和目标气泡深度中的至少一项，最后根据所述目标气泡特征参数生成目标矢量，并调用所述气泡特征预测模型，设置工艺前置条件及范围，根据蒙特卡洛算法和所述目标矢量筛选出一组工艺参数，所述一组工艺参数对应的气泡特征参数与目标气泡特征参数最接近；相对于通过试错优化工艺参数的方式，本专利技术的方法提高了光学玻璃熔炼工艺的优化效率，降低光学玻璃熔炼工艺的优化成本，实现了光学玻璃熔炼工艺的数字化调优。
11、可选的，所述气泡特征包括气泡密度特征、气泡面积特征和气泡深度特征，所述对所述图像数据和所述超声反射信号进行特征提取，得到对应的气泡特征的步骤，包括：
12、根据预先生成的卷积神经网络cnn对所述图像数据进行特征提取，得到所述气泡密度特征和所述气泡面积特征；
13、根据预先生成的循环神经网络rnn对所述超声反射信号进行特征提取，得到所述气泡深度特征。
14、通过采用上述技术方案，为了得到对应的气泡特征，根据预先生成的卷积神经网络cnn对图像数据进行特征提取，得到气泡密度特征和气泡面积特征，并根据预先生成的循环神经网络rnn对超声反射信号进行特征提取，得到气泡深度特征。
15、可选的，所述第一预设模型为svm模型。
16、可选的，所述第二预设模型为随机森林模型，所述基于第二预设模型，并根据所述熔炼工艺数据和所述气泡特征得到气泡特征预测模型的步骤，包括：
17、根据所述熔炼工艺数据对所述熔炼工艺数据进行预处理，得到预处理数据；
18、按照预设比例将所述预处理数据和所述气泡特征划分为训练集和测试集，并对所述随机森林模型的超参数进行设置和优化；所述超参数包括随机森林决策树数目、最大特征数量、最大深度和最小样本分裂数目；
19、根据所述训练集对所述随机森林模型进行训练，得到通过训练的随机森林模型；
20、根据所述测试集对所述通过训练的随机森林模型进行测试，得到通过测试的随机森林模型，并将所述通过测试的随机森林模型作为气泡特征预测模型。
21、通过采用上述技术方案，为了得到气泡特征预测模型，先根据熔炼工艺数据对熔炼工艺数据进行预处理，得到预处理数据，然后按照预设比例将预处理数据和气泡特征划分为训练集和测试集，并对随机森林模型的超参数进行设置和优化，超参数包括随机森林决策树数目、最大特征数量、最大深度和最小样本分裂数目，然后根据训练集对随机森林模型进行训练，得到通过训练的随机森林模型，最后根据测试集对通过训练的随机森林模型进行测试，得到通过测试的随机森林模型，并将通过测试的随机森林模型作为气泡特征预测模型。
22、可选的，所述设置工艺前置条件及范围，根据蒙特卡洛算法和所述目标矢量筛选出一组工艺参数，所述一组工艺参数对应的气泡特征参数与目标气泡特征参数最接近的步骤，包括：
23、在初始态，将所述熔炼工艺数据对应的工艺参数集φ中的参数设为随机状态，并退火进行500次迭代；
24、在退火完成后，根据当前状态下对应的气泡特征矢量与目标矢量计算对应的第一矢量积，并判断所述第一矢量积的模长与所述目标矢量的模长所对应的差值是否在预设范围内，且判断所述第一矢量积的模长是否满足预设条件，若均是，则将对应的工艺参数值作为一组工艺参数；
25、否则，根据原始数据量级qi在[c*qi,d*qi]内随机取500个参数点，c小于d，且c和d均为大于零的常数，对每一个参数点，判断对应的气泡特征矢量的模长与目标矢量的模长所对应的差值是否在所述预设范围内，若是，则根据对应本文档来自技高网...
【技术保护点】
1.光学玻璃熔炼工艺预测方法，其特征在于，包括：
2.根据权利要求1所述的光学玻璃熔炼工艺预测方法，其特征在于，所述气泡特征包括气泡密度特征、气泡面积特征和气泡深度特征，所述对所述图像数据和所述超声反射信号进行特征提取，得到对应的气泡特征的步骤，包括：
3.根据权利要求1所述的光学玻璃熔炼工艺预测方法，其特征在于，所述第一预设模型为SVM模型。
4.根据权利要求1所述的光学玻璃熔炼工艺预测方法，其特征在于，所述第二预设模型为随机森林模型，所述基于第二预设模型，并根据所述熔炼工艺数据和所述气泡特征得到气泡特征预测模型的步骤，包括：
5.根据权利要求1所述的光学玻璃熔炼工艺预测方法，其特征在于，所述设置工艺前置条件及范围，根据蒙特卡洛算法和所述目标矢量筛选出一组工艺参数，所述一组工艺参数对应的气泡特征参数与目标气泡特征参数最接近的步骤，包括：
6.根据权利要求1所述的光学玻璃熔炼工艺预测方法，其特征在于，所述图像数据为所述光学玻璃上下面的图像，所述超声反射信号为所述光学玻璃上下面的超声反射信号，所述熔炼工艺数据包括熔炼加料时
7.根据权利要求1所述的光学玻璃熔炼工艺预测方法，其特征在于，在所述基于第二预设模型，并根据所述熔炼工艺数据和所述气泡特征得到气泡特征预测模型的步骤之后，还包括：
8.光学玻璃熔炼工艺预测系统，其特征在于，包括：
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行权利要求1至7中任一种所述方法的计算机程序。
...【技术特征摘要】
1.光学玻璃熔炼工艺预测方法，其特征在于，包括：
2.根据权利要求1所述的光学玻璃熔炼工艺预测方法，其特征在于，所述气泡特征包括气泡密度特征、气泡面积特征和气泡深度特征，所述对所述图像数据和所述超声反射信号进行特征提取，得到对应的气泡特征的步骤，包括：
3.根据权利要求1所述的光学玻璃熔炼工艺预测方法，其特征在于，所述第一预设模型为svm模型。
4.根据权利要求1所述的光学玻璃熔炼工艺预测方法，其特征在于，所述第二预设模型为随机森林模型，所述基于第二预设模型，并根据所述熔炼工艺数据和所述气泡特征得到气泡特征预测模型的步骤，包括：
5.根据权利要求1所述的光学玻璃熔炼工艺预测方法，其特征在于，所述设置工艺前置条件及范围，根据蒙特卡洛算法和所述目标矢量筛选出一组工艺参数，所述一组工艺参数对应的气泡特征参数与目标气泡特征参数最接近的步骤，包括：
【专利技术属性】
技术研发人员：李娜娜，李添，毛露路，邓宇，雷磊，匡波，刘晓东，刘振禹，
申请(专利权)人：成都光明光电股份有限公司，
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。