[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN108857600B - 一种基于光催化的钴基合金加工方法及加工平台 - Google Patents

一种基于光催化的钴基合金加工方法及加工平台 Download PDF

Info

Publication number
CN108857600B
CN108857600B CN201810828984.0A CN201810828984A CN108857600B CN 108857600 B CN108857600 B CN 108857600B CN 201810828984 A CN201810828984 A CN 201810828984A CN 108857600 B CN108857600 B CN 108857600B
Authority
CN
China
Prior art keywords
polishing
processing
value
formula
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810828984.0A
Other languages
English (en)
Other versions
CN108857600A (zh
Inventor
曾晰
蔡超鹏
郗枫飞
郑倩倩
温聪
何兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201810828984.0A priority Critical patent/CN108857600B/zh
Publication of CN108857600A publication Critical patent/CN108857600A/zh
Application granted granted Critical
Publication of CN108857600B publication Critical patent/CN108857600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B1/00—Processes of grinding or polishing; Use of auxiliary equipment in connection with such processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B41/00—Component parts such as frames, beds, carriages, headstocks
    • B24B41/02—Frames; Beds; Carriages
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B41/00—Component parts such as frames, beds, carriages, headstocks
    • B24B41/06—Work supports, e.g. adjustable steadies
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B57/00—Devices for feeding, applying, grading or recovering grinding, polishing or lapping agents
    • B24B57/02—Devices for feeding, applying, grading or recovering grinding, polishing or lapping agents for feeding of fluid, sprayed, pulverised, or liquefied grinding, polishing or lapping agents

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Grinding And Polishing Of Tertiary Curved Surfaces And Surfaces With Complex Shapes (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)

Abstract

一种基于光催化的钴基合金加工方法及加工平台，所述加工方法包括化学反应过程优化调整和机械臂抛光路径优化调整，化学反应过程优化调整采用的是基于线性回归算法针对不同加工对象建立线性回归模型寻求最优光照强度和化学添加剂配比、温度等条件；机械臂抛光路径优化调整采用的是策略网络对抛光轨迹进行调整；所述加工平台包括：机器人模块、抛光工作台、抛光液添加装置、工控机以及存储器。本发明的有益效果在于：有效的解决了光催化加工过程中化学反应过程的紫外光强度和化学添加剂的量不好定的问题，能有效的提升抛光质量；针对不同加工对象训练出机械臂抛光路径，能有效的解决了抛光盘的柔性带来的轨迹误差，提升抛光的质量和效率。

Description

一种基于光催化的钴基合金加工方法及加工平台
技术领域
本发明涉及一种基于光催化的钴基合金加工方法及加工平台。
背景技术
钴基合金作为自熔性合金材料可被用于改善金属材料表面性能，形成高硬度、耐高温和耐磨损的覆层。这种方法被广泛应用于模具制造、汽车制造工业、汽轮机制造等行业中。模具钴基合金覆层不但具有自由曲面的复杂性，同时还遇到高硬度和高耐磨性等新问题，使得精密加工更加困难，普通机械加工方法难以快速去除，若可通过特定的化学方法，使该类难加工材料变为易加工材料，则可达到提升加工效率的目的。针对钴基合金中钴元素的材料特性，配置有效的反应溶剂，使表层钴原子产生反应，形成易被去除产物，并结合紫外光催化作用，建立光子与量子产率的关系，调节钴元素原子键断裂和能量释放过程，实现反应可控。由于钴基合金为多元素合金类材质，需协同机械作用，实现不可溶产物的材料去除。
所述加工平台材料去除过程是一个化学反应、光学控制和机械去除的协同过程。因此加工工艺对于加工结果的影响比较大，为了使得加工工艺最优，利用人工智能技术在连续性决策和寻找最优点上的能力，将人工智能技术和光催化机器人加工平台相结合，提升光催化机器人抛光的加工效率和加工质量。
发明内容
本发明的目的在于提供一种适基于人工智能技术的光催化加工平台，所述加工平台能够针对不同的加工对象选择最优的化学反应条件，以及解决抛光不同加工对象时由柔性抛光盘带来的抛光路径误差问题。所述加工平台基于人工智能技术能针对不同的加工对象调整加工工艺包括:基于线性回归模型对化学反应过程优化调整和基于策略网络模型对机械臂抛光路径优化调整。
本发明所述的一种基于光催化的钴基合金加工方法，其特征在于，包括以下步骤：
(1)化学反应过程优化调整；
步骤1)针对加工对象所述工控机操作系统调用存储器内数据库储存的该类加工对象样例数m，单位是个、加工评价指标Q，单位是mm/s；其中加工对象样例数m个对应的化学反应材料和条件包括碱性黄40溶剂浓度C1，单位是g/L、TiO2浓度C2，单位是g/L、紫外光照强度I，单位是lx以及温度T，单位是℃；加工评价指标Q，单位是mm/s包括加工精度a，单位是mm、表面粗糙度r，单位是μm以及加工时长h，单位是s，其中Q值越大加工质量越好，其数学公式如下：
Figure BDA0001743114640000021
步骤2)建立线性回归模型函数公式Q'如下,w0、w1、w2、w3为权重参数随机初始化:
Q'＝w0+w1×C1+w2×C2+w3×I+w4×T (2)；
步骤3)建立特征向量x，x是由碱性黄40溶剂浓度C1，TiO2浓度C2，紫外光照强度I，温度T组成的向量，x＝[C1,C2,I,T]；建立损失函数，损失值L1来衡量由公式(2)得到的线性回归模型输出Q’和由公式(1)得到的实际的加工评价指标Q之间的差异，结果公式如下，Qi和Q'i分别为第i次加工实际评价指标值和预测评价指标值:
Figure BDA0001743114640000031
步骤4)利用随机批量梯度下降算法来迭代更新权重值直至达到指定迭代次数(预设置1000次)，计算出损失值最小时的权重参数值，采用如下迭代公式对权重值进行更新，α是学习率一般取0.001，t表示迭代轮次，t在迭代开始时设置为0,预先通过程序产生高斯分布的随机数初始化，
Figure BDA0001743114640000032
一共更新1000次也就是需要计算1000次公式(4)，每一次都需将上一次计算得到的/>
Figure BDA0001743114640000033
Figure BDA0001743114640000034
四个权重参数代回公式(4)计算这一轮更新后的/>
Figure BDA0001743114640000035
Figure BDA0001743114640000036
Figure BDA0001743114640000037
其中
Figure BDA0001743114640000038
均代表迭代计算；
步骤5)将迭代完成之后
Figure BDA0001743114640000039
就是对应的w0、w1、w2、w3权重值代入公式(2)就可以建立出预测模型，通过预测模型就可以预测出不同碱性黄40溶剂浓度，TiO2浓度，紫外光照强度，温度下加工评价指标的值；
步骤6)在根据预测模型求解出当Q＇值最大时，即加工评价指标最高时，碱性黄40溶剂浓度C1，TiO2浓度C2，紫外光照强度L，温度T分别对应的值；再由操作系统将参数指令化，传达给紫外光灯和抛光液添加装置，从而达到化学反应过程优化调整的目的；
(2)优化调整机械臂抛光路径；
步骤①针对加工对象所述工控机操作系统调用云服务器数据库储存的期望轨迹yk,由k个坐标点构成，策略网络训练过程中实际运动轨迹为y'k,建立误差函数ek，公式如下:
ek＝yk-y'k (5)
通过策略网络模型的训练使ek值尽可能的变小，也就是让抛光轨迹的误差降低下来；
步骤②根据误差值设定奖励值R，误差越小奖励值越大，为了让策略网络更好的理解未来和潜在的奖励，这里使用未来衰减的奖励，假设行动action为次，Rk为第K次获得的奖励，其公式如下:
R＝R1+γR2+γ2R3+...+γk-1Rk(γ为衰减系数取0.99) (6)；
步骤③构建神经网络模型，其输入为机械臂当前的坐标值，输出为机械臂朝各个方位运动的概率值矩阵p＝[p1,p2,p3,...,pn](n由设定的方位数决定)，可以拥用来选择行动；
步骤④建立损失函数L2,,采用交叉熵损失函数，公式如下:
L2＝-(r*log p)/n (7)
使得获得较多奖励值的行动的概率提高，获得较低奖励值行动的概率降低；
步骤⑤将损失函数代入，使用梯度下降算法对神经网络中的权重值进行迭代更新，最终得到一个能提供最优策略的策略网络，基于策略网络可对机械臂抛光路径进行优化调整。
根据本发明所述的基于光催化的钴基合金加工方法构建的加工平台，其特征在于：包括
机器人模块，包括工业机器人和柔性气动抛光装置，柔性抛光装置安装在工业机器人的机械臂上，用于调整工件位置；
抛光工作台，包括用于盛放抛光液抛光盘和用于对抛光液以及工件进行照射的光照装置，光照装置安装在抛光盘内，并且光照装置的照射头对准抛光液；
抛光液添加装置，设置于抛光工作台旁，并且其加液口位于抛光工作台的抛光池正上方，用于向抛光工作台中添加抛光液；
工控机，与机器人模块、抛光工作台以及抛光液添加装置的控制端电连接或信号连接，用于控制机器人模块、抛光工作台以及抛光液添加装置工作，实现化学反应过程优化调整和对机械臂抛光路径优化调整；
以及存储器，其信号传输端通过导线或无线网络与所述工控机的信号传输端口双向信号连接或电连接，用于存储加工信息。
所述抛光盘底部与受旋转电机驱动的旋转工作台固接，实现抛光盘绕自身垂直中心轴旋转；所述抛光池内从下到上依次设有用于支撑磨粒的弹性层、弹性薄膜层以及用于对模具表面进行加工的磨粒层，其中弹性层的底端与抛光池内底板连接，弹性层的上表面铺设弹性薄膜层，而弹性薄膜层的边沿与抛光池的内壁密封连接，使得弹性薄膜层与抛光池内壁围成用于容纳抛光液的加工区；磨粒层铺设在弹性薄膜层的表面，磨粒层上填充用于润滑和散热的抛光液；旋转电机的控制端与总控制器相应的控制端电连接。
所述弹性层为锥形螺旋弹簧阵列，所述锥形螺旋弹簧阵列包括若干相互独立的锥形螺旋弹簧，所述锥形螺旋弹簧的小口径端与所述抛光池的内底面固接，所述锥形螺旋弹簧的大口径端连有一个半球形支架，所述半球形支架的弧形曲线与弹性层的下表面接触；所述锥形螺旋弹簧的上端抵在弹性薄膜层下表面。
所述光照装置为紫外灯，固定在旋转工作台中心，其中紫外灯始终照射在工件加工区。
所述化学反应过程优化采用的是线性回归算法来进行调整。所述机械臂抛光路径优化采用的是策略网络对抛光轨迹进行调整。
所述存储器的数据库中储存的数据基于历史加工数据。
策略网络中神经网络的模型和参数的选择根据实际加工情况进行调整。
本发明的有益效果在于：本发明将人工智能技术和光催化机器人加工平台相结合，有效的解决了光催化加工过程中化学反应过程的紫外光强度和化学添加剂的量不好定的问题，能有效的提升抛光质量；针对不同加工对象训练出机械臂抛光路径，能有效的解决了抛光盘的柔性带来的轨迹误差，提升抛光的质量和效率。
附图说明
图1是本发明的化学反应过程优化调整流程示意图。
图2是本发明的机械臂抛光路径优化调整流程示意图。
图3是本发明光催化加工机器人平台结构。
具体实施方式
下面结合附图进一步说明本发明。
参照附图：
实施例1本发明所述的一种基于光催化的钴基合金加工方法，其特征在于，包括以下步骤：
(1)优化化学反应所需参数；
步骤1)针对加工对象所述工控机操作系统调用存储器内数据库储存的该类加工对象样例数m(个)、加工评价指标Q(mm/s)；其中加工对象样例数m(个)对应的化学反应材料和条件包括碱性黄40溶剂浓度C1(g/L)、TiO2浓度C2(g/L)、紫外光照强度I(lx)以及温度T(℃)；加工评价指标Q(mm/s)包括加工精度a(mm)、表面粗糙度r(μm)以及加工时长h(s)，其中Q值越大加工质量越好，其数学公式如下：
Figure BDA0001743114640000071
步骤2)建立线性回归模型函数公式Q'如下,w0、w1、w2、w3为权重参数随机初始化:
Q'＝w0+w1×C1+w2×C2+w3×I+w4×T (2)；
步骤3)建立特征向量x，x是由碱性黄40溶剂浓度C1，TiO2浓度C2，紫外光照强度I，温度T组成的向量，x＝[C1,C2,I,T]；建立损失函数，损失值L1来衡量模型输出Q’(公式(2)得到)和实际Q(由公式(1)得到)之间的差异，结果公式如下，Qi和Q'i分别为第i次加工实际评价指标值和预测评价指标值。
Figure BDA0001743114640000081
步骤4)利用随机批量梯度下降算法来迭代更新权重值直至达到指定迭代次数(预设置1000次)，计算出损失值最小时的权重参数值，采用如下迭代公式对权重值进行更新，α是学习率一般取0.001，t表示迭代轮次，t在迭代开始时设置为0,预先通过程序产生高斯分布的随机数初始化，
Figure BDA0001743114640000082
一共更新1000次也就是需要计算1000次公式(4)，每一次都需将上一次计算得到的/>
Figure BDA0001743114640000083
Figure BDA0001743114640000084
四个权重参数代回公式(4)计算这一轮更新后的/>
Figure BDA0001743114640000085
Figure BDA0001743114640000086
Figure BDA0001743114640000087
其中
Figure BDA0001743114640000088
均代表迭代计算；
步骤5)将迭代完成之后
Figure BDA0001743114640000089
就是对应的w0、w1、w2、w3权重值代入公式(2)就可以建立出预测模型，通过预测模型就可以预测出不同碱性黄40溶剂浓度，TiO2浓度，紫外光照强度，温度下加工评价指标的值；
步骤6)在根据预测模型求解出当Q＇值最大时，即加工评价指标最高时，碱性黄40溶剂浓度C1，TiO2浓度C2，紫外光照强度L，温度T分别对应的值；再由操作系统将参数指令化，传达给紫外光灯和抛光液添加装置，从而达到化学反应过程优化调整的目的；
(2)优化调整机械臂抛光路径；
步骤①针对加工对象所述工控机操作系统调用云服务器数据库储存的期望轨迹yk,由k个坐标点构成，策略网络训练过程中实际运动轨迹为y'k,建立误差函数ek，公式如下:
ek＝yk-y'k (5)
通过策略网络模型的训练使ek值尽可能的变小，也就是让抛光轨迹的误差降低下来；
步骤②根据误差值设定奖励值R，误差越小奖励值越大，为了让策略网络更好的理解未来和潜在的奖励，这里使用未来衰减的奖励，假设行动action为次，Rk为第K次获得的奖励，其公式如下:
R＝R1+γR2+γ2R3+...+γk-1Rk(γ为衰减系数取0.99) (6)；
步骤③构建神经网络模型，其输入为机械臂当前的坐标值，输出为机械臂朝各个方位运动的概率值矩阵p＝[p1,p2,p3,...,pn](n由设定的方位数决定)，可以拥用来选择行动；
步骤④建立损失函数,采用交叉熵损失函数，公式如下:
L2＝-(r*log p)/n (7)
使得获得较多奖励值的行动的概率提高，获得较低奖励值行动的概率降低；
步骤⑤将损失函数代入，使用梯度下降算法对神经网络中的权重值进行迭代更新，最终得到一个能提供最优策略的策略网络，基于策略网络可对机械臂抛光路径进行优化调整。
实施例2根据本发明所述的基于光催化的钴基合金加工方法构建的加工平台，包括
机器人模块1，包括工业机器人和柔性气动抛光装置，柔性抛光装置安装在工业机器人的机械臂上，用于调整工件位置；
抛光工作台2，包括用于盛放抛光液抛光盘和用于对抛光液以及工件进行照射的光照装置，光照装置安装在抛光盘内，并且光照装置的照射头对准抛光液；
抛光液添加装置3，设置于抛光工作台旁，并且其加液口位于抛光工作台的抛光池正上方，用于向抛光工作台中添加抛光液；
工控机4，与机器人模块、抛光工作台以及抛光液添加装置的控制端电连接或信号连接，用于控制机器人模块、抛光工作台以及抛光液添加装置工作，实现化学反应过程优化调整和对机械臂抛光路径优化调整；
以及存储器5，其信号传输端通过导线或无线网络与所述工控机的信号传输端口双向信号连接或电连接，用于存储加工信息。
所述抛光盘底部与受旋转电机驱动的旋转工作台固接，实现抛光盘绕自身垂直中心轴旋转；所述抛光池内从下到上依次设有用于支撑磨粒的弹性层、弹性薄膜层以及用于对模具表面进行加工的磨粒层，其中弹性层的底端与抛光池内底板连接，弹性层的上表面铺设弹性薄膜层，而弹性薄膜层的边沿与抛光池的内壁密封连接，使得弹性薄膜层与抛光池内壁围成用于容纳抛光液的加工区；磨粒层铺设在弹性薄膜层的表面，磨粒层上填充用于润滑和散热的抛光液；旋转电机的控制端与总控制器相应的控制端电连接。
所述弹性层为锥形螺旋弹簧阵列，所述锥形螺旋弹簧阵列包括若干相互独立的锥形螺旋弹簧，所述锥形螺旋弹簧的小口径端与所述抛光池的内底面固接，所述锥形螺旋弹簧的大口径端连有一个半球形支架，所述半球形支架的弧形曲线与弹性层的下表面接触；所述锥形螺旋弹簧的上端抵在弹性薄膜层下表面。
所述光照装置为紫外灯，固定在旋转工作台中心，其中紫外灯始终照射在工件加工区。
所述化学反应过程优化采用的是线性回归算法来进行调整。所述机械臂抛光路径优化采用的是策略网络对抛光轨迹进行调整。
所述存储器的数据库中储存的数据基于历史加工数据。
策略网络中神经网络的模型和参数的选择根据实际加工情况进行调整。
所述抛光液的配方为：抛光液的成分包括碱性黄40溶剂和TiO2溶剂以及水，其中碱性黄40的质量浓度为80g/L～100g/L；所述TiO2的质量浓度为120g/L～150g/L。每次试验都采用不同浓度的碱性黄40和TiO2配成抛光液。
实施案例3
所述抛光液添加装置中储存着不同浓度的碱性黄40和TiO2溶剂，由电磁阀控制溶剂的流出，每次加工试验都随机控制溶剂的流出并计算并记录使用了溶剂的浓度，混合之后均匀的覆盖在加工件表面，再由机械臂进行抛光。
所述溶剂浓度数据将传输到服务器的数据库中进行储存以便以后调用。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也包括本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (5)

1.一种基于光催化的钴基合金加工方法，其特征在于，包括以下步骤：
(1)化学反应过程优化调整；
步骤1)针对加工对象的工控机操作系统调用存储器内数据库储存的加工对象样例数m，单位是个、加工评价指标Q，单位是mm/s；其中加工对象样例数m个对应的化学反应材料和条件包括碱性黄40溶剂浓度C1，单位是g/L、TiO2浓度C2，单位是g/L、紫外光照强度I，单位是lx以及温度T，单位是℃；加工评价指标Q，单位是mm/s包括加工精度a，单位是mm、表面粗糙度r，单位是μm以及加工时长h，单位是s，其中Q值越大加工质量越好，其数学公式如下：
Figure FDA0004158137060000011
步骤2)建立线性回归模型函数公式Q'如下,w0、w1、w2、w3为权重参数随机初始化:
Q'＝w0+w1×C1+w2×C2+w3×L+w4×T (2)
步骤3)建立特征向量x，x是由碱性黄40溶剂浓度C1，TiO2浓度C2，紫外光照强度I，温度T组成的向量，x＝[C1,C2,I,T]；建立损失函数，损失值L1来衡量由公式(2)得到的线性回归模型输出Q’和由公式(1)得到的实际的加工评价指标Q之间的差异，结果公式如下，Qi和Q'i分别为第i次加工实际评价指标值和预测评价指标值:
Figure FDA0004158137060000012
步骤4)利用随机批量梯度下降算法来迭代更新权重值直至达到指定迭代次数，预设置1000次，计算出损失值最小时的权重参数值，采用如下迭代公式对权重值进行更新，α是学习率一般取0.001，t表示迭代轮次，t在迭代开始时设置为0,预先通过程序产生高斯分布的随机数初始化，
Figure FDA0004158137060000021
一共更新1000次也就是需要计算1000次公式(4)，每一次都需将上一次计算得到的/>
Figure FDA0004158137060000022
Figure FDA0004158137060000023
四个权重参数代回公式(4)计算这一轮更新后的/>
Figure FDA0004158137060000024
Figure FDA0004158137060000025
Figure FDA0004158137060000026
其中
Figure FDA0004158137060000027
Figure FDA0004158137060000028
均代表迭代计算；
步骤5)将迭代完成之后
Figure FDA0004158137060000029
就是对应的w0、w1、w2、w3权重值代入公式(2)就可以建立出预测模型，通过预测模型就可以预测出不同碱性黄40溶剂浓度，TiO2浓度，紫外光照强度，温度下加工评价指标的值；
步骤6)在根据预测模型求解出当Q＇值最大时，即加工评价指标最高时，碱性黄40溶剂浓度C1，TiO2浓度C2，紫外光照强度L，温度T分别对应的值；再由操作系统将参数指令化，传达给紫外光灯和抛光液添加装置，从而达到化学反应过程优化调整的目的；
(2)优化调整机械臂抛光路径；
步骤①针对加工对象所述工控机操作系统调用云服务器数据库储存的期望轨迹yk,由k个坐标点构成，策略网络训练过程中实际运动轨迹为y'k,建立误差函数ek，公式如下:
ek＝yk-y'k (5)
通过策略网络模型的训练使ek值尽可能的变小，也就是让抛光轨迹的误差降低下来；
步骤②根据误差值设定奖励值R，误差越小奖励值越大，为了让策略网络更好的理解未来和潜在的奖励，这里使用未来衰减的奖励，假设行动action为次，Rk为第K次获得的奖励，其公式如下:
R＝R1+γR2+γ2R3+...+γk-1Rk(γ为衰减系数取0.99)(6)；
步骤③构建神经网络模型，其输入为机械臂当前的坐标值，输出为机械臂朝各个方位运动的概率值矩阵p＝[p1,p2,p3,...,pn](n由设定的方位数决定)，可以拥用来选择行动；
步骤④建立损失函数L2,采用交叉熵损失函数，公式如下:
L2＝-(r*logp)/n (7)
使得获得较多奖励值的行动的概率提高，获得较低奖励值行动的概率降低；
步骤⑤将损失函数代入，使用梯度下降算法对神经网络中的权重值进行迭代更新，最终得到一个能提供最优策略的策略网络，基于策略网络可对机械臂抛光路径进行优化调整。
2.如权利要求1所述的基于光催化的钴基合金加工方法构建的加工平台，其特征在于：包括
机器人模块，包括工业机器人和柔性气动抛光装置，柔性抛光装置安装在工业机器人的机械臂上，用于调整工件位置；
抛光工作台，包括用于盛放抛光液抛光盘和用于对抛光液以及工件进行照射的光照装置，光照装置安装在抛光盘内，并且光照装置的照射头对准抛光液；
抛光液添加装置，设置于抛光工作台旁，并且其加液口位于抛光工作台的抛光池正上方，用于向抛光工作台中添加抛光液；
工控机，与机器人模块、抛光工作台以及抛光液添加装置的控制端电连接或信号连接，用于控制机器人模块、抛光工作台以及抛光液添加装置工作，实现化学反应过程优化调整和对机械臂抛光路径优化调整；
以及存储器，其信号传输端通过导线或无线网络与所述工控机的信号传输端口双向信号连接或电连接，用于存储加工信息。
3.如权利要求2所述的加工平台，其特征在于：所述抛光盘底部与受旋转电机驱动的旋转工作台固接，实现抛光盘绕自身垂直中心轴旋转；所述抛光池内从下到上依次设有用于支撑磨粒的弹性层、弹性薄膜层以及用于对模具表面进行加工的磨粒层，其中弹性层的底端与抛光池内底板连接，弹性层的上表面铺设弹性薄膜层，而弹性薄膜层的边沿与抛光池的内壁密封连接，使得弹性薄膜层与抛光池内壁围成用于容纳抛光液的加工区；磨粒层铺设在弹性薄膜层的表面，磨粒层上填充用于润滑和散热的抛光液；旋转电机的控制端与总控制器相应的控制端电连接。
4.如权利要求3所述的加工平台，其特征在于：所述弹性层为锥形螺旋弹簧阵列，所述锥形螺旋弹簧阵列包括若干相互独立的锥形螺旋弹簧，所述锥形螺旋弹簧的小口径端与所述抛光池的内底面固接，所述锥形螺旋弹簧的大口径端连有一个半球形支架，所述半球形支架的弧形曲线与弹性层的下表面接触；所述锥形螺旋弹簧的上端抵在弹性薄膜层下表面。
5.如权利要求3所述的加工平台，其特征在于：所述光照装置为紫外灯，固定在旋转工作台中心，其中紫外灯始终照射在工件加工区。
CN201810828984.0A 2018-07-25 2018-07-25 一种基于光催化的钴基合金加工方法及加工平台 Active CN108857600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810828984.0A CN108857600B (zh) 2018-07-25 2018-07-25 一种基于光催化的钴基合金加工方法及加工平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810828984.0A CN108857600B (zh) 2018-07-25 2018-07-25 一种基于光催化的钴基合金加工方法及加工平台

Publications (2)

Publication Number Publication Date
CN108857600A CN108857600A (zh) 2018-11-23
CN108857600B true CN108857600B (zh) 2023-07-14

Family

ID=64305297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810828984.0A Active CN108857600B (zh) 2018-07-25 2018-07-25 一种基于光催化的钴基合金加工方法及加工平台

Country Status (1)

Country Link
CN (1) CN108857600B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110421574B (zh) * 2019-07-22 2020-07-03 北京理工大学 一种机器人创意动作评估生成系统
CN110842761B (zh) * 2019-11-19 2021-07-09 湖南大学 一种光催化高能场辅助化学机械复合微细磨削方法
CN114406890B (zh) * 2021-12-20 2023-04-07 浙江工业大学 一种紫外光响应自组装协同介电泳抛光方法和装置
CN116372781B (zh) * 2023-04-20 2023-11-07 山东欣立得光电科技有限公司 一种led屏幕衬底自动化清洗抛光系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107745324A (zh) * 2017-09-07 2018-03-02 天津大学 一种光学玻璃表面成型方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1197293B1 (en) * 2000-01-31 2007-06-06 Shin-Etsu Handotai Company Limited Polishing device and method
CN1606713B (zh) * 2001-11-15 2011-07-06 霍尼韦尔国际公司 用于照相平版印刷术的旋涂抗反射涂料
US6821895B2 (en) * 2003-02-20 2004-11-23 Taiwan Semiconductor Manufacturing Co., Ltd Dynamically adjustable slurry feed arm for wafer edge profile improvement in CMP
CN104669075B (zh) * 2014-12-08 2017-08-04 沈阳工业大学 金刚石刀具光催化辅助刃磨方法及装置
JP2018051636A (ja) * 2016-09-26 2018-04-05 三菱マテリアルテクノ株式会社 軟質シート製造方法及び軟質シート研磨装置
CN206614394U (zh) * 2017-03-16 2017-11-07 浙江工业大学 一种具有仿形磨粒群的抛光装置
CN106881659B (zh) * 2017-03-16 2023-03-31 浙江工业大学 一种具有仿形磨粒群的抛光装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107745324A (zh) * 2017-09-07 2018-03-02 天津大学 一种光学玻璃表面成型方法

Also Published As

Publication number Publication date
CN108857600A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN108857600B (zh) 一种基于光催化的钴基合金加工方法及加工平台
CN109828532B (zh) 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法
Yuzgec et al. Dynamic neural-network-based model-predictive control of an industrial baker's yeast drying process
CN112642619A (zh) 一种智能喷涂机器人系统及其喷涂方法
EP2247974B1 (en) Devices, methods, and systems for control of heliostats
JP2003534460A (ja) マイクロエレクトロニック加工片を電気化学的に処理するための反応器内において使用されるチューニング電極
CN113382807A (zh) 根据场景的油漆修复方法
US12111638B2 (en) Adaptive production system
CN108563121A (zh) 基于历史数据的微波加热温度场智能监控方法
CN111438635B (zh) 一种提高自由曲面打磨表面均匀性的方法
CN114488801B (zh) 一种基于数据驱动的桥式起重机模型预测控制方法
CN108614422A (zh) 陆基工厂循环水养殖中溶解氧优化控制方法、装置及系统
Kumar et al. Developing digital twin design for enhanced productivity of an automated anodizing industry and process prediction using hybrid deep neural network
Bracino et al. Optimization of biofilter size for aquaponics using genetic algorithm
CN109972093B (zh) 一种高聚物仿生构型光热转换材料及其制备方法和应用
Yang et al. Process optimization and quality prediction of laser aided additive manufacturing SS 420 based on RSM and WOA-Bi-LSTM
Yoo et al. Bespoke Metal Nanoparticle Synthesis at Room Temperature and Discovery of Chemical Knowledge on Nanoparticle Growth via Autonomous Experimentations
Liao et al. Hybrid-biotaxonomy-like machine learning enables an anticipated surface plasmon resonance of Au/Ag nanoparticles assembled on ZnO nanorods
US20240077849A1 (en) Systems and Methods for Using Wire Printing Process Data to Predict Material Properties and Part Quality
RU78785U1 (ru) Автоматизированная установка для формирования тонкопленочных покрытий наноразмерной толщины методом молекулярного наслаивания
CN116976192A (zh) 一种基于js-bp模型的模锻件缺陷精准修型工艺参数决策方法
Schneider et al. LSTM-based Inverse Dynamics Learning for Franka Emika Robot
Song et al. A hybrid metaheuristic method for dispatching automated guided vehicles in container terminals
US20200192328A1 (en) Methods of forming electroformed components and related system
CN118672325B (zh) 有机硅助剂合成反应温度自适应调节方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant