[发明专利]一种基于离焦量预测的激光熔覆薄壁件高度控制方法

权利要求书

1.一种基于离焦量预测的激光熔覆薄壁件高度控制方法，其特征在于，包括以下步骤：

步骤S1、图像特征提取：利用同轴高速相机获得激光熔覆薄壁件加工过程同轴熔池图像流，并利用图像处理方法提取图像特征向量；得到的图像特征包括：熔池头部纹理面积、熔池宽度、边缘面积和熔池整体图像面积；

步骤S2、离焦量预测：将步骤S1提取的图像特征向量组成时间序列，图像特征向量和离焦量是一一对应的关系，即一组图像特征向量对应一个离焦量；将图像特征向量时间序列输入到训练好的改进的LSTM神经网络中，LSTM神经网络输出下一时刻的离焦量d(t)的同时，输出当前熔覆层所有离焦量的总和利用当前熔覆层所有离焦量的总和，求出离焦量平均值

步骤S3、PID控制系统调节激光功率：将步骤S2中预测的离焦量的值d(t)作为PID控制的输入值，将步骤S2中求出的离焦量平均值作为PID控制中的设定值；PID控制系统根据d(t)与的差值Δd(t)调节激光器激光功率，使预测的离焦量的值d(t)趋近于设定值从而保证薄壁件每层的高度稳定，保证成形质量；

所述步骤S2中的改进的LSTM神经网络，包括三个状态，分别是隐层h、细胞状态c和长记忆状态lm；门控结构由遗忘门、输入门、输出门和长记忆门组成；

长记忆状态由长记忆门计算而来，用来记录整个预测过程中每个预测值之和，长记忆门lm_t的定义为：

lm_t＝σ(h_t-1·V+b)+lm_t-1

其中，lm_t-1为上一时刻之前所有预测的离焦量之和，h_t-1为上一时刻隐层状态，V为隐层h到输出lm的权重矩阵，b为偏转矩阵，σ为sigmoid激活函数；

所述步骤S2中改进LSTM神经网络训练过程包括：

S21、数据采集：进行薄壁件熔覆预实验，采集不同加工条件下，薄壁件加工过程的同轴熔池图像，同时利用旁轴相机记录下同轴图像对应的薄壁件的离焦量；

S22、数据预处理：利用步骤S1中的图像处理方法，提取同轴熔池图像特征参数向量，并作归一化处理；计算出离焦量的值和离焦量总和作为图像特征参数向量的标签；对处理好的数据按照比例划分为训练集和测试集；构建三维(N,W,F)数字阵列，其中N为输入数据，即图像特征向量序列，W为图像特征向量对应的标签序列，由两类数据构成，一类为离焦量，另一类为离焦量总和，两类数据均和图像特征序列相对应，F为时间步长，即要预测的时间长度；

S23、建立模型：搭建若干层LSTM神经网络，每层LSTM神经网络包括输入门、遗忘门、输出门和长记忆门，在LSTM神经网络后添加Dropout层以防止过拟合，在Dropout层后添加Dense层，将LSTM神经网络层输出的中间变量转换为离焦量的值及离焦量总和；模型所采用的损失函数为均方差损失函数(MAE)；

S24、保存模型：模型训练完成后，将模型权重保存，用于离焦量值的预测并为PID控制系统提供输入。