基于多模态神经网络的磁流变抛光去除函数预测方法及系统
本发明涉及超精密加工与人工智能交叉,尤其是涉及一种基于多模态神经网络的磁流变抛光去除函数预测方法及系统。
背景技术:
1、磁流变抛光(mrf)技术是高精度光学元件超精密加工的核心技术,去除函数(removal function, rf)的预测精度直接决定加工面形质量。目前磁流变抛光去除函数建模技术存在诸多缺陷:一是建模输入为单一的缎带轮廓数据,未融合工艺参数、设备状态等关键信息,难以捕捉复杂加工过程中的非线性关联;二是传统模型多采用单一多层感知机(mlp)网络,对轮廓的空间特征提取能力不足,且缺乏特征融合的针对性设计,无法识别对去除函数起关键作用的轮廓区域;三是纯数据驱动模型为黑箱结构,未引入物理约束,易出现违背去除函数固有物理特性的预测结果,模型可解释性与工程实用性差;四是仅输出去除函数点云数据,无不确定性评估,无法为加工过程提供决策参考依据。
2、经检索,中国专利公开号cn117556345a公开了一种基于神经网络的磁流变抛光去除函数预测装置及方法,该方案通过线激光测量仪采集抛光轮上液前后的平均轮廓,经差分处理得到磁流变缎带有效区域的二维轮廓矩阵,将轮廓坐标矩阵作为输入、去除函数坐标矩阵作为输出,利用多层感知机网络进行训练,建立缎带轮廓与去除函数之间的映射关系,并将多个二维切片预测结果重构成三维去除函数形貌。然而,该方案仅以缎带轮廓作为单一输入模态,未融合工艺参数等影响去除函数的关键信息,难以捕捉加工条件变化对去除量的复杂非线性影响;其采用的纯数据驱动mlp网络缺乏物理规律约束,预测结果可能出现违背磁流变抛光物理特性的异常;且该方案仅输出去除函数的点云数据,无法提供预测结果的可信度评估,难以为加工决策提供依据。
3、因此,如何有效融合来自不同模态的多源加工信息以提升预测精度,并约束模型预测结果始终符合磁流变抛光的固有物理规律,为加工决策提供可靠的参考评估依据,是需要解决的技术问题。
技术实现思路
1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多模态神经网络的磁流变抛光去除函数预测方法及系统。
2、本发明的目的可以通过以下技术方案来实现:
3、根据本发明的第一方面,提供了一种基于多模态神经网络的磁流变抛光去除函数预测方法,包括:
4、获取磁流变抛光过程中的多模态输入数据,所述多模态输入数据包括表征磁流变缎带轮廓的轮廓图像模态数据和表征加工工艺条件的工艺参数模态数据;
5、构建多模态神经网络模型,所述多模态神经网络模型用于建立从所述多模态输入数据至去除函数预测分布的非线性映射,模型包括:
6、特征提取模块,通过卷积神经网络对所述轮廓图像模态数据进行空间特征提取以获得缎带轮廓的几何形态特征,以及通过多层感知机对所述工艺参数模态数据进行数值特征提取以获得工艺条件特征;
7、注意力特征融合模块,通过可学习权重对所述几何形态特征和工艺条件特征进行自适应加权融合,以分配缎带轮廓不同区域及不同工艺参数特征对去除函数预测的贡献度;
8、预测模块,根据融合后的特征回归预测磁流变抛光去除量的预测分布;
9、物理约束损失函数模块,包括对预测结果的非负性约束项,所述非负性约束项用于强制预测的去除量非负,以符合磁流变抛光材料去除的单向性物理规律;
10、利用所述多模态输入数据对所述多模态神经网络模型进行训练,通过所述物理约束损失函数模块对训练过程施加磁流变抛光去除函数的固有物理规律约束;
11、将待预测的多模态输入数据输入训练完成的多模态神经网络模型,输出磁流变抛光去除函数的预测分布。
12、作为优选的技术方案,所述轮廓图像模态数据由线激光测量仪采集磁流变缎带轮廓并经二维矩阵化处理得到;所述工艺参数模态数据包括抛光轮转速、磁场强度、抛光时间、磁流变液温度和粘度;
13、获取所述多模态输入数据后还包括对所述轮廓图像模态数据进行归一化和降噪处理,对所述工艺参数模态数据进行标量化和归一化处理,以及剔除两类数据中的异常值。
14、作为优选的技术方案,所述卷积神经网络采用卷积层和池化层交替堆叠的结构对轮廓图像模态数据进行空间纹理、边缘曲率及宽度偏差特征的提取;
15、所述多层感知机采用多层全连接层对工艺参数模态数据进行数值特征提取。
16、作为优选的技术方案,所述多模态神经网络模型还包括特征对齐预处理模块,设置于所述特征提取模块与所述注意力特征融合模块之间;
17、所述特征对齐预处理模块将所述卷积神经网络输出的二维空间特征图经全局平均池化压缩为一维向量,再通过线性投影层映射至与所述多层感知机输出特征相同的维度,将所述一维向量与所述多层感知机输出的特征向量沿特征维度拼接为联合特征向量,作为所述注意力特征融合模块的输入。
18、作为优选的技术方案,所述注意力特征融合模块以可学习的权重向量对各输入特征分量进行加权,通过归一化指数函数将权重转换为概率分布形式,通过注意力权重的概率分布实现对不同特征分量的差异化选择。
19、作为优选的技术方案,所述物理约束损失函数模块的总损失函数为数据驱动项、物理规律约束项和曲面光滑性约束项的加权组合;
20、所述数据驱动项用于约束模型预测值与实测值之间的偏差;
21、所述物理约束项包括所述非负性约束项,所述非负性约束项对预测值为负的情况施加正向惩罚,使所有预测去除量趋近于非负;
22、所述曲面光滑性约束项通过对预测结果的梯度幅值进行正则化约束,抑制高频噪声,使预测去除函数曲面连续平滑。
23、作为优选的技术方案,所述物理约束项还包括对称性约束项和能量守恒约束项;
24、所述对称性约束项用于强制去除函数关于其中心轴对称,通过计算横向对称位置处预测值之差的平方和表征约束强度;
25、所述能量守恒约束项用于强制模型预测的总去除量与理论目标去除量一致,通过计算预测总去除量与理论目标去除量之差的绝对值表征约束强度。
26、作为优选的技术方案,所述预测模块采用多层全连接解码网络,以注意力特征融合模块输出的融合特征为输入,通过逐层非线性变换将高维抽象特征映射为去除函数的预测分布。
27、作为优选的技术方案,所述方法还包括:在模型推理阶段开启dropout随机失活机制,进行多次随机前向传播采样,统计多次采样结果的均值和标准差,依据标准正态分布的分位数给出指定置信水平的置信区间,作为预测结果可靠性的量化指标;当置信区间宽度超过预设阈值时触发报警,提示重新采集数据或对模型进行微调。
28、根据本发明的第二个方面,提供了一种用于实现所述基于多模态神经网络的磁流变抛光去除函数预测方法的系统,包括:
29、数据采集模块,集成线激光测量仪以及转速传感器、温度传感器、在线粘度计和磁场传感器,用于同步采集磁流变缎带轮廓图像及抛光轮转速、磁流变液温度、粘度、磁场强度工艺参数,构成多模态输入数据;
30、数据预处理模块,用于对所述轮廓图像模态数据进行归一化和降噪处理,对所述工艺参数模态数据进行标量化和归一化处理,并剔除两类数据中的异常值;
31、模型训练模块,用于构建并训练多模态神经网络模型,采用自适应矩估计优化器进行参数迭代更新;
32、预测输出模块,用于将实时采集的多模态输入数据输入训练完成的模型,输出去除函数的预测分布。
33、与现有技术相比,本发明具有以下优点:
34、1、本发明获取轮廓图像与工艺参数的多模态输入数据,利用cnn与mlp双分支网络分别提取缎带轮廓几何形态特征和工艺参数数值特征,通过注意力机制自适应融合,使模型同时感知缎带形态与工艺条件,提升预测精度;并在损失函数中嵌入非负性约束项,强制预测去除量非负,使预测结果符合磁流变抛光材料单向去除的物理规律,提升了去除函数预测的精度与可靠性,为加工决策提供了参考评估依据。
35、2、本发明通过在特征融合阶段引入可学习的注意力权重向量,对双分支提取的几何形态特征与工艺条件特征进行自适应加权融合,使模型在训练过程中自主习得各特征分量对去除函数预测的贡献度,使模型聚焦于对预测结果影响显著的关键特征区域,同时注意力权重分布可被可视化呈现,使预测结果的决策依据可追溯、可解释。
36、3、本发明通过对称性约束强制去除函数关于中心轴对称,保证去除函数形状规整,以及通过能量守恒约束强制预测总去除量与理论目标值一致,保证全局去除量准确,保障了驻留时间求解的收敛性和加工指令的安全性。
37、4、本发明在推理阶段通过蒙特卡洛dropout进行多次随机采样,统计预测结果的均值与标准差并输出置信区间,为加工过程提供预测结果可靠性的量化指标;当置信区间超限时触发报警,提示重新采集数据或微调模型,使预测系统具备风险自知能力。
38、5、本发明在搭建cnn分支网络时嵌入轻量化结构,采用深度可分离卷积降低参数量、引入倒置残差与线性瓶颈结构压缩计算开销、以全局平均池化替代全连接层,使模型能够部署于嵌入式工控平台,满足现场实时预测的时效性要求。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com