深度神经网络的陶瓷内胆喷涂工艺参数决策方法及系统与流程

本技术涉及陶瓷喷涂工艺，更具体地说，本技术涉及深度神经网络的陶瓷内胆喷涂工艺参数决策方法及系统。

背景技术：

1、陶瓷内胆广泛应用于热水器、卫浴洁具、食品容器等领域，其表面釉料喷涂质量直接决定了产品的耐腐蚀性、光洁度与使用寿命。当前陶瓷内胆的釉料喷涂多采用机器人自动喷涂方案，工艺参数的匹配度直接决定釉层厚度均匀性、流挂、缩孔等缺陷的发生率。但由于陶瓷内胆为曲面结构，且釉料物性、坯体状态、环境温湿度等因素波动频繁，工艺参数调控的难度很高；

2、现有公开号cn118364864a，公开了人工智能的喷涂轨迹规划方法及系统。所述方法包括：获取喷涂数据集；计算高度矩阵中目标位置高度的目标曲率方向和目标曲率大小，以获得喷涂方向和喷涂深度；对待喷涂物体表面不同位置的喷涂方向和喷涂深度聚类，并获得标准聚类结果；将样本喷涂方向均值和样本喷涂深度均值输入标准模型中，获得样本聚类簇的样本喷涂方法；计算不同聚类簇之间喷涂起始位置和喷涂结束位置之间的喷枪移动距离，规划喷涂路径。通过技术方案，能够降低涂料的浪费，有利于提高喷涂制造业的生产效率和经济效益。发明人在实现本技术的过程中发现现有技术存在如下问题：

3、现有的，新产品或者新产线在进行内胆喷涂的冷启动阶段，这个时候的标注样本量是很少的，就通过纯数据的驱动模型还是会出现拟合、精度的不足；这样在模型上线后，受喷枪喷孔磨损、釉料批次更换、坯体材质波动的时变因素影响，模型性能也会持续衰减，还缺乏有效的在线更新机制；其中在部分方案引入增量学习做在线更新，但因初始模型缺乏物理约束，更新过程易出现遗忘问题，导致喷涂出现空隙，甚至输出违背喷涂物理规律的无效参数；

4、因此，针对上述问题提出深度神经网络的陶瓷内胆喷涂工艺参数决策方法及系统。

技术实现思路

1、为了克服现有技术的上述缺陷，本技术提供深度神经网络的陶瓷内胆喷涂工艺参数决策方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本技术提供如下技术方案：深度神经网络的陶瓷内胆喷涂工艺参数决策方法，步骤s1：首先完成产线硬件接口对接、工艺参数空间映射，构建陶瓷釉料空气雾化喷涂的物理先验模型；

3、步骤s2：基于小样本标注数据与所述物理先验模型，采用数据损失项与物理损失项结合的双目标损失函数训练物理信息神经网络，得到初始工艺参数决策模型；

4、步骤s3：对内胆在实时采集生产过程中的工况输入数据、实际执行工艺参数与成膜质量检测数据，经异常值剔除与归一化预处理后，存入在线样本库；

5、步骤s4：然后以固定批次间隔为更新周期，基于在线样本计算特征分布漂移度与物理偏离度，通过双模态判别规则识别工艺漂移类型；若判定为慢速工艺漂移，就用带有物理约束的弹性权重巩固算法对模型进行增量调整；若判定为突变工艺漂移，保留物理先验损失框架并基于新批次样本重新进行小样本训练，完成模型更新；

6、步骤s5：将当前待喷涂内胆的工况参数输入更新后的工艺参数决策模型，输出最优喷涂工艺参数组合，经物理先验模型的可行域校验限幅后，下发至喷涂机器人与釉料控制系统执行喷涂作业；

7、步骤s6：最后采集喷涂后的成膜质量数据，校验本次决策效果；若质量不达标则触发异常兜底机制，同时将有效样本更新至在线样本库；设置更新死区，漂移度波动小于阈值时保持当前模型参数不变，循环执行步骤s3至步骤s6。

8、优选的，所述双目标损失函数以均方误差作为数据损失项，拟合标注样本的真实质量指标；以理论釉层厚度与预测厚度的偏差作为物理损失项，约束模型输出符合喷涂物理规律；两项损失通过权重系数加权求和得到总损失，用于反向传播更新网络权重。

9、优选的，所述物理先验模型包含釉料沉积速率计算模块与物理可行域界定模块；所述釉料沉积速率计算模块基于喷釉流量、雾化压力、喷涂距离与曲面倾角修正系数，计算靶面单点的釉料体积沉积速率，并通过喷涂路径积分得到理论釉层厚度分布；所述物理可行域界定模块分别从雾化压力、喷釉流量、喷枪移动速度、喷涂距离四个维度，基于雾化临界条件、流挂临界条件、设备安全条件划定参数上下限，构成物理约束空间。

10、优选的，所述物理信息神经网络为全连接前馈网络结构，输入层包含坯体材质编码、釉料型号编码、环境温度、环境湿度、坯体初始温度、目标釉层厚度共6维输入；隐藏层共3层，神经元数量分别为64、128、64，激活函数采用，输出层包含喷枪移动速度、喷釉流量、雾化压力、喷涂距离共4维输出，输出层采用激活函数进行归一化映射。

11、优选的，所述双模态判别规则具体为：当分布漂移度小于分布漂移阈值，且物理偏离度小于物理偏离度阈值时，判定为无明显漂移，不更新模型；当分布漂移度大于或等于分布漂移阈值，且参数超界比例小于超界比例阈值时，判定为慢速工艺漂移，对应喷枪磨损、釉料缓慢变质工况；当分布漂移度大于或等于2倍的分布漂移阈值，且参数超界比例大于或等于超界比例阈值时，判定为突变工艺漂移，对应釉料批次更换、坯体材质换型工况。

12、优选的，针对慢速工艺漂移的增量微调过程中，在新增样本数据损失与物理损失的基础上，加入权重巩固项；权重巩固项以离线预训练完成后固化的费雪信息矩阵为权重重要性依据，对重要性越高的权重施加越强的约束，避免更新过程出现灾难性遗忘，且物理损失项全程生效。

13、优选的，所述在线样本库采用固定容量的先进先出管理机制，容量上限为200组有效样本；单只陶瓷内胆为一个最小生产批次，每累计20个最小生产批次触发一次漂移检测与更新判断，增量更新所需有效新样本最小数量为10组；工况数据与质量数据通过挂载内胆的挂具芯片id进行时间对齐绑定。

14、深度神经网络的陶瓷内胆喷涂工艺参数决策系统，包括系统标定模块、离线预训练模块、在线数据采集模块、漂移判别与增量更新模块、工艺参数决策模块、闭环反馈模块，各模块之间信号连接；

15、所述系统标定模块用于完成产线硬件对接与工艺参数空间映射，构建基础物理先验模型；

16、所述离线预训练模块用于训练神经网络，输出初始工艺参数决策模型；

17、所述在线数据采集模块用于同步采集生产工况、工艺参数与成膜质量数据，经预处理后存入在线样本库；

18、所述工艺参数决策模块用于输入当前工况、输出工艺参数并下发执行；

19、所述闭环反馈模块用于校验决策效果并更新样本库；

20、所述离线预训练模块内置双目标损失训练单元，采用数据损失与物理损失结合的方式训练物理信息神经网络，并固化费雪信息矩阵；

21、所述漂移判别与增量更新模块包含漂移计算单元、双模态判别单元、差异化更新单元；所述漂移计算单元采用最大均值差异计算特征分布漂移度，统计参数超界比例与成膜物理偏差；所述双模态判别单元基于漂移度与偏离度阈值区分无漂移、慢速漂移、突变漂移三类状态；所述差异化更新单元对应执行带物理约束的弹性权重巩固微调、物理框架下小样本重训练两种更新策略；

22、所述工艺参数决策模块内置物理可行域校验单元，对模型输出参数进行边界限幅后再下发；

23、所述闭环反馈模块内置死区控制单元，通过漂移度波动阈值控制模型更新频次。

24、优选的，所述离线预训练模块包含物理建模单元、网络训练单元、参数固化单元；所述物理建模单元用于建立釉料沉积速率方程与工艺参数物理可行域；所述网络训练单元采用adam优化器与早停机制，执行双损失函数的迭代训练直至模型收敛；所述参数固化单元用于固化费雪信息矩阵、初始模型权重、物理损失权重系数。

25、优选的，所述在线数据采集模块包含数据采集单元、预处理单元、样本库管理单元；所述数据采集单元同步对接喷涂机器人、釉料供给系统、测厚仪与视觉检测设备，获取三类数据；所述预处理单元采用准则剔除异常值，并对所有变量执行归一化；所述样本库管理单元采用固定容量先进先出机制维护在线样本库。

26、本技术的技术效果和优点：

27、1、与现有技术相比，该深度神经网络的陶瓷内胆喷涂工艺参数决策方法及系统，本发明在离线预训练阶段，构建物理信息神经网络，使用数据损失加上物理损失的双目标损失函数进行训练，其中，数据损失项采用均方误差，拟合标注样本的真实质量指标；物理损失项基于釉料沉积速率方程，计算理论釉层厚度与模型预测厚度的偏差，将喷涂过程的流体力学规律直接嵌入网络训练目标，这样就可以通过权重系数将两项损失加权求和，使模型在拟合有限真实数据的同时，输出符合喷涂物理规律的参数组合。

28、2、与现有技术相比，该深度神经网络的陶瓷内胆喷涂工艺参数决策方法及系统，本发明在模型上线后，以固定批次间隔触发漂移检测。通过最大均值差异计算在线样本与初始样本的特征分布漂移度，同时统计参数超界比例与成膜物理偏差，形成双模态判别规则：在有漂移度和物理偏离度都低于阈值时，就不更新模型；而在漂移度升高但超界比例较低时，就判定是慢速漂移，这个时候就使用带物理约束的弹性权重巩固算法进行增量调整，这样就可以让更新目标在新增数据损失和物理损失基础上，加入基于费雪信息矩阵的权重巩固项，对重要权重施加强约束，避免灾难性遗忘；还有在漂移度升高并且还超界比例超标时，判定为突变漂移，这样就先保留物理先验损失框架并基于新批次样本重新进行小样本训练，然后在工艺参数决策阶段内置物理可行域校验单元，对模型输出参数进行上下限限幅后再下发执行，闭环反馈阶段设置更新死区，避免微小波动引发频繁更新。