一种智能装修墙面平整度激光检测与自动找平系统的制作方法

本发明涉及建筑装饰智能化施工，具体为一种智能装修墙面平整度激光检测与自动找平系统。

背景技术：

1、随着建筑装饰行业产业化进程不断加快，精装修工程对墙面找平施工的质量与效率提出了更高要求。墙面找平通常划分为粗找平、细找平、精找平多道工序，其施工质量直接影响后续饰面层铺设与涂料涂刷效果。近年来，激光测距、工业互联网、边缘计算及人工智能等技术逐步向建筑施工领域渗透，推动墙面找平从人工经验依赖向数字化、智能化方向转型。如何整合多源施工数据、实现工序间参数协同优化并保证现场施工的连续性与可靠性，已成为本领域技术研发的重点方向。

2、公开号为cn104631804a的“一种抹墙机及其找平方法”，其通过光影投射装置和接收装置实现抹平板的机械角度定位，但其仅能在单机设备层面完成简单的光电传感找平，缺乏对多源施工数据的采集与融合能力，也没有涉及数据云端入库、参数模型演算或边缘闭环调控，无法适应多工序、多因素耦合的墙面找平场景。公开号为cn120374308a的“基于bim模型的大面积地坪高精度施工方法及系统”，其引入了联邦学习框架用于优化分仓策略，并采用区块链进行数据存证与数字孪生管理，但其技术方案专门针对大面积地坪混凝土浇筑施工，并未涉及墙面找平的分工序分层预测模型，也未给出跨工序误差补偿、边缘端闭环微调以及网络异常时的离线兜底机制，其联邦学习的应用对象与墙面找平的工艺需求存在本质差异，无法直接迁移至墙面粗找平、细找平、精找平的智能化控制中。

3、在现有的墙面找平施工中，多数方案仍然依赖施工人员的从业经验来确定砂浆摊铺厚度、刮刀速度等工艺参数，激光检测设备仅作为单一平整度测量工具，无法同步采集环境、原料、前置工序缺陷等关联信息，导致多源数据无法融合分析。各找平工序的参数相互独立设置，缺少对前道工序施工误差的传导补偿能力，容易造成误差逐级累积。此外，施工数据多以纸质台账记录，难以形成规模化工艺样本库，工艺优化依赖人工试错；设备控制高度依赖云端网络持续连通，一旦通信链路出现异常，智能设备便无法自主运算，不得不转回人工操作，且云端下发的参数无法根据现场实时偏差进行动态微调，缺乏闭环控制逻辑，最终导致墙面平整度波动大、施工可靠性难以保障。

技术实现思路

1、本发明的目的就是为了弥补现有技术的不足，提供了一种智能装修墙面平整度激光检测与自动找平系统，系统通过分级采集方式汇总多维度施工信息，经多源特征融合形成标准化数据集，由云端完成数据加密、清洗与分类存储；依托联邦学习实现本地原始数据不外传，分步搭建工序预测模型，结合跨阶修正算法优化施工基准参数，边缘端依据现场偏差闭环微调参数并分区存储施工数据，数据分别留存本地与回传云端，实现数据循环复用，链路运维模块实时监控网络状态，通信故障时启用本地轻量化模型离线作业，配合中台服务持续迭代采集规则与模型配置，整套方案实现墙面找平全流程数字化管控，提升找平精度与设备运行稳定性，适配多场景装修施工，助力墙面找平工序智能化转型升级。

2、本发明为解决上述技术问题，提供如下技术方案：一种智能装修墙面平整度激光检测与自动找平系统，包括采集管控模块、云端入库模块、参数演算模块、边缘整定模块、链路运维模块。

3、所述采集管控模块用于按规范采集粗找平、细找平、精找平工序施工数据并标注工况，采用多源特征融合算法融合生成标准化施工特征数据集发送至云端入库模块；

4、所述云端入库模块用于通过数字工业互联网接收并加密所述数据集，清洗后按工序存入云端工艺知识库和联邦学习样本池；

5、所述参数演算模块用于从所述知识库和样本池调取数据，利用联邦学习训练采用卷积神经网络架构的分层预测模型预测单工序基准参数，训练跨工序联动预测模型计算前道工序对后道工序的影响补偿值；采用跨阶基准修正算法，利用所述影响补偿值修正所述基准参数，生成指令包经工业互联网下发至边缘整定模块；

6、所述边缘整定模块用于接收所述指令包，采用现场闭环微调算法基于实时偏差微调所述基准参数，经pid控制生成执行参数并下发至墙面自动找平执行机构，由墙面自动找平执行机构按照执行参数完成对应工序的墙面找平施工作业；施工过程中实时采集的平整度、工况与设备运行数据统一缓存至边缘端本地存储单元形成缓存数据，施工后缓存数据分两路留存和回传，切换下一工序控制逻辑；

7、所述链路运维模块由时延探测单元、本地模型切换单元、离线数据归集单元、中台交互单元构成，用于监测通信链路时延，时延异常时调用本地轻量化平整度预测模型，利用缓存数据离线参数计算替代云端演算；恢复后上传离线数据，依托中台提供诊断、推荐和更新服务，根据反馈调整采集规则与模型配置。

8、进一步地，所述采集管控模块执行粗找平、细找平、精找平工序施工数据采集操作时，粗找平按照每5-10秒一次的固定低频周期完成数据采集，细找平按照每1-2秒一次的连续中频周期完成数据采集，精找平按照每秒10次以上的密集高频周期完成数据采集，采集过程录入的施工数据包含墙面平整度数据、基面类型标识数据、环境温湿度数据、砂浆性能数据、前置工序缺陷标记数据，全部录入数据绑定对应工况标识内容。

9、更进一步地，所述云端入库模块接收标准化施工特征数据集的过程划分两种传输时段，施工作业时段拆分数据集为多份子数据包分段完成加密传输，停工空闲时段归集全量数据集统一打包完成加密传输；云端入库模块的数据清洗操作剔除字段空白内容、数值超出工况合理区间的异常内容，剩余内容按照粗找平、细找平、精找平的划分规则分别存入云端工艺知识库对应分区以及联邦学习样本池。

10、更进一步地，所述参数演算模块的联邦学习训练流程遵循固定数据交互规范，所有数据采集终端的原始施工采集数据固定存储于终端本地存储区域且不参与网络传输；数据采集终端仅向参数演算模块传输模型梯度迭代数据与工序统计数据；模型梯度迭代数据包含各工序工艺参数梯度更新数值、特征权重梯度更新数值，工序统计数据包含单工序施工工况标签数据、工序特征归集数量数据；参数演算模块对全部终端上传的模型梯度迭代数据进行汇总归集后，分别对应匹配粗找平工序、细找平工序、精找平工序，独立完成各工序专属分层预测模型的迭代训练；各工序分层预测模型均采用输入层、两级特征提取隐藏层、输出层的网络架构，输入层维度与标准化施工特征数据集的特征维度一致，两级隐藏层分别设置64个、32个卷积核用于提取多源施工特征，输出层输出对应工序的基准参数，包含砂浆摊铺厚度、刮刀行进速度、刮刀下压量三类核心控制参数。

11、更进一步地，所述参数演算模块为粗找平分层预测模型、细找平分层预测模型、精找平分层预测模型分别匹配独立的平整度数值限定区间，粗找平分层预测模型绑定-2mm至+2mm的平整度数值限定区间，细找平分层预测模型绑定-1mm至+1mm的平整度数值限定区间，精找平分层预测模型绑定-0.5mm至+0.5mm的平整度数值限定区间；跨阶基准修正算法完成单次参数运算后，即时将修正后的运算参数对应匹配当前施工工序的平整度数值限定区间完成数值比对；修正后的运算参数数值处于对应工序平整度数值限定区间内部时，保留当前修正后的运算参数；修正后的运算参数数值超出对应工序平整度数值限定区间时，放弃当前修正后的运算参数，重新调取标准化施工特征数据集、基准参数、影响补偿值，再次执行跨阶基准修正算法的参数运算流程；若连续3次运算结果仍超出限定区间，则采用当前工序中上一次校验合格的有效运算参数作为当前运算参数，并生成告警信息。

12、更进一步地，所述边缘整定模块记录单道找平工序完整施工周期内的全部施工数据，完整施工周期涵盖工序启动时刻至工序终止时刻的全部时序数据；边缘整定模块调取完整施工周期内归集的全部施工数据，匹配当前施工工序对应的平整度限定数值区间逐组完成数据比对；全部时序施工数据均匹配对应工序平整度限定数值区间后，边缘整定模块执行全量施工数据的缓存存储操作。

13、更进一步地，所述边缘整定模块缓存存储的施工数据分为两路进行独立处理，第一路数据链路将缓存施工数据持续存储于边缘本地专属存储分区，当下一工序启动数据采集操作时，边缘本地专属存储分区内的缓存数据作为历史工况特征参数，参与下一工序的标准化采集数据集的构建；第二路数据链路将缓存施工数据按照数字工业互联网统一封装格式完成打包处理，经由数字工业互联网上行加密通道传输至云端入库模块；两路数据链路执行完成后，边缘整定模块调用预设工序逻辑配置文件，完成当前工序至下一工序控制逻辑的切换操作。

14、更进一步地，所述链路运维模块配置100ms的固定通信时延判定阈值，按照固定时序采集频率持续获取数字工业互联网上行链路、下行链路的实时时延数值，完成实时时延数值与预设通信时延判定阈值的比对操作，在实时时延数值大于100ms或上下行链路存在持续性数据中断工况时，生成本地模型调用指令并读取边缘本地预先存储的轻量化平整度预测模型程序文件。

15、更进一步地，所述链路运维模块在识别到数字工业互联网通信链路由异常状态切换为正常连通状态后，锁定链路异常工况对应的完整时间戳区间，归集该时间戳区间内的施工采集数据、离线状态参数计算记录、离线工况参数微调系数数据，对全部归集数据执行统一格式规整处理，将规整后的完整数据文件通过数字工业互联网上行通道完成批量上传，上传目标位置为云端入库模块。

16、更进一步地，所述链路运维模块调用数字工业互联网中台提供的诊断服务、推荐服务、更新服务三类独立数字化服务单元，诊断服务单元对全链路时序传输数据、模型运算数据、工序参数数据执行逐条核查与记录操作，推荐服务单元依据实时工况标签匹配云端工艺知识库内部对应的参数数据集，更新服务单元生成模型权重参数、工序约束参数的配置修改表单，汇总三类数字化服务单元运行产生的全部台账数据，所述链路运维模块依据台账数据修订采集管控模块的数据采集时序规则、数据标注规则以及参数演算模块的模型迭代训练参数、阈值配置参数。

17、与现有技术相比，该智能装修墙面平整度激光检测与自动找平系统具备如下有益效果：

18、一、本发明通过分层分级的数据采集架构搭配多源特征融合处理模式，依托不同找平工序差异化采集逻辑整合多维度施工影响要素，结合云端与终端分离的数据传输规则落地联邦学习运算逻辑，终端原始施工数据留存本地不向外传输，仅交互模型迭代相关数据，既能全面汇总墙面施工全维度环境、物料、工序缺陷相关信息，形成统一规范的标准化数据集，又从数据源头规避原始施工信息外泄风险，依托云端知识库与样本池完成数据规整分类存储，借助分层模型适配各道找平工序施工要求，依靠跨工序补偿逻辑修正基准参数，打破单一工序参数独立核算的局限，统筹前置施工瑕疵、环境变化、原料性能带来的施工干扰，持续优化找平基准的精准度，从数据采集与算法演算层面提升墙面找平参数适配性，有效缩减施工阶段产生的平整度误差。

19、二、本发明通过边缘就地整定与链路异常离线兜底的双层运行架构，搭配闭环微调算法和中台多维运维服务体系，实现云端远程运算与现场就地调控的灵活切换，边缘端接收云端修正参数后结合现场实时工况动态微调生成落地执行参数，施工数据分两条路径分别留存本地、回传云端，本地缓存数据可作为后续工序建模参考，回传数据持续丰富云端样本储备，实现施工数据闭环复用，链路通信出现异常时依托本地轻量化模型离线完成参数核算，网络恢复后批量补齐离线阶段数据，再经由中台多类数字化服务反向优化采集规则与模型配置，形成全流程数据反馈迭代机制，规避网络故障造成施工停滞，降低通信环境波动对智能找平作业的负面影响，稳步提升整套设备现场施工的运行可靠性。

20、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。