风力发电机部件智能化加工制造系统及其制造方法与流程

技术特征：
1.一种风力发电机部件智能化加工制造系统，其特征在于，包括：成型面数据采集模块，用于获取由相机采集的加工成型的风力发电机部件的多个内部视角图像和多个外部视角图像；内成型面单独编码模块，用于将所述多个内部视角图像中各个内部视角图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个内部成型特征矩阵；内成型面关联编码模块，用于将所述多个内部成型特征矩阵排列为三维输入张量后通过作为过滤器的第二卷积神经网络以得到内部成型全局特征向量；外成型面单独编码模块，用于将所述多个外部视角图像中各个外部视角图像分别通过使用空间注意力机制的第三卷积神经网络模型以得到多个外部成型特征矩阵；外成型面关联编码模块，用于将所述多个外部成型特征矩阵排列为三维输入张量后通过作为过滤器的第四卷积神经网络以得到外部成型全局特征向量；第一特征值校正模块，用于基于所述外部成型全局特征向量，对所述内部成型全局特征向量中各个位置的特征值进行校正以得到校正后内部成型全局特征向量；第二特征值校正模块，用于基于所述内部成型全局特征向量，对所述外部成型全局特征向量中各个位置的特征值进行校正以得到校正后外部成型全局特征向量；内外成型面差异特征化模块，用于计算所述校正后内部成型全局特征向量相对于所述校正后外部成型全局特征向量的成型转移矩阵作为分类特征矩阵；以及成型质量评估结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示加工成型的风力发电机部件的成型质量是否满足预定标准。2.根据权利要求1所述的风力发电机部件智能化加工制造系统，其特征在于，所述内成型面单独编码模块，进一步用于：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述第一卷积神经网络模型的最后一层输出的所述特征矩阵为所述多个内部成型特征矩阵。3.根据权利要求2所述的风力发电机部件智能化加工制造系统，其特征在于，所述内成型面关联编码模块，进一步用于：所述作为过滤器的第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第二卷积神经网络的最后一层的输出为所述内部成型全局特征向量，所述作为过滤器的第二卷积神经网络的第一层的输入为所述三维输入张量。4.根据权利要求3所述的风力发电机部件智能化加工制造系统，其特征在于，所述外成
型面单独编码模块，进一步用于：所述使用空间注意力机制的第三卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述第三卷积神经网络模型的最后一层输出的所述特征矩阵为所述多个外部成型特征矩阵。5.根据权利要求4所述的风力发电机部件智能化加工制造系统，其特征在于，所述外成型面关联编码模块，进一步用于：所述作为过滤器的第四卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第四卷积神经网络的最后一层的输出为所述外部成型全局特征向量，所述作为过滤器的第四卷积神经网络的第一层的输入为所述三维输入张量。6.根据权利要求5所述的风力发电机部件智能化加工制造系统，其特征在于，所述第一特征值校正模块，进一步用于：基于所述外部成型全局特征向量，以如下公式对所述内部成型全局特征向量中各个位置的特征值进行校正以得到所述校正后内部成型全局特征向量；其中，所述公式为：其中f
1i
表示所述内部成型全局特征向量的第i个位置的特征值，且f
1j
表示所述内部成型全局特征向量的第j个位置的特征值，d(f
1i
,f
1j
)表示所述特征值f
1i
和所述特征值f
1j
之间的距离，ρ表示用于搜索空间对比控制的超参数。7.根据权利要求6所述的风力发电机部件智能化加工制造系统，其特征在于，所述第二特征值校正模块，进一步用于：基于所述内部成型全局特征向量，以如下公式对所述外部成型全局特征向量中各个位置的特征值进行校正以得到所述校正后外部成型全局特征向量；其中，所述公式为：其中f
2i
表示所述外部成型全局特征向量的第i个位置的特征值，且f
2j
表示所述外部成型全局特征向量的第j个位置的特征值，d(f
2i
,f
2j
)表示所述特征值f
2i
和所述特征值f
2j
之间的距离，ρ表示用于搜索空间对比控制的超参数。8.根据权利要求7所述的风力发电机部件智能化加工制造系统，其特征在于，所述内外
成型面差异特征化模块，进一步用于：以如下公式计算所述校正后内部成型全局特征向量相对于所述校正后外部成型全局特征向量的成型转移矩阵作为所述分类特征矩阵；其中，所述公式为：m＝v1*v2其中v1表示所述校正后内部成型全局特征向量，m表示所述分类特征矩阵，v2表示所述校正后外部成型全局特征向量。9.根据权利要求8所述的的风力发电机部件智能化加工制造系统，其特征在于，所述风力发电机部件为风力发电机的中箱体。10.一种风力发电机部件智能化加工制造方法，其特征在于，包括：获取由相机采集的加工成型的风力发电机部件的多个内部视角图像和多个外部视角图像；将所述多个内部视角图像中各个内部视角图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个内部成型特征矩阵；将所述多个内部成型特征矩阵排列为三维输入张量后通过作为过滤器的第二卷积神经网络以得到内部成型全局特征向量；将所述多个外部视角图像中各个外部视角图像分别通过使用空间注意力机制的第三卷积神经网络模型以得到多个外部成型特征矩阵；将所述多个外部成型特征矩阵排列为三维输入张量后通过作为过滤器的第四卷积神经网络以得到外部成型全局特征向量；基于所述外部成型全局特征向量，对所述内部成型全局特征向量中各个位置的特征值进行校正以得到校正后内部成型全局特征向量；基于所述内部成型全局特征向量，对所述外部成型全局特征向量中各个位置的特征值进行校正以得到校正后外部成型全局特征向量；计算所述校正后内部成型全局特征向量相对于所述校正后外部成型全局特征向量的成型转移矩阵作为分类特征矩阵；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示加工成型的风力发电机部件的成型质量是否满足预定标准。

技术总结
本申请涉及智能制造的领域，其具体地公开了一种风力发电机部件智能化加工制造系统及其制造方法，其通过采用基于深度学习的卷积神经网络模型来作为特征提取器，利用加工成型的风力发电机部件的多个内部和外部视角图像的高维隐含特征之间的相似度和差异性的关联特征来对于所述加工成型的风力发电机部件的成型质量进行检测判断，以保证风力发电机的中箱体的成型质量以及风力风电机的工作性能。体的成型质量以及风力风电机的工作性能。体的成型质量以及风力风电机的工作性能。


技术研发人员：王亚飞 高鹏飞 杨峰
受保护的技术使用者：德玛克（长兴）精密机械有限公司
技术研发日：2022.08.30
技术公布日：2022/11/18