[发明专利]一种基于光催化的钴基合金加工方法及加工平台

权利要求书

1.一种基于光催化的钴基合金加工方法，其特征在于，包括以下步骤：

(1)化学反应过程优化调整；

步骤1)针对加工对象的工控机操作系统调用存储器内数据库储存的加工对象样例数m，单位是个、加工评价指标Q，单位是mm/s；其中加工对象样例数m个对应的化学反应材料和条件包括碱性黄40溶剂浓度C1，单位是g/L、TiO₂浓度C2，单位是g/L、紫外光照强度I，单位是lx以及温度T，单位是℃；加工评价指标Q，单位是mm/s包括加工精度a，单位是mm、表面粗糙度r，单位是μm以及加工时长h，单位是s，其中Q值越大加工质量越好，其数学公式如下：

步骤2)建立线性回归模型函数公式Q'如下,w₀、w₁、w₂、w₃为权重参数随机初始化:

Q'＝w₀+w₁×C1+w₂×C2+w₃×L+w₄×T (2)

步骤3)建立特征向量x，x是由碱性黄40溶剂浓度C1，TiO2浓度C2，紫外光照强度I，温度T组成的向量，x＝[C1,C2,I,T]；建立损失函数，损失值L₁来衡量由公式(2)得到的线性回归模型输出Q’和由公式(1)得到的实际的加工评价指标Q之间的差异，结果公式如下，Qⁱ和Q'ⁱ分别为第i次加工实际评价指标值和预测评价指标值:

步骤4)利用随机批量梯度下降算法来迭代更新权重值直至达到指定迭代次数，预设置1000次，计算出损失值最小时的权重参数值，采用如下迭代公式对权重值进行更新，α是学习率一般取0.001，t表示迭代轮次，t在迭代开始时设置为0,预先通过程序产生高斯分布的随机数初始化，一共更新1000次也就是需要计算1000次公式(4)，每一次都需将上一次计算得到的四个权重参数代回公式(4)计算这一轮更新后的

其中均代表迭代计算；

步骤5)将迭代完成之后就是对应的w₀、w₁、w₂、w₃权重值代入公式(2)就可以建立出预测模型，通过预测模型就可以预测出不同碱性黄40溶剂浓度，TiO2浓度，紫外光照强度，温度下加工评价指标的值；

步骤6)在根据预测模型求解出当Q＇值最大时，即加工评价指标最高时，碱性黄40溶剂浓度C1，TiO2浓度C2，紫外光照强度L，温度T分别对应的值；再由操作系统将参数指令化，传达给紫外光灯和抛光液添加装置，从而达到化学反应过程优化调整的目的；

(2)优化调整机械臂抛光路径；

步骤①针对加工对象所述工控机操作系统调用云服务器数据库储存的期望轨迹y_k,由k个坐标点构成，策略网络训练过程中实际运动轨迹为y'_k,建立误差函数e_k，公式如下:

e_k＝y_k-y'_k (5)

通过策略网络模型的训练使e_k值尽可能的变小，也就是让抛光轨迹的误差降低下来；

步骤②根据误差值设定奖励值R，误差越小奖励值越大，为了让策略网络更好的理解未来和潜在的奖励，这里使用未来衰减的奖励，假设行动action为次，R_k为第K次获得的奖励，其公式如下:

R＝R₁+γR₂+γ²R₃+...+γ^k-1R_k(γ为衰减系数取0.99)(6)；

步骤③构建神经网络模型，其输入为机械臂当前的坐标值，输出为机械臂朝各个方位运动的概率值矩阵p＝[p₁,p₂,p₃,...,p_n](n由设定的方位数决定)，可以拥用来选择行动；

步骤④建立损失函数L₂,采用交叉熵损失函数，公式如下:

L₂＝-(r*logp)/n (7)

使得获得较多奖励值的行动的概率提高，获得较低奖励值行动的概率降低；

步骤⑤将损失函数代入，使用梯度下降算法对神经网络中的权重值进行迭代更新，最终得到一个能提供最优策略的策略网络，基于策略网络可对机械臂抛光路径进行优化调整。