尖锐声脉冲的主要原因是过度打磨。在手工打磨中,突然出现的尖锐声脉冲刺激工人的耳朵,会损伤听力,造成听力下降,甚至造成耳膜穿孔、,导致工作质量下降。在机械打磨过程中,声音可能会超过设备的警报,这可能会在设备运行过程中对工人的健康和设备造成损害。对于智能系统,由于铸造变形结构的不确定性,预测可能不准确,并且容易产生突然尖锐的声音脉冲。这可能导致设备和工件损坏,并可能导致严重事故。
铸造后处理过程中环境噪声大,迫切需要工业机器人实现无人化铸造后处理。有必要研究和分析该技术,以克服打磨过程中高密度粉尘、大振动、高温碎屑飞溅和尖锐声脉冲的挑战。除了打磨过程中的挑战之外,铸件实体设计中的非结构特征和铸造过程中整体倾斜形状的时间变化对铸件的后处理有严重影响。
根据这一框架,Yasuhiro Aoki于2019年提出将PointNet和LK算法扩展为单一可训练的递归深度神经网络,为深度学习在点云配准中的应用开辟了新的探索路径.2020年,何提出了PointNet++和ICP相结合的注册方法。PointNet++可以提取多个用作注册基础的特征,使用ICP算法计算旋转和平移。近,一些研究人员提出了智能配准的解决方案。刘等提出了一种基于深度学习的鲁棒点云配准方法称为点云深度循环网,利用基于主成分分析的平差网络快速调整两片点云之间的初始位置。Perez提出了一种刚性点云配准方法,称为点云配准学习(PREL),它允许配准具有高位移或遮挡的点云。PREL算法不需要迭代过程,并且以非参数方式估计点分布。在高度闭塞的点集中,ICP方法显示平均均方根误差(RMSE)为98.8,其次是深度近点32.51和PREL 0.75。
磨领域相关文献的研究表明,三维神经网络算法的效率低于传统的配准算法。迄今为止,尽管智能配准算法在准确性方面具有良好的性能,但是计算时间长且成本高,而传统算法快速且。由于智能技术的不断进步和算法的不断更新,智能配准算法比传统配准算法更有潜力。
设计模型用于比较待抛光的工件。结果,一些待抛光的缺陷被检测到,并且通过传感装置的反馈实时获得抛光工件的情况。从设计入手,减少铸件后处理和抛光过程中其他工序产生的误差。
5.总结和预测
上一部分可以总结如下。随着需求的变化和现代技术的进步,打磨方法正在发展。
根据表2根据手工经验,手工方法可以用于加工几乎任何铸件打磨,这是灵活的。