(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210898104.3 (22)申请日 2022.07.28 (71)申请人 德玛克 （长兴） 精密机 械有限公司 地址 313100 浙江省湖州市长兴县 太湖街 道发展大道 2587号2号厂房 (72)发明人 王亚飞　高鹏飞　杨峰　 (74)专利代理 机构 北京恒泰铭睿知识产权代理 有限公司 1 1642 专利代理师 郭建明 (51)Int.Cl. G06Q 50/04(2012.01) G06Q 10/10(2012.01) G06V 10/10(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06F 17/16(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 用于机械部件的精密智能化加工制造系统 及其制造方法 (57)摘要 本申请涉及智能制造的领域， 其具体地公开 了一种用于机械部件的精密智能化加工制造系 统及其制造方法， 其采用基于人工智能的产品质 量检测技术， 通过卷积神经网络模 型来对加工成 型的泵体的各个内外视角图像进行高维的隐含 关联特征挖掘， 并利用所述各个内外视角图像 之 间的差异度与相似度的关联性来对于产品的质 量进行检测判断， 以保证所述泵体的成型质量以 及压缩机的工作性能。 权利要求书4页 说明书15页 附图5页 CN 115239515 A 2022.10.25 CN 115239515 A 1.一种用于 机械部件的精密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泵体的六个 内部视角图像和 六个外部视角图像， 其中， 所述六个内部视角图像为第一至第六图像， 所述六个外部视角图 像为第七至第十二图像； 内成型面数据编码模块， 用于将所述第 一至第六图像中各个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第一至第六内部特 征矩阵； 外成型面数据编码模块， 用于将所述第七至第十二图像中各个图像通过使用空间注意 力机制的第二卷积神经网络模型以得到第七至第十二外 部特征矩阵； 内外成型面特征差异模块， 用于分别计算所述第 一至第六内部特征矩阵和所述第七至 第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征 矩阵； 预分类模块， 用于将所述第 一至第六差分特征矩阵中各个差分特征矩阵分别通过预分 类器以得到第一至第六概 率值； 预分类隐含关联模块， 用于将所述第 一至第六概率值排列为概率输入向量后输入一维 卷积层以得到概 率关联特征向量； 校正模块， 用于分别对所述第 一至第六差分特征矩阵中各个差分特征矩阵中各个位置 的特征值进行 校正以得到校正后第一至第六差分特 征矩阵； 融合模块， 用于以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所 述校正后第一至第六差分特 征矩阵的按位置加权和以得到分类特 征矩阵； 以及 加工成型结果评估模块， 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泵体的成型质量是否满足预定标准。 2.根据权利要求1所述的用于机械部件的精密智能化加工制造系统， 其特征在于， 所述 内成型面数据编码模块， 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第 一至第六 内部特征矩阵。 3.根据权利要求2所述的用于机械部件的精密智能化加工制造系统， 其特征在于， 所述 外成型面数据编码模块， 进一步用于： 所述使用空间注意力机制的第二卷积神经网络模型 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；权　利　要　求　书 1/4 页 2 CN 115239515 A 2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 二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第七至第十 二外部特征矩。 4.根据权利要求3所述的用于机械部件的精密智能化加工制造系统， 其特征在于， 所述 内外成型面特 征差异模块， 包括： 第一差分单元， 用于计算所述第 一内部特征矩阵和所述第七外部特征矩阵的按位置差 分以得到所述第一差分特 征矩阵； 第二差分单元， 用于计算所述第 二内部特征矩阵和所述第八外部特征矩阵的按位置差 分以得到所述第二差分特 征矩阵； 第三差分单元， 用于计算所述第 三内部特征矩阵和所述第九外部特征矩阵的按位置差 分以得到所述第三差分特 征矩阵； 第四差分单元， 用于计算所述第四内部特征矩阵和所述第十外部特征矩阵的按位置差 分以得到所述第四差分特 征矩阵； 第五差分单元， 用于计算所述第五内部特征矩阵和所述第十一外部特征矩阵的按位置 差分以得到所述第五差分特 征矩阵； 第六差分单元， 用于计算所述第六内部特征矩阵和所述第十二外部特征矩阵的按位置 差分以得到所述第六差分特 征矩阵。 5.根据权利要求4所述的用于机械部件的精密智能化加工制造系统， 其特征在于， 所述 预分类模块， 包括： 全连接编码子单元， 用于使用所述预分类器的至少一个全连接层对所述第 一至第六差 分特征矩阵中各个差分特 征矩阵进行全连接编码以得到多个预分类特 征向量； 以及 预分类概率计算子单元， 用于分别将所述多个预分类特征向量中各个预分类特征向量 输入Softmax分类函数以得到所述第一至第六概 率值。 6.根据权利要求5所述的用于机械部件的精密智能化加工制造系统， 其特征在于， 所述 预分类隐含关联模块， 包括： 输入向量构造 子单元， 用于将所述第一至第六概 率值排列为所述 概率输入向量； 一维卷积子单元， 用于使用所述一维卷积层以如下公式对所述概率输入向量进行一维 卷积编码以提取出所述概率输入向量中各个位置的特征值间的高维隐含关联特征， 其中， 所述公式为： 其中， a为卷积核在x方向上的宽度、 F为卷积核参数向量、 G为与卷积核函数运算的局部 向量矩阵， w 为卷积核的尺寸， X表示所述输入向量。 7.根据权利要求6所述的用于机械部件的精密智能化加工制造系统， 其特征在于， 所述 校正模块， 进一步用于： 以如下公式分别对所述第一至第六差分特征矩阵中各个差分特征 矩阵中各个位置的特 征值进行 校正以得到所述校正后第一至第六差分特 征矩阵； 其中， 所述公式为：权　利　要　求　书 2/4 页 3 CN 115239515 A 3