新能源动力电池铝壳防爆阀孔加工方法及系统与流程

1.本发明涉及参数控制技术领域，具体涉及新能源动力电池铝壳防爆阀孔加工方法及系统。


背景技术：

2.随着新能源电池的广泛应用和快速发展，电池的质量要求越来越高，其中，铝壳防爆阀孔作为电池的一个重要组成部分，对电池的安全性和稳定性起着至关重要的作用，因此，实现对铝壳防爆阀孔的精确加工和质量控制变得日益重要，电池铝壳防爆阀孔加工的发展旨在提高加工质量、提升安全性能和降低制造成本，以满足电池领域不断增长的市场需求。
3.而现今常用的电池铝壳防爆阀孔加工方法还存在着一定的弊端，现有技术中，铝壳防爆阀孔加工无法实现准确的尺寸控制和形状一致性，并且对阀孔成型质量的评估人工干预较多，容易受主观因素和经验限制，导致阀孔质量不稳定、评价标准不一致和判定不准确。因此，对于电池铝壳防爆阀孔加工还存在着一定的可提升空间。


技术实现要素：

4.本技术通过提供了新能源动力电池铝壳防爆阀孔加工方法及系统，旨在解决现有技术中，铝壳防爆阀孔加工无法实现准确的尺寸控制和形状一致性，并且对阀孔成型质量的评估人工干预较多，容易受主观因素和经验限制，导致存在阀孔质量不稳定、评价标准不一致和判定不准确的技术问题。
5.鉴于上述问题，本技术提供了新能源动力电池铝壳防爆阀孔加工方法及系统。
6.本技术公开的第一个方面，提供了新能源动力电池铝壳防爆阀孔加工方法，所述方法包括：接收待加工阀孔需求，其中，所述待加工阀孔需求包括目标电池铝壳信息和目标防爆阀信息；基于阀孔设计图谱对所述待加工阀孔需求进行阀孔设计参数解析，获得阀孔设计方案；获得第一激光割孔设备，并基于所述阀孔设计方案和所述第一激光割孔设备，构建阀孔加工寻优空间；根据所述阀孔加工寻优空间进行所述第一激光割孔设备的加工控制参数寻优，获得最优阀孔加工控制方案；基于所述最优阀孔加工控制方案控制所述第一激光割孔设备进行阀孔加工，获得加工完成的阀孔；基于图像采集设备对所述加工完成的阀孔进行图像采集，获得阀孔图像数据；基于孪生神经网络，对所述阀孔图像数据执行阀孔成型质量校验，获得阀孔成型质量校验结果；当所述阀孔成型质量校验结果为不通过时，获得阀孔加工优化指令。
7.本技术公开的另一个方面，提供了新能源动力电池铝壳防爆阀孔加工系统，所述系统用于上述方法，所述系统包括：需求获取模块，所述需求获取模块用于接收待加工阀孔需求，其中，所述待加工阀孔需求包括目标电池铝壳信息和目标防爆阀信息；参数解析模块，所述参数解析模块用于基于阀孔设计图谱对所述待加工阀孔需求进行阀孔设计参数解析，获得阀孔设计方案；寻优空间构建模块，所述寻优空间构建模块用于获得第一激光割孔
设备，并基于所述阀孔设计方案和所述第一激光割孔设备，构建阀孔加工寻优空间；参数寻优模块，所述参数寻优模块用于根据所述阀孔加工寻优空间进行所述第一激光割孔设备的加工控制参数寻优，获得最优阀孔加工控制方案；阀孔加工模块，所述阀孔加工模块用于基于所述最优阀孔加工控制方案控制所述第一激光割孔设备进行阀孔加工，获得加工完成的阀孔；图像采集模块，所述图像采集模块用于基于图像采集设备对所述加工完成的阀孔进行图像采集，获得阀孔图像数据；质量校验模块，所述质量校验模块用于基于孪生神经网络，对所述阀孔图像数据执行阀孔成型质量校验，获得阀孔成型质量校验结果；指令获取模块，所述指令获取模块用于当所述阀孔成型质量校验结果为不通过时，获得阀孔加工优化指令。
8.本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：
9.接收待加工阀孔需求，包括目标电池铝壳信息和目标防爆阀信息；进行阀孔设计参数解析，获得阀孔设计方案，获得第一激光割孔设备，构建阀孔加工寻优空间，进行第一激光割孔设备的加工控制参数寻优，获得最优阀孔加工控制方案，控制第一激光割孔设备进行阀孔加工，获得加工完成的阀孔，进行图像采集，获得阀孔图像数据，基于孪生神经网络，执行阀孔成型质量校验，获得阀孔成型质量校验结果，当不通过时，获得阀孔加工优化指令。解决了现有技术中，铝壳防爆阀孔加工无法实现准确的尺寸控制和形状一致性，并且对阀孔成型质量的评估人工干预较多，容易受主观因素和经验限制，导致存在阀孔质量不稳定、评价标准不一致和判定不准确的技术问题，实现了准确分析阀孔的尺寸、形状和表面质量等方面的问题，并且通过基于孪生神经网络的成型质量分析方法，对划分阀孔图像的成型质量进行客观评估，达到提升阀孔质量稳定性、提高评估的客观性和准确性的技术效果。
10.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
11.图1为本技术实施例提供了新能源动力电池铝壳防爆阀孔加工方法流程示意图；
12.图2为本技术实施例提供了新能源动力电池铝壳防爆阀孔加工方法中获得阀孔设计方案可能的流程示意图；
13.图3为本技术实施例提供了新能源动力电池铝壳防爆阀孔加工方法中构建阀孔加工寻优空间可能的流程示意图；
14.图4为本技术实施例提供了新能源动力电池铝壳防爆阀孔加工系统可能的结构示意图。
15.附图标记说明：需求获取模块10，参数解析模块20，寻优空间构建模块30，参数寻优模块40，阀孔加工模块50，图像采集模块60，质量校验模块70，指令获取模块80。
具体实施方式
16.本技术实施例通过提供新能源动力电池铝壳防爆阀孔加工方法，解决了现有技术中，铝壳防爆阀孔加工无法实现准确的尺寸控制和形状一致性，并且对阀孔成型质量的评
估人工干预较多，容易受主观因素和经验限制，导致存在阀孔质量不稳定、评价标准不一致和判定不准确的技术问题，实现了准确分析阀孔的尺寸、形状和表面质量等方面的问题，并且通过基于孪生神经网络的成型质量分析方法，对划分阀孔图像的成型质量进行客观评估，达到提升阀孔质量稳定性、提高评估的客观性和准确性的技术效果。
17.在介绍了本技术基本原理后，下面将结合说明书附图来具体介绍本技术的各种非限制性的实施方式。
18.实施例一
19.如图1所示，本技术实施例提供了新能源动力电池铝壳防爆阀孔加工方法，所述方法包括：
20.步骤s100：接收待加工阀孔需求，其中，所述待加工阀孔需求包括目标电池铝壳信息和目标防爆阀信息；
21.具体而言，通过扫描仪、测量工具等方式，获取目标电池铝壳信息，包括电池铝壳的尺寸、形状、材料等信息；通过规格书、技术文档等方式，获取目标防爆阀信息，包括防爆阀的类型、尺寸、要求等信息。对获取到的目标电池铝壳信息和目标防爆阀信息进行整理和记录，形成待加工阀孔需求，以便后续步骤对这些信息进行进一步的处理和分析。
22.步骤s200：基于阀孔设计图谱对所述待加工阀孔需求进行阀孔设计参数解析，获得阀孔设计方案；
23.进一步而言，如图2所示，本技术步骤s200包括：
24.步骤s210：基于大数据，获得多个样本加工阀孔需求和多个样本阀孔设计方案；
25.步骤s220：以样本加工阀孔需求为阀孔设计索引特征，以样本阀孔设计方案为阀孔设计响应特征；
26.步骤s230：根据所述多个样本加工阀孔需求，获得多个阀孔设计索引特征信息；
27.步骤s240：根据所述多个样本阀孔设计方案，得到多个阀孔设计响应特征信息；
28.步骤s250：根据所述多个样本加工阀孔需求和所述多个样本阀孔设计方案之间的对应关系，生成索引-响应映射关系；
29.步骤s260：基于知识图谱和所述索引-响应映射关系，根据所述阀孔设计索引特征、所述阀孔设计响应特征、所述多个阀孔设计索引特征信息和所述多个阀孔设计响应特征信息，生成所述阀孔设计图谱；
30.步骤s270：将所述待加工阀孔需求输入所述阀孔设计图谱，生成所述阀孔设计方案。
31.具体而言，基于大数据，采集已经完成加工并经过验证的阀孔需求和相应的设计方案，获取大量的样本加工阀孔需求和对应的样本阀孔设计方案。
32.将收集到的样本加工阀孔需求作为设计的输入变量，包括需求的尺寸、形状、几何要求、加工要求等；将收集到的样本阀孔设计方案作为设计的输出变量，包括设计方案的几何要求、加工参数、加工工艺等。
33.对多个样本加工阀孔需求进行整理和记录，包括需求的类型、尺寸、几何要求、加工要求等，分析多个样本加工阀孔需求中的共性和特征，提取出频率较高或者具有重要指标意义的特征，根据分析得到的特征，获得多个阀孔设计的索引特征信息，包括需求的常见特征、频率分布、数值范围等。
34.对多个样本阀孔设计方案进行整理和记录，包括设计方案的几何要求、加工参数、加工工艺等，分析多个样本阀孔设计方案中的共性和特征，提取出频率较高或者具有重要指标意义的特征，根据分析得到的特征，得到多个阀孔设计的响应特征信息，包括设计方案的常见特征、参数取值范围、优化结果等。
35.通过已有的记录或者数据库中的匹配，对多个样本加工阀孔需求和多个样本阀孔设计方案进行对应，使用关联规则、匹配算法等方法进行匹配和关联，确定每个样本加工阀孔需求与其对应的样本阀孔设计方案之间的关联关系，建立索引-响应映射关系表，用于记录每个样本加工阀孔需求与其对应的样本阀孔设计方案的对应关系。
36.基于知识图谱，构建相关的知识库，包括阀孔设计的相关领域知识、设计规范、加工工艺、经验规则等。结合所述索引-响应映射关系，通过在知识图谱中添加节点和属性，来将样本加工阀孔需求的索引特征和响应特征作为图谱的节点属性；根据所述多个阀孔设计索引特征信息和所述多个阀孔设计响应特征信息，通过将特征信息映射为节点属性值，来为图谱中的节点赋予相应的属性值；根据所述索引-响应映射关系，通过在知识图谱中添加边和属性，来将样本加工阀孔需求的索引关系和响应关系作为图谱的边属性。
37.结合知识图谱中的节点属性和边属性，生成所述阀孔设计图谱，这个图谱可以描述索引特征与响应特征之间的关联关系，并提供用于阀孔设计的参考和导航。
38.将待加工阀孔需求输入阀孔设计图谱，将需求中的索引特征作为输入，在图谱中进行查询和匹配，找到对应的响应特征，通过在图谱中查找与需求相匹配的节点和边，获取与需求相关的设计参数，根据图谱中获取的设计参数，形成阀孔设计方案，包括设计方案的几何要求、加工参数、加工工艺等。
39.步骤s300：获得第一激光割孔设备，并基于所述阀孔设计方案和所述第一激光割孔设备，构建阀孔加工寻优空间；
40.进一步而言，如图3所示，本技术步骤s300包括：
41.步骤s310：基于所述第一激光割孔设备，获得同组割孔设备；
42.步骤s320：以所述阀孔设计方案为检索约束，以所述同组割孔设备为检索主体；
43.步骤s330：基于所述检索约束和所述检索主体进行大数据采集，获得满足预设数量的多个样本阀孔加工控制方案；
44.步骤s340：根据所述多个样本阀孔加工控制方案，获得多个阀孔加工控制粒子，并将所述多个阀孔加工控制粒子添加至所述阀孔加工寻优空间。
45.具体而言，通过设备规格书、技术文档等方式确认第一激光割孔设备的类型和功能，在已知第一激光割孔设备的基础上，搜索并确认其他具有相同类型和功能的割孔设备，可以使用设备制造商的产品线或相关数据库进行搜索。确认找到的设备与第一激光割孔设备具有相同的工作原理、工作模式、加工能力等特性，将第一激光割孔设备和其他找到的同类型设备组成同组割孔设备。
46.以所述阀孔设计方案为检索约束，将需求中的几何要求、尺寸要求、加工参数等作为过滤条件，所述同组割孔设备为检索主体，对设备的类型、功能、使用条件等进行筛选和匹配。
47.针对每个选定的割孔设备，进行大数据采集，包括设备的加工参数、设备传感器采集的数据、设备运行状态等，根据所得到的大数据，分析和处理，获得满足预设数量的多个
样本阀孔加工控制方案，这些控制方案可以作为后续步骤中阀孔加工的参考和依据。
48.对所述多个样本阀孔加工控制方案进行分析和处理，提取加工控制参数和策略，根据加工控制参数和策略，生成多个阀孔加工控制粒子，每个粒子表示一组特定的加工控制参数，将所述多个阀孔加工控制粒子添加至所述阀孔加工寻优空间，以此在寻优空间中增加新的粒子，并更新寻优空间的状态，这个过程可以为后续的加工优化和控制提供多样化的参考和选择。
49.步骤s400：根据所述阀孔加工寻优空间进行所述第一激光割孔设备的加工控制参数寻优，获得最优阀孔加工控制方案；
50.进一步而言，本技术步骤s400包括：
51.步骤s410：基于所述阀孔加工寻优空间，获得第一阀孔加工控制粒子；
52.具体而言，针对所述阀孔加工寻优空间，根据其优化算法，例如粒子群优化算法，进行初次迭代，获取初次迭代结果，根据初次迭代结果，生成第一阀孔加工控制粒子作为初始解，这个粒子表示一组初始化的加工控制参数。
53.步骤s420：基于阀孔加工适应度分析模型对所述第一阀孔加工控制粒子进行适应度分析，获得第一阀孔加工适应度；
54.进一步而言，本技术步骤s420包括：
55.步骤s421：所述阀孔加工适应度分析模型包括阀孔加工适应度预测模型和阀孔加工适应度融合模型；
56.步骤s422：将所述第一阀孔加工控制粒子输入所述阀孔加工适应度预测模型，获得阀孔加工适应度预测结果，其中，所述阀孔加工适应度预测结果包括阀孔加工预测几何精度和阀孔加工预测表面粗糙度；
57.步骤s423：将所述阀孔加工适应度预测结果输入所述阀孔加工适应度融合模型，获得所述第一阀孔加工适应度，其中，所述阀孔加工适应度融合模型包括阀孔加工适应度融合函数，所述阀孔加工适应度融合函数为
58.fit＝e
ξ(a,b)
，
[0059][0060]
其中，fit表征第一阀孔加工适应度，ξ(a,b)表征适应度融合系数，a、b分别表征阀孔加工预测几何精度、阀孔加工预测表面粗糙度，a0、b0分别为预设最低阀孔加工预测几何精度、预设最低阀孔加工预测表面粗糙度，α、β分别为预设几何精度权重、预设表面粗糙度权重，且α+β＝1。
[0061]
具体而言，阀孔加工适应度预测模型基于已知的加工参数、材料特性、工艺规范等信息，使用数学模型等方法，对阀孔加工方案进行预测，得到预测的几何精度和表面粗糙度，这个模型可以帮助评估加工方案在加工前的性能和质量。
[0062]
阀孔加工适应度融合模型使用阀孔加工适应度融合函数，将预测的几何精度、表面粗糙度和其他相关评估指标综合考虑，计算出阀孔加工的适应度值，这个模型用于综合评估加工方案的优劣程度，并为后续的寻优过程提供方向和依据。
[0063]
将所述第一阀孔加工控制粒子的加工参数作为输入数据，输入到阀孔加工适应度预测模型中，加工参数包括加工参数、材料特性、刀具参数等，基于所述输入参数和所选的
预测模型，进行计算或仿真，得到阀孔加工的预测几何精度和表面粗糙度，将阀孔加工的预测几何精度和表面粗糙度作为阀孔加工适应度预测结果。
[0064]
将所述阀孔加工适应度预测结果作为输入数据，输入到阀孔加工适应度融合模型中，基于所述输入参数和上述融合函数，对阀孔加工的预测几何精度、表面粗糙度和其他相关评估指标进行综合计算，将所述综合计算得到的结果作为所述第一阀孔加工适应度。
[0065]
步骤s430：若所述第一阀孔加工适应度满足预设阀孔加工适应度，根据所述第一阀孔加工控制粒子，获得所述最优阀孔加工控制方案；
[0066]
步骤s440：若所述第一阀孔加工适应度不满足所述预设阀孔加工适应度，根据所述第一阀孔加工控制粒子进行迭代寻优，直至获得所述最优阀孔加工控制方案。
[0067]
具体而言，预设阀孔加工适应度是在阀孔加工过程中设定的一个预先确定的适应度目标值或范围，该值或范围代表了对阀孔加工方案的性能、质量或其他评估指标的要求，用于判断所述第一阀孔加工适应度是否达到预设要求。将所述第一阀孔加工适应度与预设阀孔加工适应度进行比对，如果所述第一阀孔加工适应度满足预设要求，则所述第一阀孔加工控制粒子即为所述最优阀孔加工控制方案，在结果中记录所述最优阀孔加工控制方案的加工参数、加工策略等细节信息。
[0068]
对所述第一阀孔加工控制粒子基于优化算法进行迭代优化，例如粒子群优化算法，在每次迭代中，根据优化算法更新加工控制粒子的加工参数和策略，对更新后的加工控制粒子进行阀孔加工适应度分析，评估优化后的方案质量，判断优化后的方案是否满足预设阀孔加工适应度，如果满足，则所述最优阀孔加工控制方案即为优化后的方案，如果未满足预设阀孔加工适应度，继续迭代优化过程，直到获得满足预设要求的最优阀孔加工控制方案为止。
[0069]
步骤s500：基于所述最优阀孔加工控制方案控制所述第一激光割孔设备进行阀孔加工，获得加工完成的阀孔；
[0070]
具体而言，基于最优阀孔加工控制方案，确定加工控制参数和策略，包括激光功率、扫描速度、加工路径、气体流量等，针对所述第一激光割孔设备，通过设备控制界面、参数设置等方式进行加工控制设置和调整。根据所设定的加工控制参数和策略，控制所述第一激光割孔设备进行阀孔加工，据所述最优阀孔加工控制方案的要求，控制加工过程至加工完成，获得加工完成的阀孔。
[0071]
步骤s600：基于图像采集设备对所述加工完成的阀孔进行图像采集，获得阀孔图像数据；
[0072]
具体而言，确定适用的图像采集设备，包括相机、扫描仪等设备，将所述加工完成的阀孔放置在图像采集设备的工作平台上，确保阀孔对焦和稳定，启动图像采集设备，进行单张图片采集或连续图像序列的采集，获取阀孔的图像数据。
[0073]
步骤s700：基于孪生神经网络，对所述阀孔图像数据执行阀孔成型质量校验，获得阀孔成型质量校验结果；
[0074]
进一步而言，本技术步骤s700包括：
[0075]
步骤s710：对所述阀孔图像数据进行网格划分，获得m个划分阀孔图像；
[0076]
步骤s720：基于孪生神经网络，分别对所述m个划分阀孔图像进行成型质量分析，获得m个阀孔成型质量系数；
[0077]
步骤s730：基于所述m个阀孔成型质量系数进行均值计算，获得阀孔综合成型质量系数；
[0078]
步骤s740：判断所述阀孔综合成型质量系数是否满足预设综合成型质量系数；
[0079]
步骤s750：当所述阀孔综合成型质量系数满足所述预设综合成型质量系数，获得的阀孔成型质量校验结果为通过。
[0080]
具体而言，根据实际需求，选择适合的网格划分方式，如等分、自适应等，根据网格划分的精细程度和需要进行的成型质量分析，确定所需的网格数量m，根据选定的网格划分方法和网格数量m，在阀孔图像上进行网格划分，将图像分割成m个网格，每个网格代表部分阀孔图像。
[0081]
构建孪生神经网络模型，孪生神经网络是一种特殊的神经网络结构，其中包含两个相同结构的子网络，分别用于处理两个输入，比较它们的相似性或执行匹配任务。将训练好的孪生神经网络模型应用于每个划分阀孔图像，通过计算成型质量系数或进行分类预测，对阀孔的成型质量进行分析，根据对每个划分阀孔图像的成型质量分析结果，获得m个阀孔成型质量系数。
[0082]
将所述m个阀孔成型质量系数进行求和，得到总和，将总和除以阀孔数量m，得到阀孔的综合成型质量系数，这个值代表了所有划分阀孔图像的成型质量的整体度量。
[0083]
根据具体的质量要求和设计标准，确定所需的预设综合成型质量系数，将所述阀孔综合成型质量系数与预设综合成型质量系数进行比较，根据比较结果，判断阀孔的成型质量是否满足预设要求。
[0084]
如果所述阀孔综合成型质量系数满足预设综合成型质量系数，即满足质量要求，获得的阀孔成型质量校验结果为通过，这意味着阀孔的成型质量符合预期要求，并且通过了质量校验，这是一个肯定的结果，表明阀孔的形状、尺寸、表面质量等方面均满足预设的标准；如果所述阀孔综合成型质量系数不满足预设综合成型质量系数，即未满足质量要求，获得的阀孔成型质量校验结果为不通过。
[0085]
进一步而言，本技术步骤s720包括：
[0086]
步骤s721：基于所述m个划分阀孔图像，获得第一划分阀孔图像；
[0087]
步骤s722：基于所述第一划分阀孔图像，根据所述阀孔设计方案，获得第一划分阀孔标准图像；
[0088]
步骤s723：基于所述孪生神经网络，构建孪生阀孔标准度识别模型；
[0089]
步骤s724：将所述第一划分阀孔图像和所述第一划分阀孔标准图像输入所述孪生阀孔标准度识别模型，获得第一划分阀孔标准度；
[0090]
步骤s725：将所述第一划分阀孔标准度输出为第一阀孔成型质量系数，并将所述第一阀孔成型质量系数添加至所述m个阀孔成型质量系数。
[0091]
具体而言，对于得到的m个划分阀孔图像，选择其中一个图像作为第一划分阀孔图像，重复上述步骤，对于m个划分阀孔图像中的每一个图像，将其分别记为第一划分阀孔图像。
[0092]
将所述第一划分阀孔图像作为输入，根据阀孔设计方案，在图像上进行适当的处理和编辑，例如对阀孔图像进行裁剪、滤波或几何变换等操作，使其符合阀孔的预设设计要求，获得第一划分阀孔标准图像，该图像反映了阀孔的理想形状、尺寸和表面质量，作为成
型质量分析和比较的参考标准。
[0093]
确定孪生阀孔标准度识别模型的结构和参数，包括网络的层数、神经元数量、激活函数、损失函数等，根据所选的第一划分阀孔图像和第一划分阀孔标准图像，准备包含成对图像和相应标签的训练数据集，其中，成对图像由阀孔成型图像和阀孔标准图像组成，标签则表示两个图像之间的差异程度。使用准备好的成对图像和标签，对孪生阀孔标准度识别模型进行训练，训练的目标是使得模型能够根据阀孔成型图像与阀孔标准图像之间的差异，学习并分配相应的标准度分数。
[0094]
完成模型训练后，进行验证和调优，使用验证数据集对模型进行评估，根据评估结果进行模型参数调整和优化，以提高模型的准确性和鲁棒性，获取满足要求的孪生阀孔标准度识别模型，这个模型用于后续的阀孔成型质量分析，通过比较阀孔成型图像与阀孔标准图像之间的差异，为阀孔的成型质量进行评估和分配标准度分数。
[0095]
将所述第一划分阀孔图像和第一划分阀孔标准图像作为输入数据，输入孪生阀孔标准度识别模型，模型根据所提供的图像对进行计算和分析，输出第一划分阀孔的标准度，这个标准度代表了阀孔成型图像与阀孔标准图像之间的相似度或差异度，用于评估阀孔的成型质量。
[0096]
将获得的第一划分阀孔的标准度作为第一阀孔的成型质量系数，将所述第一阀孔成型质量系数添加到所述m个阀孔成型质量系数中，使用孪生阀孔标准度识别模型，对剩余的划分阀孔图像进行处理和标准度计算，以获得相应的成型质量系数，重复上述步骤，直到对所有m个划分阀孔图像都进行处理和计算，获得m个阀孔成型质量系数。
[0097]
步骤s800：当所述阀孔成型质量校验结果为不通过时，获得阀孔加工优化指令。
[0098]
具体而言，当所述阀孔成型质量校验结果为不通过时，根据成型质量校验结果和相应的数据记录，对阀孔的质量问题进行分析和识别，包括尺寸偏差、形状变化、表面粗糙度等，根据判断的质量问题和需要改进的方面，明确阀孔加工的优化目标，例如减小尺寸偏差、提高形状一致性等，根据优化目标，制定相应的加工优化方案和指令，这些优化指令用于调整加工参数和改善加工质量，以满足阀孔的预设要求。
[0099]
综上所述，本技术实施例所提供的新能源动力电池铝壳防爆阀孔加工方法及系统具有如下技术效果：
[0100]
接收待加工阀孔需求，包括目标电池铝壳信息和目标防爆阀信息；进行阀孔设计参数解析，获得阀孔设计方案，获得第一激光割孔设备，构建阀孔加工寻优空间，进行第一激光割孔设备的加工控制参数寻优，获得最优阀孔加工控制方案，控制第一激光割孔设备进行阀孔加工，获得加工完成的阀孔，进行图像采集，获得阀孔图像数据，基于孪生神经网络，执行阀孔成型质量校验，获得阀孔成型质量校验结果，当不通过时，获得阀孔加工优化指令。
[0101]
解决了现有技术中，铝壳防爆阀孔加工无法实现准确的尺寸控制和形状一致性，并且对阀孔成型质量的评估人工干预较多，容易受主观因素和经验限制，导致存在阀孔质量不稳定、评价标准不一致和判定不准确的技术问题，实现了准确分析阀孔的尺寸、形状和表面质量等方面的问题，并且通过基于孪生神经网络的成型质量分析方法，对划分阀孔图像的成型质量进行客观评估，达到提升阀孔质量稳定性、提高评估的客观性和准确性的技术效果。
[0102]
实施例二
[0103]
基于与前述实施例中新能源动力电池铝壳防爆阀孔加工方法相同的发明构思，如图4所示，本技术提供了新能源动力电池铝壳防爆阀孔加工系统，所述系统包括：
[0104]
需求获取模块10，所述需求获取模块10用于接收待加工阀孔需求，其中，所述待加工阀孔需求包括目标电池铝壳信息和目标防爆阀信息；
[0105]
参数解析模块20，所述参数解析模块20用于基于阀孔设计图谱对所述待加工阀孔需求进行阀孔设计参数解析，获得阀孔设计方案；
[0106]
寻优空间构建模块30，所述寻优空间构建模块30用于获得第一激光割孔设备，并基于所述阀孔设计方案和所述第一激光割孔设备，构建阀孔加工寻优空间；
[0107]
参数寻优模块40，所述参数寻优模块40用于根据所述阀孔加工寻优空间进行所述第一激光割孔设备的加工控制参数寻优，获得最优阀孔加工控制方案；
[0108]
阀孔加工模块50，所述阀孔加工模块50用于基于所述最优阀孔加工控制方案控制所述第一激光割孔设备进行阀孔加工，获得加工完成的阀孔；
[0109]
图像采集模块60，所述图像采集模块60用于基于图像采集设备对所述加工完成的阀孔进行图像采集，获得阀孔图像数据；
[0110]
质量校验模块70，所述质量校验模块70用于基于孪生神经网络，对所述阀孔图像数据执行阀孔成型质量校验，获得阀孔成型质量校验结果；
[0111]
指令获取模块80，所述指令获取模块80用于当所述阀孔成型质量校验结果为不通过时，获得阀孔加工优化指令。
[0112]
进一步而言，所述系统还包括：
[0113]
设计方案获取模块，用于基于大数据，获得多个样本加工阀孔需求和多个样本阀孔设计方案；
[0114]
特征获取模块，用于以样本加工阀孔需求为阀孔设计索引特征，以样本阀孔设计方案为阀孔设计响应特征；
[0115]
索引特征信息获取模块，用于根据所述多个样本加工阀孔需求，获得多个阀孔设计索引特征信息；
[0116]
响应特征信息获取模块，用于根据所述多个样本阀孔设计方案，得到多个阀孔设计响应特征信息；
[0117]
映射关系生成模块，用于根据所述多个样本加工阀孔需求和所述多个样本阀孔设计方案之间的对应关系，生成索引-响应映射关系；
[0118]
图谱生成模块，用于基于知识图谱和所述索引-响应映射关系，根据所述阀孔设计索引特征、所述阀孔设计响应特征、所述多个阀孔设计索引特征信息和所述多个阀孔设计响应特征信息，生成所述阀孔设计图谱；
[0119]
设计方案生成模块，用于将所述待加工阀孔需求输入所述阀孔设计图谱，生成所述阀孔设计方案。
[0120]
进一步而言，所述系统还包括：
[0121]
同组设备获取模块，用于基于所述第一激光割孔设备，获得同组割孔设备；
[0122]
检索主体获取模块，用于以所述阀孔设计方案为检索约束，以所述同组割孔设备为检索主体；
[0123]
大数据采集模块，用于基于所述检索约束和所述检索主体进行大数据采集，获得满足预设数量的多个样本阀孔加工控制方案；
[0124]
粒子获取模块，用于根据所述多个样本阀孔加工控制方案，获得多个阀孔加工控制粒子，并将所述多个阀孔加工控制粒子添加至所述阀孔加工寻优空间。
[0125]
进一步而言，所述系统还包括：
[0126]
第一粒子获取模块，用于基于所述阀孔加工寻优空间，获得第一阀孔加工控制粒子；
[0127]
适应度分析模块，用于基于阀孔加工适应度分析模型对所述第一阀孔加工控制粒子进行适应度分析，获得第一阀孔加工适应度；
[0128]
最优方案获取模块，用于若所述第一阀孔加工适应度满足预设阀孔加工适应度，根据所述第一阀孔加工控制粒子，获得所述最优阀孔加工控制方案；
[0129]
迭代寻优模块，用于若所述第一阀孔加工适应度不满足所述预设阀孔加工适应度，根据所述第一阀孔加工控制粒子进行迭代寻优，直至获得所述最优阀孔加工控制方案。
[0130]
进一步而言，所述系统还包括：
[0131]
模型说明模块，用于所述阀孔加工适应度分析模型包括阀孔加工适应度预测模型和阀孔加工适应度融合模型；
[0132]
预测结果获取模块，用于将所述第一阀孔加工控制粒子输入所述阀孔加工适应度预测模型，获得阀孔加工适应度预测结果，其中，所述阀孔加工适应度预测结果包括阀孔加工预测几何精度和阀孔加工预测表面粗糙度；
[0133]
第一适应度获取模块，用于将所述阀孔加工适应度预测结果输入所述阀孔加工适应度融合模型，获得所述第一阀孔加工适应度，其中，所述阀孔加工适应度融合模型包括阀孔加工适应度融合函数，所述阀孔加工适应度融合函数为
[0134]
fit＝e
ξ(a,b)
，
[0135][0136]
其中，fit表征第一阀孔加工适应度，ξ(a,b)表征适应度融合系数，a、b分别表征阀孔加工预测几何精度、阀孔加工预测表面粗糙度，a0、b0分别为预设最低阀孔加工预测几何精度、预设最低阀孔加工预测表面粗糙度，α、β分别为预设几何精度权重、预设表面粗糙度权重，且α+β＝1。
[0137]
进一步而言，所述系统还包括：
[0138]
网格划分模块，用于对所述阀孔图像数据进行网格划分，获得m个划分阀孔图像；
[0139]
成型质量分析模块，用于基于孪生神经网络，分别对所述m个划分阀孔图像进行成型质量分析，获得m个阀孔成型质量系数；
[0140]
均值计算模块，用于基于所述m个阀孔成型质量系数进行均值计算，获得阀孔综合成型质量系数；
[0141]
判断模块，用于判断所述阀孔综合成型质量系数是否满足预设综合成型质量系数；
[0142]
校验结果获取模块，用于当所述阀孔综合成型质量系数满足所述预设综合成型质量系数，获得的阀孔成型质量校验结果为通过。
[0143]
进一步而言，所述系统还包括：
[0144]
第一图像获取模块，用于基于所述m个划分阀孔图像，获得第一划分阀孔图像；
[0145]
标准图像获取模块，用于基于所述第一划分阀孔图像，根据所述阀孔设计方案，获得第一划分阀孔标准图像；
[0146]
识别模型构建模块，用于基于所述孪生神经网络，构建孪生阀孔标准度识别模型；
[0147]
标准度获取模块，用于将所述第一划分阀孔图像和所述第一划分阀孔标准图像输入所述孪生阀孔标准度识别模型，获得第一划分阀孔标准度；
[0148]
质量系数获取模块，用于将所述第一划分阀孔标准度输出为第一阀孔成型质量系数，并将所述第一阀孔成型质量系数添加至所述m个阀孔成型质量系数。
[0149]
本说明书通过前述对新能源动力电池铝壳防爆阀孔加工方法的详细描述，本领域技术人员可以清楚得知道本实施例中新能源动力电池铝壳防爆阀孔加工方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
[0150]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其他实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.新能源动力电池铝壳防爆阀孔加工方法，其特征在于，所述方法包括：接收待加工阀孔需求，其中，所述待加工阀孔需求包括目标电池铝壳信息和目标防爆阀信息；基于阀孔设计图谱对所述待加工阀孔需求进行阀孔设计参数解析，获得阀孔设计方案；获得第一激光割孔设备，并基于所述阀孔设计方案和所述第一激光割孔设备，构建阀孔加工寻优空间；根据所述阀孔加工寻优空间进行所述第一激光割孔设备的加工控制参数寻优，获得最优阀孔加工控制方案；基于所述最优阀孔加工控制方案控制所述第一激光割孔设备进行阀孔加工，获得加工完成的阀孔；基于图像采集设备对所述加工完成的阀孔进行图像采集，获得阀孔图像数据；基于孪生神经网络，对所述阀孔图像数据执行阀孔成型质量校验，获得阀孔成型质量校验结果；当所述阀孔成型质量校验结果为不通过时，获得阀孔加工优化指令。2.如权利要求1所述的方法，其特征在于，基于阀孔设计图谱对所述待加工阀孔需求进行阀孔设计参数解析，获得阀孔设计方案，包括：基于大数据，获得多个样本加工阀孔需求和多个样本阀孔设计方案；以样本加工阀孔需求为阀孔设计索引特征，以样本阀孔设计方案为阀孔设计响应特征；根据所述多个样本加工阀孔需求，获得多个阀孔设计索引特征信息；根据所述多个样本阀孔设计方案，得到多个阀孔设计响应特征信息；根据所述多个样本加工阀孔需求和所述多个样本阀孔设计方案之间的对应关系，生成索引-响应映射关系；基于知识图谱和所述索引-响应映射关系，根据所述阀孔设计索引特征、所述阀孔设计响应特征、所述多个阀孔设计索引特征信息和所述多个阀孔设计响应特征信息，生成所述阀孔设计图谱；将所述待加工阀孔需求输入所述阀孔设计图谱，生成所述阀孔设计方案。3.如权利要求1所述的方法，其特征在于，基于所述阀孔设计方案和所述第一激光割孔设备，构建阀孔加工寻优空间，包括：基于所述第一激光割孔设备，获得同组割孔设备；以所述阀孔设计方案为检索约束，以所述同组割孔设备为检索主体；基于所述检索约束和所述检索主体进行大数据采集，获得满足预设数量的多个样本阀孔加工控制方案；根据所述多个样本阀孔加工控制方案，获得多个阀孔加工控制粒子，并将所述多个阀孔加工控制粒子添加至所述阀孔加工寻优空间。4.如权利要求1所述的方法，其特征在于，根据所述阀孔加工寻优空间进行所述第一激光割孔设备的加工控制参数寻优，获得最优阀孔加工控制方案，包括：基于所述阀孔加工寻优空间，获得第一阀孔加工控制粒子；
基于阀孔加工适应度分析模型对所述第一阀孔加工控制粒子进行适应度分析，获得第一阀孔加工适应度；若所述第一阀孔加工适应度满足预设阀孔加工适应度，根据所述第一阀孔加工控制粒子，获得所述最优阀孔加工控制方案；若所述第一阀孔加工适应度不满足所述预设阀孔加工适应度，根据所述第一阀孔加工控制粒子进行迭代寻优，直至获得所述最优阀孔加工控制方案。5.如权利要求4所述的方法，其特征在于，基于阀孔加工适应度分析模型对所述第一阀孔加工控制粒子进行适应度分析，获得第一阀孔加工适应度，包括：所述阀孔加工适应度分析模型包括阀孔加工适应度预测模型和阀孔加工适应度融合模型；将所述第一阀孔加工控制粒子输入所述阀孔加工适应度预测模型，获得阀孔加工适应度预测结果，其中，所述阀孔加工适应度预测结果包括阀孔加工预测几何精度和阀孔加工预测表面粗糙度；将所述阀孔加工适应度预测结果输入所述阀孔加工适应度融合模型，获得所述第一阀孔加工适应度，其中，所述阀孔加工适应度融合模型包括阀孔加工适应度融合函数，所述阀孔加工适应度融合函数为fit＝e
ξ(a,b)
，其中，fit表征第一阀孔加工适应度，ξ(a,b)表征适应度融合系数，a、b分别表征阀孔加工预测几何精度、阀孔加工预测表面粗糙度，a0、b0分别为预设最低阀孔加工预测几何精度、预设最低阀孔加工预测表面粗糙度，α、β分别为预设几何精度权重、预设表面粗糙度权重，且α+β＝1。6.如权利要求1所述的方法，其特征在于，基于孪生神经网络，对所述阀孔图像数据执行阀孔成型质量校验，获得阀孔成型质量校验结果，包括：对所述阀孔图像数据进行网格划分，获得m个划分阀孔图像；基于孪生神经网络，分别对所述m个划分阀孔图像进行成型质量分析，获得m个阀孔成型质量系数；基于所述m个阀孔成型质量系数进行均值计算，获得阀孔综合成型质量系数；判断所述阀孔综合成型质量系数是否满足预设综合成型质量系数；当所述阀孔综合成型质量系数满足所述预设综合成型质量系数，获得的阀孔成型质量校验结果为通过。7.如权利要求6所述的方法，其特征在于，基于孪生神经网络，分别对所述m个划分阀孔图像进行成型质量分析，获得m个阀孔成型质量系数，包括：基于所述m个划分阀孔图像，获得第一划分阀孔图像；基于所述第一划分阀孔图像，根据所述阀孔设计方案，获得第一划分阀孔标准图像；基于所述孪生神经网络，构建孪生阀孔标准度识别模型；将所述第一划分阀孔图像和所述第一划分阀孔标准图像输入所述孪生阀孔标准度识别模型，获得第一划分阀孔标准度；
将所述第一划分阀孔标准度输出为第一阀孔成型质量系数，并将所述第一阀孔成型质量系数添加至所述m个阀孔成型质量系数。8.新能源动力电池铝壳防爆阀孔加工系统，其特征在于，用于实施权利要求1-7任一项所述的新能源动力电池铝壳防爆阀孔加工方法，包括：需求获取模块，所述需求获取模块用于接收待加工阀孔需求，其中，所述待加工阀孔需求包括目标电池铝壳信息和目标防爆阀信息；参数解析模块，所述参数解析模块用于基于阀孔设计图谱对所述待加工阀孔需求进行阀孔设计参数解析，获得阀孔设计方案；寻优空间构建模块，所述寻优空间构建模块用于获得第一激光割孔设备，并基于所述阀孔设计方案和所述第一激光割孔设备，构建阀孔加工寻优空间；参数寻优模块，所述参数寻优模块用于根据所述阀孔加工寻优空间进行所述第一激光割孔设备的加工控制参数寻优，获得最优阀孔加工控制方案；阀孔加工模块，所述阀孔加工模块用于基于所述最优阀孔加工控制方案控制所述第一激光割孔设备进行阀孔加工，获得加工完成的阀孔；图像采集模块，所述图像采集模块用于基于图像采集设备对所述加工完成的阀孔进行图像采集，获得阀孔图像数据；质量校验模块，所述质量校验模块用于基于孪生神经网络，对所述阀孔图像数据执行阀孔成型质量校验，获得阀孔成型质量校验结果；指令获取模块，所述指令获取模块用于当所述阀孔成型质量校验结果为不通过时，获得阀孔加工优化指令。

技术总结
本发明提供了新能源动力电池铝壳防爆阀孔加工方法及系统，涉及参数控制技术领域，包括：接收待加工阀孔需求，包括目标电池铝壳信息和目标防爆阀信息；进行阀孔设计参数解析，获得阀孔设计方案，获得第一激光割孔设备，构建阀孔加工寻优空间，进行第一激光割孔设备的加工控制参数寻优，获得最优阀孔加工控制方案，控制第一激光割孔设备进行阀孔加工，获得加工完成的阀孔，进行图像采集，获得阀孔图像数据，基于孪生神经网络，执行阀孔成型质量校验，获得阀孔成型质量校验结果，当不通过时，获得阀孔加工优化指令。本发明解决了现有技术中，铝壳防爆阀孔加工存在阀孔质量不稳定、评价标准不一致和判定不准确的技术问题。价标准不一致和判定不准确的技术问题。价标准不一致和判定不准确的技术问题。


技术研发人员：陈想林 刘沂松 田宇 马圣凯 娄经海 吴尚
受保护的技术使用者：浙江中泽精密科技有限公司
技术研发日：2023.07.24
技术公布日：2023/10/11