CN120235319A 基于深度强化学习的机器人线缆制造工艺优化方法及系统 （宁波日月电线电缆制造有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120235319A(43)申请公布日2025.07.01

(21)申请号202510713184.4

(22)申请日2025.05.30

GO6F30/27(2020.01)

GO6F119/14(2020.01)

GO6F113/08(2020.01)

(71)申请人宁波日月电线电缆制造有限公司

地址315136浙江省宁波市鄞州区姜山镇

(蔡郎桥)丽横路75号

(72)发明人应存世张爱红钱泽豪吴燕妃何钺

(74)专利代理机构北京智征启营专利代理事务所(特殊普通合伙)16250

专利代理师张小军

(51)Int.CI.

GO6Q10/04(2023.01)

GO6N3/092(2023.01)

GO6Q50/04(2012.01)

GO6F30/28(2020.01)

权利要求书4页说明书16页附图3页

(54)发明名称

优化闭环数据采集

优化闭环

数据采集数字孪生模型

制造数据仿真数据

强化学习环境

参数依赖分析

初始控制策略

优化策略线缆制造设备

混合智能优化

知识图谱系统

(57)摘要

CN120235319A本发明提供一种基于深度强化学习的机器人线缆制造工艺优化方法及系统，涉及智能制造技术领域，包括采集线缆制造数据并构建数字孪生模型，通过图网络实现工艺流模拟；将制造数据和仿真数据作为状态输入建立深度强化学习环境；分析工艺参数调节的因果依赖关系；构建工业知识图谱专家系统生成优化策略；形成工艺

CN120235319A

CN120235319A权利要求书1/4页

2

1.基于深度强化学习的机器人线缆制造工艺优化方法，其特征在于，包括：

采集线缆制造数据；构建数字孪生模型，将制造设备的执行部件构建为图网络节点，将部件间工艺流构建为图网络边，通过热力耦合和流固耦合的图动力学网络及状态迭代优化，得到制造过程仿真数据；

将线缆制造数据和制造过程仿真数据作为状态输入，将工艺参数调节指令作为动作输出，建立深度强化学习环境；

在强化学习训练环境中，分析工艺参数调节指令的因果依赖关系，建立参数调节依赖图，基于参数调节依赖图生成初始工艺控制策略；

构建三元组形式的工业知识图谱专家系统，基于可信度权重将初始工艺优化策略与专家规则库进行融合，通过符号推理链与深度学习特征提取相结合的混合智能方法生成改进工艺优化策略；

根据改进工艺优化策略调节机器人线缆制造设备的工艺参数，并将调节后采集的线缆制造数据反馈至数字孪生模型，形成工艺优化闭环。

2.根据权利要求1所述的方法，其特征在于，构建数字孪生模型，将制造设备的执行部件构建为图网络节点，将部件间工艺流构建为图网络边，通过热力耦合和流固耦合的图动力学网络及状态迭代优化，得到制造过程仿真数据包括：

将线缆制造设备的执行部件的位置向量、速度向量、作用力向量和温度场分布组成状态向量，通过特征编码器生成节点特征向量；

采集执行部件之间工艺流的热流密度、质量流率和应力张量，组成工艺流特征向量；

基于所述节点特征向量和所述工艺流特征向量构建热力耦合场方程，计算温度场分布和应力张量，建立流固界面耦合模型，生成流固耦合数据；

将所述节点特征向量和所述流固耦合数据输入门控循环单元，利用消息传递矩阵融合相邻节点信息，生成节点特征更新向量；

根据节点特征更新向量和所述工艺流特征向量计算边属性变化，生成工艺流特征更新向量；

将节点特征更新向量和工艺流特征更新向量输入状态转移函数，生成预测状态向量，采集测量数据并通过卡尔曼增益矩阵进行误差修正，生成状态修正向量；

将状态修正向量作为新的状态向量循环执行，直至仿真精度满足预设的精度阈值。

3.根据权利要求2所述的方法，其特征在于，基于所述节点特征向量和所述工艺流特征向量构建热力耦合场方程，计算温度场分布和应力张量，建立流固界面耦合模型，生成流固耦合数据包括：

将节点特征向量分解为热场特征分量和力场特征分量，将工艺流特征向量分解为流动特征分量和传热特征分量；

基于所述热场特征分量和所述传热特征分量构建温度场控制方程，所述温度场控制方程包括材料密度、比热容、导热