買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉廣東省科學院智能制造研究所申請的專利一種基于強化學習的機器人打磨在線顫振抑制方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120038761B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510502735.2，技術領域涉及：B25J9/16；該發明授權一種基于強化學習的機器人打磨在線顫振抑制方法是由徐智浩;張富勇;李堉明;吳新宇;廖昭洋;周雪峰設計研發完成，并于2025-04-22向國家知識產權局提交的專利申請。

本一種基于強化學習的機器人打磨在線顫振抑制方法在說明書摘要公布了：本申請涉及一種基于強化學習的機器人打磨在線顫振抑制方法，涉及機器人振動控制調節技術領域，該方法包括：從機器人打磨過程中的振動信號和力誤差信號入手，通過離散小波變換、能量熵計算和統計特征提取，構造出高辨識度的多源特征向量，并歸一化后，采用卷積神經網絡與多頭注意力模塊進行特征融合和降維，得到低維特征表示，再通過嵌入LSTM的DDPG框架構建時序增強的策略模型，在策略模型中，Actor網絡基于時序狀態輸出阻抗參數，Critic網絡通過最小化損失函數并結合熵正則化實現策略的穩定更新，進而對機器人末端執行器進行調控，本申請實現了對機器人打磨薄壁件過程中復雜顫振機理的實時抑制與高效控制，顯著提升了系統的自適應性和控制精度。

本發明授權一種基于強化學習的機器人打磨在線顫振抑制方法在權利要求書中公布了：1.一種基于強化學習的機器人打磨在線顫振抑制方法，其特征在于，包括： 在機器人打磨過程中采集離散振動信號，以及，確定打磨過程中的力誤差信號，所述力誤差信號用于表征打磨過程中的力控偏差； 將所述離散振動信號和所述力誤差信號作為多源信號進行預處理和歸一化的特征提取融合，得到具備高辨識度的歸一化特征向量； 采用卷積神經網絡與多頭注意力模塊對歸一化特征向量進行特征融合和降維，得到低維特征表示； 對所述低維特征表示進行時序編碼得到時序狀態，并通過嵌入LSTM的深度強化學習框架構建時序增強的策略模型，所述策略模型包括深度確定性策略梯度算法的Actor網絡和Critic網絡； 將所述時序狀態作為Actor網絡的輸入，得到輸出的阻抗參數，并將所述時序狀態和所述阻抗參數作為Critic網絡的輸入，獲得輸出的質量評估值； 基于所述質量評估值，通過最小損失函數并結合熵正則優化，更新機器人控制參數，并所述機器人控制參數作為顫振抑制策略對所述機器人末端執行器進行調控； 其中，所述機器人控制參數包含更新的阻抗參數； 將所述離散振動信號和所述力誤差信號作為多源信號進行預處理和歸一化的特征提取融合，得到具備高辨識度的歸一化特征向量，包括：基于選定的小波基函數對所述離散振動信號進行多層離散小波分解和能量熵的量化，得到表征顫振演化趨勢的振動信號特征，以及，保留所述力誤差信號的原始信息，通過方差和或均差統計所述力誤差信號的特征，得到力誤差信號特征；將所述振動信號特征與力誤差信號特征進行特征級聯，并通過歸一化消除尺度差異，得到歸一化特征向量； 基于選定的小波基函數對所述離散振動信號進行多層離散小波分解和能量熵的量化，得到表征顫振演化趨勢的振動信號特征，以及，保留所述力誤差信號的原始信息，通過方差和或均差統計所述力誤差信號的特征，得到力誤差信號特征，包括：根據，結合預設的分解層數，采用選定的小波基函數對原始振動信號進行逐層離散小波分解，得到小波變換中每一層分解后的低頻近似系數和高頻細節系數；將各層分解的低頻近似系數和高頻細節系數結合，得到最終分解；針對最終分解，根據，對中每個子帶計算能量；基于各子帶計算的能量，根據，計算各子帶能量占比，并根據定義小波能量熵，小波能量熵用于量化振動信號的復雜度與非線性特性，以及表征顫振演化趨勢的重要特征；根據小波能量熵以及各子帶計算的能量，確定振動信號特征；保留力誤差信號原始信息，并根據計算統計特征，得到力誤差信號特征；其中，為分解層，第層分解得到的低頻系數為、高頻系數為，作為小波分解中的最終分解，表示第個子帶中第個小波系數，為總子帶數，為采樣點。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人廣東省科學院智能制造研究所，其通訊地址為：510070 廣東省廣州市越秀區先烈中路100號大院15號樓；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。