本發(fā)明涉及建筑施工，具體為一種基于人工智能的輕質墻體噴涂工藝。

背景技術：

1、輕質墻體噴涂工藝是現(xiàn)代建筑施工中的重要技術，廣泛應用于墻體的裝飾和保護，然而，傳統(tǒng)的輕質墻體噴涂工藝主要依賴于人工經(jīng)驗和預設參數(shù)，難以在施工過程中根據(jù)實際情況進行實時優(yōu)化和動態(tài)調整，這種工藝方法的局限性導致了噴涂質量不穩(wěn)定、材料浪費以及效率低下等問題，制約了建筑施工的整體質量和效率。

2、在現(xiàn)有技術中，噴涂工藝的參數(shù)通常是基于施工前的實驗數(shù)據(jù)和操作人員的經(jīng)驗設定的，這些參數(shù)在實際施工過程中可能由于環(huán)境條件、設備狀態(tài)以及墻體的材料變化而需要調整，然而，人工調整參數(shù)不僅費時費力，而且調整效果也難以保證一致性和精確性。特別是在大面積噴涂或復雜結構的墻體施工中，人工調整的局限性更加明顯，噴涂質量難以保持穩(wěn)定。

3、傳統(tǒng)噴涂工藝還存在高度依賴人工操作的問題，噴涂設備的操作通常由熟練工人完成，工人的操作技能和經(jīng)驗直接影響噴涂質量，然而，不同工人的操作水平參差不齊，即使是同一個工人在不同時間的操作也可能存在差異，導致噴涂質量的不一致，此外，人工操作在復雜多變的施工環(huán)境中難以保持高效性，噴涂效率低，人工成本高。

4、另外，傳統(tǒng)的噴涂工藝缺乏對噴涂過程的實時監(jiān)控和數(shù)據(jù)分析能力，施工過程中無法實時獲取和分析噴涂厚度、均勻性、材料消耗、噴涂壓力以及環(huán)境溫濕度等關鍵參數(shù)，無法及時調整噴涂設備的操作參數(shù)。由于缺乏實時數(shù)據(jù)支持，噴涂質量難以保證，材料浪費嚴重，施工效率低下。

5、針對上述問題，現(xiàn)有技術中已經(jīng)有一些嘗試使用自動化設備和基本的控制系統(tǒng)來改善噴涂工藝，然而，這些系統(tǒng)往往只能實現(xiàn)預設參數(shù)的簡單執(zhí)行，缺乏智能優(yōu)化和動態(tài)調整的能力，自動化系統(tǒng)雖然在一定程度上提高了噴涂效率，但由于無法實時分析和調整參數(shù)，其噴涂質量和一致性仍然難以達到理想水平。

6、此外，現(xiàn)有技術中的噴涂工藝優(yōu)化方法大多基于傳統(tǒng)的優(yōu)化算法，這些算法在處理復雜、多變量的噴涂參數(shù)時效率低下，難以實現(xiàn)實時優(yōu)化，例如，簡單的基于規(guī)則的優(yōu)化方法無法應對噴涂過程中的動態(tài)變化，優(yōu)化效果不理想，雖然也有一些研究嘗試使用機器學習和智能算法進行噴涂工藝優(yōu)化，但這些方法通常僅限于離線數(shù)據(jù)分析，缺乏實時應用能力，未能充分利用實時數(shù)據(jù)進行動態(tài)優(yōu)化。

7、總之，傳統(tǒng)的輕質墻體噴涂工藝在實時優(yōu)化、動態(tài)調整、自動化程度和一致性方面存在明顯缺陷，嚴重制約了噴涂質量和施工效率的提升；為此申請人根據(jù)噴涂需求，提出一種基于人工智能的輕質墻體噴涂工藝優(yōu)化方法，通過智能優(yōu)化算法、實時數(shù)據(jù)分析與反饋、集成自動化系統(tǒng)等手段，實現(xiàn)噴涂工藝的實時優(yōu)化和動態(tài)調整，提高噴涂質量和效率，降低材料浪費和人工成本，適應復雜多變的施工環(huán)境。

技術實現(xiàn)思路

1、為解決上述技術問題，本發(fā)明提出了一種基于人工智能的輕質墻體噴涂工藝，通過安裝的傳感器設備實時采集噴涂過程中的噴涂厚度、均勻性、材料消耗量、噴涂壓力和環(huán)境溫濕度等關鍵參數(shù)，并將這些數(shù)據(jù)傳輸至數(shù)據(jù)處理模塊進行數(shù)據(jù)清洗、去噪和格式轉換，將噴涂過程劃分為多個子區(qū)域，每個子區(qū)域內的數(shù)據(jù)集通過自適應分布式生成對抗網(wǎng)絡模型進行處理，利用自適應分布式生成對抗網(wǎng)絡算法分析預處理后的數(shù)據(jù)，構建噴涂過程的預測模型，預測模型能夠根據(jù)輸入的參數(shù)實時預測噴涂效果，生成反饋信號，并通過智能優(yōu)化算法調整噴涂設備的操作參數(shù)；形成閉環(huán)控制，使噴涂質量在施工過程中得到持續(xù)優(yōu)化，減少材料浪費，提高施工效率。

2、為實現(xiàn)上述目的，本發(fā)明采取的技術方案是：

3、一種基于人工智能的輕質墻體噴涂工藝，其特征在于：所述基于人工智能的輕質墻體噴涂工藝能實時優(yōu)化和動態(tài)調整，大幅提升了噴涂質量和施工效率，其具體步驟為：

4、s1、利用安裝在噴涂設備上的傳感器設備實時采集噴涂過程中的噴涂厚度、均勻性、材料消耗、噴涂壓力和環(huán)境溫濕度，構建墻體噴涂參數(shù)數(shù)據(jù)集；

5、s2、將采集到的墻體噴涂參數(shù)數(shù)據(jù)集傳輸至數(shù)據(jù)處理模塊進行數(shù)據(jù)清洗、去噪和格式轉換；

6、s3、使用自適應分布式生成對抗網(wǎng)絡算法，分析預處理后的墻體噴涂參數(shù)數(shù)據(jù)集，構建噴涂過程的預測模型，預測模型根據(jù)輸入的墻體噴涂參數(shù)數(shù)據(jù)集參數(shù)預測噴涂效果；

7、s4、根據(jù)預測模型的輸出結果，利用基于遺傳算法與粒子群優(yōu)化算法結合的智能優(yōu)化算法調整噴涂設備的操作參數(shù)，操作參數(shù)包括噴涂壓力、噴嘴速度和材料流量；

8、s5、將最優(yōu)的噴涂參數(shù)組合反饋給噴涂設備，實時控制噴涂設備的運行，使得噴涂過程根據(jù)實際情況進行動態(tài)優(yōu)化；

9、s6、重復s1-s5形成閉環(huán)控制，確保噴涂過程的持續(xù)優(yōu)化；

10、s7、實時監(jiān)測噴涂工藝的執(zhí)行情況，記錄并存儲噴涂過程中的關鍵數(shù)據(jù)。

11、進一步的，所述基于人工智能的輕質墻體噴涂工藝中步驟s1的具體做法為：

12、s11、在噴涂設備上安裝激光厚度傳感器用于實時監(jiān)測噴涂厚度、圖像處理傳感器用于監(jiān)測噴涂均勻性、流量傳感器用于監(jiān)測材料消耗、電阻壓力傳感器用于監(jiān)測噴涂壓力和溫濕度傳感器用于監(jiān)測環(huán)境溫濕度；

13、s12、激光厚度傳感器實時采集噴涂過程中墻體表面不同位置的噴涂厚度數(shù)據(jù)ti，其中i表示采集的時間點；

14、s13、圖像處理傳感器實時采集噴涂過程中墻體表面噴涂的均勻性數(shù)據(jù)ui；

15、s14、流量傳感器實時監(jiān)測噴涂過程中材料的消耗量ci；

16、s15、電阻壓力傳感器實時監(jiān)測噴涂過程中噴涂設備的噴涂壓力pi；

17、s16、溫濕度傳感器實時監(jiān)測噴涂環(huán)境的溫度tenv，i和濕度henv，i；

18、s17、將全部采集到的噴涂厚度數(shù)據(jù)、均勻性數(shù)據(jù)、材料消耗數(shù)據(jù)、噴涂壓力數(shù)據(jù)、環(huán)境溫度數(shù)據(jù)和環(huán)境濕度數(shù)據(jù)進行數(shù)據(jù)整理和匯總，構建墻體噴涂參數(shù)數(shù)據(jù)集d：

19、d＝{(ti,ui,ci,pi,tenv,i,henv，i)|i＝1,2,...,n}

20、其中，n表示采集數(shù)據(jù)的總時間點數(shù)。

21、進一步的，所述基于人工智能的輕質墻體噴涂工藝中步驟s2的具體做法為：

22、s21、將通過步驟s17構建的墻體噴涂參數(shù)數(shù)據(jù)集d傳輸至數(shù)據(jù)處理模塊；

23、s22、對傳輸至數(shù)據(jù)處理模塊的墻體噴涂參數(shù)數(shù)據(jù)集d進行數(shù)據(jù)清洗，去除異常值和缺失值，得到清洗后的墻體噴涂參數(shù)數(shù)據(jù)集；

24、s23、對清洗后的墻體噴涂參數(shù)數(shù)據(jù)集進行去噪處理，采用濾波算法消除采集數(shù)據(jù)中的噪聲干擾，得到去噪后的墻體噴涂參數(shù)數(shù)據(jù)集；

25、s24、對去噪后的墻體噴涂參數(shù)數(shù)據(jù)集進行格式轉換，將數(shù)據(jù)格式轉換為預測模型所需的輸入格式，得到格式轉換后的墻體噴涂參數(shù)數(shù)據(jù)集dformatted。

26、進一步的，所述基于人工智能的輕質墻體噴涂工藝中步驟s3的具體做法為：

27、s31、將經(jīng)過步驟s24格式轉換后的墻體噴涂參數(shù)數(shù)據(jù)集dformatted輸入至自適應分布式生成對抗網(wǎng)絡模型中；

28、s32、所述自適應分布式生成對抗網(wǎng)絡模型包括多個生成器gk和判別器dk，每個生成器和判別器對應一個噴涂子區(qū)域，k為子區(qū)域編號；

29、s33、將噴涂過程劃分為多個子區(qū)域，每個子區(qū)域內的墻體噴涂參數(shù)數(shù)據(jù)集dformatted，k；

30、

31、其中：m為子區(qū)域的數(shù)量；

32、s34、每個子區(qū)域的生成器gk根據(jù)輸入的墻體噴涂參數(shù)數(shù)據(jù)集dformatted，k生成該子區(qū)域的模擬噴涂效果數(shù)據(jù)gk(dforatted，k)；

33、

34、其中：表示生成的噴涂厚度數(shù)據(jù)，表示生成的噴涂均勻性數(shù)據(jù)，表示生成的材料消耗數(shù)據(jù)，表示生成的噴涂壓力數(shù)據(jù)，表示生成的環(huán)境溫度數(shù)據(jù)，表示生成的環(huán)境濕度數(shù)據(jù)，nk表示子區(qū)域k的數(shù)據(jù)點總數(shù)；

35、s35、每個子區(qū)域的判別器dk根據(jù)墻體噴涂參數(shù)數(shù)據(jù)集dfrmatted，k和生成器生成的模擬數(shù)據(jù)gk(fformatted，k)進行判別，輸出判別結果；

36、dk(dformatted,，k，gk(dformatted，k))

37、判別器dk輸出的結果表示生成數(shù)據(jù)與真實數(shù)據(jù)的差異；

38、s36、基于每個子區(qū)域判別器dk的反饋結果，對對應的生成器gk進行迭代優(yōu)化，通過最小化生成數(shù)據(jù)與真實數(shù)據(jù)之間的差異，更新生成器gk的參數(shù)，逐步提升生成數(shù)據(jù)的精確度；

39、s37、在生成器的損失函數(shù)中加入噴涂厚度偏差δt和材料消耗誤差δc，其中：

40、

41、其中：dreal，k為真實墻體噴涂參數(shù)數(shù)據(jù)集，λ1和λ2為權重參數(shù)，分別調節(jié)噴涂厚度偏差和材料消耗誤差對生成器的影響；

42、s38、判別器的損失函數(shù)中加入噴涂均勻性誤差δu和噴涂壓力誤差δp，其中：

43、

44、其中：λ3和λ4為權重參數(shù)，分別調節(jié)噴涂均勻性誤差和噴涂壓力誤差對判別器的影響；

45、s39、在判別器的網(wǎng)絡結構中引入多尺度卷積層，對不同尺度的特征進行提取和融合，優(yōu)化對噴涂效果判別的準確性，完成多次迭代后，得到優(yōu)化后的生成器gk，每個生成器能夠根據(jù)輸入的墻體噴涂參數(shù)數(shù)據(jù)集dformatted，k生成噴涂效果模擬數(shù)據(jù)，將所有子區(qū)域的生成器gk生成的模擬數(shù)據(jù)集進行整合，構建整體噴涂過程的預測模型m(dformatted)。

46、進一步的，所述基于人工智能的輕質墻體噴涂工藝中步驟s4的具體做法為：

47、s41、獲取由步驟s37生成的噴涂效果預測模型m(dformatted)的輸出結果，所述輸出結果包括噴涂壓力、噴嘴速度和材料流量的預測值；

48、s42、定義噴涂工藝優(yōu)化問題的目標函數(shù)，以最小化噴涂厚度偏差、材料消耗誤差和噴涂均勻性誤差為優(yōu)化目標；

49、s43、使用遺傳算法初始化一組候選解，每個候選解表示一組噴涂操作參數(shù)，包括噴涂壓力p、噴嘴速度v和材料流量q；

50、s44、在遺傳算法的選擇、交叉和變異操作中，每一代選擇適應度較高的候選解進行交叉和變異生成新的候選解，通過多代迭代，逐步優(yōu)化噴涂操作參數(shù)；

51、s45、利用粒子群優(yōu)化算法對遺傳算法生成的候選解進行進一步優(yōu)化，每個粒子表示一組噴涂操作參數(shù)，并具有速度和位置，通過更新速度和位置尋找最優(yōu)解；

52、s46、通過遺傳算法與粒子群優(yōu)化算法結合的智能優(yōu)化算法，搜索最優(yōu)的噴涂操作參數(shù)組合，以實現(xiàn)噴涂工藝的優(yōu)化；

53、

54、s47、將最優(yōu)的噴涂操作參數(shù)組合x*＝(p*，v*，q*)反饋給噴涂設備，實時調整噴涂設備的運行參數(shù)，使得噴涂過程根據(jù)實際情況進行動態(tài)優(yōu)化。

55、進一步的，所述基于人工智能的輕質墻體噴涂工藝中步驟s3中的步驟s39的具體做法為：

56、s391、在判別器dk的網(wǎng)絡結構中引入多尺度卷積層，所述多尺度卷積層包括不同大小的卷積核，分別對噴涂厚度、均勻性、材料消耗、噴涂壓力和環(huán)境參數(shù)的多尺度特征進行提取和融合，針對噴涂厚度和均勻性的特征進行處理；

57、msc(x)＝{conv3×3(x)，conv5×5(x)，conv7×7(x)}

58、

59、其中：x為輸入的噴涂參數(shù)數(shù)據(jù)，包含噴涂厚度、均勻性、材料消耗、噴涂壓力和環(huán)境參數(shù)；

60、convk×k(x)為表示卷積核大小為k×k的卷積操作；

61、和為卷積核的權重和偏置參數(shù)；

62、σ為激活函數(shù)；

63、s392、將多尺度卷積層提取的特征進行融合，形成一個綜合特征圖f，以優(yōu)化判別器對噴涂效果的判別準確性，并特別增強對噴涂厚度均勻性和材料消耗準確度的判斷；

64、f＝concat(msc3×3(x),msc5×5(x)，msc7×7(x))

65、其中：concat為表示對不同尺度卷積特征進行拼接操作；

66、msc3×3(x)，msc5×5(x)，msc7×7(x)為分別表示使用3x3、5x5和7x7卷積核的多尺度卷積操作；

67、s393、對融合后的特征圖進行判別，輸出判別結果，用于評估生成器gk生成的模擬噴涂效果數(shù)據(jù)與真實數(shù)據(jù)之間的差異；

68、dk(f)＝σ(w·f+b)

69、其中：w和b為判別器的權重和偏置參數(shù)；

70、σ為激活函數(shù)；

71、s394、在判別器的損失函數(shù)中引入針對噴涂工藝的特定約束條件，包括噴涂厚度偏差、材料消耗誤差、噴涂均勻性誤差和噴涂壓力誤差；

72、

73、s395、基于判別器dk的反饋結果，對生成器gk行多次迭代優(yōu)化，通過最小化生成數(shù)據(jù)與真實數(shù)據(jù)之間的差異，更新生成器gk的參數(shù)；

74、

75、其中，為表示期望值計算，生成器通過最小化判別器反饋的損失函數(shù)，逐步優(yōu)化其生成的數(shù)據(jù)；

76、s396、完成多次迭代后，得到優(yōu)化后的生成器gk，生成器能夠根據(jù)輸入的噴涂參數(shù)數(shù)據(jù)集生成噴涂效果模擬數(shù)據(jù)；

77、

78、其中：為表示優(yōu)化后的生成器；

79、s397、利用優(yōu)化后的生成器生成的模擬數(shù)據(jù)集，整合多個子區(qū)域的生成器模擬數(shù)據(jù)，形成整體噴涂過程的預測模型，用于實時預測噴涂效果并指導噴涂工藝優(yōu)化。

80、

81、其中：m(dformatted)為整體噴涂過程的預測模型，通過整合多個子區(qū)域的生成器模擬數(shù)據(jù)，形成整體的預測模型，實時預測噴涂效果并優(yōu)化噴涂工藝。

82、本技術帶來的好處是：

83、1、基于人工智能的輕質墻體噴涂工藝通過安裝在噴涂設備上的傳感器設備實時采集噴涂過程中的噴涂厚度、均勻性、材料消耗、噴涂壓力和環(huán)境溫濕度等關鍵參數(shù)，并將這些數(shù)據(jù)傳輸至數(shù)據(jù)處理模塊進行數(shù)據(jù)清洗、去噪和格式轉換，利用自適應分布式生成對抗網(wǎng)絡算法分析預處理后的數(shù)據(jù)，構建噴涂過程的預測模型，預測模型能夠根據(jù)輸入的參數(shù)實時預測噴涂效果，生成反饋信號，并通過智能優(yōu)化算法調整噴涂設備的操作參數(shù)。形成閉環(huán)控制，使噴涂質量在施工過程中得到持續(xù)優(yōu)化，減少材料浪費，提高施工效率；

84、2、基于人工智能的輕質墻體噴涂工藝在判別器的網(wǎng)絡結構中引入多尺度卷積層，利用不同大小的卷積核對噴涂厚度、均勻性、材料消耗、噴涂壓力和環(huán)境參數(shù)的多尺度特征進行提取和融合，多尺度卷積層能夠更全面地捕捉噴涂效果的細節(jié)特征，提高判別器對噴涂效果的判別準確性，特別是對噴涂厚度均勻性和材料消耗的判斷更加精確，進一步優(yōu)化了生成器的性能，確保生成的模擬噴涂效果數(shù)據(jù)高度接近真實數(shù)據(jù)；

85、3、基于人工智能的輕質墻體噴涂工藝將噴涂過程劃分為多個子區(qū)域，每個子區(qū)域內的數(shù)據(jù)集通過自適應分布式生成對抗網(wǎng)絡模型進行處理，每個生成器和判別器對應一個噴涂子區(qū)域，生成器根據(jù)輸入的數(shù)據(jù)集生成該子區(qū)域的模擬噴涂效果數(shù)據(jù)，判別器則判斷生成數(shù)據(jù)與真實數(shù)據(jù)之間的差異，通過對子區(qū)域生成器和判別器的迭代優(yōu)化，逐步提升生成數(shù)據(jù)的精確度，最終，將所有子區(qū)域的生成器模擬數(shù)據(jù)整合，形成整體噴涂過程的預測模型，預測模型能夠實時預測噴涂效果，提供更精準的參數(shù)調整指導，有效適應復雜多變的施工環(huán)境，提高系統(tǒng)的魯棒性和適應性。