买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广东省科学院智能制造研究所申请的专利一种基于强化学习的机器人打磨在线颤振抑制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120038761B 。

龙图腾网通过国家知识产权局官网在2025-08-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510502735.2，技术领域涉及：B25J9/16；该发明授权一种基于强化学习的机器人打磨在线颤振抑制方法是由徐智浩;张富勇;李堉明;吴新宇;廖昭洋;周雪峰设计研发完成，并于2025-04-22向国家知识产权局提交的专利申请。

本一种基于强化学习的机器人打磨在线颤振抑制方法在说明书摘要公布了：本申请涉及一种基于强化学习的机器人打磨在线颤振抑制方法，涉及机器人振动控制调节技术领域，该方法包括：从机器人打磨过程中的振动信号和力误差信号入手，通过离散小波变换、能量熵计算和统计特征提取，构造出高辨识度的多源特征向量，并归一化后，采用卷积神经网络与多头注意力模块进行特征融合和降维，得到低维特征表示，再通过嵌入LSTM的DDPG框架构建时序增强的策略模型，在策略模型中，Actor网络基于时序状态输出阻抗参数，Critic网络通过最小化损失函数并结合熵正则化实现策略的稳定更新，进而对机器人末端执行器进行调控，本申请实现了对机器人打磨薄壁件过程中复杂颤振机理的实时抑制与高效控制，显著提升了系统的自适应性和控制精度。

本发明授权一种基于强化学习的机器人打磨在线颤振抑制方法在权利要求书中公布了：1.一种基于强化学习的机器人打磨在线颤振抑制方法，其特征在于，包括： 在机器人打磨过程中采集离散振动信号，以及，确定打磨过程中的力误差信号，所述力误差信号用于表征打磨过程中的力控偏差； 将所述离散振动信号和所述力误差信号作为多源信号进行预处理和归一化的特征提取融合，得到具备高辨识度的归一化特征向量； 采用卷积神经网络与多头注意力模块对归一化特征向量进行特征融合和降维，得到低维特征表示； 对所述低维特征表示进行时序编码得到时序状态，并通过嵌入LSTM的深度强化学习框架构建时序增强的策略模型，所述策略模型包括深度确定性策略梯度算法的Actor网络和Critic网络； 将所述时序状态作为Actor网络的输入，得到输出的阻抗参数，并将所述时序状态和所述阻抗参数作为Critic网络的输入，获得输出的质量评估值； 基于所述质量评估值，通过最小损失函数并结合熵正则优化，更新机器人控制参数，并所述机器人控制参数作为颤振抑制策略对所述机器人末端执行器进行调控； 其中，所述机器人控制参数包含更新的阻抗参数； 将所述离散振动信号和所述力误差信号作为多源信号进行预处理和归一化的特征提取融合，得到具备高辨识度的归一化特征向量，包括：基于选定的小波基函数对所述离散振动信号进行多层离散小波分解和能量熵的量化，得到表征颤振演化趋势的振动信号特征，以及，保留所述力误差信号的原始信息，通过方差和或均差统计所述力误差信号的特征，得到力误差信号特征；将所述振动信号特征与力误差信号特征进行特征级联，并通过归一化消除尺度差异，得到归一化特征向量； 基于选定的小波基函数对所述离散振动信号进行多层离散小波分解和能量熵的量化，得到表征颤振演化趋势的振动信号特征，以及，保留所述力误差信号的原始信息，通过方差和或均差统计所述力误差信号的特征，得到力误差信号特征，包括：根据，结合预设的分解层数，采用选定的小波基函数对原始振动信号进行逐层离散小波分解，得到小波变换中每一层分解后的低频近似系数和高频细节系数；将各层分解的低频近似系数和高频细节系数结合，得到最终分解；针对最终分解，根据，对中每个子带计算能量；基于各子带计算的能量，根据，计算各子带能量占比，并根据定义小波能量熵，小波能量熵用于量化振动信号的复杂度与非线性特性，以及表征颤振演化趋势的重要特征；根据小波能量熵以及各子带计算的能量，确定振动信号特征；保留力误差信号原始信息，并根据计算统计特征，得到力误差信号特征；其中，为分解层，第层分解得到的低频系数为、高频系数为，作为小波分解中的最终分解，表示第个子带中第个小波系数，为总子带数，为采样点。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广东省科学院智能制造研究所，其通讯地址为：510070 广东省广州市越秀区先烈中路100号大院15号楼；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。