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！

龙图腾网获悉江苏省金鑫安防设备有限公司申请的专利钢木防火门一体成型防变形工艺及配套装备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：CN118342597B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202410528731.7，技术领域涉及：B27M3/18；该发明授权钢木防火门一体成型防变形工艺及配套装备是由赵国平;范亚泽;徐正祥;张勤;蔡新;张会明;张滨设计研发完成，并于2024-04-29向国家知识产权局提交的专利申请。

本钢木防火门一体成型防变形工艺及配套装备在说明书摘要公布了：本发明涉及钢木防火门技术领域，且公开了钢木防火门一体成型防变形工艺及配套装备，解决了目前市场上的钢木防火门一体成型防变形的问题，包括支撑架，所述支撑架的内侧设置有滚式输送机体，所述滚式输送机体的一侧设置有驱动部件；利用旋转的传动扇可以产生风力，可以将材料表面的灰尘碎屑等进行吹除，减少材料表面产生灰尘碎屑堆积或有液体堆积的情况；同时利用旋转的清洁刷可以对滚式输送机体表面运动的钢木防火门表面进行刷洗清洁，无需人工处理，提高了钢木防火门预处理步骤的便携性，节省了人工的成本；且通过将除尘机构和清洁机构集成到顶架中，可以简化设备的维护流程，提高了该防火门一体成型设备的实用性。

本发明授权钢木防火门一体成型防变形工艺及配套装备在权利要求书中公布了：1.钢木防火门一体成型防变形工艺，应用于钢木防火门一体成型防变形工艺的配套装备，所述配套装备包括支撑架1，所述支撑架1的内侧设置有滚式输送机体2，所述滚式输送机体2的一侧设置有驱动部件3，所述支撑架1的外侧设置有除尘机构4，所述除尘机构4包括顶架401、电机体402和防护箱403，所述顶架401的顶部固定连接有电机体402，所述电机体402的输出轴设置有传动杆405，所述传动杆405的底端活动连接有连接轴406，所述连接轴406的一侧活动连接有传动扇407，所述顶架401的内侧设置有清洁机构5； 其特征在于，所述防变形工艺包括如下步骤： 步骤S1、选材：选用经过特殊处理的钢质材料和木质材料，确保两者具有相近的热膨胀系数，以便在后续加工中保持稳定性，准备防火涂料、胶水、密封剂辅助材料； 步骤S2、材料预处理：使用切割机械对钢质和木质材料进行初步切割，按照防火门的尺寸和结构设计进行裁切，同时进行去应力处理，确保材料内部应力均匀，减少变形的可能性，同时对材料进行干燥处理，去除多余水分，防止后续加工中出现膨胀或收缩； 步骤S3、一体成型：利用一体成型设备，将预处理后的钢质材料和木质材料按照设计要求进行精准定位，使用热压成型机械进行热压成型，通过高温和高压使两种材料紧密结合，形成一个整体； 步骤S4、防火处理：在门体表面喷涂防火涂料，增加防火性能，同时根据需要，在门体的关键部位增加防火密封条，提高密封性和耐火性； 步骤S5、后期处理：对成型的防火门进行打磨、修整，确保表面光滑平整，进行质量检查，包括尺寸精度、防火性能，确保产品符合标准； 步骤S6、包装入库：使用合适的包装材料进行包装，防止在运输和存储过程中受到损伤； S2中，通过智能算法优化材料的切割和去应力处理过程；通过实时监测材料应力分布和变形情况，算法可以调整切割和处理参数，以最大程度地减少变形的可能性，并确保材料质量；具体过程为： 步骤1，安装传感器网络以收集加工过程中的实时数据，包括温度传感器、湿度和压力传感器；将传感器数据传输到数据采集模块进行处理和准备； 温度数据收集：选择适合高温环境的热电偶温度传感器，在加工设备的关键位置上安装温度检测器，实时监测加工过程中的温度变化；设定采样频率，每秒采集一次温度数据，确保数据的时效性和准确性；记录每个时间点的温度数值，并将其存储在数据库中，以备后续分析使用； 湿度数据收集：使用湿度传感器在加工环境中布置湿度检测器，实时监测加工过程中的湿度变化；设定采样频率，每秒采集一次湿度数据，确保湿度数据的实时性和准确性；记录每个时间点的湿度数值，并将其存储在数据库中，以备后续分析使用； 压力数据收集：选择能够承受高压环境的应变片压力传感器，用于监测热压成型机械施加的压力；设定采样频率，每秒采集一次压力数据，确保压力数据的实时性和准确性；记录每个时间点的压力数值，并将其存储在数据库中，以备后续分析使用； 通过数据清洗、异常值处理和数据平滑方法对采集到的数据进行预处理，确保数据质量和可用性； 步骤2，根据传感器已有的加工过程数据和实时反馈的数据建立Q学习和深度神经网络相结合的深度Q网络模型；下面是详细的实施过程： 2-1、状态表示，状态S的表示为一个三维向量，其中，其中： T是加工材料的温度； H是加工过程中湿度； E是设备运行状态：0代表设备未运行，1代表设备运行中； 2-2、动作表示，动作A的定义为一个三维向量，其中,其中： V是切割速度：0-100，单位:ms； 是加工温度：0-500，单位:摄氏度； P是加工压力：0-50，单位:MPa； 2-3、奖励函数设计: 奖励函数的设计是强化学习中的关键部分，它直接影响到算法的收敛性和性能；用表示奖励，是在状态下采取动作后获得的奖励，设计的奖励函数如下: a变形控制奖励: 如果成功减少了材料的变形，奖励值+10； 如果材料的变形保持在一个较小的范围内，奖励值+5； 如果材料的变形超出了阈值，奖励值-10； b生产效率奖励: 如果生产效率高，奖励值+8； 如果生产效率低，奖励值-5； c资源利用奖励: 如果在加工过程中有效利用了材料和能源，奖励值+6； 如果存在资源浪费或能源消耗过大的情况，奖励值-3； d安全性奖励: 如果加工过程中保持了安全状态，奖励值+7； 如果存在安全隐患或事故发生，奖励值-8； 2-4、神经网络结构： 卷积层1： 输入：状态向量，大小为3x1，即三个特征：温度、湿度、设备状态； 卷积核大小:31； 激活函数:ReLU； 输出大小:32，表示32个特征图； 卷积层2： 输入:卷积层1的输出，大小为321； 卷积核大小:31； 激活函数:ReLU； 输出大小:64，表示64个特征图； 全连接层1: 输入:卷积层2的输出，大小为641； 输出大小:128； 激活函数:ReLU； 全连接层2： 输入:全连接层1的输出，大小为128； 输出大小:3，表示三个动作的Q值； 2-5、在Q-learning算法中，目标Q值的计算方式为当前奖励加上下一状态的最大Q值乘以折扣因子；因此，Q值的更新公式为： ； :Q值函数，表示在状态S下采取动作A的Q值，其中是神经网络的参数； :学习率； :在状态下采取动作后获得的奖励； :折扣因子，用于衡量未来奖励的重要性； :在下一个状态中，选择动作时的最大Q值； ：目标网络的参数； 2-6、根据损失函数的梯度，使用梯度下降法来更新网络的权重和偏置；具体的参数更新方法如下：； 其中，是学习率，是损失函数关于参数的梯度； 2-7、损失函数定义，采用均方误差MSE损失函数来衡量模型预测的Q值与目标Q值之间的差距；具体地，损失函数定义为预测Q值与目标Q值的差的平方的平均值； ； ：损失函数，衡量预测Q值与目标Q值之间的差距； ：样本数量，用于计算损失函数的平均值； ：表示训练集中的第个样本； ：状态向量，表示环境的当前状态，包括温度、湿度和设备状态信息； ：动作向量，表示可以采取的动作，包括调整切割速度、温度和压力参数； :神经网络的参数，包括权重和偏置； :Q值函数，表示在状态S下采取动作A的Q值，其中是神经网络的参数； :在状态S下采取动作A后获得的奖励； :折扣因子，用于衡量未来奖励的重要性； :下一个状态，即在状态下采取动作后的状态； ：下一个状态中可能选择的某个动作； :在下一个状态中，选择动作时的最大Q值； :目标网络的参数，用于计算目标Q值； 步骤3，根据深度Q网络来优化加工过程中的参数调整，以减少材料变形并提高生产效率；根据贪婪策略，选择使得Q值最大的动作作为当前状态下的执行动作；具体地，选择满足以下条件的动作：； 其中，是当前状态下选择的执行动作；表示在所有可能的动作中，选择使得Q值最大的动作,包括调整不同的切割速度，加工温度，加工压力。

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江苏省金鑫安防设备有限公司，其通讯地址为：225200 江苏省扬州市江都区邵伯镇工业园内；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”。

以上内容由龙图腾AI智能生成。