1.一种双叶片半开式污水泵叶轮制造装置，包括工作台(1)，其特征在于：所述工作台(1)的前端固定连接有连接板(3)，所述工作台(1)的表面固定连接有固定架(2)，所述固定架(2)的顶端设有按压机构(4)，所述工作台(1)的左右端分别设有移动翻转机构(5)和移动夹持机构(8)，所述连接板(3)的左右端分别设有旋转加热处理机构(6)和冷却机构(7)，所述按压机构(4)包括固定安装于固定架(2)顶部的第一驱动电机(41)，所述第一驱动电机(41)的输出端固定连接有第一伸缩杆(42)，所述第一伸缩杆(42)远离第一驱动电机(41)的一端固定连接有承接板(43)，所述承接板(43)的底部四角固定连接有伸缩柱(44)，四个所述伸缩柱(44)远离承接板(43)的一端共同固定连接有固定板(46)，所述固定板(46)的底面固定连接有上膜(12)，所述移动翻转机构(5)包括第一伸缩控制器(51)，所述第一伸缩控制器(51)的输出端通过连接轴固定连接有底板(55)，所述底板(55)的表面设有成型板(56)，所述成型板(56)的表面开设有型腔(14)，所述型腔(14)的底面固定安装有下膜(13)。

2.根据权利要求1所述的一种双叶片半开式污水泵叶轮制造装置，其特征在于：四个所述伸缩柱(44)的圆周表面套接有伸缩弹簧(45)，所述伸缩弹簧(45)的上下两端分别固定安装于承接板(43)的底面和固定板(46)的表面，所述上膜(12)与下膜(13)处于同一垂直线上。

3.根据权利要求1所述的一种双叶片半开式污水泵叶轮制造装置，其特征在于：所述工作台(1)的表面右端开设有通槽(10)，所述工作台(1)的右端后侧通过电机座固定安装有打磨组件(9)，所述固定架(2)的后侧底端固定安装有后板(11)。

4.根据权利要求1所述的一种双叶片半开式污水泵叶轮制造装置，其特征在于：所述底板(55)的表面且位于成型板(56)的左右两侧固定安装有侧板(58)，左侧所述侧板(58)的外侧前端固定连接有第一转动电机(53)，所述第一转动电机(53)的输出端固定安装有固定杆(57)，所述固定杆(57)固定安装于成型板(56)的内部前端，右侧所述侧板(58)表面固定安装有与固定杆(57)相适配的轴承座，所述底板(55)的底面固定连接有滑板(52)，所述工作台(1)的表面开设有与滑板(52)相适配的滑槽(54)，所述第一伸缩控制器(51)固定安装于后板(11)的外侧表面。

5.根据权利要求1所述的一种双叶片半开式污水泵叶轮制造装置，其特征在于：所述旋转加热处理机构(6)包括加热炉(61)，所述加热炉(61)的顶部设有顶盖，且顶盖的表面一端设有真空抽气孔(62)，所述加热炉(61)固定安装于连接板(3)的内部左端，所述加热炉(61)的内壁固定安装有加热线圈(67)，所述加热炉(61)的前侧外表面固定安装有温度显示控制器(64)，所述加热炉(61)的底部外表面固定连接有第二转动电机(63)，所述第二转动电机(63)的输出端固定连接有转动杆(65)，所述转动杆(65)远离第二转动电机(63)的一端固定连接有承接金属盘(66)。

6.根据权利要求1所述的一种双叶片半开式污水泵叶轮制造装置，其特征在于：所述冷却机构(7)包括固定安装于连接板(3)右端内部的冷却箱(71)，所述冷却箱(71)的右侧表面固定连接有箱体(72)，所述箱体(72)的顶部设有循环泵(73)，所述循环泵(73)的输出端固定安装有进水管(75)，所述进水管(75)的一端设置于箱体(72)的内部，所述进水管(75)的另一端固定连接有冷凝管(74)，所述冷凝管(74)远离进水管(75)的一端固定连接有回水管(76)，所述回水管(76)远离冷凝管(74)的一端设置于箱体(72)内，所述冷凝管(74)固定安装于冷却箱(71)的内壁，且冷凝管(74)呈螺旋下降设置。

7.根据权利要求1所述的一种双叶片半开式污水泵叶轮制造装置，其特征在于：所述移动夹持机构(8)包括开设于工作台(1)表面右端的限位槽(81)，所述限位槽(81)设置有两个，两个所述限位槽(81)的内滑动连接有多个滑块，且多个滑块表面固定连接有两块安装板(83)，两块所述安装板(83)之间通过驱动电机座固定安装有第二驱动电机(84)，所述限位槽(81)的内部设有伸缩推杆(82)，所述伸缩推杆(82)的一端与滑块固定连接，所述第二驱动电机(84)的输出端固定连接有第二伸缩杆(85)，所述第二伸缩杆(85)远离第二驱动电机(84)的一端固定连接有第二伸缩控制器(86)，所述第二伸缩控制器(86)上端和下端均设有夹持板(87)，所述夹持板(87)的表面设有防滑垫。

8.一种适用于权利要求1‑7任一项双叶片半开式污水泵叶轮制造装置的制造方法，其特征在于，具体步骤如下：步骤一、首先绘制双叶片半开式污水泵叶轮的详细制图，制作适合叶轮形状的模具，随后将制造叶轮的材料导入型腔(14)内，第一驱动电机(41)带动第一伸缩杆(42)伸出，从而将底部的固定板(46)推出，使得上膜(12)和下膜(13)能够准确地配合，保持一定的时间让材料冷却固化，确保成型品具有足够的硬度和强度，随后第一驱动电机(41)收缩，在第一伸缩控制器(51)的作用下，将底板(55)推出，滑板(52)后端移动至滑槽(54)前端时，第一转动电机(53)带动固定杆(57)转动，从而实现成型板(56)的翻转，便于将固化后的叶轮倒入加热炉(61)内的承接金属盘(66)上；

步骤二、当固化后的叶轮倒入在加热炉(61)内的承接金属盘(66)上时，盖上加热炉(61)顶部的顶盖，通过外部设备对加热炉(61)的内部抽真空，避免叶轮表面被氧化，随后第二转动电机(63)带动转动杆(65)转动，使叶轮受热更均匀，随后将叶轮放置冷却箱(71)内，立即打开循环泵(73)，冷却液在冷凝管(74)内循环流动，起到冷却的效果；

步骤三、冷却后的叶轮放置在两个夹持板(87)之间，第二伸缩控制器(86)将夹持板(87)收缩完成对叶轮的夹持，随后通过第二驱动电机(84)带动第二伸缩杆(85)推出，便于通过打磨组件(9)对叶轮表面进行打磨，确保叶轮表面平整和光滑。

9.根据权利要求8所述的双叶片半开式污水泵叶轮制造装置的制造方法，其特征在于，步骤一中，在进行双叶片半开式污水泵叶轮制造时，引入深度确定性策略梯度算法与双重深度Q网络结合的智能算法，对双叶片半开式污水泵叶轮制造过程进行优化，具体过程为：步骤1：建立环境模型

创建仿真环境

仿真目标：模拟双叶片半开式污水泵叶轮制造过程的各个阶段，包括材料导入、冷却固化、成型板翻转；

仿真工具：使用Python和SimPy库创建仿真环境，通过仿真模拟整个制造过程，收集不同状态变量的数据；SimPy是一个用于事件驱动仿真的Python库，适合创建制造过程的离散事件仿真模型；

仿真步骤：

材料导入：模拟材料注入模具的过程；

冷却固化：模拟材料冷却和固化过程；

成型板翻转：模拟成型板翻转以释放固化叶轮的过程；

状态变量

材料温度Tm：表示材料的当前温度，范围从室温到固化温度；

冷却时间tcool：表示材料冷却的时间，设定预先范围

固化硬度Hcure：表示材料的固化硬度，范围从0未固化到1完全固化；

驱动电机位置Pmotor：表示驱动电机的位置，范围从0起始位置到1终止位置；

伸缩杆位置Prod：表示伸缩杆的位置，范围从0收缩到1完全伸展；

成型板角度Aplate：表示成型板的角度，范围从0度水平到90度垂直；

使用深度神经网络表示环境动态对叶轮制造过程中的状态变量进行监测和控制；

深度神经网络模型结构：在深度神经网络模型中设置输入层、隐藏层和输出层，对制造过程中各个状态变量进行建模和预测；

输入层：包括所有状态变量，材料温度Tm，冷却时间tcool，固化硬度Hcure，驱动电机位置Pmotor，伸缩杆位置Prod，成型板角度Aplate；

隐藏层：两个隐藏层，每层包含64个神经元，激活函数为ReLU；

输出层：预测下一时刻的所有状态变量；

训练深度神经网络模型：

数据收集：收集历史数据和实验数据，数据集包括每个制造过程中的所有状态变量，记录了从材料导入到成型板翻转的全过程数据；材料温度、冷却时间、固化硬度、驱动电机位置、伸缩杆位置、成型板角度；实验数据和历史数据用于训练深度神经网络模型；

在制造过程中优化各阶段的控制参数，提高制造效率和质量使用优化器和损失函数：使用Adam优化器和均方误差MSE损失函数优化深度神经网络模型，确保模型能够准确预测和模拟制造过程的状态变化；Adam优化器公式：mt：时刻t的一阶矩估计，动量；这是当前时刻的动量，结合了前一时刻的动量mt‑1和当前梯度gt；

vt：时刻t的二阶矩估计，梯度的平方；这是当前时刻的梯度平方值，结合了前一时刻的二阶矩估计tt+1和当前梯度的平方动量mt的偏差校正估计；是对动量mt进行偏差校正后的估计，考虑了β1指数衰减；

二阶矩估计vt的偏差校正估计；是对二阶矩估计vt进行偏差校正后的估计，考虑了β2的指数衰减；

θt：时刻t的参数值；是更新后的参数值，结合了动量和二阶矩的校正估计，用学习率α和一个小的常数ε来防止除零错误；

gt：时刻t的梯度这是当前时刻的梯度值；

β1：一阶矩估计的指数衰减率；

β2：二阶矩估计的指数衰减率；

α：学习率；这是用于调整参数更新步长的系数；

ε：防止除零错误的常数；通常设置为一个非常小的值

损失函数为均方误差MSE，用于最小化预测值和真实值之间的误差，确保模型预测的精度；

yi：真实值；

预测值；

n：样本的数量；

步骤2：设计智能控制器

基于双重深度Q网络算法设计智能控制器

双重深度Q网络算法是结合策略网络和价值网络，分别用于确定最优动作和评估动作的价值；利用双重深度Q网络算法设计一个智能控制器，以优化双叶片半开式污水泵叶轮制造过程的各个控制参数；

策略网络：接收双叶片半开式污水泵叶轮制造过程当前的状态输入，输出相应的控制动作，这些动作用于调整制造过程中的各个控制参数，以实现最佳的制造效果；

输入：当前状态s，包括以下状态变量：材料温度Tm，冷却时间tcool，固化硬度Hcure，驱动电机位置Pmotor，伸缩杆位置Prod，成型板角度Aplate；

结构：

输入层：6个状态变量；

隐藏层：两个隐藏层，每层64个神经元，激活函数为ReLU；

输出层：控制动作，激活函数为tanh；

价值网络：评估在双叶片半开式污水泵叶轮制造过程当前状态下执行特定动作的价值，从而指导策略网络选择双叶片半开式污水泵叶轮制造过程的最优动作；

输入状态s：与策略网络输入相同的6个状态变量材料温度Tm，冷却时间tcool，固化硬度Hcure，驱动电机位置Pmotor，伸缩杆位置rod，成型板角度Aplate；

输出动作a：由策略网络输出的控制动作，双叶片半开式污水泵叶轮制造过程中电机速度、伸缩杆位置调整；

输出：Q值，表示在给定的双叶片半开式污水泵叶轮制造过程状态和动作下的价值；Q值用于评估当前动作的价值，以帮助策略网络优化其输出；

结构：

输入层：状态和动作的组合；

隐藏层：两个隐藏层，每层64个神经元，激活函数为ReLU；

输出层：Q值；

使用双重深度Q网络算法优化Q值估计

双重深度Q网络通过使用两个独立的网络来分别计算动作的选择和动作的价值，从而减少Q值估计的偏差；在叶轮制造过程中，可以根据成型质量、冷却速度、能耗等指标设定即时奖励；当材料导入均匀、冷却时间合适、固化硬度达到要求时，给予高奖励；否则，给予低奖励或惩罚；

计算中折扣因子用于权衡即时奖励和未来奖励的重要性；在制造过程中，需要权衡当前的控制动作和未来的成型质量；

目标Q网络：使用独立的目标Q网络计算目标Q值，减少估计偏差；通过目标Q网络计算不同状态和动作组合的目标Q值，从而指导策略网络优化控制动作；

下一时刻的状态s和动作a在制造过程中，通过当前的控制动作和状态变化，预测下一时刻的状态和相应的控制动作；通过当前的材料温度和冷却时间，预测下一时刻的材料温度和冷却硬度；通过当前的驱动电机位置和伸缩杆位置，预测下一时刻的驱动电机位置和伸缩杆位置双重深度Q网络的目标值计算公式为：

Q Q

y＝rγQ`(s`，argmaxa`Q(s`，a`|θ)|θ)其中：

y：目标值，是Q值更新目标，表示当前状态‑动作对的价值估计目标；

r：即时奖励，在当前状态下执行动作后获得的奖励；

Y：折扣因子，用于折扣未来奖励的重要性，范围在0到1之间，Q`：目标Q网络，一个独立的Q网络，用于计算目标值，以减少估计偏差；

s`：下一时刻的状态，执行当前动作后转移到的状态；

Q Q

argmaxa`Q(s`，a`|θ)|θ `)：选择动作的策略，在下一时刻的状态s`下，选择使Q值最大Q Q的动作a；其中，Q(s`，a`|θ)|θ `)表示使用当前Q网络计算出的Q值；

Q

θ：当前Q网络的参数，当前Q网络的参数，用于计算Q值；

Q

θ `：目标Q网络的参数，用于计算目标Q值；

步骤3：训练智能控制器

初始化深度确定性策略梯度和双重深度Q网络算法的参数

参数初始化：在训练开始之前，策略网络和价值网络的权重被随机初始化，打破对称性并使得网络学习不同的特征；

目标网络和Q′复制策略网络和价值网络的初始权重：目标网络用于稳定训练过程，其初始权重直接复制自策略网络和价值网络，随着训练的进行，目标网络的权重将缓慢更新；

设置学习率α和折扣因子γ：学习率α：控制参数更新的步长，确保稳定且逐步的学习；

折扣因子γ：权衡即时奖励和未来奖励的重要性；

在仿真环境中进行训练

仿真运行：在仿真环境中启动运行，设置初始状态s；仿真环境模拟真实制造过程的各个阶段，包括材料导入、冷却固化和成型板翻转；

动作选择：在每个时间步，智能控制器根据当前状态s选择一个动作a；这个动作由策略网络生成，输出控制参数电机速度和伸缩杆位置调整；

执行动作：执行选择的动作a，使制造设备根据控制参数进行操作，并获取下一个状态s和即时奖励r；即时奖励基于当前动作的效果，材料导入均匀度、冷却效果和成型质量；

经验重播：使用经验重播机制存储状态转移(s，a，r，s)；经验重播缓冲区存储这些状态转移，以便后续从中抽取小批量数据进行网络更新；这种机制可以打破数据相关性，增强训练效果；

网络更新

价值网络损失函数：计算价值网络的损失函数，用于优化价值网络的参数；

损失函数：

Q Q 2

L(θ)＝Es，a，r，s`[(Q(s，a|θ)‑y) ]Q

L(θ)：价值网络的损失函数，用于度量价值网络Q的预测值与目标值y之间的误差；

Q

θ：价值网络的参数，用于表示价值网络的权重和偏置，这些参数需要通过训练进行优化；

Es，a，r，s`：期望，表示对所有状态、动作、奖励和下一个状态的期望值；

Q

Q(s，aθ)：价值网络的输出，在给定状态s和动作a下，价值网络Q的估计值，表示采取动作a后在状态s中的预期回报；

y：目标值，价值网络要学习的目标值，用于更新价值网络的参数；

策略网络梯度：计算策略网络的梯度，用于优化策略网络的参数；

梯度公式：

μ

策略网络梯度，表示目标函数J对策略网络参数θ的梯度，用于更新策略网络的参数；

Es：期望，表示对所有状态s的期望值；

价值网络对动作的梯度，表示在给定状态s和动作a下，价值网络Q对动作a的梯度；

a＝μ(s|θ)：策略网络生成的动作，表示在给定状态s下，由策略网络生成的动作a；

梯度运算符表示对函数进行微分或求导，计算其梯度。

μ

θ：策略网络的参数表示策略网络μ的权重和偏置参数，这些参数需要通过训练进行优化。

μ：策略网络表示策略网络的函数，输入状态s，输出控制动作a。

s：状态，表示当前环境的状态，作为策略网络的输入。

μ μ

μ(s|θ)：策略网络的输出，表示在给定状态s下，策略网络μ根据参数θ生成的控制动作a。

步骤4：实时控制和调整

使用训练好的智能控制器

确保智能控制器模型已经在仿真环境中经过充分训练和验证，这包括持续训练和测试，确保智能控制器能够在仿真环境中稳定地生成合理的控制动作，并在各种仿真场景下表现良好，将训练好的智能控制器模型部署到实际的制造设备控制系统中，连接智能控制器模型与实际设备的硬件接口，并将其集成到现有的控制系统中，使其能够控制驱动电机、伸缩杆和成型板等部件；

智能控制器根据实时监测到的状态变量材料温度、伸缩杆位置、成型板角度生成控制动作，这些控制动作直接作用于设备，确保设备按照最优策略运行，从而保证制造过程的高效和精确；

使用安装在各个位置的传感器实时监控系统状态，传感器采集的实时数据通过数据总线传送到控制系统，智能控制器实时分析这些数据，判断是否需要调整制造过程参数；智能控制器根据实时状态选择最优控制动作，计算出最优的电机速度、伸缩杆位置和成型板角度，并立即执行这些动作，以确保制造过程的稳定和高。

10.一种适用于权利要求1‑7任一项双叶片半开式污水泵叶轮制造装置的双叶片半开式污水泵叶轮，包括双叶片半开式叶轮主体(15)，其特征在于：所述双叶片半开式叶轮主体(15)包括叶轮盖体(151)，所述叶轮盖体(151)的表面轴心处贯穿设置有轴套(152)，所述轴套(152)的表面轴心处开设有轴孔(153)，所述叶轮盖体(151)上设有多个叶片(154)。