[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的熱噴涂方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202011073655.3
• 申請(qǐng)日: 2020-10-09
• 公開(kāi)（公告）號(hào): CN112329322A
• 公開(kāi)（公告）日: 2021-02-05
• 發(fā)明（設(shè)計(jì)）人: 朱金偉;王欣芝;寇璐瑤;鄭麗麗;張輝
• 申請(qǐng)（專利權(quán)）人: 清華大學(xué)
• 主分類號(hào): G06F30/25
• 分類號(hào): G06F30/25;G06F30/27;G06F111/10
• 代理公司: 北京清亦華知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11201
• 代理人: 張大威

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的熱噴涂方法，其特征在于，包括以下步驟：

步驟S1，獲取熱噴涂過(guò)程的實(shí)驗(yàn)數(shù)據(jù)；

步驟S2，對(duì)所述實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理，以構(gòu)建數(shù)據(jù)庫(kù)；

步驟S3，根據(jù)預(yù)設(shè)要求設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟S4，將所述數(shù)據(jù)庫(kù)劃分為訓(xùn)練集和測(cè)試集，其中，利用所述訓(xùn)練集訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)模型，再利用所述測(cè)試集對(duì)訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度進(jìn)行測(cè)試；

步驟S5，判斷所述訓(xùn)練過(guò)程中的訓(xùn)練誤差、測(cè)試過(guò)程中的測(cè)試誤差是否在預(yù)設(shè)范圍內(nèi)，若超出所述預(yù)設(shè)范圍，則迭代執(zhí)行步驟S1-S5，直至符合所述預(yù)設(shè)范圍；

步驟S6，設(shè)計(jì)需求目標(biāo)，獲取所述需求目標(biāo)的理想目標(biāo)數(shù)據(jù)；

步驟S7，將所述理想目標(biāo)數(shù)據(jù)輸入至測(cè)試完成的卷積神經(jīng)網(wǎng)絡(luò)模型，輸出相對(duì)應(yīng)的噴涂工藝參數(shù)；

步驟S8，將所述噴涂工藝參數(shù)和所述實(shí)驗(yàn)數(shù)據(jù)相結(jié)合，得到實(shí)際的飛行顆粒特征分布或涂層微觀結(jié)構(gòu)。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的熱噴涂方法，其特征在于，所述實(shí)驗(yàn)數(shù)據(jù)為熱噴涂過(guò)程中積累的噴涂工藝參數(shù)，飛行顆粒狀態(tài)參數(shù)和涂層參數(shù)。

3.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的熱噴涂方法，其特征在于，所述步驟S3中的卷積神經(jīng)網(wǎng)絡(luò)模型中，飛行顆粒特征分布或涂層微觀結(jié)構(gòu)作為輸入層，噴涂工藝參數(shù)作為輸出層。

4.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的熱噴涂方法，其特征在于，若所述訓(xùn)練誤差、所述測(cè)試誤差超出所述預(yù)設(shè)范圍，則增加所述數(shù)據(jù)庫(kù)，擴(kuò)大所述訓(xùn)練集和所述測(cè)試集，或?qū)λ鼍矸e神經(jīng)網(wǎng)絡(luò)模型的架構(gòu)進(jìn)行微調(diào)、改變所述卷積神經(jīng)網(wǎng)絡(luò)模型的遷移方式，或增加所述卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練迭代次數(shù)，進(jìn)一步調(diào)整所述卷積神經(jīng)網(wǎng)絡(luò)模型，直至誤差在所述誤差范圍內(nèi)。

5.一種基于卷積神經(jīng)網(wǎng)絡(luò)的熱噴涂裝置，其特征在于，包括以下步驟：

獲取模塊，用于獲取熱噴涂過(guò)程的實(shí)驗(yàn)數(shù)據(jù)；

預(yù)處理模塊，用于對(duì)所述實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理，以構(gòu)建數(shù)據(jù)庫(kù)；

第一設(shè)計(jì)模塊，用于根據(jù)預(yù)設(shè)要求設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)模型；

訓(xùn)練測(cè)試模塊，用于將所述數(shù)據(jù)庫(kù)劃分為訓(xùn)練集和測(cè)試集，其中，利用所述訓(xùn)練集訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)模型，再利用所述測(cè)試集對(duì)訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度進(jìn)行測(cè)試；

判斷迭代模塊，用于判斷所述訓(xùn)練過(guò)程中的訓(xùn)練誤差、測(cè)試過(guò)程中的測(cè)試誤差是否在預(yù)設(shè)范圍內(nèi)，若超出所述預(yù)設(shè)范圍，則迭代執(zhí)行上述模塊，直至符合所述預(yù)設(shè)范圍；

第二設(shè)計(jì)模塊，用于設(shè)計(jì)需求目標(biāo)，獲取所述需求目標(biāo)的理想目標(biāo)數(shù)據(jù)；

預(yù)測(cè)模塊，用于將所述理想目標(biāo)數(shù)據(jù)輸入至測(cè)試完成的卷積神經(jīng)網(wǎng)絡(luò)模型，輸出相對(duì)應(yīng)的噴涂工藝參數(shù)；

獲得實(shí)際結(jié)果模塊，用于將所述噴涂工藝參數(shù)和所述實(shí)驗(yàn)數(shù)據(jù)相結(jié)合，得到實(shí)際的飛行顆粒特征分布或涂層微觀結(jié)構(gòu)。

6.根據(jù)權(quán)利要求5所述的基于卷積神經(jīng)網(wǎng)絡(luò)的熱噴涂裝置，其特征在于，所述實(shí)驗(yàn)數(shù)據(jù)為熱噴涂過(guò)程中積累的噴涂工藝參數(shù)，飛行顆粒狀態(tài)參數(shù)和涂層參數(shù)。

7.根據(jù)權(quán)利要求5所述的基于卷積神經(jīng)網(wǎng)絡(luò)的熱噴涂裝置，其特征在于，所述第一設(shè)計(jì)模塊的卷積神經(jīng)網(wǎng)絡(luò)模型中，飛行顆粒特征分布或涂層微觀結(jié)構(gòu)作為輸入層，噴涂工藝參數(shù)作為輸出層。

8.根據(jù)權(quán)利要求5所述的基于卷積神經(jīng)網(wǎng)絡(luò)的熱噴涂裝置，其特征在于，若所述訓(xùn)練誤差、所述測(cè)試誤差超出所述預(yù)設(shè)范圍，則增加所述數(shù)據(jù)庫(kù)，擴(kuò)大所述訓(xùn)練集和所述測(cè)試集，或?qū)λ鼍矸e神經(jīng)網(wǎng)絡(luò)模型的架構(gòu)進(jìn)行微調(diào)、改變所述卷積神經(jīng)網(wǎng)絡(luò)模型的遷移方式，或增加所述卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練迭代次數(shù)，進(jìn)一步調(diào)整所述卷積神經(jīng)網(wǎng)絡(luò)模型，直至誤差在所述誤差范圍內(nèi)。