[發明專利]基于卷積神經網絡的熱噴涂方法及裝置

在審

• 申請號: 202011073655.3
• 申請日: 2020-10-09
• 公開（公告）號: CN112329322A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 朱金偉;王欣芝;寇璐瑤;鄭麗麗;張輝
• 申請（專利權）人: 清華大學
• 主分類號: G06F30/25
• 分類號: G06F30/25;G06F30/27;G06F111/10
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 張大威

本發明公開了一種基于卷積神經網絡的熱噴涂方法及裝置，其中，該方法包括：在給定工藝參數的條件下，獲取飛行顆粒特性空間分布或者涂層微觀結構，將工藝參數數據和顆粒數據或涂層數據進行預處理；設計卷積神經網絡模型的架構或將預訓練好的卷積神經網絡模型進行遷移和微調；將預處理后的數據分成訓練集和測試集，利用訓練集對卷積神經網絡模型參數進行訓練，利用測試集對訓練完成的模型進行測試和評估，得到訓練測試完成的模型；設計所需顆粒特性分布或涂層微觀結構，根據評估后的卷積神經網絡模型預測出對應工藝參數，并將其結合利用實驗、模擬等方法獲取相應結構。該方法對噴涂過程優化提供很好的指導，極大地減少人工探索最佳工藝參數的成本。

技術領域

本發明涉及熱噴涂技術領域，特別涉及一種基于卷積神經網絡的熱噴涂方法及裝置。

背景技術

熱噴涂技術是目前較為成熟的表面強化和改性技術，在熱噴涂過程中，金屬、陶瓷、金屬陶瓷等涂層材料被高溫高速的熱源加熱至熔融、半熔融狀態，同時被加速至需要防護處理的零件表面，然后發生碰撞、變形并沉積形成涂層，從而使工件表面獲得耐磨、耐腐、耐熱、抗氧化、隔熱、絕緣、導電、密封等等不同的物性化學性能。在噴涂過程中，可以通過控制噴涂工藝參數獲取所需要的涂層微觀結構和特征參數，從而獲得預期的涂層性能。但是，由于噴涂過程涉及到的工藝參數眾多，包含有噴槍功率，等離子氣體流量，送粉率，噴涂距離，噴涂角度，噴涂環境，噴涂速度，基體溫度等等，以及不同工藝參數可能存在內部關聯；并且表征噴涂涂層的性能特征也有很多，如涂層微觀結構，涂層孔隙率，結合強度等，這使得噴涂過程的控制和優化變得非常復雜。

對于噴涂過程的控制和優化，在實際噴涂中，主要是基于人工經驗進行工藝參數調整；在科學研究中，主要是基于傳統的設計實驗和數值模擬對過程優化進行建模分析。但是由于傳統的實驗研究和數值分析成本較高，時間長，效率低，而且由于傳統方法的限制，很難對存在多變量以及內在關聯復雜的噴涂過程進行全方面的分析和優化。雖然在目前的一些研究中，快速發展的機器學習、人工神經網絡方法已經被應用于噴涂全過程的建模和分析，但是在實際噴涂中，針對工藝參數的優化，一部分研究集中于根據理想的涂層性能得到所需要的工藝參數。因此，對于噴涂正向過程的建模分析不能滿足上述需求，需要對噴涂逆向過程進行分析。同時，結合實際噴涂中的數據結果，飛行顆粒狀態參數、涂層微觀結構都直接或間接與涂層性能相關聯。所以，在噴涂逆向過程建模中，飛行顆粒狀態參數、涂層微觀結構與噴涂工藝參數之間的關聯關系分析至關重要。而且考慮到飛行顆粒特征以及涂層微觀結構都具有空間分布的特點，并結合卷積神經網絡的特點，采用卷積神經網絡模型對噴涂逆向過程建模分析具有較高的工業實用價值。

發明內容

本發明旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本發明的一個目的在于提出一種基于卷積神經網絡的熱噴涂方法，該方法對噴涂過程優化提供很好的指導，極大地減少人工探索最佳工藝參數的成本。

本發明的另一個目的在于提出一種基于卷積神經網絡的熱噴涂裝置。

為達到上述目的，本發明一方面實施例提出了基于卷積神經網絡的熱噴涂方法，包括以下步驟：步驟S1，獲取熱噴涂過程的實驗數據；步驟S2，對所述實驗數據進行預處理，以構建數據庫；步驟S3，根據預設要求設計卷積神經網絡模型；步驟S4，將所述數據庫劃分為訓練集和測試集，其中，利用所述訓練集訓練所述卷積神經網絡模型，再利用所述測試集對訓練完成的卷積神經網絡模型的預測精度進行測試；步驟S5，判斷所述訓練過程中的訓練誤差、測試過程中的測試誤差是否在預設范圍內，若超出所述預設范圍，則迭代執行步驟S1-S5，直至符合所述預設范圍；步驟S6，設計需求目標，獲取所述需求目標的理想目標數據；步驟S7，將所述理想目標數據輸入至測試完成的卷積神經網絡模型，輸出相對應的噴涂工藝參數；步驟S8，將所述噴涂工藝參數和所述實驗數據相結合，得到實際的飛行顆粒特征分布或涂層微觀結構。