[发明专利]一种汽车轻量化底盘铝合金结构件及其制备方法

权利要求书

1.一种汽车轻量化底盘铝合金结构件的制备方法，其特征在于，所述汽车轻量化底盘铝合金结构件的制备方法包括以下步骤：

步骤1：将原料熔融并升温至760℃，静置5小时；

步骤2：再进行升温至750℃成液态原料，合模并留出一定间隙，向间隙中注入氧气；继续合模，模具完全闭合；

步骤3：向料筒内注入液态原料；向料筒内注入氧气；然后加入0.25％的变质剂，采用99％的氩气进行除气操作10分钟，静止13分钟准备压铸；

步骤4：将模具固定在压铸机的动定模板上，将模具预热至200℃，在模具型腔内均匀喷上一层水基涂料，涂型厚度为0.005～0.007mm，加热并保持模具温度为160℃；

步骤5：将处理完成的混合物料液体压入模具内，压射取出零件后，进行180℃的时效处理，经过10小时处理制得所需的汽车轻量化底盘铝合金结构件半成品；

步骤6：将到的半成品冷却后进行切边、X探伤、抛丸、加工ECM去毛刺、进行终清洗烘干和最终检验，得到产品；

原料中每种组份分别储存在不同的智能下料器中，所述智能下料器通过质量控制模块进行每种组份的添加量；质量控制模块的控制方法包括：

步骤一，通过质量控制模块内置的视频图像采集处理器获取智能下料器出料通道中被测组份颗粒物的图像；

步骤二、在获取的图像中定义一预览区域的一特定区域；

步骤三、利用视频图像采集处理器提取至少一预览图像；

步骤四、利用视频图像采集处理器判定定义的被测组份是否存在于该预览图像中；

步骤五、当该被测组份存在于该预览图像中，决定该被测组份件是否出现在该特定区域至少一预定百分比；以及当该被测组份的该预定百分比出现在该特定区域时，致能该视频图像采集处理器以进行一拍照处理以通过该视频图像 采集处理器提取图像；

步骤六、所述视频图像采集处理器对包含有被测组份的图像进行数字图像处理，将被测组份部分从整个图像背景中提取出来，并对提取出来的前景图像中的每个被测组份进行标识；

步骤七、视频图像采集处理器自动计数，通过扫描整幅前景图像中标识的被测组份并进行统计得到被测组份的质量；通过控制器控制被测组份现有下料速度的质量的比例至预定的范围内；

将采集到的包含有被测颗粒物的图像利用预定过分割算法进行过分割成超像素图像，对整个输入图像，以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最大灰度值，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

对得到的超像素图像提取特征向量，所述特征向量包括轮廓、纹理、亮度和连续性；

确定每个区域的颜色值和质心；

根据各个区域所对应的颜色值以及各个区域的质心，建立显著性模型；

根据所述显著性模型获取所述图像中的前景样本点和背景样本点；

根据所述显著性模型以及所述前景样本点和所述背景样本点，建立前背景分类模型；

根据预定图割算法对所述图像进行分割，所述预定图割算法利用所述前背景分类模型以及像素点之间的边缘信息对所述图像进行分割；

所述显著性模型为：

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为： Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；

求超像素图像对应的方差图像V和边缘图像E，初始化窗口边长N＝3；窗口包含信息判断，求边缘图像E中与原图像中当前窗口W对应的窗口中边缘像素在窗口中所占的比例P，若P≥(N-2)/N2则当前窗口包含足够的边缘信息，满足进行分割的条件则进行分割，若P<(N-2)/N2则当前窗口不包含足够的边缘信息，不进行分割；

所述步骤六中，检验样品中采用焊接弯曲试验进行检验，焊接弯曲试验中采用弯曲位移检测模块对弯曲的应力强度进行检测；所述弯曲位移检测模块的检测方法包括：

利用含有M个阵元的阵列传感器接收来自多个部位的弯曲位移信号；

利用内置的信息采集子模块对每一路接收信号进行采样，得到弯曲的应力强度的M路离散时域混合信号采集阵列传感器节点间不同时间片的交互次数，根据得到的数据建立时间序列，通过三次指数平滑法来预测节点间下一个时间片的交互次数，将交互次数预测值与实际值的相对误差作为节点的直接信任值；检测出最大弯曲的应力强度值；

直接信任值的具体计算步骤为：采集阵列传感器节点i与节点j之间的n个时间片的交互次数：选取一定时间间隔t作为一个观测时间片，以观测阵列传感器节点i和被测阵列传感器节点j在1个时间片内的交互次数作为观测指标，真实交互次数，记作y_t，依次记录n个时间片的y_n，并将其保存在节点i的通信记录表中；预测第n+1个时间片的交互次数：根据采集到的n个时间片的交互次数建立时间序列，采用三次指数平滑法预测下一个时间片n+1内阵列传感器节点i和j之间的交互次数，预测交互次数，记作计算公式如下：

预测系数a_n、b_n、c_n的取值可由如下公式计算得到：

其中：分别是一次、二次、三次指数平滑数，由如下公式计算得到：

是三次指数平滑法的初始值，其取值为

α是平滑系数(0＜α＜1)，体现信任的时间衰减特性，即离预测值越近的时间片的y_t权重越大，离预测值越远的时间片的y_t权重越小；如果数据波动较大，且长期趋势变化幅度较大，呈现明显迅速的上升或下降趋势时α应取较大值(0.6～0.8)，增加近期数据对预测结果的影响；当数据有波动，但长期趋势变化不大时，α可在0.1～0.4之间取值；如果数据波动平稳，α应取较小值(0.05～0.20)；

计算直接信任值：

阵列传感器节点j的直接信任值TD_ij为预测交互次数和真实交互次数y_n+1的相对误差，

采用多路径信任推荐方式而得到的计算式计算间接信任值；收集可信节点对阵列传感器节点j的直接信任值：阵列传感器节点i向所有满足TD_ik≤φ的可信关联节点询问其对阵列传感器节点j的直接信任值，其中φ为推荐节点的可信度阈值，根据可信度的要求精度，φ的取值范围为0～0.4；计算间接信任值：综合计算所收集到的信任值，得到阵列传感器节点j的间接信任值TR_ij， 其中，Set(i)为观测阵列传感器节点i的关联节点中与j节点有过交互且其直接信任值满足TD_ik≤φ的节点集合；

由直接信任值和间接信任值整合计算得出综合信任值；综合信任值T_ij的计算公式如下：T_ij＝βTD_ij+(1-β)TR_ij，其中β(0≤β≤1)表示直接信任值的权重，当β＝0时，节点i和节点j没有直接交互关系，综合信任值的计算直接来自于间接信任值，判断较客观；当β＝1时，阵列传感器节点i对阵列传感器节点j的综合信任值全部来自于直接信任值，在这种情况下，判断较为主观，实际计算根据需要确定β的取值。