[发明专利]基于卷积神经网络的热喷涂方法及装置

说明书

本发明公开了一种基于卷积神经网络的热喷涂方法及装置，其中，该方法包括：在给定工艺参数的条件下，获取飞行颗粒特性空间分布或者涂层微观结构，将工艺参数数据和颗粒数据或涂层数据进行预处理；设计卷积神经网络模型的架构或将预训练好的卷积神经网络模型进行迁移和微调；将预处理后的数据分成训练集和测试集，利用训练集对卷积神经网络模型参数进行训练，利用测试集对训练完成的模型进行测试和评估，得到训练测试完成的模型；设计所需颗粒特性分布或涂层微观结构，根据评估后的卷积神经网络模型预测出对应工艺参数，并将其结合利用实验、模拟等方法获取相应结构。该方法对喷涂过程优化提供很好的指导，极大地减少人工探索最佳工艺参数的成本。

技术领域

本发明涉及热喷涂技术领域，特别涉及一种基于卷积神经网络的热喷涂方法及装置。

背景技术

热喷涂技术是目前较为成熟的表面强化和改性技术，在热喷涂过程中，金属、陶瓷、金属陶瓷等涂层材料被高温高速的热源加热至熔融、半熔融状态，同时被加速至需要防护处理的零件表面，然后发生碰撞、变形并沉积形成涂层，从而使工件表面获得耐磨、耐腐、耐热、抗氧化、隔热、绝缘、导电、密封等等不同的物性化学性能。在喷涂过程中，可以通过控制喷涂工艺参数获取所需要的涂层微观结构和特征参数，从而获得预期的涂层性能。但是，由于喷涂过程涉及到的工艺参数众多，包含有喷枪功率，等离子气体流量，送粉率，喷涂距离，喷涂角度，喷涂环境，喷涂速度，基体温度等等，以及不同工艺参数可能存在内部关联；并且表征喷涂涂层的性能特征也有很多，如涂层微观结构，涂层孔隙率，结合强度等，这使得喷涂过程的控制和优化变得非常复杂。

对于喷涂过程的控制和优化，在实际喷涂中，主要是基于人工经验进行工艺参数调整；在科学研究中，主要是基于传统的设计实验和数值模拟对过程优化进行建模分析。但是由于传统的实验研究和数值分析成本较高，时间长，效率低，而且由于传统方法的限制，很难对存在多变量以及内在关联复杂的喷涂过程进行全方面的分析和优化。虽然在目前的一些研究中，快速发展的机器学习、人工神经网络方法已经被应用于喷涂全过程的建模和分析，但是在实际喷涂中，针对工艺参数的优化，一部分研究集中于根据理想的涂层性能得到所需要的工艺参数。因此，对于喷涂正向过程的建模分析不能满足上述需求，需要对喷涂逆向过程进行分析。同时，结合实际喷涂中的数据结果，飞行颗粒状态参数、涂层微观结构都直接或间接与涂层性能相关联。所以，在喷涂逆向过程建模中，飞行颗粒状态参数、涂层微观结构与喷涂工艺参数之间的关联关系分析至关重要。而且考虑到飞行颗粒特征以及涂层微观结构都具有空间分布的特点，并结合卷积神经网络的特点，采用卷积神经网络模型对喷涂逆向过程建模分析具有较高的工业实用价值。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于卷积神经网络的热喷涂方法，该方法对喷涂过程优化提供很好的指导，极大地减少人工探索最佳工艺参数的成本。

本发明的另一个目的在于提出一种基于卷积神经网络的热喷涂装置。

为达到上述目的，本发明一方面实施例提出了基于卷积神经网络的热喷涂方法，包括以下步骤：步骤S1，获取热喷涂过程的实验数据；步骤S2，对所述实验数据进行预处理，以构建数据库；步骤S3，根据预设要求设计卷积神经网络模型；步骤S4，将所述数据库划分为训练集和测试集，其中，利用所述训练集训练所述卷积神经网络模型，再利用所述测试集对训练完成的卷积神经网络模型的预测精度进行测试；步骤S5，判断所述训练过程中的训练误差、测试过程中的测试误差是否在预设范围内，若超出所述预设范围，则迭代执行步骤S1-S5，直至符合所述预设范围；步骤S6，设计需求目标，获取所述需求目标的理想目标数据；步骤S7，将所述理想目标数据输入至测试完成的卷积神经网络模型，输出相对应的喷涂工艺参数；步骤S8，将所述喷涂工艺参数和所述实验数据相结合，得到实际的飞行颗粒特征分布或涂层微观结构。