CN109023209A - 一种基于人工智能的热喷涂方法及系统 - Google Patents
一种基于人工智能的热喷涂方法及系统 Download PDFInfo
- Publication number
- CN109023209A CN109023209A CN201811107075.4A CN201811107075A CN109023209A CN 109023209 A CN109023209 A CN 109023209A CN 201811107075 A CN201811107075 A CN 201811107075A CN 109023209 A CN109023209 A CN 109023209A
- Authority
- CN
- China
- Prior art keywords
- parameter
- lrm
- linear regression
- regression model
- trained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C4/00—Coating by spraying the coating material in the molten state, e.g. by flame, plasma or electric discharge
- C23C4/12—Coating by spraying the coating material in the molten state, e.g. by flame, plasma or electric discharge characterised by the method of spraying
- C23C4/123—Spraying molten metal
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Coating By Spraying Or Casting (AREA)
Abstract
本发明公开了一种基于人工智能的热喷涂方法及系统。该方法包括:获取训练好的线性回归模型;获取预设工艺参数;所述工艺参数为反映热喷涂工艺的技术指标的参数;所述预设工艺参数包括:喷喷涂设备的电流大小、氦气流量、氩气流量、载气流量、转盘角度、送粉针角度以及送粉距离;根据所述预设工艺参数,通过所述训练好的线性回归模型预测效果参数;判断所述效果参数与预设效果参数的误差是否在第一误差阈值范围内;若是,根据所述预设工艺参数进行喷涂;若否,更新所述预设工艺参数,使所述效果参数与预设效果参数的误差在第一误差阈值范围内。本发明能够减少热喷涂行业中的人为地摸索工艺参数的时间,提高工作效率,达到更好的喷涂效果。
Description
技术领域
本发明涉及热喷涂领域,特别是涉及一种基于人工智能的热喷涂方法及系统。
背景技术
热喷涂工艺把金属粉末用高温融化成液态,然后再用高的气压吹到一些个需要保护的零件的表面,形成一个涂层。这样的涂层能够让零件的表面更耐磨或者更耐高温、更耐腐蚀等等。热喷涂行业需要对涂层的质量进行把控。在热喷涂界。最重要的一个过程就是怎么样把涂层优化得特别好,就是通过工艺参数的调整,来实现达到预期效果的涂层。目前,主要是靠人工经验来对工艺参数进行调整,工作量大、工作繁琐,且效果不佳。
发明内容
针对上述问题,本发明提供了一种基于人工智能的热喷涂方法及系统。
为实现上述目的,本发明提供了如下方案:
一种基于人工智能的热喷涂方法,所述方法包括:
获取训练好的线性回归模型;
获取预设工艺参数;所述工艺参数为反映热喷涂工艺的技术指标的参数;所述预设工艺参数包括:喷涂设备的电流大小、氦气流量、氩气流量、载气流量、转盘角度、送粉针角度以及送粉距离;
根据所述预设工艺参数,通过所述训练好的线性回归模型预测效果参数;所述效果参数为反映喷涂效果的技术指标的参数;所述效果参数包括结合强度、孔隙率、金相以及硬度;
判断所述效果参数与预设效果参数的误差是否在第一误差阈值范围内;
若是,根据所述预设工艺参数进行喷涂;
若否,更新所述预设工艺参数,使所述效果参数与预设效果参数的误差在第一误差阈值范围内。
可选的,在所述获取训练好的线性回归模型,之前还包括:
获取实验工艺参数以及实验效果参数的数据;
通过所述实验工艺参数以及实验效果参数的数据,对线性回归模型进行训练,得到训练好的线性回归模型。
可选的,所述通过所述工艺参数以及实验效果参数的数据,对线性回归模型进行训练,得到训练好的线性回归模型,具体包括:
将工艺参数和/或实验效果参数的数据作为所述训练好的线性回归模型的输入,得到输出数据;
判断所述输出数据与所述实验效果参数的误差是否在第二误差阈值范围内;
若是,确定所述线性回归模型为训练好的线性回归模型;
若否,调整所述线性回归模型的参数,使所述输出数据与所述实验效果参数的误差在第二误差阈值范围内。
可选的,所述调整所述线性回归模型的参数,具体包括:
通过遗传算法优化所述线性回归模型的权值和阈值;
通过优化后的权值和优化后的阈值确定线性回归模型。
一种基于人工智能的热喷涂方法,所述方法包括:
获取训练好的线性回归模型;
获取预设效果参数;所述效果参数为反映喷涂效果的技术指标的参数;所述效果参数包括结合强度、孔隙率、金相以及硬度;
根据所述预设效果参数,通过所述训练好的线性回归模型预测工艺参数;所述工艺参数为反映热喷涂工艺的技术指标的参数;所述预设工艺参数包括:喷涂设备的电流大小、氦气流量、氩气流量、载气流量、转盘角度、送粉针角度以及送粉距离;
根据预测的工艺参数进行喷涂;
可选的,在所述获取训练好的线性回归模型,之前还包括:
获取实验工艺参数以及实验效果参数的数据;
通过所述实验工艺参数以及实验效果参数的数据,对线性回归模型进行训练,得到训练好的线性回归模型。
可选的,所述通过所述工艺参数以及实验效果参数的数据,对线性回归模型进行训练,得到训练好的线性回归模型,具体包括:
将所述实验效果参数和/或实验工艺参数作为所述线性回归模型的输入,得到输出数据;
判断所述输出数据与所述实验工艺参数的误差是否在误差阈值范围内;
若是,确定所述线性回归模型为训练好的线性回归模型;
若否,调整所述线性回归模型的参数,使所述输出数据与所述实验工艺参数的误差在误差阈值范围内。
可选的,所述调整所述线性回归模型的参数,具体包括:
通过遗传算法优化所述线性回归模型的权值和阈值;
通过优化后的权值和优化后的阈值确定线性回归模型。
与现有技术相比,本发明具有以下技术效果:本发明根据所述预设工艺参数,通过所述训练好的线性回归模型预测效果参数;判断所述效果参数与预设效果参数的误差是否在阈值范围内;若是,根据所述预设工艺参数进行喷涂;若否,更新所述预设工艺参数,使所述效果参数与预设效果参数的误差在阈值范围内。或者是通过训练好的线性回归模型预测工艺参数。通过上述方法能够减少热喷涂行业中的人为地摸索工艺参数的时间,提高工作效率,达到更好的喷涂效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1基于人工智能的热喷涂方法的流程图;
图2为本发明实施例2基于人工智能的热喷涂方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
利用人工智能的机器学习的线性回归方法,建立反映热喷涂的涂层的喷涂效果的技术指标的效果参数和反映热喷涂的喷涂工艺的技术指标的工艺参数之间的关系的线性回归模型,在上述的线性回归模型中,特征可以是任意选取的任意个反映热喷涂的涂层的喷涂效果的技术指标的效果参数,也可以是任意选取的任意个反映热喷涂的喷涂工艺的技术指标的工艺参数,上述的线性回归模型的输出结果是任意一个反映热喷涂的涂层的喷涂效果的技术指标,或者是任意一个反映热喷涂的喷涂工艺的技术指标的工艺参数。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1,如图1所示,一种基于人工智能的热喷涂方法包括以下步骤:
步骤101:获取训练好的线性回归模型。
步骤102:获取预设工艺参数;所述工艺参数为反映热喷涂工艺的技术指标的参数;所述预设工艺参数包括:喷喷涂设备的电流大小、氦气流量、氩气流量、载气流量、转盘角度、送粉针角度以及送粉距离。
选用了金属粉末的热喷涂的喷喷涂设备的电流大小、氦气流量、氩气流量、载气流量、转盘角度、送粉针角度以及送粉距离为反映热喷涂的喷涂工艺的技术指标的工艺参数。电流是控制热喷涂的装置上的一个工艺参数,氦气和氩气是与等离子体的生成有关的工艺参数,等离子体的温度与热喷涂的热度有关。转盘这个参数是控制热喷涂的装置上的一个工艺参数,送粉针角度是控制热喷涂的装置上的一个工艺参数,送粉距离反映喷枪与待喷涂的金属表面的距离,载气是控制热喷涂的装置上的一个工艺参数。
步骤103:根据所述预设工艺参数,通过所述训练好的线性回归模型预测效果参数。所述效果参数包括结合强度、孔隙率、金相以及硬度。
步骤104:判断所述效果参数与预设效果参数的误差是否在第一误差阈值范围内。
步骤105:若是,根据所述预设工艺参数进行喷涂。
步骤106:若否,更新所述预设工艺参数,使所述效果参数与预设效果参数的误差在第一误差阈值范围内。
将预定的工艺参数作为上述的线性回归模型的输入,对效果参数进行预测,如果预测出的数值与客户的要求一致或接近,就可以使用上述的预定的工艺参数,提高了工作效率。
在步骤101之前,还包括:
获取实验工艺参数以及实验效果参数的数据;
通过所述实验工艺参数以及实验效果参数的数据,对线性回归模型进行训练,得到训练好的线性回归模型。将工艺参数和/或实验效果参数的数据作为所述线性回归模型的输入,得到输出数据;判断所述输出数据与所述实验效果参数的误差是否在第二误差阈值范围内;若是,确定所述线性回归模型为训练好的线性回归模型;若否,调整所述线性回归模型的参数,使所述输出数据与所述实验效果参数的误差在第二误差阈值范围内。
调整所述线性回归模型的参数,具体包括:通过遗传算法优化所述神经网络模型的权值和阈值;通过优化后的权值和优化后的阈值确定线性回归模型。
实施例2,如图2所示,一种基于人工智能的热喷涂方法包括以下步骤:
步骤201:获取训练好的线性回归模型。
步骤202:获取预设效果参数;所述效果参数为反映喷涂效果的技术指标的参数;所述效果参数包括结合强度、孔隙率、金相以及硬度。
步骤203:根据所述预设效果参数,通过所述训练好的线性回归模型预测工艺参数;所述工艺参数为反映热喷涂工艺的技术指标的参数;所述预设工艺参数包括:喷涂设备的电流大小、氦气流量、氩气流量、载气流量、转盘角度、送粉针角度以及送粉距离。
步骤204:根据预测的工艺参数进行喷涂。
在步骤201之前还包括:
获取实验工艺参数以及实验效果参数的数据;
通过所述实验工艺参数以及实验效果参数的数据,对线性回归模型进行训练,得到训练好的线性回归模型。将所述实验效果参数和/或实验工艺参数作为所述线性回归模型的输入,得到输出数据;判断所述输出数据与所述实验工艺参数的误差是否在误差阈值范围内;若是,确定所述线性回归模型为训练好的线性回归模型;若否,调整所述线性回归模型的参数,使所述输出数据与所述实验工艺参数的误差在误差阈值范围内。
调整所述线性回归模型的参数具体包括:通过遗传算法优化所述线性回归模型的权值和阈值;通过优化后的权值和优化后的阈值确定线性回归模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明根据所述预设工艺参数,通过所述训练好的线性回归模型预测效果参数;判断所述效果参数与预设效果参数的误差是否在阈值范围内;若是,根据所述预设工艺参数进行喷涂;若否,更新所述预设工艺参数,使所述效果参数与预设效果参数的误差在阈值范围内。或者是通过训练好的线性回归模型预测工艺参数。通过上述方法能够减少热喷涂行业中的人为地摸索工艺参数的时间,提高工作效率,达到更好的喷涂效果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于人工智能的热喷涂方法,其特征在于,所述方法包括:
获取训练好的线性回归模型;
获取预设工艺参数;所述工艺参数为反映热喷涂工艺的技术指标的参数;所述预设工艺参数包括:喷涂设备的电流大小、氦气流量、氩气流量、载气流量、转盘角度、送粉针角度以及送粉距离;
根据所述预设工艺参数,通过所述训练好的线性回归模型预测效果参数;所述效果参数为反映喷涂效果的技术指标的参数;所述效果参数包括结合强度、孔隙率、金相以及硬度;
判断所述效果参数与预设效果参数的误差是否在第一误差阈值范围内;
若是,根据所述预设工艺参数进行喷涂;
若否,更新所述预设工艺参数,使所述效果参数与预设效果参数的误差在第一误差阈值范围内。
2.根据权利要求1所述的人工智能的热喷涂方法,其特征在于,在所述获取训练好的线性回归模型,之前还包括:
获取实验工艺参数以及实验效果参数的数据;
通过所述实验工艺参数以及实验效果参数的数据,对线性回归模型进行训练,得到训练好的线性回归模型。
3.根据权利要求2所述的人工智能的热喷涂方法,其特征在于,所述通过所述工艺参数以及实验效果参数的数据,对线性回归模型进行训练,得到训练好的线性回归模型,具体包括:
将所述实验工艺参数和/或实验效果参数作为所述线性回归模型的输入,得到输出数据;
判断所述输出数据与所述实验效果参数的误差是否在第二误差阈值范围内;
若是,确定所述线性回归模型为训练好的线性回归模型;
若否,调整所述线性回归模型的参数,使所述输出数据与所述实验效果参数的误差在第二误差阈值范围内。
4.根据权利要求3所述的人工智能的热喷涂方法,其特征在于,所述调整所述线性回归模型的参数,具体包括:
通过遗传算法优化所述线性回归模型的权值和阈值;
通过优化后的权值和优化后的阈值确定线性回归模型。
5.一种基于人工智能的热喷涂方法,其特征在于,所述方法包括:
获取训练好的线性回归模型;
获取预设效果参数;所述效果参数为反映喷涂效果的技术指标的参数;所述效果参数包括结合强度、孔隙率、金相以及硬度;
根据所述预设效果参数,通过所述训练好的线性回归模型预测工艺参数;所述工艺参数为反映热喷涂工艺的技术指标的参数;所述预设工艺参数包括:喷涂设备的电流大小、氦气流量、氩气流量、载气流量、转盘角度、送粉针角度以及送粉距离;
根据预测的工艺参数进行喷涂。
6.根据权利要求5所述的人工智能的热喷涂方法,其特征在于,在所述获取训练好的线性回归模型,之前还包括:
获取实验工艺参数以及实验效果参数的数据;
通过所述实验工艺参数以及实验效果参数的数据,对线性回归模型进行训练,得到训练好的线性回归模型。
7.根据权利要求6所述的人工智能的热喷涂方法,其特征在于,所述通过所述工艺参数以及实验效果参数的数据,对线性回归模型进行训练,得到训练好的线性回归模型,具体包括:
将所述实验效果参数和/或实验工艺参数作为所述线性回归模型的输入,得到输出数据;
判断所述输出数据与所述实验工艺参数的误差是否在误差阈值范围内;
若是,确定所述线性回归模型为训练好的线性回归模型;
若否,调整所述线性回归模型的参数,使所述输出数据与所述实验工艺参数的误差在误差阈值范围内。
8.根据权利要求7所述的人工智能的热喷涂方法,其特征在于,所述调整所述线性回归模型的参数,具体包括:
通过遗传算法优化所述线性回归模型的权值和阈值;
通过优化后的权值和优化后的阈值确定线性回归模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811107075.4A CN109023209B (zh) | 2018-09-21 | 2018-09-21 | 一种基于人工智能的热喷涂方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811107075.4A CN109023209B (zh) | 2018-09-21 | 2018-09-21 | 一种基于人工智能的热喷涂方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109023209A true CN109023209A (zh) | 2018-12-18 |
CN109023209B CN109023209B (zh) | 2020-05-08 |
Family
ID=64617610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811107075.4A Active CN109023209B (zh) | 2018-09-21 | 2018-09-21 | 一种基于人工智能的热喷涂方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109023209B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109609887A (zh) * | 2019-02-11 | 2019-04-12 | 北京联合涂层技术有限公司 | 一种热喷涂方法及系统 |
CN110348646A (zh) * | 2019-07-19 | 2019-10-18 | 蕴硕物联技术(上海)有限公司 | 预测喷涂质量的方法及装置 |
CN113576764A (zh) * | 2021-08-30 | 2021-11-02 | 福建恒安家庭生活用品有限公司 | 卫生用品吸收芯体的制备方法 |
CN113749855A (zh) * | 2021-08-30 | 2021-12-07 | 福建恒安卫生材料有限公司 | 卫生用品用吸收芯体生产装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009117598A1 (en) * | 2008-03-20 | 2009-09-24 | Tyco Fire Products Lp | Systems and methods for identifying and utilizing a mass flow sprinkler coefficient |
CN102880908A (zh) * | 2012-09-11 | 2013-01-16 | 天津大学 | 一种基于bp神经网络的再制造零件环境损耗的计算方法 |
CN105117599A (zh) * | 2015-08-25 | 2015-12-02 | 中国人民解放军装甲兵工程学院 | 高铝青铜涂层性态预测模型的建立方法以及高铝青铜涂层单一性态指标的寻优方法 |
CN105868501A (zh) * | 2016-04-21 | 2016-08-17 | 湘潭大学 | 热障涂层冲蚀率模型及含涂层涡轮叶片冲蚀工况模拟方法 |
CN107194146A (zh) * | 2017-04-12 | 2017-09-22 | 中国人民解放军装甲兵工程学院 | 一种喷涂层接触疲劳寿命预测方法及装置 |
-
2018
- 2018-09-21 CN CN201811107075.4A patent/CN109023209B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009117598A1 (en) * | 2008-03-20 | 2009-09-24 | Tyco Fire Products Lp | Systems and methods for identifying and utilizing a mass flow sprinkler coefficient |
CN102880908A (zh) * | 2012-09-11 | 2013-01-16 | 天津大学 | 一种基于bp神经网络的再制造零件环境损耗的计算方法 |
CN105117599A (zh) * | 2015-08-25 | 2015-12-02 | 中国人民解放军装甲兵工程学院 | 高铝青铜涂层性态预测模型的建立方法以及高铝青铜涂层单一性态指标的寻优方法 |
CN105868501A (zh) * | 2016-04-21 | 2016-08-17 | 湘潭大学 | 热障涂层冲蚀率模型及含涂层涡轮叶片冲蚀工况模拟方法 |
CN107194146A (zh) * | 2017-04-12 | 2017-09-22 | 中国人民解放军装甲兵工程学院 | 一种喷涂层接触疲劳寿命预测方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109609887A (zh) * | 2019-02-11 | 2019-04-12 | 北京联合涂层技术有限公司 | 一种热喷涂方法及系统 |
CN109609887B (zh) * | 2019-02-11 | 2021-01-12 | 北京联合涂层技术有限公司 | 一种热喷涂方法及系统 |
CN110348646A (zh) * | 2019-07-19 | 2019-10-18 | 蕴硕物联技术(上海)有限公司 | 预测喷涂质量的方法及装置 |
CN113576764A (zh) * | 2021-08-30 | 2021-11-02 | 福建恒安家庭生活用品有限公司 | 卫生用品吸收芯体的制备方法 |
CN113749855A (zh) * | 2021-08-30 | 2021-12-07 | 福建恒安卫生材料有限公司 | 卫生用品用吸收芯体生产装置 |
CN113576764B (zh) * | 2021-08-30 | 2022-07-05 | 福建恒安家庭生活用品有限公司 | 卫生用品吸收芯体的制备方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109023209B (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109234661A (zh) | 一种基于人工神经网络的热喷涂方法及系统 | |
CN109023209A (zh) | 一种基于人工智能的热喷涂方法及系统 | |
CN109609887B (zh) | 一种热喷涂方法及系统 | |
US9573224B2 (en) | System and method for determining beam power level along an additive deposition path | |
Bax et al. | Systematic evaluation of process parameter maps for laser cladding and directed energy deposition | |
CN109472358A (zh) | 基于神经网络的焊接工艺参数推荐方法、装置及机器人 | |
CN109409520A (zh) | 基于迁移学习的焊接工艺参数推荐方法、装置及机器人 | |
CN110472152B (zh) | 在线离线混合推荐方法及系统 | |
CN110162834A (zh) | 基于采集的激光冲击数据的模拟方法和强化质量控制装置 | |
CN109977613A (zh) | 一种可预先设定调整时间的自适应滑模末制导律设计方法 | |
CN108549759B (zh) | 一种针对自动化喷涂工艺的零件涂层厚度计算和仿真方法 | |
Tipi et al. | Frequency control of the drop detachment in the automatic GMAW process | |
CN109225728A (zh) | 一种激光检测动态轮廓喷枪自适应的喷涂控制方法和装置 | |
CN110293290A (zh) | 一种硼元素原位强化的梯度钛合金mig电弧增材制造方法 | |
Lopez-Echeverria et al. | Variable sampling approach to mitigate instability in networked control systems with delays | |
US9896755B2 (en) | Method and device for controlling amount of hot dip galvanization adhesion | |
Mu et al. | MIMO model predictive control of bead geometry in wire arc additive manufacturing | |
CN116377370A (zh) | 一种基于数字孪生的等离子喷涂控制系统及方法 | |
CN206966920U (zh) | 一种智能全自动管板/管管焊接系统 | |
Korobov et al. | Optimization of alloying of heat resistant core wires for arc spraying by neural network modeling | |
JP2007000689A (ja) | 塗装制御方法及び塗装制御システム | |
GB2603400A (en) | Tool control using multistage LSTM for predicting on-wafer measurements | |
KR20200037037A (ko) | 절단 지수를 이용한 단류선 정량화 방법 | |
CN110158074A (zh) | 一种在生产钝化产品的操作控制方法 | |
Liu et al. | Optimization of an Emulator Based on Nonlinear Auto Regressive Model with Exogenous Inputs for an Atmospheric Plasma Spray Torch |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |