CN109609887A - 一种热喷涂方法及系统 - Google Patents

Abstract

本发明公开了一种热喷涂方法及系统。本发明利用已有的热喷涂设备的工艺参数和效果参数的有限的实验数据，获取所述的热喷涂设备的工艺参数与效果参数的线性回归的模型，利用所述的得到的热喷涂设备的工艺参数与效果参数的线性回归的模型，得到所述的热喷涂设备的满足效果参数的预期要求的工艺参数的仿真数据，根据确定好的工艺参数的仿真数据进行热喷涂，将利用工艺参数的仿真数据进行试验得到的效果参数与预期的效果参数做对比，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。且利用计算机产生的仿真数据代替实际的实验，节约了试验成本，缩短了试验周期，提高了热喷涂工艺的工作效率。

Description

一种热喷涂方法及系统

技术领域

本发明涉及热喷涂领域，特别是涉及一种热喷涂方法及系统。

背景技术

热喷涂工艺把金属、陶瓷、金属陶瓷复合材料用高温的形式融化成熔融或半熔融状态，熔融或半熔融的材料随有一定气压的火焰喷到需要涂层防护的零件表面，沉积形成涂层。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。反映热喷涂的涂层的喷涂效果的技术指标的效果参数有结合强度、孔隙率、金相结构、硬度和其它的与喷涂效果有关的参数，反映热喷涂的喷涂工艺的技术指标的工艺参数有喷涂距离、送粉速度、送粉针角度、与形成等离子体有关的氢气、氩气或其它种类的惰性气体以及其它的与喷涂工艺有关的工艺参数。目前，主要是靠人工经验来对工艺参数进行调整，工作量大、试验的成本高、试验的周期长，工作繁琐，工作效率低。

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：

一种热喷涂方法，所述方法包括：

获取给定的热喷涂设备的工艺参数和效果参数的实验数据；根据上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据，根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理，找出金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，依据上述的根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，计算出或估算出上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围；

上述的工艺参数为反映热喷涂工艺的技术指标的参数；工艺参数包括：喷涂设备的电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离等；效果参数为反映喷涂效果的技术指标的参数；上述的效果参数包括涂层的结合强度、孔隙率、金相结构以及硬度等；

利用机器学习的回归算法，建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型；

用上述的给定的热喷涂设备的上述的工艺参数与效果参数的实验数据作为训练数据，建立上述的给定的热喷涂设备的上述的工艺参数与效果参数之间的机器学习的回归模型或回归树模型，从上述的给定的热喷涂设备的上述的工艺参数中选取任意数量的上述工艺参数和上述的给定的热喷涂设备的效果参数中选取任意一个效果参数，建立从上述的给定的热喷涂设备的上述的工艺参数中选取的任意数量的上述工艺参数与上述的给定的热喷涂设备的效果参数中选取的任意一个效果参数之间的机器学习的回归模型或回归树模型，针对多个效果参数，建立多个这样的机器学习的回归模型或回归树模型；

针对任意一个效果参数的数据范围的具体要求，用上述的给定的热喷涂设备的上述的工艺参数和效果参数的实验数据作为训练数据，建立该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型，利用计算机对上述的多个有关的工艺参数进行遍历，产生上述的多个有关的工艺参数的仿真数据，将满足上述的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的多个有关的工艺参数的仿真数据组成一组仿真数据集；

针对多个效果参数的数据范围的具体要求，按照上述的方法，找到多组仿真数据；

将上述的多组仿真数据中的针对每一个效果参数的仿真数据的工艺数据带入到针对所有的其它的效果参数的上述的机器学习的回归模型或回归树模型，在上述的多组仿真数据中找出同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集；

利用上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据、上述的仿真数据集和计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，采用运筹学和/或数据分析和/或人工智能的方法，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据；

将上述的找出的最节约试验成本的仿真数据的工艺参数的仿真工艺数据进行试验，如果试验结果满足效果参数的要求和节约成本的要求，就将满足上述的最节约试验成本的要求的仿真工艺数据作为试验数据。

可选的，上述的用于建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型机器学习的回归模型包括：线性回归模型，岭回归模型、Lasso回归模型和CART回归树模型。

可选的，上述的运筹学和/或数据分析和/或人工智能的方法使用了机器学习的回归方法；

利用上述的计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，针对上述的热喷涂设备，建立金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的机器学习的回归模型；

利用上述的得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的机器学习的回归模型，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据。

可选的，上述的运筹学和/或数据分析和/或人工智能的方法使用了运筹学中的线性规划和线性规划的方法。

可选的，上述的运筹学和/或数据分析和/或人工智能的方法利用高维数据的分析方法对上述的多组仿真数据进行高维数据的分析，找到同时满足上述的多个效果参数的数据的取值范围的要求的仿真工艺数据，所述的高维数据的分析方法包括高维空间中的费歇尔判别分析和高维空间中的线性判别分析。

可选的，上述的运筹学和/或数据分析和/或人工智能的方法使用了高维数据分析的方法，所述的高维数据分析方法包括但不限于：基于距离的高维空间中的分类方法，上述的基于距离的高维空间中的分类方法包括朴素贝叶斯分类器、基于形心法则的分类和基于k-最近邻法则的分类。

可选的，上述的运筹学和/或数据分析和/或人工智能的方法包括但不限于:主成分分析、层次聚类和K均值聚类。

可选的，上述的运筹学和/或数据分析和/或人工智能的方法包括基于损失函数的高维空间中的分类方法，上述的基于损失函数的高维空间中的分类方法包括提升算法和支持矢量机。

可选的，上述的用于建立金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的机器学习的回归模型机器学习的回归模型包括线性回归模型，岭回归模型、Lasso回归模型和CART回归树模型。

可选的，上述的数据分析和/或人工智能的方法使用了人工神经网络的方法，

利用上述的计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，针对上述的热喷涂设备，建立金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的人工神经网络；

利用上述的得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的人工神经网络模型，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据。

一种热喷涂系统，所述系统包括热喷涂设备、计算机以及热喷涂方法，所述的系统使用了以下的方法：

获取给定的热喷涂设备的工艺参数和效果参数的实验数据；根据上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据，根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理，找出金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，依据上述的根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，计算出或估算出上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围；

上述的工艺参数为反映热喷涂工艺的技术指标的参数；工艺参数包括：喷涂设备的电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离等；效果参数为反映喷涂效果的技术指标的参数；上述的效果参数包括涂层的结合强度、孔隙率、金相结构以及硬度等；

利用机器学习的回归算法，建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型；

用上述的给定的热喷涂设备的上述的工艺参数与效果参数的实验数据作为训练数据，建立上述的给定的热喷涂设备的上述的工艺参数与效果参数之间的机器学习的回归模型或回归树模型，从上述的给定的热喷涂设备的上述的工艺参数中选取任意数量的上述工艺参数和上述的给定的热喷涂设备的效果参数中选取任意一个效果参数，建立从上述的给定的热喷涂设备的上述的工艺参数中选取的任意数量的上述工艺参数与上述的给定的热喷涂设备的效果参数中选取的任意一个效果参数之间的机器学习的回归模型或回归树模型，针对多个效果参数，建立多个这样的机器学习的回归模型或回归树模型；

针对任意一个效果参数的数据范围的具体要求，用上述的给定的热喷涂设备的上述的工艺参数和效果参数的实验数据作为训练数据，建立该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型，利用计算机对上述的多个有关的工艺参数进行遍历，产生上述的多个有关的工艺参数的仿真数据，将满足上述的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的多个有关的工艺参数的仿真数据组成一组仿真数据集；

针对多个效果参数的数据范围的具体要求，按照上述的方法，找到多组仿真数据；

将上述的多组仿真数据中的针对每一个效果参数的仿真数据的工艺数据带入到针对所有的其它的效果参数的上述的机器学习的回归模型或回归树模型，在上述的多组仿真数据中找出同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集；

利用上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据、上述的仿真数据集和计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，采用运筹学和/或数据分析和/或人工智能的方法，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据；

将上述的找出的最节约试验成本的仿真数据的工艺参数的仿真工艺数据进行试验，如果试验结果满足效果参数的要求和节约成本的要求，就将满足上述的最节约试验成本的要求的仿真工艺数据作为试验数据。

与现有技术相比，本发明具有以下技术效果：本发明利用已有的热喷涂设备的工艺参数和效果参数的有限的实验数据，获取所述的热喷涂设备的工艺参数与效果参数的线性回归的模型，利用所述的得到的热喷涂设备的工艺参数与效果参数的线性回归的模型，得到所述的热喷涂设备的满足效果参数的预期要求的工艺参数的仿真数据，根据确定好的工艺参数的仿真数据进行热喷涂，将利用工艺参数的仿真数据进行试验得到的效果参数与预期的效果参数做对比，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。且利用计算机产生的仿真数据代替实际的实验，节约了试验成本，缩短了试验周期，提高了热喷涂工艺的工作效率。

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为本发明的实施例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。

为使本发明的目的、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。

如图1所示，一种热喷涂方法包括以下步骤：

步骤101：获取给定的热喷涂设备的工艺参数和效果参数的实验数据；根据上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据，根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理，找出金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系，依据上述的根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系，计算出或估算出上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，

上述的工艺参数为反映热喷涂工艺的技术指标的参数；工艺参数包括但不限于：喷涂设备的电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离等；效果参数为反映喷涂效果的技术指标的参数；上述的效果参数包括但不限于涂层的结合强度、孔隙率、金相结构以及硬度等；

选用了热喷涂工艺中电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离为反映热喷涂工艺的技术指标工艺参数。电流是控制热喷涂设备输出功率大小的一个工艺参数，氢气和氩气是与等离子体生成有关的工艺参数，等离子体火焰的温度与热喷涂时材料熔化的温度有关。转盘这个参数是控制热喷涂送粉速率的一个工艺参数，送粉针角度是控制热喷涂材料进入喷涂火焰角度的一个工艺参数，喷涂距离反映喷枪与待喷涂的零件表面的距离，载气是控制热喷涂粉末材料送粉时输送气体流量的一个工艺参数。

步骤102：利用机器学习的回归算法，建立上述的给定的热喷涂设备的工艺参数和效果参数的实验数据的回归模型或回归树模型，

步骤103：用上述的给定的热喷涂设备的上述的工艺参数和效果参数的实验数据作为训练数据，建立上述的给定的热喷涂设备的上述的工艺参数和效果参数之间的机器学习的回归模型或回归树模型，可以从上述的给定的热喷涂设备的上述的工艺参数中选取任意数量的上述工艺参数和上述的给定的热喷涂设备的效果参数中选取任意一个效果参数，建立从上述的给定的热喷涂设备的上述的工艺参数中选取的任意数量的上述工艺参数与上述的给定的热喷涂设备的效果参数中选取的任意一个效果参数之间的机器学习的回归模型或回归树模型，针对多个效果参数，可以建立多个这样的机器学习的回归模型或回归树模型，

步骤104：针对任意一个效果参数的数据范围的具体要求，用上述的给定的热喷涂设备的上述的工艺参数和效果参数的实验数据作为训练数据，建立该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型，利用计算机对上述的多个有关的工艺参数进行遍历，产生上述的多个有关的工艺参数的仿真数据，将满足上述的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的多个有关的工艺参数的仿真数据组成一组仿真数据集，

针对多个效果参数的数据范围的具体要求，可以按照上述的方法，找到多组仿真数据，

步骤105：利用上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据、上述的仿真数据集和计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，采用数据分析和/或人工智能的方法，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据。

将上述的找出的最节约试验成本的仿真数据的工艺参数的仿真工艺数据进行试验，如果试验结果满足效果参数的要求和节约成本的要求，就将满足上述的最节约试验成本的要求的仿真工艺数据作为试验数据。

上述的用于建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型机器学习的回归模型包括：线性回归模型，岭回归模型、Lasso回归模型和CART回归树模型。

上述的运筹学和/或数据分析和/或人工智能的方法使用了机器学习的回归方法；

利用上述的计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，针对上述的热喷涂设备，建立金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的机器学习的回归模型；

利用上述的得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的机器学习的回归模型，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据。

上述的运筹学和/或数据分析和/或人工智能的方法使用了运筹学中的线性规划和线性规划的方法。

上述的运筹学和/或数据分析和/或人工智能的方法利用高维数据的分析方法对上述的多组仿真数据进行高维数据的分析，找到同时满足上述的多个效果参数的数据的取值范围的要求的仿真工艺数据，所述的高维数据的分析方法包括高维空间中的费歇尔判别分析和高维空间中的线性判别分析。

上述的运筹学和/或数据分析和/或人工智能的方法使用了高维数据分析的方法，所述的高维数据分析方法包括但不限于：基于距离的高维空间中的分类方法，上述的基于距离的高维空间中的分类方法包括朴素贝叶斯分类器、基于形心法则的分类和基于k-最近邻法则的分类。

上述的运筹学和/或数据分析和/或人工智能的方法包括但不限于:主成分分析、层次聚类和K均值聚类。

上述的运筹学和/或数据分析和/或人工智能的方法包括基于损失函数的高维空间中的分类方法，上述的基于损失函数的高维空间中的分类方法包括提升算法和支持矢量机。

上述的用于建立金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的机器学习的回归模型机器学习的回归模型包括线性回归模型，岭回归模型、Lasso回归模型和CART回归树模型。

上述的数据分析和/或人工智能的方法使用了人工神经网络的方法，

利用上述的计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，针对上述的热喷涂设备，建立金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的人工神经网络；

利用上述的得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的人工神经网络模型，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据。

一种热喷涂系统，所述系统包括热喷涂设备、计算机以及热喷涂方法，所述的系统使用了以下的方法：

获取给定的热喷涂设备的工艺参数和效果参数的实验数据；根据上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据，根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理，找出金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，依据上述的根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，计算出或估算出上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围；

上述的工艺参数为反映热喷涂工艺的技术指标的参数；工艺参数包括：喷涂设备的电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离等；效果参数为反映喷涂效果的技术指标的参数；上述的效果参数包括涂层的结合强度、孔隙率、金相结构以及硬度等；

利用机器学习的回归算法，建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型；

用上述的给定的热喷涂设备的上述的工艺参数与效果参数的实验数据作为训练数据，建立上述的给定的热喷涂设备的上述的工艺参数与效果参数之间的机器学习的回归模型或回归树模型，从上述的给定的热喷涂设备的上述的工艺参数中选取任意数量的上述工艺参数和上述的给定的热喷涂设备的效果参数中选取任意一个效果参数，建立从上述的给定的热喷涂设备的上述的工艺参数中选取的任意数量的上述工艺参数与上述的给定的热喷涂设备的效果参数中选取的任意一个效果参数之间的机器学习的回归模型或回归树模型，针对多个效果参数，建立多个这样的机器学习的回归模型或回归树模型；

针对任意一个效果参数的数据范围的具体要求，用上述的给定的热喷涂设备的上述的工艺参数和效果参数的实验数据作为训练数据，建立该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型，利用计算机对上述的多个有关的工艺参数进行遍历，产生上述的多个有关的工艺参数的仿真数据，将满足上述的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的多个有关的工艺参数的仿真数据组成一组仿真数据集；

针对多个效果参数的数据范围的具体要求，按照上述的方法，找到多组仿真数据；

将上述的多组仿真数据中的针对每一个效果参数的仿真数据的工艺数据带入到针对所有的其它的效果参数的上述的机器学习的回归模型或回归树模型，在上述的多组仿真数据中找出同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集；

利用上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据、上述的仿真数据集和计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，采用运筹学和/或数据分析和/或人工智能的方法，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据；

将上述的找出的最节约试验成本的仿真数据的工艺参数的仿真工艺数据进行试验，如果试验结果满足效果参数的要求和节约成本的要求，就将满足上述的最节约试验成本的要求的仿真工艺数据作为试验数据。

具体实施方案1：

在本实施例中，选用了热喷涂工艺中电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离为反映热喷涂工艺的技术指标工艺参数。选取硬度和金属相含量为反映热喷涂的涂层的喷涂效果的技术指标的效果参数。

从热喷涂的实验数据中获得了特定要求的涂层，作为反映热喷涂工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离和作为反映热喷涂涂层技术指标的硬度和金属相含量的10组实验数据，每一组实验数据是在一次实验中使用的反映热喷涂技术要求的工艺参数和在这次实验中使用这样的反映热喷涂技术要求的工艺参数所得到的涂层技术指标。从这10组实验数据中任意选取9组作为训练数据，将这10组中未被选中的1组作为测试数据，电流是控制热喷涂设备输出功率大小的一个工艺参数，氢气和氩气是与等离子体生成有关的工艺参数，等离子体火焰的温度与热喷涂时材料熔化的温度有关。转盘这个参数是控制热喷涂送粉速率的一个工艺参数，送粉针角度是控制热喷涂材料进入喷涂火焰角度的一个工艺参数，喷涂距离反映喷枪与待喷涂的零件表面的距离，载气是控制热喷涂粉末材料送粉时输送气体流量的一个工艺参数。将电流、氢气、氩气、载气、转盘、送粉针角度作为特征，将硬度作为输出结果，建立上述特征与上述输出结果的线性回归模型，调用机器学习的开源的库sklearn中的线性回归模型、利用上述的作为反映热喷涂技术要求的工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的实验数据和利用该工艺参数所得到的涂层技术指标中的9组硬度值作为训练数据，训练作为输出结果的硬度与作为特征的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离之间的线性回归模型，利用上述的训练得到的线性回归模型，将上述的测试数据中的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的数据作为上述的线性回归模型的输入，可以得到硬度的预测结果。得到的预测结果与真实的实验数据之间的误差小于10％。根据上述的预测结果，根据实验数据建立线性回归模型。

可以在工艺参数和/或效果参数的不同的取值范围获得不同的线性回归的模型。

以上述的线性回归模型为约束条件，利用计算机模拟的方法，用计算机依次对上述的每一项工艺参数产生仿真的工艺参数的数据，在对上述的每一项工艺参数产生仿真的工艺数据的时候，利用上述的线性回归模型生成对应的效果参数，就是说，产生硬度和金属相含量的仿真数据。将以上述的线性回归的模型为约束条件所生成的工艺参数和效果参数的仿真参数构成仿真数据集。

上述的仿真数据集是工艺参数和效果参数的仿真数据组成的高维数据，利用统计学的高维数据分析方法，对上述的仿真数据组成的高维数据进行分类，根据效果参数的要求，设置分类的方法。比如，如果对硬度的要求是处于某一个区间范围的话，将这个区间的最大值和最小值的两个数值设置为分类的两个门限，就是说，对于给定的上述区间的最大值，对于上述的由计算机产生的仿真工艺数据，由上述的线性回归模型预测的效果参数的数值大于上述的给定的上述区间的最大值还是小于上述的给定的上述区间的最大值将上述的仿真工艺参数分成了两类，同理，对于给定的上述区间的最小值，对于上述的由计算机产生的仿真工艺数据，由上述的线性回归模型预测的效果参数的数值是大于上述的给定的上述区间的最小值还是小于上述的给定的上述区间的最小值将上述的仿真工艺参数分成了两类，上述的由上述的线性回归模型预测的效果参数的数值小于上述的给定的上述区间的最大值的对应的仿真工艺数据和上述的由上述的线性回归模型预测的效果参数的数值大于上述的给定的上述区间的最小值的对应的仿真工艺数据就是满足要求的仿真工艺数据。上述的分类方法可以是线性可分支持矢量机，线性不可分支持矢量机和非线性支持矢量机。

将每一个工艺参数当做特征，上述的多个工艺参数的仿真数据组成的仿真数据集是一个高维空间中的数据集，可以利用各种降维的方法从上述的高维空间的数据得到低维空间的对应的仿真数据集。利用降维的方法对上述的满足效果参数的要求的高维的仿真数据集进行降维，得到低维空间的对应的仿真数据集，在得到的低维空间的仿真数据集中选取数据，并使用满足上述的分类要求的其它的仿真数据，进行试验，将在试验中得到的效果参数与给定的效果参数做比较，如果在试验中得到的效果参数与给定的效果参数的差异在可以接受的范围，就可以将上述的仿真数据做为满足给定的效果参数的要求的工艺参数。上述的降维的方法可以是主成分分析和人工智能的机器学习的自编码器。

具体实施方案2：

在本实施例中，选用了热喷涂工艺中电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离为反映热喷涂工艺的技术指标工艺参数。选取硬度和金属相含量为反映热喷涂的涂层的喷涂效果的技术指标的效果参数。

从热喷涂的实验数据中获得了特定要求的涂层，作为反映热喷涂工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离和作为反映热喷涂涂层技术指标的硬度和金属相含量的10组实验数据，每一组实验数据是在一次实验中使用的反映热喷涂技术要求的工艺参数和在这次实验中使用这样的反映热喷涂技术要求的工艺参数所得到的涂层技术指标。从这10组实验数据中任意选取8组作为训练数据，将这10组中未被选中的2组作为测试数据，电流是控制热喷涂设备输出功率大小的一个工艺参数，氢气和氩气是与等离子体生成有关的工艺参数，等离子体火焰的温度与热喷涂时材料熔化的温度有关。转盘这个参数是控制热喷涂送粉速率的一个工艺参数，送粉针角度是控制热喷涂材料进入喷涂火焰角度的一个工艺参数，喷涂距离反映喷枪与待喷涂的零件表面的距离，载气是控制热喷涂粉末材料送粉时输送气体流量的一个工艺参数。将电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离作为特征，将硬度作为输出结果，建立上述特征与上述输出结果的线性回归模型，调用机器学习的开源的库sklearn中的线性回归模型、利用上述的作为反映热喷涂技术指标的工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的实验数据和作为反映热喷涂涂层喷涂效果的8组硬度实验数据作为训练数据，训练作为输出结果的硬度与作为特征的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离之间的线性回归模型，利用上述的训练得到的线性回归模型，将上述的测试数据中的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的数据作为上述的线性回归模型的输入，可以得到硬度的预测结果。得到的预测结果与真实的实验数据之间的误差小于15％。根据上述的预测结果，根据实验数据建立线性回归模型，可以在进行实验以前，将预定的工艺参数作为上述的线性回归模型的输入，对硬度进行预测，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。

可以在工艺参数和/或效果参数的不同的取值范围获得不同的线性回归的模型。

以上述的线性回归模型为约束条件，利用计算机模拟的方法，用计算机依次对上述的每一项工艺参数产生仿真的工艺参数的数据，在对上述的每一项工艺参数产生仿真的工艺数据的时候，利用上述的线性回归模型生成对应的效果参数，就是说，产生硬度和金属相含量的仿真数据。将以上述的线性回归的模型为约束条件所生成的工艺参数和效果参数的仿真参数构成仿真数据集。

上述的仿真数据集是工艺参数和效果参数的仿真数据组成的高维数据，利用统计学的高维数据分析方法，对上述的仿真数据组成的高维数据进行分类，根据效果参数的要求，设置分类的方法。比如，如果对硬度的要求是处于某一个区间范围的话，将这个区间的最大值和最小值的两个数值设置为分类的两个门限，就是说，对于给定的上述区间的最大值，对于上述的由计算机产生的仿真工艺数据，由上述的线性回归模型预测的效果参数的数值大于上述的给定的上述区间的最大值还是小于上述的给定的上述区间的最大值将上述的仿真工艺参数分成了两类，同理，对于给定的上述区间的最小值，对于上述的由计算机产生的仿真工艺数据，由上述的线性回归模型预测的效果参数的数值是大于上述的给定的上述区间的最小值还是小于上述的给定的上述区间的最小值将上述的仿真工艺参数分成了两类，上述的由上述的线性回归模型预测的效果参数的数值小于上述的给定的上述区间的最大值的对应的仿真工艺数据和上述的由上述的线性回归模型预测的效果参数的数值大于上述的给定的上述区间的最小值的对应的仿真工艺数据就是满足要求的仿真工艺数据。上述的分类方法可以是线性可分支持矢量机，线性不可分支持矢量机和非线性支持矢量机。

将每一个工艺参数当做特征，上述的多个工艺参数的仿真数据组成的仿真数据集是一个高维空间中的数据集，可以利用各种降维的方法从上述的高维空间的数据得到低维空间的对应的仿真数据集。利用降维的方法对上述的满足效果参数的要求的高维的仿真数据集进行降维，得到低维空间的对应的仿真数据集，在得到的低维空间的仿真数据集中选取数据，并使用满足上述的分类要求的其它的仿真数据，进行试验，将在试验中得到的效果参数与给定的效果参数做比较，如果在试验中得到的效果参数与给定的效果参数的差异在可以接受的范围，就可以将上述的仿真数据做为满足给定的效果参数的要求的工艺参数。

具体实施方案3：

在本实施例中，选用了热喷涂工艺中电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离为反映热喷涂工艺的技术指标工艺参数。选取硬度为反映热喷涂的涂层的喷涂效果的技术指标的效果参数。

从热喷涂的实验数据中获得了特定要求的涂层，作为反映热喷涂工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离和作为反映热喷涂涂层技术指标的硬度的10组实验数据，每一组实验数据是在一次实验中使用的反映热喷涂技术要求的工艺参数和在这次实验中使用这样的反映热喷涂技术要求的工艺参数所得到的涂层技术指标。从这10组实验数据中任意选取9组作为训练数据，将这10组中未被选中的1组作为测试数据，电流是控制热喷涂设备输出功率大小的一个工艺参数，氢气和氩气是与等离子体生成有关的工艺参数，等离子体火焰的温度与热喷涂时材料熔化的温度有关。转盘这个参数是控制热喷涂送粉速率的一个工艺参数，送粉针角度是控制热喷涂材料进入喷涂火焰角度的一个工艺参数，喷涂距离反映喷枪与待喷涂的零件表面的距离，载气是控制热喷涂粉末材料送粉时输送气体流量的一个工艺参数。将电流、氢气、氩气、载气、转盘、送粉针角度作为特征，将硬度作为输出结果，建立上述特征与上述输出结果的线性回归模型，调用机器学习的开源的库sklearn中的线性回归模型、利用上述的作为反映热喷涂技术要求的工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的实验数据和利用该工艺参数所得到的涂层技术指标中的9组硬度值作为训练数据，训练作为输出结果的硬度与作为特征的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离之间的线性回归模型，利用上述的训练得到的线性回归模型，将上述的测试数据中的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的数据作为上述的线性回归模型的输入，可以得到硬度的预测结果。得到的预测结果与真实的实验数据之间的误差小于10％。根据上述的预测结果，根据实验数据建立线性回归模型。

可以在工艺参数和/或效果参数的不同的取值范围获得不同的线性回归的模型。

以上述的线性回归模型为约束条件，利用计算机模拟的方法，用计算机依次对上述的每一项工艺参数产生仿真的工艺参数的数据，在对上述的每一项工艺参数产生仿真的工艺数据的时候，利用上述的线性回归模型生成对应的效果参数，就是说，产生硬度的仿真数据。将以上述的线性回归的模型为约束条件所生成的工艺参数和效果参数的仿真参数构成仿真数据集。

根据上述的反映热喷涂工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离和作为反映热喷涂涂层技术指标的硬度的实验数据，在电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离和硬度满足上述的线性回归模型的条件下，找出上述的电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离的数据与金属粉末的消耗量之间的约束关系。

在上述的仿真数据集中，在满足硬度的要求的工艺参数的仿真数据集中,利用线性规划的方法，找到满足电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离的数据与金属粉末的消耗量之间的约束关系的仿真数据，利用找到的满足电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离的数据与金属粉末的消耗量之间的约束关系的仿真数据进行试验。

在上述的仿真数据集中，在满足硬度的要求的工艺参数的仿真数据集中,利用非线性规划的方法，找到满足电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离的数据与金属粉末的消耗量之间的约束关系的仿真数据，利用找到的满足电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离的数据与金属粉末的消耗量之间的约束关系的仿真数据进行试验。

在上述的仿真数据集中，在满足硬度的要求的工艺参数的仿真数据集中,利用统计学的高维数据的分析方法，找到满足电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离的数据与金属粉末的消耗量之间的约束关系的仿真数据，上述的统计学的高维数据的分析方法包括但不限于:高维空间中的费歇尔判别分析，高维空间中的线性判别分析。利用找到的满足电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离的数据与金属粉末的消耗量之间的约束关系的仿真数据进行试验。

利用高维数据的分析方法对上述的仿真数据进行高维数据的分析，找到满足电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离的数据与金属粉末的消耗量之间的约束关系的仿真数据，所述的高维数据的分析方法包括但不限于:基于距离的高维空间中的分类方法，上述的基于距离的高维空间中的分类方法包括但不限于朴素贝叶斯分类器、基于形心法则的分类、基于k-最近邻法则的分类。利用找到的满足电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离的数据与金属粉末的消耗量之间的约束关系的仿真数据进行试验。

利用高维数据的分析方法对上述的多组仿真数据进行高维数据的分析，找到满足电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离的数据与金属粉末的消耗量之间的约束关系的仿真数据，所述的高维数据的分析方法包括但不限于:基于损失函数的高维空间中的分类方法，上述的基于损失函数的高维空间中的分类方法包括但不限于提升算法和支持矢量机。利用找到的满足电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离的数据与金属粉末的消耗量之间的约束关系的仿真数据进行试验。

具体实施方案4：

在本实施例中，选用了热喷涂工艺中电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离为反映热喷涂工艺的技术指标工艺参数。选取硬度和金属相含量为反映热喷涂的涂层的喷涂效果的技术指标的效果参数。

从热喷涂的实验数据中获得了特定要求的涂层，作为反映热喷涂工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离和作为反映热喷涂涂层技术指标的硬度和金属相含量的10组实验数据，每一组实验数据是在一次实验中使用的反映热喷涂技术要求的工艺参数和在这次实验中使用这样的反映热喷涂技术要求的工艺参数所得到的涂层技术指标。从这10组实验数据中任意选取9组作为训练数据，将这10组中未被选中的1组作为测试数据，电流是控制热喷涂设备输出功率大小的一个工艺参数，氢气和氩气是与等离子体生成有关的工艺参数，等离子体火焰的温度与热喷涂时材料熔化的温度有关。转盘这个参数是控制热喷涂送粉速率的一个工艺参数，送粉针角度是控制热喷涂材料进入喷涂火焰角度的一个工艺参数，喷涂距离反映喷枪与待喷涂的零件表面的距离，载气是控制热喷涂粉末材料送粉时输送气体流量的一个工艺参数。将电流、氢气、氩气、载气、转盘、送粉针角度作为特征，将硬度作为输出结果，建立上述特征与上述输出结果的线性回归模型，调用机器学习的开源的库sklearn中的线性回归模型、利用上述的作为反映热喷涂技术要求的工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的实验数据和利用该工艺参数所得到的涂层技术指标中的9组硬度值作为训练数据，训练作为输出结果的硬度与作为特征的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离之间的线性回归模型，利用上述的训练得到的线性回归模型，将上述的测试数据中的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的数据作为上述的线性回归模型的输入，可以得到硬度的预测结果。得到的预测结果与真实的实验数据之间的误差小于10％。根据上述的预测结果，根据实验数据建立电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离与硬度之间的线性回归模型，简称第一线性回归模型。

从热喷涂的实验数据中获得了特定要求的涂层，作为反映热喷涂工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离和作为反映热喷涂涂层技术指标的硬度和金属相含量的10组实验数据，每一组实验数据是在一次实验中使用的反映热喷涂技术要求的工艺参数和在这次实验中使用这样的反映热喷涂技术要求的工艺参数所得到的涂层技术指标。从这10组实验数据中任意选取9组作为训练数据，将这10组中未被选中的1组作为测试数据，电流是控制热喷涂设备输出功率大小的一个工艺参数，氢气和氩气是与等离子体生成有关的工艺参数，等离子体火焰的温度与热喷涂时材料熔化的温度有关。转盘这个参数是控制热喷涂送粉速率的一个工艺参数，送粉针角度是控制热喷涂材料进入喷涂火焰角度的一个工艺参数，喷涂距离反映喷枪与待喷涂的零件表面的距离，载气是控制热喷涂粉末材料送粉时输送气体流量的一个工艺参数。将电流、氢气、氩气、载气、转盘、送粉针角度作为特征，将金属相含量作为输出结果，建立上述特征与上述输出结果的线性回归模型，调用机器学习的开源的库sklearn中的线性回归模型、利用上述的作为反映热喷涂技术要求的工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的实验数据和利用该工艺参数所得到的涂层技术指标中的9组金属相含量的数据作为训练数据，训练作为输出结果的金属相含量与作为特征的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离之间的线性回归模型，利用上述的训练得到的线性回归模型，将上述的测试数据中的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的数据作为上述的线性回归模型的输入，可以得到金属相含量的预测结果。得到的预测结果与真实的实验数据之间的误差小于10％。根据上述的预测结果，根据实验数据建立电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离与金属相含量之间的线性回归模型，简称第二线性回归模型。

可以在工艺参数和/或效果参数的不同的取值范围获得不同的线性回归的模型。

以上述的线性回归模型为约束条件，利用计算机模拟的方法，用计算机依次对上述的每一项工艺参数产生仿真的工艺参数的数据，在对上述的每一项工艺参数产生仿真的工艺数据的时候，利用上述的线性回归模型生成对应的效果参数，就是说，产生硬度和金属相含量的仿真数据。将以上述的线性回归的模型为约束条件所生成的工艺参数和效果参数的仿真参数构成仿真数据集。

具体实施方案5：

在本实施例中，选用了热喷涂工艺中电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离为反映热喷涂工艺的技术指标工艺参数。选取硬度和金属相含量为反映热喷涂的涂层的喷涂效果的技术指标的效果参数。

从热喷涂的实验数据中获得了特定要求的涂层，作为反映热喷涂工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离和作为反映热喷涂涂层技术指标的硬度和金属相含量的10组实验数据，每一组实验数据是在一次实验中使用的反映热喷涂技术要求的工艺参数和在这次实验中使用这样的反映热喷涂技术要求的工艺参数所得到的涂层技术指标。从这10组实验数据中任意选取9组作为训练数据，将这10组中未被选中的1组作为测试数据，电流是控制热喷涂设备输出功率大小的一个工艺参数，氢气和氩气是与等离子体生成有关的工艺参数，等离子体火焰的温度与热喷涂时材料熔化的温度有关。转盘这个参数是控制热喷涂送粉速率的一个工艺参数，送粉针角度是控制热喷涂材料进入喷涂火焰角度的一个工艺参数，喷涂距离反映喷枪与待喷涂的零件表面的距离，载气是控制热喷涂粉末材料送粉时输送气体流量的一个工艺参数。将电流、氢气、氩气、载气、转盘、送粉针角度作为特征，将硬度作为输出结果，建立上述特征与上述输出结果的线性回归模型，调用机器学习的开源的库sklearn中的线性回归模型、利用上述的作为反映热喷涂技术要求的工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的实验数据和利用该工艺参数所得到的涂层技术指标中的9组硬度值作为训练数据，训练作为输出结果的硬度与作为特征的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离之间的线性回归模型，利用上述的训练得到的线性回归模型，将上述的测试数据中的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的数据作为上述的线性回归模型的输入，可以得到硬度的预测结果。得到的预测结果与真实的实验数据之间的误差小于10％。根据上述的预测结果，根据实验数据建立线性回归模型。

可以在工艺参数和/或效果参数的不同的取值范围获得不同的线性回归的模型。

获取给定的热喷涂设备的工艺参数和效果参数的实验数据；根据上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据，根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理，找出金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系，依据上述的根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系，计算出或估算出上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，

上述的工艺参数为反映热喷涂工艺的技术指标的参数；工艺参数包括但不限于：喷涂设备的电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离等；效果参数为反映喷涂效果的技术指标的参数；上述的效果参数包括但不限于涂层的结合强度、孔隙率、金相结构以及硬度等；

利用机器学习的线性回归的方法，建立上述的给定的热喷涂设备的工艺参数与效果参数的线性回归模型，

用上述的给定的热喷涂设备的上述的工艺参数和效果参数的实验数据作为训练数据，建立上述的给定的热喷涂设备的上述的工艺参数和效果参数之间的线性回归模型，可以从上述的给定的热喷涂设备的上述的工艺参数中选取任意数量的上述工艺参数和上述的给定的热喷涂设备的效果参数中选取任意一个效果参数，建立从上述的给定的热喷涂设备的上述的工艺参数中选取的任意数量的上述工艺参数与上述的给定的热喷涂设备的效果参数中选取的任意一个效果参数之间的线性回归模型，针对多个效果参数，可以建立多个这样的机器学习的线性回归模型，

针对任意一个效果参数的数据范围的具体要求，用上述的给定的热喷涂设备的上述的工艺参数与效果参数的实验数据作为训练数据，建立该效果参数与多个有关的工艺参数之间的机器学习的线性回归模型，利用计算机对上述的多个有关的工艺参数进行遍历，产生上述的多个有关的工艺参数的仿真数据，将满足上述的该效果参数与多个有关的工艺参数之间的线性回归模型的多个有关的工艺参数的仿真数据组成一组仿真数据集，存入到一个Excel表中，

针对多个效果参数的数据范围的具体要求，可以按照上述的方法，找到多组仿真数据，存入到多个Excel表中。

将上述的多组仿真数据中的针对每一个效果参数的仿真数据的工艺数据带入到针对所有的其它的效果参数的上述的机器学习的线性回归模型，在上述的多组仿真数据中找出同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的线性回归模型的仿真数据集，

利用上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据、上述的仿真数据集和计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，采用线性回归的方法，建立上述的热喷涂设备的工艺参数和效果参数的实验数据与金属粉末融化效率、在基底上的金属沉积效率和上述的热喷涂工艺的全过程的成本的线性回归模型，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的线性回归模型的仿真数据集中找到最节约成本的仿真数据。

将上述的找出的最节约试验成本的仿真数据的工艺参数的仿真工艺数据进行试验，如果试验结果满足效果参数的要求和节约成本的要求，就将满足上述的最节约试验成本的要求的仿真工艺数据作为试验数据。

具体实施方案6：

在本实施例中，选用了热喷涂工艺中电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离为反映热喷涂工艺的技术指标工艺参数。选取硬度和金属相含量为反映热喷涂的涂层的喷涂效果的技术指标的效果参数。

从热喷涂的实验数据中获得了特定要求的涂层，作为反映热喷涂工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离和作为反映热喷涂涂层技术指标的硬度和金属相含量的10组实验数据，每一组实验数据是在一次实验中使用的反映热喷涂技术要求的工艺参数和在这次实验中使用这样的反映热喷涂技术要求的工艺参数所得到的涂层技术指标。从这10组实验数据中任意选取9组作为训练数据，将这10组中未被选中的1组作为测试数据，电流是控制热喷涂设备输出功率大小的一个工艺参数，氢气和氩气是与等离子体生成有关的工艺参数，等离子体火焰的温度与热喷涂时材料熔化的温度有关。转盘这个参数是控制热喷涂送粉速率的一个工艺参数，送粉针角度是控制热喷涂材料进入喷涂火焰角度的一个工艺参数，喷涂距离反映喷枪与待喷涂的零件表面的距离，载气是控制热喷涂粉末材料送粉时输送气体流量的一个工艺参数。将电流、氢气、氩气、载气、转盘、送粉针角度作为特征，将硬度作为输出结果，建立上述特征与上述输出结果的线性回归模型，调用机器学习的开源的库sklearn中的线性回归模型、利用上述的作为反映热喷涂技术要求的工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的实验数据和利用该工艺参数所得到的涂层技术指标中的9组硬度值作为训练数据，训练作为输出结果的硬度与作为特征的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离之间的线性回归模型，利用上述的训练得到的线性回归模型，将上述的测试数据中的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的数据作为上述的线性回归模型的输入，可以得到硬度的预测结果。得到的预测结果与真实的实验数据之间的误差小于10％。根据上述的预测结果，根据实验数据建立线性回归模型。

可以在工艺参数和/或效果参数的不同的取值范围获得不同的线性回归的模型。

获取给定的热喷涂设备的工艺参数和效果参数的实验数据；根据上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据，根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理，找出金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系，依据上述的根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系，计算出或估算出上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，

上述的工艺参数为反映热喷涂工艺的技术指标的参数；工艺参数包括但不限于：喷涂设备的电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离等；效果参数为反映喷涂效果的技术指标的参数；上述的效果参数包括但不限于涂层的结合强度、孔隙率、金相结构以及硬度等；

利用机器学习的线性回归的方法，建立上述的给定的热喷涂设备的工艺参数与效果参数的线性回归模型，

用上述的给定的热喷涂设备的上述的工艺参数和效果参数的实验数据作为训练数据，建立上述的给定的热喷涂设备的上述的工艺参数和效果参数之间的线性回归模型，可以从上述的给定的热喷涂设备的上述的工艺参数中选取任意数量的上述工艺参数和上述的给定的热喷涂设备的效果参数中选取任意一个效果参数，建立从上述的给定的热喷涂设备的上述的工艺参数中选取的任意数量的上述工艺参数与上述的给定的热喷涂设备的效果参数中选取的任意一个效果参数之间的线性回归模型，针对多个效果参数，可以建立多个这样的机器学习的线性回归模型，

针对任意一个效果参数的数据范围的具体要求，用上述的给定的热喷涂设备的上述的工艺参数与效果参数的实验数据作为训练数据，建立该效果参数与多个有关的工艺参数之间的机器学习的线性回归模型，利用计算机对上述的多个有关的工艺参数进行遍历，产生上述的多个有关的工艺参数的仿真数据，将满足上述的该效果参数与多个有关的工艺参数之间的线性回归模型的多个有关的工艺参数的仿真数据组成一组仿真数据集，存入到一个Excel表中，

针对多个效果参数的数据范围的具体要求，可以按照上述的方法，找到多组仿真数据，存入到多个Excel表中。

将上述的多组仿真数据中的针对每一个效果参数的仿真数据的工艺数据带入到针对所有的其它的效果参数的上述的机器学习的线性回归模型，在上述的多组仿真数据中找出同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的线性回归模型的仿真数据集，

利用上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据、上述的仿真数据集和计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，采用线性回归的方法，建立上述的热喷涂设备的工艺参数和效果参数的实验数据与金属粉末融化效率、在基底上的金属沉积效率和上述的热喷涂工艺的全过程的成本的人工神经网络模型，利用所述的人工神经网络模型，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的线性回归模型的仿真数据集中找到最节约成本的仿真数据。

将上述的找出的最节约试验成本的仿真数据的工艺参数的仿真工艺数据进行试验，如果试验结果满足效果参数的要求和节约成本的要求，就将满足上述的最节约试验成本的要求的仿真工艺数据作为试验数据。

具体实施方案7：

在本实施例中，选用了热喷涂工艺中电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离为反映热喷涂工艺的技术指标工艺参数。选取硬度和金属相含量为反映热喷涂的涂层的喷涂效果的技术指标的效果参数。

从热喷涂的实验数据中获得了特定要求的涂层，作为反映热喷涂工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离和作为反映热喷涂涂层技术指标的硬度和金属相含量的10组实验数据，每一组实验数据是在一次实验中使用的反映热喷涂技术要求的工艺参数和在这次实验中使用这样的反映热喷涂技术要求的工艺参数所得到的涂层技术指标。从这10组实验数据中任意选取9组作为训练数据，将这10组中未被选中的1组作为测试数据，电流是控制热喷涂设备输出功率大小的一个工艺参数，氢气和氩气是与等离子体生成有关的工艺参数，等离子体火焰的温度与热喷涂时材料熔化的温度有关。转盘这个参数是控制热喷涂送粉速率的一个工艺参数，送粉针角度是控制热喷涂材料进入喷涂火焰角度的一个工艺参数，喷涂距离反映喷枪与待喷涂的零件表面的距离，载气是控制热喷涂粉末材料送粉时输送气体流量的一个工艺参数。将电流、氢气、氩气、载气、转盘、送粉针角度作为特征，将硬度作为输出结果，建立上述特征与上述输出结果的线性回归模型，调用机器学习的开源的库sklearn中的线性回归模型、利用上述的作为反映热喷涂技术要求的工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的实验数据和利用该工艺参数所得到的涂层技术指标中的9组硬度值作为训练数据，训练作为输出结果的硬度与作为特征的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离之间的线性回归模型，利用上述的训练得到的线性回归模型，将上述的测试数据中的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的数据作为上述的线性回归模型的输入，可以得到硬度的预测结果。得到的预测结果与真实的实验数据之间的误差小于10％。根据上述的预测结果，根据实验数据建立电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离与硬度之间的线性回归模型，简称第一线性回归模型。

从热喷涂的实验数据中获得了特定要求的涂层，作为反映热喷涂工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离和作为反映热喷涂涂层技术指标的硬度和金属相含量的10组实验数据，每一组实验数据是在一次实验中使用的反映热喷涂技术要求的工艺参数和在这次实验中使用这样的反映热喷涂技术要求的工艺参数所得到的涂层技术指标。从这10组实验数据中任意选取9组作为训练数据，将这10组中未被选中的1组作为测试数据，电流是控制热喷涂设备输出功率大小的一个工艺参数，氢气和氩气是与等离子体生成有关的工艺参数，等离子体火焰的温度与热喷涂时材料熔化的温度有关。转盘这个参数是控制热喷涂送粉速率的一个工艺参数，送粉针角度是控制热喷涂材料进入喷涂火焰角度的一个工艺参数，喷涂距离反映喷枪与待喷涂的零件表面的距离，载气是控制热喷涂粉末材料送粉时输送气体流量的一个工艺参数。将电流、氢气、氩气、载气、转盘、送粉针角度作为特征，将金属相含量作为输出结果，建立上述特征与上述输出结果的线性回归模型，调用机器学习的开源的库sklearn中的线性回归模型、利用上述的作为反映热喷涂技术要求的工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的实验数据和利用该工艺参数所得到的涂层技术指标中的9组金属相含量的数据作为训练数据，训练作为输出结果的金属相含量与作为特征的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离之间的线性回归模型，利用上述的训练得到的线性回归模型，将上述的测试数据中的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的数据作为上述的线性回归模型的输入，可以得到金属相含量的预测结果。得到的预测结果与真实的实验数据之间的误差小于10％。根据上述的预测结果，根据实验数据建立电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离与金属相含量之间的线性回归模型，简称第二线性回归模型。

可以在工艺参数和/或效果参数的不同的取值范围获得不同的线性回归的模型。

以上述的第一线性回归模型为约束关系，利用计算机模拟的方法，用计算机依次对上述的每一项工艺参数产生仿真的工艺参数的数据，在对上述的每一项工艺参数产生仿真的工艺数据的时候，利用上述的线性回归模型生成对应的效果参数，就是说，产生硬度的仿真数据。将以上述的第一线性回归的模型为约束关系所生成的工艺参数和效果参数的仿真参数构成第一仿真数据集。

以上述的第二线性回归模型为约束关系，利用计算机模拟的方法，用计算机依次对上述的每一项工艺参数产生仿真的工艺参数的数据，在对上述的每一项工艺参数产生仿真的工艺数据的时候，利用上述的线性回归模型生成对应的效果参数，就是说，产生金属相含量的仿真数据。将以上述的第二线性回归的模型为约束关系所生成的工艺参数和效果参数的仿真参数构成第二仿真数据集。

将上述的第一仿真数据集的工艺参数的仿真数据带入到上述的第二线性回归模型，找出上述的第一仿真数据集的工艺参数的仿真数据中的满足上述的第二线性回归模型的要求的仿真数据，这样的仿真数据是上述的第一仿真数据集中的同时满足上述的第一线性回归模型和上述的第二线性回归模型的仿真数据。将上述的第二仿真数据集的工艺参数的仿真数据带入到上述的第一线性回归模型，找出上述的第二仿真数据集的工艺参数的仿真数据中的满足上述的第一线性回归模型的要求的仿真数据，这样的仿真数据是上述的第二仿真数据集中的同时满足上述的第一线性回归模型和上述的第二线性回归模型的仿真数据，将上述的第一仿真数据集中的同时满足上述的第一线性回归模型和上述的第二线性回归模型的仿真数据和上述的第二仿真数据集中的同时满足上述的第一线性回归模型和上述的第二线性回归模型的仿真数据合并在一起，组成了同时满足第一线性回归模型和第二线性回归模型的仿真数据集，

利用上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据、上述的仿真数据集和计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，采用线性回归的方法，建立上述的热喷涂设备的工艺参数和效果参数的实验数据与金属粉末融化效率、在基底上的金属沉积效率和上述的热喷涂工艺的全过程的成本的人工神经网络模型，利用所述的人工神经网络模型，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的线性回归模型的仿真数据集中找到最节约成本的仿真数据。

将上述的找出的最节约试验成本的仿真数据的工艺参数的仿真工艺数据进行试验，如果试验结果满足效果参数的要求和节约成本的要求，就将满足上述的最节约试验成本的要求的仿真工艺数据作为试验数据。

具体实施方案8：

在本实施例中，选用了热喷涂工艺中电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离为反映热喷涂工艺的技术指标工艺参数。选取硬度和金属相含量为反映热喷涂的涂层的喷涂效果的技术指标的效果参数。

从热喷涂的实验数据中获得了特定要求的涂层，作为反映热喷涂工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离和作为反映热喷涂涂层技术指标的硬度和金属相含量的10组实验数据，每一组实验数据是在一次实验中使用的反映热喷涂技术要求的工艺参数和在这次实验中使用这样的反映热喷涂技术要求的工艺参数所得到的涂层技术指标。从这10组实验数据中任意选取9组作为训练数据，将这10组中未被选中的1组作为测试数据，电流是控制热喷涂设备输出功率大小的一个工艺参数，氢气和氩气是与等离子体生成有关的工艺参数，等离子体火焰的温度与热喷涂时材料熔化的温度有关。转盘这个参数是控制热喷涂送粉速率的一个工艺参数，送粉针角度是控制热喷涂材料进入喷涂火焰角度的一个工艺参数，喷涂距离反映喷枪与待喷涂的零件表面的距离，载气是控制热喷涂粉末材料送粉时输送气体流量的一个工艺参数。将电流、氢气、氩气、载气、转盘、送粉针角度作为特征，将硬度作为输出结果，建立上述特征与上述输出结果的CART回归树模型，调用机器学习的开源的库sklearn中的CART回归树模型、利用上述的作为反映热喷涂技术要求的工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的实验数据和利用该工艺参数所得到的涂层技术指标中的9组硬度值作为训练数据，训练作为输出结果的硬度与作为特征的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离之间的CART回归树模型，利用上述的训练得到的CART回归树模型，将上述的测试数据中的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的数据作为上述的CART回归树模型的输入，可以得到硬度的预测结果。得到的预测结果与真实的实验数据之间的误差小于10％。根据上述的预测结果，根据实验数据建立电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离与硬度之间的CART回归树模型，简称第一CART回归树模型。

从热喷涂的实验数据中获得了特定要求的涂层，作为反映热喷涂工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度、喷涂距离和作为反映热喷涂涂层技术指标的硬度和金属相含量的10组实验数据，每一组实验数据是在一次实验中使用的反映热喷涂技术要求的工艺参数和在这次实验中使用这样的反映热喷涂技术要求的工艺参数所得到的涂层技术指标。从这10组实验数据中任意选取9组作为训练数据，将这10组中未被选中的1组作为测试数据，电流是控制热喷涂设备输出功率大小的一个工艺参数，氢气和氩气是与等离子体生成有关的工艺参数，等离子体火焰的温度与热喷涂时材料熔化的温度有关。转盘这个参数是控制热喷涂送粉速率的一个工艺参数，送粉针角度是控制热喷涂材料进入喷涂火焰角度的一个工艺参数，喷涂距离反映喷枪与待喷涂的零件表面的距离，载气是控制热喷涂粉末材料送粉时输送气体流量的一个工艺参数。将电流、氢气、氩气、载气、转盘、送粉针角度作为特征，将金属相含量作为输出结果，建立上述特征与上述输出结果的CART回归树模型，调用机器学习的开源的库sklearn中的CART回归树模型、利用上述的作为反映热喷涂技术要求的工艺参数的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的实验数据和利用该工艺参数所得到的涂层技术指标中的9组金属相含量的数据作为训练数据，训练作为输出结果的金属相含量与作为特征的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离之间的CART回归树模型，利用上述的训练得到的CART回归树模型，将上述的测试数据中的电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离的数据作为上述的CART回归树模型的输入，可以得到金属相含量的预测结果。得到的预测结果与真实的实验数据之间的误差小于10％。根据上述的预测结果，根据实验数据建立电流、氢气、氩气、载气、转盘、送粉针角度和喷涂距离与金属相含量之间的CART回归树模型，简称第二CART回归树模型。

可以在工艺参数和/或效果参数的不同的取值范围获得不同的CART回归树的模型。

以上述的第一CART回归树模型为约束关系，利用计算机模拟的方法，用计算机依次对上述的每一项工艺参数产生仿真的工艺参数的数据，在对上述的每一项工艺参数产生仿真的工艺数据的时候，利用上述的CART回归树模型生成对应的效果参数，就是说，产生硬度的仿真数据。将以上述的第一CART回归树的模型为约束关系所生成的工艺参数和效果参数的仿真参数构成第一仿真数据集。

以上述的第二CART回归树模型为约束关系，利用计算机模拟的方法，用计算机依次对上述的每一项工艺参数产生仿真的工艺参数的数据，在对上述的每一项工艺参数产生仿真的工艺数据的时候，利用上述的CART回归树模型生成对应的效果参数，就是说，产生金属相含量的仿真数据。将以上述的第二CART回归树的模型为约束关系所生成的工艺参数和效果参数的仿真参数构成第二仿真数据集。

将上述的第一仿真数据集的工艺参数的仿真数据带入到上述的第二CART回归树模型，找出上述的第一仿真数据集的工艺参数的仿真数据中的满足上述的第二CART回归树模型的要求的仿真数据，这样的仿真数据是上述的第一仿真数据集中的同时满足上述的第一CART回归树模型和上述的第二CART回归树模型的仿真数据。将上述的第二仿真数据集的工艺参数的仿真数据带入到上述的第一CART回归树模型，找出上述的第二仿真数据集的工艺参数的仿真数据中的满足上述的第一CART回归树模型的要求的仿真数据，这样的仿真数据是上述的第二仿真数据集中的同时满足上述的第一CART回归树模型和上述的第二CART回归树模型的仿真数据，将上述的第一仿真数据集中的同时满足上述的第一CART回归树模型和上述的第二CART回归树模型的仿真数据和上述的第二仿真数据集中的同时满足上述的第一CART回归树模型和上述的第二CART回归树模型的仿真数据合并在一起，组成了同时满足第一CART回归树模型和第二CART回归树模型的仿真数据集，

利用上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据、上述的仿真数据集和计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，采用线性回归的方法，建立上述的热喷涂设备的工艺参数和效果参数的实验数据与金属粉末融化效率、在基底上的金属沉积效率和上述的热喷涂工艺的全过程的成本的线性回归模型，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的线性回归模型的仿真数据集中找到最节约成本的仿真数据。

将上述的找出的最节约试验成本的仿真数据的工艺参数的仿真工艺数据进行试验，如果试验结果满足效果参数的要求和节约成本的要求，就将满足上述的最节约试验成本的要求的仿真工艺数据作为试验数据。

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 (11)

1.一种热喷涂方法，其特征在于，所述方法包括：

获取给定的热喷涂设备的工艺参数和效果参数的实验数据；根据上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据，根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理，找出金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，依据上述的根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，计算出或估算出上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围；

上述的工艺参数为反映热喷涂工艺的技术指标的参数；工艺参数包括：喷涂设备的电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离等；效果参数为反映喷涂效果的技术指标的参数；上述的效果参数包括涂层的结合强度、孔隙率、金相结构以及硬度等；

利用机器学习的回归算法，建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型；

用上述的给定的热喷涂设备的上述的工艺参数与效果参数的实验数据作为训练数据，建立上述的给定的热喷涂设备的上述的工艺参数与效果参数之间的机器学习的回归模型或回归树模型，从上述的给定的热喷涂设备的上述的工艺参数中选取任意数量的上述工艺参数和上述的给定的热喷涂设备的效果参数中选取任意一个效果参数，建立从上述的给定的热喷涂设备的上述的工艺参数中选取的任意数量的上述工艺参数与上述的给定的热喷涂设备的效果参数中选取的任意一个效果参数之间的机器学习的回归模型或回归树模型，针对多个效果参数，建立多个这样的机器学习的回归模型或回归树模型；

针对任意一个效果参数的数据范围的具体要求，用上述的给定的热喷涂设备的上述的工艺参数和效果参数的实验数据作为训练数据，建立该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型，利用计算机对上述的多个有关的工艺参数进行遍历，产生上述的多个有关的工艺参数的仿真数据，将满足上述的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的多个有关的工艺参数的仿真数据组成一组仿真数据集；

针对多个效果参数的数据范围的具体要求，按照上述的方法，找到多组仿真数据；

将上述的多组仿真数据中的针对每一个效果参数的仿真数据的工艺数据带入到针对所有的其它的效果参数的上述的机器学习的回归模型或回归树模型，在上述的多组仿真数据中找出同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集；

利用上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据、上述的仿真数据集和计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，采用运筹学和/或数据分析和/或人工智能的方法，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据；

将上述的找出的最节约试验成本的仿真数据的工艺参数的仿真工艺数据进行试验，如果试验结果满足效果参数的要求和节约成本的要求，就将满足上述的最节约试验成本的要求的仿真工艺数据作为试验数据。

2.根据权利要求1所述的方法，其特征在于，上述的用于建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型机器学习的回归模型包括：线性回归模型，岭回归模型、Lasso回归模型和CART回归树模型。

3.根据权利要求1所述的方法，其特征在于，上述的运筹学和/或数据分析和/或人工智能的方法使用了机器学习的回归方法；

利用上述的计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，针对上述的热喷涂设备，建立金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的机器学习的回归模型；

利用上述的得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的机器学习的回归模型，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据。

4.根据权利要求1所述的方法，其特征在于，上述的运筹学和/或数据分析和/或人工智能的方法使用了运筹学中的线性规划和线性规划的方法。

5.根据权利要求1所述的热喷涂方法，其特征在于，上述的运筹学和/或数据分析和/或人工智能的方法利用高维数据的分析方法对上述的多组仿真数据进行高维数据的分析，找到同时满足上述的多个效果参数的数据的取值范围的要求的仿真工艺数据，所述的高维数据的分析方法包括高维空间中的费歇尔判别分析和高维空间中的线性判别分析。

6.根据权利要求1所述的方法，其特征在于，上述的运筹学和/或数据分析和/或人工智能的方法使用了高维数据分析的方法，所述的高维数据分析方法包括但不限于：基于距离的高维空间中的分类方法，上述的基于距离的高维空间中的分类方法包括朴素贝叶斯分类器、基于形心法则的分类和基于k-最近邻法则的分类。

7.根据权利要求1所述的方法，其特征在于，上述的运筹学和/或数据分析和/或人工智能的方法包括但不限于:主成分分析、层次聚类和K均值聚类。

8.根据权利要求1所述的热喷涂方法，其特征在于，上述的运筹学和/或数据分析和/或人工智能的方法包括基于损失函数的高维空间中的分类方法，上述的基于损失函数的高维空间中的分类方法包括提升算法和支持矢量机。

9.根据权利要求1所述的方法，其特征在于，上述的用于建立金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的机器学习的回归模型机器学习的回归模型包括线性回归模型，岭回归模型、Lasso回归模型和CART回归树模型。

10.根据权利要求1所述的方法，其特征在于，上述的数据分析和/或人工智能的方法使用了人工神经网络的方法，

利用上述的计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，针对上述的热喷涂设备，建立金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的人工神经网络；

利用上述的得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的人工神经网络模型，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据。

11.一种热喷涂系统，其特征在于，所述系统包括热喷涂设备、计算机以及热喷涂方法，所述的系统使用了权利要求1-10任意一项所述的方法：

获取给定的热喷涂设备的工艺参数和效果参数的实验数据；根据上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据，根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理，找出金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，依据上述的根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，计算出或估算出上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围；

上述的工艺参数为反映热喷涂工艺的技术指标的参数；工艺参数包括：喷涂设备的电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离等；效果参数为反映喷涂效果的技术指标的参数；上述的效果参数包括涂层的结合强度、孔隙率、金相结构以及硬度等；

利用机器学习的回归算法，建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型；

用上述的给定的热喷涂设备的上述的工艺参数与效果参数的实验数据作为训练数据，建立上述的给定的热喷涂设备的上述的工艺参数与效果参数之间的机器学习的回归模型或回归树模型，从上述的给定的热喷涂设备的上述的工艺参数中选取任意数量的上述工艺参数和上述的给定的热喷涂设备的效果参数中选取任意一个效果参数，建立从上述的给定的热喷涂设备的上述的工艺参数中选取的任意数量的上述工艺参数与上述的给定的热喷涂设备的效果参数中选取的任意一个效果参数之间的机器学习的回归模型或回归树模型，针对多个效果参数，建立多个这样的机器学习的回归模型或回归树模型；

针对任意一个效果参数的数据范围的具体要求，用上述的给定的热喷涂设备的上述的工艺参数和效果参数的实验数据作为训练数据，建立该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型，利用计算机对上述的多个有关的工艺参数进行遍历，产生上述的多个有关的工艺参数的仿真数据，将满足上述的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的多个有关的工艺参数的仿真数据组成一组仿真数据集；

针对多个效果参数的数据范围的具体要求，按照上述的方法，找到多组仿真数据；

将上述的多组仿真数据中的针对每一个效果参数的仿真数据的工艺数据带入到针对所有的其它的效果参数的上述的机器学习的回归模型或回归树模型，在上述的多组仿真数据中找出同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集；

利用上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据、上述的仿真数据集和计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，采用运筹学和/或数据分析和/或人工智能的方法，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据；

将上述的找出的最节约试验成本的仿真数据的工艺参数的仿真工艺数据进行试验，如果试验结果满足效果参数的要求和节约成本的要求，就将满足上述的最节约试验成本的要求的仿真工艺数据作为试验数据。