CN111424223A - 改善铝青铜微观组织和性能的复合深冷处理方法 - Google Patents
改善铝青铜微观组织和性能的复合深冷处理方法 Download PDFInfo
- Publication number
- CN111424223A CN111424223A CN202010287432.0A CN202010287432A CN111424223A CN 111424223 A CN111424223 A CN 111424223A CN 202010287432 A CN202010287432 A CN 202010287432A CN 111424223 A CN111424223 A CN 111424223A
- Authority
- CN
- China
- Prior art keywords
- aluminum bronze
- temperature
- treatment
- microstructure
- cryogenic treatment
- 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.)
- Pending
Links
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 188
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 188
- 229910000906 Bronze Inorganic materials 0.000 title claims abstract description 187
- 239000010974 bronze Substances 0.000 title claims abstract description 135
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000002131 composite material Substances 0.000 title claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 33
- 238000010791 quenching Methods 0.000 claims abstract description 30
- 230000000171 quenching effect Effects 0.000 claims abstract description 30
- 238000004140 cleaning Methods 0.000 claims abstract description 23
- 230000001276 controlling effect Effects 0.000 claims abstract description 17
- 238000001035 drying Methods 0.000 claims abstract description 15
- 230000001105 regulatory effect Effects 0.000 claims abstract description 15
- 238000005496 tempering Methods 0.000 claims abstract description 15
- 239000006104 solid solution Substances 0.000 claims abstract description 8
- 238000001816 cooling Methods 0.000 claims abstract description 5
- 239000007788 liquid Substances 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 8
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 7
- 229910052751 metal Inorganic materials 0.000 claims description 7
- 239000002184 metal Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 238000004321 preservation Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 239000012153 distilled water Substances 0.000 claims description 3
- 229910000881 Cu alloy Inorganic materials 0.000 claims 1
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 8
- 239000000243 solution Substances 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 230000002708 enhancing effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000000956 alloy Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007654 immersion Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000010935 stainless steel Substances 0.000 description 3
- 229910001220 stainless steel Inorganic materials 0.000 description 3
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 229910001285 shape-memory alloy Inorganic materials 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22F—CHANGING THE PHYSICAL STRUCTURE OF NON-FERROUS METALS AND NON-FERROUS ALLOYS
- C22F1/00—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working
- C22F1/08—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working of copper or alloys based thereon
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
- C21D11/005—Process control or regulation for heat treatments for cooling
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22F—CHANGING THE PHYSICAL STRUCTURE OF NON-FERROUS METALS AND NON-FERROUS ALLOYS
- C22F1/00—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working
- C22F1/002—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working by rapid cooling or quenching; cooling agents used therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Materials Engineering (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Metallurgy (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Organic Chemistry (AREA)
- Thermal Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明属于铝青铜复合深冷处理技术领域,公开了一种改善铝青铜微观组织和性能的复合深冷处理方法,所述改善铝青铜微观组织和性能的复合深冷处理方法包括:采集的的温度数据、铝青铜微观组织图像;对铝青铜合金深冷处理的时间、温度进行调控;分别进行固溶处理、深冷处理、回火处理、水淬处理、清洗处理、干燥处理。本发明能够在增强铝青铜微观组织图像细节的同时,避免放大噪声,提高铝青铜微观组织图像的清晰度;通过调控程序利用调控模型能够有效对铝青铜合金深冷处理的温度及时间进行调控,经济输出较小。
Description
技术领域
本发明属于铝青铜复合深冷处理技术领域,尤其涉及一种改善铝青铜微观组织和性能的复合深冷处理方法。
背景技术
铝青铜具有许多优良的性能。铝青铜具有很高的强度、硬度和耐磨性,常用来制造齿轮坯料、螺纹等零件。铝青铜具有很好的抗蚀性,因此可用来制造耐腐蚀零件,如螺旋桨、阀门等。铝青铜在冲击作用下不会产生火花,可用来制造无火花工具材料。具有优良的导热系数和稳定的刚度,作为模具材料在拉伸、压延不锈钢板式换热器时不会产生粘模、划伤工件等优点,已成为一种新型模具材料。铝青铜具有形状记忆效应,已经作为形状记忆合金得到发展。铝青铜合金价格相对便宜,成为一些昂贵金属材料的部分替代品,如替代锡青铜、不锈钢、镍基合金等。正是由于铝青铜所具有的优良特性,越来越受到喜爱,在民用和军事工业中起着重要的作用。然而,现有改善铝青铜微观组织和性能的复合深冷处理过程中采集的铝青铜微观组织图像不清晰;同时,对铝青铜微观组织特征提取不准确,不利于对铝青铜微观组织复合深冷处理效果进行监测。
综上所述,现有技术存在的问题是:现有改善铝青铜微观组织和性能的复合深冷处理过程对铝青铜微观组织特征提取不准确,不利于对铝青铜微观组织复合深冷处理效果进行监测。
发明内容
针对现有技术存在的问题,本发明提供了一种改善铝青铜微观组织和性能的复合深冷处理方法。
本发明是这样实现的,一种改善铝青铜微观组织和性能的复合深冷处理方法,所述改善铝青铜微观组织和性能的复合深冷处理方法包括以下步骤:
步骤一,通过温度检测器检测改善铝青铜微观组织和性能的复合深冷处理过程中温度数据;通过微观影像设备采集铝青铜微观组织图像;通过主控机控制系统的正常工作。
步骤二,通过加热设备对铝青铜进行固溶加热900℃保温时间1小时,并进行室温水淬;通过深冷处理箱将铝青铜合金直接浸入液氮中-196℃,浸入时间2时后置于空气中恢复至室温即可获得复合深冷处理强化的铝青铜。
步骤三,通过时间调控程序利用时间调控模型对铝青铜合金深冷处理的时间进行调控;通过温度调控程序利用温度调控模型对铝青铜合金深冷处理的温度进行调控;对深冷处理后的铝青铜合金进行回火处理,保温后,空冷至室温。
步骤四,通过将深冷处理后的铝青铜合金置于水淬处理箱内进行水淬处理,并确保室温液体介质完全浸没金属试样;水淬处理箱中的室温液体介质为室温蒸馏水,处理时间为5-15min。
步骤五,通过将水淬处理后的铝青铜合金置于清洗箱内进行清洗处理,并确保酒精介质完全浸没试样,处理时间为5-35s;将酒精清洗后的金属试样移至烘干机的出风口,启动烘干机,烘干机风扇转速的设置范围为100~1000r/min,干燥处理时间控制在10~60s。
进一步,步骤三中,所述通过温度调控程序对铝青铜合金深冷处理的温度进行调控的方法包括:
(1)从深冷处理箱获取对铝青铜合金深冷处理的温度数据,对铝青铜合金深冷处理的温度数据进行分析,并应用主成分分析法选定温度模型的建模参数。其中,深冷处理箱进行深冷处理的温度包括历史运行数据和当前运行数据,所述历史运行数据包括历史健康状态运行数据。
(2)基于径向基函数神经网络与线性回归分析方法,根据历史健康状态运行数据建立铝青铜合金温度的线性回归径向基函数神经网络预测模型,即LRRBF预测模型。
(3)基于LRRBF预测模型,根据当前运行数据计算实际运行状态下的铝青铜合金温度预测值。
(4)计算得到铝青铜合金温度预测值与实际运行值之间的残差,使用滑动窗口法进行残差分析;如果残差均值超过预设的置信区间,则进行温度调控。
进一步,步骤(1)中,所述主成分分析法包括:
在影响铝青铜合金温度的总数为p个的主成分(y1,y2,…,yi,…,yk,…,yp);i,k∈[1,p]中,第k个主成分yk的贡献率αk为:
其中,λk表示第k个主成分yk的特征值、即yk的方差,λi表示第i个主成分yi的特征值、即yi的方差,p为自然数;
根据贡献率排名,排名前m个主成分(y1,y2,…,ym);m∈[1,p]的累计贡献率γ为:
其中,αi表示第i个主成分yi的贡献率。
进一步,步骤(2)中,所述径向基函数神经网络采用的径向基函数为高斯核函数φ(X,σj),其模型为:
其中,Cj,σj分别为第j个隐含层神经元的核函数中心向量和宽度参数,n为自然数,wj为突触权值,b为神经元的偏置。
进一步,步骤(4)中,所述滑动窗口法包括:
其中,Rx为该窗口的第x个残差;
将残差均值与置信区间进行比较,进而进行温度判断;如果残差均值在预设的置信区间内,则判断故障监测目标运行正常如果残差均值超过预设的置信区间,则进行温度调控。
本发明的优点及积极效果为:本发明通过图像增强模块首先矫正图像使图像达到指定亮度,对达到亮度要求的图像进行分块并计算各图像块的直方图分布,再查找图像中的平坦区域块,根据平坦区域块重新计算图像增强范围并调整各图像块的直方图分布,最后根据在直方图中的映射值对每个像素点进行插值计算,所有像素点的计算结果经过高斯滤波后得到输出图像;能够在增强铝青铜微观组织图像细节的同时,避免放大噪声,从而提高铝青铜微观组织图像的清晰度;同时,通过图像特征提取模块可以更加准确的提取铝青铜微观组织图像特征。本发明通过时间调控模块和温度调控模块,通过调控程序利用调控模型能够有效对铝青铜合金深冷处理的温度及时间进行调控,经济输出较小。
附图说明
图1是本发明实施例提供的改善铝青铜微观组织和性能的复合深冷处理方法流程图。
图2是本发明实施例提供的改善铝青铜微观组织和性能的复合深冷处理系统结构框图;
图中:1、温度检测模块;2、微观图像采集模块;3、主控模块;4、固溶处理模块;5、深冷处理模块;6、时间调控模块;7、温度调控模块;8、回火处理模块;9、水淬处理模块;10、清洗处理模块;11、干燥处理模块;12、图像增强模块;13、图像特征提取模块;14、数据存储模块;15、无线通信模块;16、终端模块;17、供电模块;18、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明实施例提供的改善铝青铜微观组织和性能的复合深冷处理方法包括以下步骤:
S101:通过温度检测器检测改善铝青铜微观组织和性能的复合深冷处理过程中温度数据;通过微观影像设备采集铝青铜微观组织图像;通过主控机控制系统的正常工作。
S102:通过加热设备对铝青铜进行固溶加热900℃保温时间1小时,并进行室温水淬;通过深冷处理箱将铝青铜合金直接浸入液氮中-196℃,浸入时间2时后置于空气中恢复至室温即可获得复合深冷处理强化的铝青铜。
S103:通过时间调控程序利用时间调控模型对铝青铜合金深冷处理的时间进行调控;通过温度调控程序利用温度调控模型对铝青铜合金深冷处理的温度进行调控;对深冷处理后的铝青铜合金进行回火处理,保温后,空冷至室温。
S104:通过将深冷处理后的铝青铜合金置于水淬处理箱内进行水淬处理,并确保室温液体介质完全浸没金属试样;水淬处理箱中的室温液体介质为室温蒸馏水,处理时间为5-15min。
S105:通过将水淬处理后的铝青铜合金置于清洗箱内进行清洗处理,并确保酒精介质完全浸没试样,处理时间为5-35s;将酒精清洗后的金属试样移至烘干机的出风口,启动烘干机,烘干机风扇转速的设置范围为100~1000r/min,干燥处理时间控制在10~60s。
本发明实施例提供的S103中,通过温度调控程序对铝青铜合金深冷处理的温度进行调控的方法包括:
(1)从深冷处理箱获取对铝青铜合金深冷处理的温度数据,对铝青铜合金深冷处理的温度数据进行分析,并应用主成分分析法选定温度模型的建模参数。其中,深冷处理箱进行深冷处理的温度包括历史运行数据和当前运行数据,所述历史运行数据包括历史健康状态运行数据。
(2)基于径向基函数神经网络与线性回归分析方法,根据历史健康状态运行数据建立铝青铜合金温度的线性回归径向基函数神经网络预测模型,即LRRBF预测模型。
(3)基于LRRBF预测模型,根据当前运行数据计算实际运行状态下的铝青铜合金温度预测值。
(4)计算得到铝青铜合金温度预测值与实际运行值之间的残差,使用滑动窗口法进行残差分析;如果残差均值超过预设的置信区间,则进行温度调控。
本发明实施例提供的步骤(1)中,主成分分析法包括:
在影响铝青铜合金温度的总数为p个的主成分(y1,y2,…,yi,…,yk,…,yp);i,k∈[1,p]中,第k个主成分yk的贡献率αk为:
其中,λk表示第k个主成分yk的特征值、即yk的方差,λi表示第i个主成分yi的特征值、即yi的方差,p为自然数;
根据贡献率排名,排名前m个主成分(y1,y2,…,ym);m∈[1,p]的累计贡献率γ为:
其中,αi表示第i个主成分yi的贡献率。
本发明实施例提供的步骤(2)中,所述径向基函数神经网络采用的径向基函数为高斯核函数φ(X,σj),其模型为:
其中,Cj,σj分别为第j个隐含层神经元的核函数中心向量和宽度参数,n为自然数,wj为突触权值,b为神经元的偏置。
本发明实施例提供的步骤(4)中,所述滑动窗口法包括:
其中,Rx为该窗口的第x个残差;
将残差均值与置信区间进行比较,进而进行温度判断;如果残差均值在预设的置信区间内,则判断故障监测目标运行正常如果残差均值超过预设的置信区间,则进行温度调控。
本发明实施例提供的改善铝青铜微观组织和性能的复合深冷处理方法还包括以下步骤:
通过图像增强程序对采集的铝青铜微观组织图像进行增强处理;通过提取程序对采集的铝青铜微观组织图像特征进行提取;通过WiFi、4G的无线通信方式进行数据的接收、发送。
通过云服务器存储采集的温度数据、铝青铜微观组织图像;进行固溶处理、深冷处理、回火处理、水淬处理、清洗处理、干燥处理的的温度及时间;增强处理后的铝青铜微观组织图像、铝青铜微观组织图像特征的实时数据。
通过云服务器将采集的的温度数据、铝青铜微观组织图像;进行固溶处理、深冷处理、回火处理、水淬处理、清洗处理、干燥处理的的温度及时间;增强处理后的铝青铜微观组织图像、铝青铜微观组织图像特征的实时数据发送至移动终端。
通过太阳能电池板为整个复合深冷处理系统供电;通过高清显示器显示的温度数据、铝青铜微观组织图像;进行固溶处理、深冷处理、回火处理、水淬处理、清洗处理、干燥处理的的温度及时间;增强处理后的铝青铜微观组织图像、铝青铜微观组织图像特征的实时数据。
本发明实施例通过图像增强程序对采集的铝青铜微观组织图像进行增强处理的方法如下:
(Ⅰ)通过图像增强程序根据输入铝青铜微观组织图像的直方图分布判断所述输入铝青铜微观组织图像是否达到指定亮度。
(Ⅱ)当所述输入铝青铜微观组织图像达到所述指定亮度时,对所述输入铝青铜微观组织图像进行分块并计算各铝青铜微观组织图像块的直方图分布。
(Ⅲ)根据所述各铝青铜微观组织图像块的直方图分布判断所述输入铝青铜微观组织图像是否存在平坦区域块。
(Ⅳ)当所述输入铝青铜微观组织图像存在平坦区域块时,根据所述平坦区域块重新计算铝青铜微观组织图像增强范围。
(Ⅴ)根据所述铝青铜微观组织图像增强范围调整所述各铝青铜微观组织图像块的映射曲线。
(Ⅵ)对于每一个像素点,根据与所述像素点邻近的指定数目的铝青铜微观组织图像块的映射曲线,重新计算所述像素点的灰度;将计算出所有像素点灰度的铝青铜微观组织图像进行高斯滤波,得到输出铝青铜微观组织图像。
本发明实施例提供的根据输入铝青铜微观组织图像的直方图分布判断所述输入铝青铜微观组织图像是否达到指定亮度包括:
1)当所述输入铝青铜微观组织图像的直方图中灰度小于第一阈值的像素点数目占总像素点数目的比例大于第一设定值时,所述输入铝青铜微观组织图像未达到指定亮度;
2)当所述输入铝青铜微观组织图像的直方图中灰度小于所述第一阈值的像素点数目占总像素点数目的比例不大于所述第一设定值时,所述输入铝青铜微观组织图像达到了指定亮度。
所述当所述输入铝青铜微观组织图像未达到所述指定亮度时,在对所述输入铝青铜微观组织图像进行分块之前,所述方法还包括:对所述输入铝青铜微观组织图像进行伽马变换,以使所述输入铝青铜微观组织图像达到所述指定亮度。
本发明实施例提供的根据所述各铝青铜微观组织图像块的直方图分布判断所述输入铝青铜微观组织图像是否存在平坦区域块包括:
检测所述各铝青铜微观组织图像块的直方图峰值所对应的灰度级;
根据所述各铝青铜微观组织图像块的直方图计算所述各铝青铜微观组织图像块的平均灰度;
对于每一个铝青铜微观组织图像块,计算所述铝青铜微观组织图像块的直方图峰值所对应的灰度级与所述铝青铜微观组织图像块的平均灰度之间的差值;
判断是否存在所述差值小于第二设定值的铝青铜微观组织图像块;当存在所述差值小于第二设定值的铝青铜微观组织图像块时,检测所述差值小于第二设定值的铝青铜微观组织图像块中纹理点的个数占所述铝青铜微观组织图像块总像素数的比例。
当所述纹理点的个数占所述铝青铜微观组织图像块总像素数的比例小于第三设定值时,判断所述铝青铜微观组织图像块为平坦区域块,所述输入铝青铜微观组织图像存在平坦区域块。
本发明实施例通过提取程序对采集的铝青铜微观组织图像特征进行提取的方法如下:
1)通过提取程序对特定的铝青铜微观组织图像进行放大成为微观模拟铝青铜微观组织图像;对该微观铝青铜微观组织图像进行数字化处理成为数字化铝青铜微观组织图像;将该数字化铝青铜微观组织图像二值化成为二值化铝青铜微观组织图像。
2)对该二值化铝青铜微观组织图像进行边缘位置的特征提取。
3)对该特征进行归一化处理并保存特征样板;对待识别的铝青铜微观组织图像进行微观放大成为微观模拟铝青铜微观组织图像。
4)对该微观铝青铜微观组织图像进行数字化处理成为数字化铝青铜微观组织图像将该数字化铝青铜微观组织图像二值化成为二值化铝青铜微观组织图像;对该二值化铝青铜微观组织图像进行边缘位置的特征提取。
5)以及将该特征与存储的特征样板进行比较,判断该待识别铝青铜微观组织图像的细节特征。
本发明实施例提供的改善铝青铜微观组织和性能的复合深冷处理系统包括:温度检测模块1、微观图像采集模块2、主控模块3、固溶处理模块4、深冷处理模块5、时间调控模块6、温度调控模块7、回火处理模块8、水淬处理模块9、清洗处理模块10、干燥处理模块11、图像增强模块12、图像特征提取模块13、数据存储模块14、无线通信模块15、终端模块16、供电模块17、显示模块18。
温度检测模块1,与主控模块3连接,用于通过温度检测器检测改善铝青铜微观组织和性能的复合深冷处理过程中温度数据;
微观图像采集模块2,与主控模块3连接,用于通过微观影像设备采集铝青铜微观组织图像;
主控模块3,与温度检测模块1、微观图像采集模块2、固溶处理模块4、深冷处理模块5、时间调控模块6、温度调控模块7、回火处理模块8、水淬处理模块9、清洗处理模块10、干燥处理模块11、图像增强模块12、图像特征提取模块13、数据存储模块14、无线通信模块15、终端模块16、供电模块17、显示模块18连接,用于通过主控机控制各个模块正常工作;
固溶处理模块4,与主控模块3连接,用于通过加热设备对铝青铜进行固溶加热900℃保温时间1小时,并进行室温水淬;
深冷处理模块5,与主控模块3连接,用于通过深冷处理箱将铝青铜合金直接浸入液氮中-196℃,浸入时间2时后置于空气中恢复至室温即可获得复合深冷处理强化的铝青铜;
时间调控模块6,与主控模块3连接,用于通过时间调控程序利用时间调控模型对铝青铜合金深冷处理的时间进行调控;
温度调控模块7,与主控模块3连接,用于通过温度调控程序利用温度调控模型对铝青铜合金深冷处理的温度进行调控;
回火处理模块8,与主控模块3连接,用于对深冷处理后的铝青铜合金进行回火处理,保温后,空冷至室温;
水淬处理模块9,与主控模块3连接,用于通过将回火处理后的铝青铜合金置于水淬处理箱内进行水淬处理,并确保室温液体介质完全浸没金属试样;
清洗处理模块10,与主控模块3连接,用于通过将水淬处理后的铝青铜合金置于清洗箱内进行清洗处理,并确保酒精介质完全浸没试样;
干燥处理模块11,与主控模块3连接,用于通过将清洗火处理后的铝青铜合金置于烘干机的出风口,启动烘干机进行干燥处理;
图像增强模块12,与主控模块3连接,用于通过图像增强程序对采集的铝青铜微观组织图像进行增强处理;
图像特征提取模块13,与主控模块3连接,用于通过提取程序对采集的铝青铜微观组织图像特征进行提取;
数据存储模块14,与主控模块3连接,用于通过云服务器存储采集的温度数据、铝青铜微观组织图像;进行固溶处理、深冷处理、回火处理、水淬处理、清洗处理、干燥处理的的温度及时间;增强处理后的铝青铜微观组织图像、铝青铜微观组织图像特征的实时数据;
无线通信模块15,与主控模块3连接,用于通过WiFi、4G的无线通信方式进行数据的接收、发送;
终端模块16,与主控模块3连接,用于通过云服务器将采集的的温度数据、铝青铜微观组织图像;进行固溶处理、深冷处理、回火处理、水淬处理、清洗处理、干燥处理的的温度及时间;增强处理后的铝青铜微观组织图像、铝青铜微观组织图像特征的实时数据发送至移动终端;
供电模块17,与主控模块3连接,用于通过太阳能电池板为整个复合深冷处理系统供电;
显示模块18,与主控模块3连接,用于通过高清显示器显示的温度数据、铝青铜微观组织图像;进行固溶处理、深冷处理、回火处理、水淬处理、清洗处理、干燥处理的的温度及时间;增强处理后的铝青铜微观组织图像、铝青铜微观组织图像特征的实时数据。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (5)
1.一种如权利要求1所述的改善铝青铜微观组织和性能的复合深冷处理方法,其特征在于,所述改善铝青铜微观组织和性能的复合深冷处理方法包括以下步骤:
步骤一,通过温度检测器检测改善铝青铜微观组织和性能的复合深冷处理过程中温度数据;通过微观影像设备采集铝青铜微观组织图像;通过主控机控制系统的正常工作;
步骤二,通过加热设备对铝青铜进行固溶加热900℃保温时间1小时,并进行室温水淬;通过深冷处理箱将铝青铜合金直接浸入液氮中-196℃,浸入时间2时后置于空气中恢复至室温即可获得复合深冷处理强化的铝青铜;
步骤三,通过时间调控程序利用时间调控模型对铝青铜合金深冷处理的时间进行调控;通过温度调控程序利用温度调控模型对铝青铜合金深冷处理的温度进行调控;对深冷处理后的铝青铜合金进行回火处理,保温后,空冷至室温;
步骤四,通过将深冷处理后的铝青铜合金置于水淬处理箱内进行水淬处理,并确保室温液体介质完全浸没金属试样;水淬处理箱中的室温液体介质为室温蒸馏水,处理时间为5-15min;
步骤五,通过将水淬处理后的铝青铜合金置于清洗箱内进行清洗处理,并确保酒精介质完全浸没试样,处理时间为5-35s;将酒精清洗后的金属试样移至烘干机的出风口,启动烘干机,烘干机风扇转速的设置范围为100~1000r/min,干燥处理时间控制在10~60s。
2.如权利要求1所述改善铝青铜微观组织和性能的复合深冷处理方法,其特征在于,步骤三中,所述通过温度调控程序对铝青铜合金深冷处理的温度进行调控的方法包括:
(1)从深冷处理箱获取对铝青铜合金深冷处理的温度数据,对铝青铜合金深冷处理的温度数据进行分析,并应用主成分分析法选定温度模型的建模参数;
其中,深冷处理箱进行深冷处理的温度包括历史运行数据和当前运行数据,所述历史运行数据包括历史健康状态运行数据;
(2)基于径向基函数神经网络与线性回归分析方法,根据历史健康状态运行数据建立铝青铜合金温度的线性回归径向基函数神经网络预测模型,即LRRBF预测模型;
(3)基于LRRBF预测模型,根据当前运行数据计算实际运行状态下的铝青铜合金温度预测值;
(4)计算得到铝青铜合金温度预测值与实际运行值之间的残差,使用滑动窗口法进行残差分析;如果残差均值超过预设的置信区间,则进行温度调控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010287432.0A CN111424223A (zh) | 2020-04-13 | 2020-04-13 | 改善铝青铜微观组织和性能的复合深冷处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010287432.0A CN111424223A (zh) | 2020-04-13 | 2020-04-13 | 改善铝青铜微观组织和性能的复合深冷处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111424223A true CN111424223A (zh) | 2020-07-17 |
Family
ID=71554252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010287432.0A Pending CN111424223A (zh) | 2020-04-13 | 2020-04-13 | 改善铝青铜微观组织和性能的复合深冷处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111424223A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112048689A (zh) * | 2020-09-16 | 2020-12-08 | 扬州大学 | 一种焊接喷嘴的热处理方法 |
CN116721724A (zh) * | 2023-06-20 | 2023-09-08 | 小米汽车科技有限公司 | 合金性能预测方法、装置、存储介质、电子设备及芯片 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100601181B1 (ko) * | 2004-06-15 | 2006-07-13 | 한국기계연구원 | 봉재압축전단변형공정 |
CN105986092A (zh) * | 2015-01-31 | 2016-10-05 | 重庆麦卡瑞机械制造有限公司 | 一种深冷处理的工艺 |
CN106967937A (zh) * | 2017-03-01 | 2017-07-21 | 江苏大学 | 一种改善铝青铜微观组织和性能的复合深冷处理方法 |
CN108277334A (zh) * | 2018-03-07 | 2018-07-13 | 中国科学院理化技术研究所 | 一种深冷处理设备及方法 |
CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
CN109652623A (zh) * | 2018-12-20 | 2019-04-19 | 南京理工大学 | 金属高周循环深冷处理工艺及自动化深冷处理系统 |
-
2020
- 2020-04-13 CN CN202010287432.0A patent/CN111424223A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100601181B1 (ko) * | 2004-06-15 | 2006-07-13 | 한국기계연구원 | 봉재압축전단변형공정 |
CN105986092A (zh) * | 2015-01-31 | 2016-10-05 | 重庆麦卡瑞机械制造有限公司 | 一种深冷处理的工艺 |
CN106967937A (zh) * | 2017-03-01 | 2017-07-21 | 江苏大学 | 一种改善铝青铜微观组织和性能的复合深冷处理方法 |
CN108277334A (zh) * | 2018-03-07 | 2018-07-13 | 中国科学院理化技术研究所 | 一种深冷处理设备及方法 |
CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
CN109652623A (zh) * | 2018-12-20 | 2019-04-19 | 南京理工大学 | 金属高周循环深冷处理工艺及自动化深冷处理系统 |
Non-Patent Citations (2)
Title |
---|
李恒德等: "《现代材料科学与工程辞典》", 31 August 2001, 山东:科学技术出版社 * |
杜双明等: "《材料科学与工程概论》", 31 August 2011, 西安电子科技大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112048689A (zh) * | 2020-09-16 | 2020-12-08 | 扬州大学 | 一种焊接喷嘴的热处理方法 |
CN116721724A (zh) * | 2023-06-20 | 2023-09-08 | 小米汽车科技有限公司 | 合金性能预测方法、装置、存储介质、电子设备及芯片 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN111424223A (zh) | 改善铝青铜微观组织和性能的复合深冷处理方法 | |
CN111199523B (zh) | 电力设备识别方法、装置、计算机设备和存储介质 | |
CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
CN110175416A (zh) | 基于主成分分析和神经网络的三峡水库水温预测方法 | |
CN109226282B (zh) | 一种基于物联网的钢板在线固溶的轧后快速冷却方法 | |
CN113538331A (zh) | 金属表面损伤目标检测识别方法、装置、设备及存储介质 | |
CN114549955A (zh) | 一种高炉出铁终点在线智能识别方法及系统 | |
CN113221282A (zh) | 基于贝叶斯残差卷积网络的航空发动机寿命预测方法 | |
CN111353496A (zh) | 一种红外弱小目标实时检测方法 | |
CN114529583B (zh) | 基于残差回归网络的电力设备跟踪方法及跟踪系统 | |
CN112802006A (zh) | 一种基于深度学习的边缘计算电机油污识别方法 | |
CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
CN115082427A (zh) | 基于人工智能的铝材压延工艺参数控制方法 | |
CN116944818B (zh) | 新能源汽车转轴的智能加工方法及其系统 | |
CN113962954A (zh) | 一种基于se-r-yolov4汽车钢铁零件表面缺陷检测方法 | |
CN111582560B (zh) | 一种基于循环神经网络的水稻产量预测方法 | |
CN117371604A (zh) | 一种基于智能感知的农业生产预测方法及系统 | |
CN116341391A (zh) | 基于STPM-XGBoost模型的降水预测方法 | |
CN112836717B (zh) | 一种电力设备金属腐蚀老化程度的辨识方法 | |
CN115100068A (zh) | 一种红外图像校正方法 | |
CN113962928A (zh) | 一种基于多尺度特征蒸馏的缺陷检测方法、装置及介质 | |
CN114842506A (zh) | 一种人体姿态估计方法及系统 | |
CN113688849A (zh) | 一种用于卷积神经网络的灰度图像序列特征提取方法 | |
CN112164035B (zh) | 基于图像的缺陷检测方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200717 |