CN113203641B - 加工参数确定方法、样品加工方法、装置及设备 - Google Patents

加工参数确定方法、样品加工方法、装置及设备 Download PDF

Info

Publication number
CN113203641B
CN113203641B CN202110319248.4A CN202110319248A CN113203641B CN 113203641 B CN113203641 B CN 113203641B CN 202110319248 A CN202110319248 A CN 202110319248A CN 113203641 B CN113203641 B CN 113203641B
Authority
CN
China
Prior art keywords
laser processing
sample
target
cold
preset
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.)
Active
Application number
CN202110319248.4A
Other languages
English (en)
Other versions
CN113203641A (zh
Inventor
向前
张宏岭
张俊鹏
张阳
古兵平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Iron and Steel Co Ltd
Original Assignee
Wuhan Iron and Steel Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Iron and Steel Co Ltd filed Critical Wuhan Iron and Steel Co Ltd
Priority to CN202110319248.4A priority Critical patent/CN113203641B/zh
Publication of CN113203641A publication Critical patent/CN113203641A/zh
Application granted granted Critical
Publication of CN113203641B publication Critical patent/CN113203641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/30—Investigating strength properties of solid materials by application of mechanical stress by applying a single impulsive force, e.g. by falling weight
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/36—Removing material
    • B23K26/38—Removing material by boring or cutting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/40—Investigating hardness or rebound hardness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/12—Measuring magnetic properties of articles or specimens of solids or fluids
    • G01R33/1215—Measuring magnetisation; Particular magnetometers therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0058—Kind of property studied
    • G01N2203/0076—Hardness, compressibility or resistance to crushing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/06—Indicating or recording means; Sensing means
    • G01N2203/067—Parameter measured for estimating the property
    • G01N2203/0676—Force, weight, load, energy, speed or acceleration

Abstract

本发明提供了一种加工参数确定方法、样品加工方法、装置及设备，该加工参数确定方法通过在预备多个相同类型的冷轧钢铁产品钢板上，采用基准加工方式加工第一样品组，以及按照多组预设激光参数值激光加工第二样品组，分别获取两组样品的目标性能参数值，并计算两种加工方式样品的目标性能参数偏差值，得到每组预设激光参数值对应的目标性能参数偏差值，从而建立表征预设激光参数与目标性能参数偏差之间关系的目标数学模型，并进一步基于该目标数学模型以及预设的目标性能参数偏差值波动范围，确定该类型的冷轧钢铁产品钢板对应的目标激光加工参数值，有利于控制样品激光加工热影响区水平，实现激光加工技术在冷轧产品检测领域内的应用。

Description

加工参数确定方法、样品加工方法、装置及设备
技术领域
本发明涉及钢铁检测实验室样品加工技术领域，尤其涉及一种加工参数确定方法、样品加工方法、装置及设备。
背景技术
当前，冷轧钢铁产品检测实验室中，包括冷轧产品、冷轧镀锌类镀层产品、取向电工钢、无取向电工钢产品等，其检测所需样品一般均采用剪床、冲床、铣床等传统机械加工方式进行加工。冷剪切、冲压工艺是基于金属塑性变形，利用剪刃、冲模对板料金属如对一定尺寸的硅钢片板料进行加工，以得到所需要的零件形状和尺寸的加工工艺。
目前，采用冲剪加工冷轧钢铁产品样品时，存在的主要问题是：
1)需要在钢板规定位置冲剪所需要的力学、电磁性能检测用样品，属于重复性劳动，劳动效率低。一般情况下，300万吨冷轧产品检测实验室或100万吨冷轧产品检测实验室，均须至少配备加工人员10人左右。
2)冲剪加工力学、电磁性能检测用样品时，都会在钢板的加工横断面上，自上而下出现形变区、切断区和撕裂区，进而形成加工硬化区，引入冷加工应力。
发明内容
本发明提供了一种加工参数确定方法、样品加工方法、装置及设备，能够有效控制样品激光加工热影响区水平，实现激光加工替代当前传统的冷加工技术用于冷轧钢铁产品的材料性能测试样品加工，有利于使冷轧钢铁产品样品加工检测更快速以及柔性。
本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种加工参数确定方法，所述方法包括：
获取第一样品组和第二样品组中每个样品的目标性能参数值，其中，所述目标性能包括受激光加工热影响区影响的材料性能，所述第一样品组包括通过基准加工方式分别在相同类型的多个冷轧钢铁产品钢板上加工的第一样品，所述第二样品组包括基于多组预设激光加工参数值，在所述多个冷轧钢铁产品钢板上通过激光加工方式加工的第二样品，且每组预设激光加工参数值至少对应加工一个冷轧钢铁产品钢板；
分别针对每个所述冷轧钢铁产品，通过比较第一样品的目标性能参数值与相应第二样品的目标性能参数值，得到每组所述预设激光加工参数值对应的目标性能参数偏差值；
基于所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，建立目标数学模型；
基于预设的目标性能参数偏差值波动范围以及所述目标数学模型，确定所述冷轧钢铁产品对应的目标激光加工参数值，所述目标激光加工参数值用于通过激光加工方式加工相应类型冷轧钢铁产品钢板的检验实验室用样品。
进一步地，所述预设激光加工参数中的参数项包括：激光平均功率、激光焦点半径、激光焦点离焦量、激光切割速度以及激光加工辅助气体压力。所述多组预设激光加工参数值基于各参数项的最低边界水平和最高边界水平组合得到，所述多组预设激光加工参数值中包括以最小激光平均功率、最快激光切割速度、最大激光焦点离焦量和最小激光加工辅助气体压力组合形成的参数边界。
进一步地，所述基于所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，建立目标数学模型，包括：以所述预设激光加工参数为自变量，以目标性能参数偏差为因变量，基于所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，对所述自变量进行因子筛选，确定关键输入因子；基于所确定的关键输入因子，对所述多组预设激光加工参数值进行更新，并基于更新后的所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，建立所述目标数学模型。
进一步地，所述基于所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，对所述自变量进行因子筛选，确定关键输入因子，包括：利用最小二乘法对所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值进行曲线拟合，得到拟合曲线方程，所述拟合曲线方程至少包含各自变量因子的平方项和二阶交互作用项；基于所述拟合曲线方程确定每个自变量因子的显著性水平，将显著性水平小于0.1的自变量确定为所述关键输入因子。
进一步地，所述获取第一样品组和第二样品组中每个样品的目标性能参数值，包括：分别对所述第一样品组以及所述第二样品组中，每个力学样品进行力学性能检测，得到所述每个力学样品的力学性能参数值；和/或分别对所述第一样品组以及所述第二样品组中，每个电磁样品进行电磁性能检测，得到所述每个电磁样品的电磁性能参数值。
进一步地，所述基于预设的目标性能参数偏差值波动范围以及所述目标数学模型，确定所述冷轧钢铁产品对应的目标激光加工参数值，包括：基于预设的目标性能参数偏差值波动范围，对所述目标数学模型进行优化求解，确定所述预设激光加工参数中各项参数的取值范围；基于所述取值范围，确定所述目标激光加工参数值。
第二方面，本发明实施例提供了一种样品加工方法应用于加工冷轧钢铁产品检验实验室用样品，所述方法包括：
获取待检验冷轧钢铁产品钢板的类型数据，所述类型数据包括产品的化学成分体系以及牌号；
基于所述类型数据在预设的参数信息库中，查找与所述待检验冷轧钢铁产品对应的目标激光加工参数值，其中，所述参数信息库中存储有多种冷轧钢铁产品钢板类型各自对应的目标激光加工参数值，每种类型的冷轧钢铁产品钢板对应的目标激光加工参数值根据上述第一方面所述的加工参数确定方法确定；
基于所查找到的目标激光加工参数值，控制激光加工设备在所述待检验冷轧钢铁产品钢板上加工检验样品，所述检验样品用于进行所述待检验冷轧钢铁产品钢板的材料性能检测。
第三方面，本发明实施例提供了一种加工参数确定装置，所述装置包括：
参数值获取模块，用于获取第一样品组和第二样品组中每个样品的目标性能参数值，其中，所述目标性能包括受激光加工热影响区影响的材料性能，所述第一样品组包括通过基准加工方式分别在相同类型的多个冷轧钢铁产品钢板上加工的第一样品，所述第二样品组包括基于多组预设激光加工参数值，在所述多个冷轧钢铁产品钢板上通过激光加工方式加工的第二样品，且每组预设激光加工参数值至少对应加工一个冷轧钢铁产品钢板；
偏差值获取模块，用于分别针对每个所述冷轧钢铁产品，通过比较第一样品的目标性能参数值与相应第二样品的目标性能参数值，得到每组所述预设激光加工参数值对应的目标性能参数偏差值；
建模模块，用于基于所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，建立目标数学模型；
确定模块，用于基于预设的目标性能参数偏差值波动范围以及所述目标数学模型，确定所述冷轧钢铁产品对应的目标激光加工参数值，所述目标激光加工参数值用于通过激光加工方式加工相应类型冷轧钢铁产品钢板的检验实验室用样品。
第四方面，本发明实施例提供了一种样品加工装置，应用于加工冷轧钢铁产品检验实验室用样品，所述装置包括：
数据获取模块，用于获取待检验冷轧钢铁产品钢板的类型数据，所述类型数据包括产品的化学成分体系以及牌号；
查找模块，用于基于所述类型数据在预设的参数信息库中，查找与所述待检验冷轧钢铁产品对应的目标激光加工参数值，其中，所述参数信息库中存储有多种冷轧钢铁产品钢板类型各自对应的目标激光加工参数值，每种类型的冷轧钢铁产品钢板对应的目标激光加工参数值根据上述第一方面所述的加工参数确定方法确定；
加工模块，用于基于所查找到的目标激光加工参数值，控制激光加工设备在所述待检验冷轧钢铁产品钢板上加工检验样品，所述检验样品用于进行所述待检验冷轧钢铁产品钢板的材料性能检测。
第五方面，本发明实施例提供了一种电子设备，所述电子设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面提供的加工参数确定方法或上述第二方面提供的样品加工方法的步骤。
本发明实施例提供的加工参数确定方法，先选定预设激光加工参数并对各项参数值进行组合确定多组预设激光参数值，在预备多个相同类型的冷轧钢铁产品钢板上，采用基准加工方式如冲剪加工方式加工第一样品组，以及按照上述多组预设激光参数值激光加工第二样品组，分别获取两组样品的目标性能参数值，并计算两种加工方式样品的目标性能参数偏差值，得到每组预设激光参数值对应的目标性能参数偏差值，接着，根据上述多组预设激光参数值以及每组预设激光参数值对应的目标性能参数偏差值，建立目标数学模型，并进一步基于预设的目标性能参数偏差值波动范围以及该目标数学模型，确定该类型的冷轧钢铁产品钢板对应的目标激光加工参数值，以用于激光加工相应类型冷轧钢铁产品钢板的检验实验室用样品。通过该方法确定的激光加工参数值加工样品，能够将样品的目标性能检测结果相比于基准加工方式的检测结果的偏差控制在可接受的波动范围内，即保证力学、电磁性能样品检测结果不受激光加工环节影响，即能够有效控制样品激光加工热影响区水平，从而实现激光加工替代当前传统的冷加工技术用于冷轧钢铁产品的材料性能测试样品加工，有利于使冷轧钢铁产品样品加工检测更快速以及柔性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例第一方面提供的一种加工参数确定方法的流程图；
图2示出了本发明实施例第二方面提供的一种样品加工方法的流程图；
图3示出了本发明实施例第三方面提供的一种加工参数确定装置的模块框图；
图4示出了本发明实施例第四方面提供的一种样品加工装置的模块框图；
图5示出了本发明实施例第五方面提供的一种电子设备的结构示意图。
具体实施方式
随着信息化与工业化的深度融合，被誉为“万能加工工具”的激光，开始走进了实验室检测领域。激光是一种能量高、方向性强、单色性好的相干光，激光束经过透镜聚焦后形成高功率密度的光斑投射到被切割材料的表面，在材料的厚度方向迅速熔化、汽化或达到燃点，形成一个非常狭小的熔融毛细管道，并借助激光束同轴的辅助气体将熔化或汽化的材料吹除，随着激光切割头与工件的相对运动，生成切口，从而完成对材料的切割分离。激光加工技术也因非接触、工件无变形、切缝质量好、加工速度快、维修间隔时间长、易与数控技术结合、契合工业智慧制造的发展方向等显著特点，在制造领域得到了广发认可。
但是，如果利用激光加工技术来加工冷轧钢铁产品的实验室检测用样品，脉冲激光会在钢板的加工横断面上产生明显的热影响区，热影响区会对基体材料的力学、电磁特性等带来一定程度的恶化。这就使得激光加工技术无法在冷轧钢铁产品的实验室样品加工上得以有效利用。
有鉴于此，本说明书实施例提供了一种加工参数确定方法，并在此基础上提供了一种样品加工方法，能够根据产品特性确定激光加工参数，有效控制样品激光加工热影响区水平，有利于降低加工环节对样品目标性能检测结果的影响，实现激光加工替代当前传统的冷加工技术，从而使冷轧钢铁产品样品加工检测更快速以及柔性。
下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“多个”包括两个以及大于两个的情况。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
第一方面，图1示出了本发明实施例提供的一种加工参数确定方法的流程图，该方法用于确定各种不同类型的冷轧钢铁产品各自对应的激光加工参数值。如图1所示，该方法至少可以包括以下步骤S101至步骤S104。
步骤S101，获取第一样品组和第二样品组中每个样品的目标性能参数值，其中，第一样品组包括通过基准加工方式分别在相同类型的多个冷轧钢铁产品钢板上加工的第一样品，第二样品组包括基于多组预设激光加工参数值，在上述多个冷轧钢铁产品钢板上通过激光加工方式加工的第二样品，且每组预设激光加工参数值至少对应加工一个冷轧钢铁产品钢板。
其中，目标性能包括冷轧钢铁产品的待测试性能中，受激光加工热影响区影响的其中一个或多个材料性能。目标性能参数为能够用来表征样品目标性能的参数。例如，目标性能可以包括力学性能和/或电磁性能，相应地，在步骤S101中，需要分别获取第一样品组以及第二样品组中，每个力学样品的力学性能参数值；和/或分别获取第一样品组以及第二样品组中，每个电磁样品的电磁性能参数值。需要说明的是，本实施例可以单独以力学性能作为目标性能，针对力学性能确定一组目标激光加工参数值，或者，以电磁性能作为目标性能，针对电磁性能确定一组目标激光加工参数值，以各自用于加工相应的性能测试样品，又或者，也可以同时以力学性能和电磁性能作为目标性能，针对力学性能和电磁性能确定一组目标激光加工参数值，以用同一组目标激光加工参数值加工力学样品和电磁样品。
目标性能的评价指标以及各评价指标采用的表征参数可以根据实际应用场景的需要确定。例如，力学性能可以用强度指标、塑性指标、硬度指标以及韧性指标表征，其中，强度指标通过屈服强度和抗拉强度表征，塑性指标可以通过伸长率和断面收缩率表征，硬度指标可以通过硬度值表征，韧性指标为冲击韧性，即钢材抵抗冲击荷载作用而不破坏的能力，通过冲击载荷试样被折断而消耗的冲击功表征。电磁性能可以用比总损耗以及磁极化强度表征。
为了便于理解，本实施例主要以目标性能为力学性能和电磁性能为例对第一样品组和第二样品组的加工以及性能检测过程进行说明。
首先，可以确定本次要确定加工参数的冷轧钢铁产品的类型，产品类型可以通过化学成分体系以及牌号划分。根据实际需要选定要确定的激光加工参数，并对激光加工参数的各项参数值进行设置，确定多组预设激光加工参数值。
可以理解的是，激光加工参数包括多个参数项，如激光强度、激光平均功率、激光焦点半径、激光焦点离焦量、激光频率、峰值功率、激光强度衰减系数、切割速度、平缝宽度、出口切缝宽度、激光加工气氛以及激光加工辅助气体压力等。预设激光加工参数可以从这些参数项中确定。在一种实施方式中，预设激光加工参数中的参数项可以包括：激光平均功率、激光焦点半径、激光焦点离焦量、激光切割速度以及激光加工辅助气体压力。每个参数项具有一定的取值范围，可以在该取值范围内设置参数值。例如，在一种应用场景中，激光加工可以采用光纤激光器，其激光平均功率范围为800-3000W，激光焦点半径为1-3μm、激光焦点离焦量为0-1、激光切割速度10-40m/min，激光加工辅助气体为N2，其压力水平在1-3MPa。
具体实施过程中，激光加工参数组合需根据产品特点，考虑激光平均功率、激光切割速度、激光焦点离焦量、激光辅助气体压力间的二阶交互作用，按最小激光平均功率、最快激光切割速度、最大激光焦点离焦量和最小激光加工辅助气体压力确定参数边界。在一种实施方式中，多组预设激光加工参数值基于各参数项的最低边界水平和最高边界水平组合得到，且包括以最小激光平均功率、最快激光切割速度、最大激光焦点离焦量和最小激光加工辅助气体压力组合形成的参数边界。举例来讲，可以包括如表1所示的11组预设激光加工参数值，其中，“1”表示参数的最高边界水平，“-1”表示参数的最低边界水平。
表1激光加工参数组合表
序号 平均功率 焦点直径 焦点离焦量 切割速度 辅助气体压力
1 -1 1 1 1 -1
2 -1 1 -1 1 -1
3 -1 1 1 -1 -1
4 1 1 -1 -1 -1
5 -1 -1 1 1 1
6 1 -1 -1 1 -1
7 -1 -1 -1 -1 1
8 1 -1 1 -1 -1
9 1 1 1 1 1
10 1 1 1 -1 1
11 1 1 -1 1 1
然后，选取多个相同类型即同化学成分体系、同牌号的冷轧钢铁产品钢板。钢板数量应大于或等于预设激光加工参数值的组数。对所选取的每个钢板，用基准加工方式分别加工力学样品以及电磁样品，得到第一样品组，并且在同部位预留足够尺寸的样板。其中，基准加工方式可以采用目前较为常用、且效果较优的实验室用样品加工方式，本实施例主要以冲剪加工方式为例进行说明。同部位是指钢板上力学、电磁性能与基准加工方式所加工的部位相近的部分，可以根据经验确定。预留尺寸需要足以再用激光加工方式在该样板上加工力学样品以及电磁样品。
进一步，在预留的样板上，用激光加工方式加工力学样品和电磁样品，得到第二样品组。激光加工参数基于上述预先确定的多组预设激光加工参数值设置，每一组预设激光加工参数值至少对应加工一个冷轧钢铁产品钢板，保证每一组预设激光加工参数值均至少对应有来自同一冷轧钢铁产品钢板的一个力学样品和一个电磁样品。
接着，就可以对第一样品组中的力学样品和第二样品组中的力学样品分别进行力学性能检测，得到每个力学样品的力学性能参数值。对第一样品组中的电磁样品和第二样品组中的电磁样品分别进行电磁性能检测，得到每个电磁样品的力学性能参数值。
完成每个样品对应的目标性能参数值的获取后，就可以执行步骤S102。
步骤S102，分别针对每个冷轧钢铁产品，通过比较第一样品的目标性能参数值与相应第二样品的目标性能参数值，得到每组预设激光加工参数值对应的目标性能参数偏差值。
针对每个冷轧钢铁产品，以冲剪加工方式样品的检测结果为基准，计算激光加工方式样品的检测结果相对冲剪加工的相对偏差，即得到该冷轧钢铁产品钢板用上述两种加工方式所加工样品的力学性能参数偏差值和电磁性能参数偏差值。而每个冷轧钢铁产品均各自对应有一组预设激光加工参数值，相应地，就可以得到上述每组预设激光加工参数值对应的力学性能参数偏差值和电磁性能参数偏差值。
举例来讲，预设激光加工参数值包括上述表1所示的11组激光加工参数值，相应地，预先配备有11个相同类型的冷轧钢铁产品钢板。采用冲剪加工方式分别对这11个产品钢板中每个钢板，加工一个力学样品和一个电磁样品，得到11对样品。然后基于上述11组激光加工参数值，采用激光加工方式在这11个产品钢板中每个钢板的预留样板上，加工一个力学样品和一个电磁样品，也得到11对样品，这11对样品与11组激光加工参数值一一对应。在分别对两种加工方式得到的11对样品做相应性能检测后，就可以得到每个样品的性能参数值。然后，计算来自同一产品钢板上两个力学样品的力学性能参数偏差值，以及两个电磁样品的电磁性能参数偏差值，就可以得到11组力学性能参数偏差值和11组电磁性能参数偏差值，即一组预设激光加工参数值，对应一组力学性能参数偏差值和一组电磁性能参数偏差值。
进一步地，就可以将预设激光加工参数值以及对应的力学性能参数偏差值和电磁性能参数偏差值作为构建数学模型的样本数据，执行以下步骤S103。
步骤S103，基于上述多组预设激光加工参数值以及每组预设激光加工参数值对应的目标性能参数偏差值，建立目标数学模型。
目标数学模型能够表征预设激光参数与目标性能参数偏差之间的关系，其中，预设激光加工参数为自变量，目标性能参数偏差为因变量。
在一种可选的实施方式中，为了简化模型，在不影响模型预报能力的条件下，除去冗余或影响不大的变量，降低建模难度。可以在建立模型之前，先进行因子筛选。具体来讲，可以预设激光加工参数为自变量，以目标性能参数偏差为因变量，以冷轧钢铁产品钢板的类型如化学成分体系和牌号信息为分类筛选变量，基于多组预设激光加工参数值以及每组预设激光加工参数值对应的目标性能参数偏差值，对自变量进行因子筛选，确定关键输入因子。例如，预设激光加工参数包括激光平均功率、激光切割速度、激光焦点离焦量、激光辅助气体压力，可以先将这些参数均作为自变量，然后从中进行因子筛选。
作为一种实施方式，可以采用最小二乘法进行因子筛选，先利用最小二乘法对多组预设激光加工参数值以及每组预设激光加工参数值对应的目标性能参数偏差值进行曲线拟合，得到拟合曲线方程；然后，基于拟合曲线方程确定每个自变量因子的显著性水平，将显著性水平小于0.1的自变量确定为关键输入因子。舍掉显著性水平小于0.1的因子项，就可以优化得到最终的曲线方程，该曲线方程是基于同一冷轧钢铁产品钢板的类型的，如化学成分体系和牌号信息相同的为一组。考虑到不同类型的冷轧钢铁产品对应的关键输入因子可能存在不同，经过试验，选择0.1作为显著性水平阈值能够有效地兼容各种类型的冷轧钢铁产品。
考虑到激光平均功率、激光切割速度、激光焦点离焦量、激光辅助气体压力间的二阶交互作用，例如，激光平均功率与激光切割速度相关联，激光平均功率与激光焦点离焦量相关联，激光切割速度与激光焦点离焦量相关联，激光切割速度与激光辅助气体压力相关联，在利用最小二乘法进行因子筛选时，至少要考虑因子的平方项和二阶交互作用项，即上述拟合曲线方程中至少包括各自变量因子的平方项和二阶交互作用项，这样有利于提高因子筛选结果的可靠性。
当然，在本发明其他实施例中，也可以采用其他现有的因子筛选方式对上述自变量进行因子筛选，此处不做详述。
完成因子筛选后，就可以基于所确定的关键输入因子，对多组预设激光加工参数值进行更新，并基于更新后的多组预设激光加工参数值以及每组预设激光加工参数值对应的目标性能参数偏差值，建立目标数学模型。可以理解的是，上述对多组预设激光加工参数值进行更新，也就是去除其中经过因子筛选后被剔除的参数项。
本实施例中，目标数学模型为多元非线性回归模型。在一种实施方式中，目标数学模型中至少包含各个关键输入因子的平方项和二阶交互作用项。举例来讲，假设目标性能参数包括n个参数，则目标性能参数值偏差为n个，分别表示为y1，y2，y3，…，yn；关键输入因子有m个，分别表示为x1，x2，x3，…，xm，可以构建如下初始数学模型：
Figure BDA0002992486570000111
其中，k为常数项系数，a为一次项系数，b为平方项系数，c为二阶相互作用项系数，二阶交互作用项可以根据实际应用场景中m个关键输入因子之间的关联性配置。将上述步骤中得到的多组预设激光加工参数值以及每组预设激光加工参数值对应的目标性能参数偏差值带入上述初始数学模型，即可求得各项系数，从而得到目标数学模型。
需要说明的是，初始数学模型可以根据实际应用场景中的经验以及多次试验设置。上述列举的初始数学模型仅为示例，根据实际需要，还可以包含更多的高阶项或者更少的项，此处不作限制。
为了提高模型的可靠性，得到目标数学模型后，可以计算目标数学模型的确定系数R2。可以理解的是，确定系数R2用于评价模型的拟合度，表达因变量与所有自变量之间的总体关系。R2最大值为1，R2的值越接近1，说明拟合度越好；反之，R2的值越小，说明拟合度越差。作为一种实施方式，判断目标数据模型的确定系数R2是否超过0.8，若超过则判定建模完成，若不超过，则需要按照上述步骤S101至步骤S103重新建模。
确定目标数学模型后，就可以执行以下步骤S104，得到目标激光加工参数值。
步骤S104，基于预设的目标性能参数偏差值波动范围以及所述目标数学模型，确定所述冷轧钢铁产品对应的目标激光加工参数值，所述目标激光加工参数值用于通过激光加工方式加工相应类型冷轧钢铁产品钢板的检验实验室用样品。
具体来讲，可以先对上述步骤S103确定的目标数学模型进行优化设计。基于预设的目标性能参数偏差值波动范围，对目标数学模型进行优化求解，确定预设激光加工参数中各项参数的取值范围。需要说明的是，优化时，可以根据目标性能参数重要性或者优先级的不同，确定目标数学模型应达到的意愿，例如重要性或优先级最高的目标性能参数偏差值应先满足目标范围中心值设为1，重要性或优先级稍低的目标性能参数偏差值只需满足波动范围，可依次设为0-1之间的某一数值。
考虑到实际应用中检测结果的可接受波动水平，以及在激光加工中实际加工参数值可能存在波动，目标性能参数偏差值波动范围可以根据实际应用场景的要求，设置为在0左右波动。在一种应用场景中，可以将模型因变量可接受波动水平按检测方法标准水平的1/3设置。例如，将力学强度类参数的偏差值波动范围设置为±1％，将延伸率类参数的偏差值波动范围设置为±1.5％，将比总损耗类参数的偏差值波动范围设置为±0.5％，将磁极化强度类参数的偏差值波动范围设置为±0.2％。
确定并设置好目标数学模型因变量水平的波动范围后，就可以求解得到相应的自变量水平，即得到预设激光加工参数中各项参数的取值范围。也就是说，在这个取值范围内设置激光加工参数，对该类型的冷轧钢铁产品钢板进行样品加工，所加工样品的目标性能检测结果与冲剪加工方式样品的目标性能检测结果之间的偏差能够达到可接受波动水平。这样也就能够有效控制样品激光加工热影响区水平，实现采用激光加工替代当前传统的冷加工技术加工冷轧钢铁产品的实验室检测用样品，从而使冷轧钢铁产品样品加工检测更快速以及柔性。
具体来讲，可以结合实际加工要求如加工成本以及效率方面的考量，从所确定的预设激光加工参数取值范围中，进一步选取目标激光加工参数值用于通过激光加工方式加工相应类型冷轧钢铁产品的检验实验室用样品。
可选地，为了保证所选取的目标激光加工参数值的可靠性，可以先从所确定的取值范围中，选定候选激光加工参数值。然后，按照候选激光加工参数值在相应属性的冷轧钢铁产品钢板上激光加工验证样品，并相应以冲剪加工方式加工对比样品。分别对验证样品和对比样品进行目标性能测试，并计算两者的目标性能测试结果的偏差值，判断该偏差值是否符合上述目标性能参数偏差值波动范围，若符合，则将候选激光加工参数值作为目标激光加工参数值。
若按照所有候选激光加工参数值得到的验证样品的目标性能测试结果偏差值，均不符合上述目标性能参数偏差值波动范围，则需要重新确定关键输入因子，进而重新建立目标数学模型执行上述步骤S104。可选地，重新确定关键输入因子的过程中，可以在预设激光加工参数中新增其他的参数，例如，可以在上述示例的激光平均功率、激光焦点半径、激光焦点离焦量、激光切割速度以及激光加工辅助气体压力的基础上，新增激光频率等可能影响激光加工的参数项、或者拓宽预设激光加工参数范围，例如增加激光平均功率上限、或者改变激光加工辅助气体压力类型，例如使用具有助燃效果的氧气O2。
本发明实施提供的加工参数确定方法，通过选取足够冷轧钢铁产品钢板，分别在产品钢板的相应部分用基准加工方式如惯用的冲剪加工方式加工第一样品组和用多种不同激光参数值组合加工第二样品组，然后测试样品的目标性能如力学性能和电磁性能，以两种加工方式的目标性能测试结果相对偏差为因变量，以激光加工参数为自变量，通过实验得到的样本数据建立目标数学模型，进而通过预设的相对偏差值波动范围即可接受的性能测试结果波动水平对目标数学模型进行优化，得到能够满足该波动范围的目标激光加工参数值。通过该方法得到的目标激光加工参数，能够有效控制样品激光加工热影响区水平，有利于保证力学、电磁性能样品检测结果不受激光加工环节影响，实现激光加工技术在钢铁产品检测实验室用样品加工中的应用，进而有利于使冷轧钢铁产品样品加工检测更快速以及柔性。也就是说，有效地促进了激光加工技术在冷轧产品检测领域内的应用，提高劳动效率，提升行业智慧制造水平。
第二方面，本发明实施例提供了一种样品加工方法，应用于加工冷轧钢铁产品检验实验室用样品，如图2所示，该方法至少可以包括以下步骤S201至步骤S203。
步骤S201，获取待检验冷轧钢铁产品钢板的类型数据，所述类型数据包括产品的化学成分体系以及牌号。
考虑到冷轧钢铁产品钢板的类型不同，则具有不同的特性，激光加工对材料性能检测结果造成的影响也不同。因此，需要先确定产品钢板的类型，然后执行以下步骤S202个性化地确定当前类型对应的目标激光加工参数值，以根据产品特性实时调整激光加工参数。
步骤S202，基于所述类型数据在预设的参数信息库中，查找与所述待检验冷轧钢铁产品对应的目标激光加工参数值，其中，所述参数信息库中存储有多种冷轧钢铁产品钢板类型各自对应的目标激光加工参数值。
本实施例中，可以预先根据实际应用场景的需要，确定多种冷轧钢铁产品钢板类型。然后针对其中每种冷轧钢铁产品钢板类型，分别执行上述第一方面实施例提供的加工参数确定方法，确定出每种类型的冷轧钢铁产品钢板对应的目标激光加工参数值，对应存储在预先设置的参数信息库中。具体加工参数确定过程可以参照上述第一方面实施例，此处不再赘述。通过上述第一方面实施例提供的加工参数确定方法，能够将相应类型的产品钢板的激光加工热影响区对目标性能检测结果的影响降低到可接受范围内，有利于保证目标性能如力学、电磁性能样品检测结果不受激光加工环节影响。
举例来讲，参数信息库中可以对应存储产品的化学成分体系、牌号以及相应的激光加工参数值。将待检验冷轧钢铁产品钢板的化学成分体系、牌号在参数信息库中进行匹配，就可以查找到对应的激光加工参数值，作为该产品对应的目标激光加工参数值。
确定产品的目标激光加工参数值后，就可以进一步执行步骤S203完成样品激光加工。
步骤S203，基于所查找到的目标激光加工参数值，控制激光加工设备在待检验冷轧钢铁产品钢板上加工检验样品，检验样品用于进行所述待检验冷轧钢铁产品钢板的材料性能检测。
基于所查找到的目标激光加工参数值，对激光加工设备的加工参数进行配置，控制激光加工设备在所述待检验冷轧钢铁产品钢板上加工检验样品，例如，可以加工力学样品、电磁样品或其他性能检测样品，分别用于进行相应的材料性能检测。需要说明的是，步骤S203中采用的激光加工设备与通过第一方面实施例提供的方法确定该类型冷轧钢铁产品对应的激光加工参数值过程中采用的激光加工设备相同，优选地，可以采用同一台激光加工设备，如采用基于光纤激光器的激光加工设备。
本发明实施例提供的样品加工方法，通过激光加工技术对冷轧钢铁产品的实验室检测用样品进行加工，用于进行材料性能检测，根据产品特性个性化选取通过第一方面实施例确定的激光加工参数值，能够有效控制样品激光加工热影响区水平，有利于保证力学、电磁性能样品检测结果不受激光加工环节影响，实现了激光加工技术在钢铁产品检测实验室用样品加工中的应用。
第三方面，本发明实施例还提供了一种加工参数确定装置，如图3所示，所述加工参数确定装置30包括：
参数值获取模块301，用于获取第一样品组和第二样品组中每个样品的目标性能参数值，其中，所述目标性能为受热影响区影响的材料性能，所述第一样品组包括通过基准加工方式分别在相同类型的多个冷轧钢铁产品钢板上加工的第一样品，所述第二样品组包括基于多组预设激光加工参数值，在所述多个冷轧钢铁产品钢板上通过激光加工方式加工的第二样品，且每组预设激光加工参数值至少对应加工一个冷轧钢铁产品钢板；
偏差值获取模块302，用于分别针对每个所述冷轧钢铁产品，通过比较第一样品的目标性能参数值与相应第二样品的目标性能参数值，得到每组所述预设激光加工参数值对应的目标性能参数偏差值；
建模模块303，用于基于所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，建立目标数学模型；
确定模块304，用于基于预设的目标性能参数偏差值波动范围以及所述目标数学模型，确定所述冷轧钢铁产品对应的目标激光加工参数值，所述目标激光加工参数值用于通过激光加工方式加工相应类型冷轧钢铁产品的检验实验室用样品。
在一种可选的实施方式中，预设激光加工参数中的参数项包括：激光平均功率、激光焦点半径、激光焦点离焦量、激光切割速度以及激光加工辅助气体压力。所述多组预设激光加工参数值基于各参数项的最低边界水平和最高边界水平组合得到，所述多组预设激光加工参数值中包括以最小激光平均功率、最快激光切割速度、最大激光焦点离焦量和最小激光加工辅助气体压力组合形成的参数边界。
在一种可选的实施方式中，上述建模模块303包括：因子筛选子模块，用于以所述预设激光加工参数为自变量，以目标性能参数偏差为因变量，基于所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，对所述自变量进行因子筛选，确定关键输入因子；建模子模块，用于基于所确定的关键输入因子，对所述多组预设激光加工参数值进行更新，并基于更新后的所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，建立所述目标数学模型。
在一种可选的实施方式中，因子筛选子模块用于：利用最小二乘法对所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值进行曲线拟合，得到拟合曲线方程，所述拟合曲线方程至少包含各自变量因子的平方项和二阶交互作用项；基于所述拟合曲线方程确定每个自变量因子的显著性水平，将显著性水平小于0.1的自变量确定为所述关键输入因子。
在一种可选的实施方式中，参数值获取模块301用于：分别对所述第一样品组以及所述第二样品组中，每个力学样品进行力学性能检测，得到所述每个力学样品的力学性能参数值；和/或分别对所述第一样品组以及所述第二样品组中，每个电磁样品进行电磁性能检测，得到所述每个电磁样品的电磁性能参数值。
在一种可选的实施方式中，确定模块304用于：基于预设的目标性能参数偏差值波动范围，对所述目标数学模型进行优化求解，确定所述预设激光加工参数中各项参数的取值范围；基于所述取值范围，确定所述目标激光加工参数值。
需要说明的是，本说明书实施例所提供的加工参数确定装置30，其中各个模块执行操作的具体方式已经在上述第一方面提供的方法实施例中进行了详细描述，具体实施过程可以参照上述第一方面提供的方法实施例，此处将不做详细阐述说明。
第四方面，本发明实施例还提供了一种样品加工装置，应用于加工冷轧钢铁产品检验实验室用样品。如图4所示，所述样品加工装置40包括：
数据获取模块401，用于获取待检验冷轧钢铁产品钢板的类型数据，所述类型数据包括产品的化学成分体系以及牌号；
查找模块402，用于基于所述类型数据在预设的参数信息库中，查找与所述待检验冷轧钢铁产品对应的目标激光加工参数值，其中，所述参数信息库中存储有多种冷轧钢铁产品钢板类型各自对应的目标激光加工参数值。
其中，每种类型的冷轧钢铁产品钢板对应的目标激光加工参数值根据上述第一方面实施例提供的加工参数确定方法确定。
加工模块403，用于基于所查找到的目标激光加工参数值，控制激光加工设备在所述待检验冷轧钢铁产品钢板上加工检验样品，所述检验样品用于进行所述待检验冷轧钢铁产品的材料性能检测。
需要说明的是，本说明书实施例所提供的样品加工装置40，其中各个模块执行操作的具体方式已经在上述第二方面提供的方法实施例中进行了详细描述，具体实施过程可以参照上述第二方面提供的方法实施例，此处将不做详细阐述说明。
第五方面，本发明实施例还提供了一种电子设备，如图5所示，该电子设备50包括：存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现上述第一方面提供的加工参数确定方法的任一实施方式的步骤。具体实施过程可以参照上述第一方面提供的方法实施例，此处将不做详细阐述说明。举例来讲，该电子设备50可以是个人计算机(PC)、笔记本电脑等具有数据处理功能的设备。
另外，本发明实施例还提供了一种电子设备，该电子设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第二方面提供的样品加工方法的任一实施方式的步骤。具体实施过程可以参照上述第二方面提供的方法实施例，此处将不做详细阐述说明。举例来讲，该电子设备可以是激光加工设备，或者激光加工设备外接的控制设备。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种加工参数确定方法，其特征在于，所述方法包括：
获取第一样品组和第二样品组中每个样品的目标性能参数值，其中，所述目标性能为受激光加工热影响区影响的材料性能，包括力学性能和材料性能，所述第一样品组包括通过基准加工方式分别在相同类型的多个冷轧钢铁产品钢板上加工的第一样品，包括力学样品和电磁样品，所述第二样品组包括基于多组预设激光加工参数值，在所述多个冷轧钢铁产品钢板同部位预留的样板上通过激光加工方式加工的第二样品，且每组预设激光加工参数值至少对应加工一个冷轧钢铁产品钢板，其中，同部位是指钢板上目标性能与基准加工方式所加工的部位相近的部分，每一组预设激光加工参数值均至少对应有与相应第一样品来自同一冷轧钢铁产品钢板的一个力学样品和一个电磁样品；
分别针对每个所述冷轧钢铁产品，通过比较第一样品的目标性能参数值与相应第二样品的目标性能参数值，得到每组所述预设激光加工参数值对应的目标性能参数偏差值；
基于所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，建立目标数学模型，包括：以所述预设激光加工参数为自变量，以目标性能参数偏差为因变量，基于所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，对所述自变量进行因子筛选，确定关键输入因子；基于所确定的关键输入因子，对所述多组预设激光加工参数值进行更新，并基于更新后的所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，建立所述目标数学模型；
基于预设的目标性能参数偏差值波动范围以及所述目标数学模型，确定所述冷轧钢铁产品对应的满足所述波动范围的目标激光加工参数值，所述目标激光加工参数值用于通过激光加工方式加工相应类型冷轧钢铁产品钢板的检验实验室用样品。
2.如权利要求1所述的方法，其特征在于，所述预设激光加工参数中的参数项包括：激光平均功率、激光焦点半径、激光焦点离焦量、激光切割速度以及激光加工辅助气体压力，
所述多组预设激光加工参数值基于各参数项的最低边界水平和最高边界水平组合得到，所述多组预设激光加工参数值中包括以最小激光平均功率、最快激光切割速度、最大激光焦点离焦量和最小激光加工辅助气体压力组合形成的参数边界。
3.如权利要求1所述的方法，其特征在于，所述基于所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，对所述自变量进行因子筛选，确定关键输入因子，包括：
利用最小二乘法对所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值进行曲线拟合，得到拟合曲线方程，所述拟合曲线方程至少包含各自变量因子的平方项和二阶交互作用项；
基于所述拟合曲线方程确定每个自变量因子的显著性水平，将显著性水平小于0.1的自变量确定为所述关键输入因子。
4.如权利要求1所述的方法，其特征在于，所述获取第一样品组和第二样品组中每个样品的目标性能参数值，包括：
分别对所述第一样品组以及所述第二样品组中，每个力学样品进行力学性能检测，得到所述每个力学样品的力学性能参数值；
分别对所述第一样品组以及所述第二样品组中，每个电磁样品进行电磁性能检测，得到所述每个电磁样品的电磁性能参数值。
5.如权利要求1所述的方法，其特征在于，所述基于预设的目标性能参数偏差值波动范围以及所述目标数学模型，确定所述冷轧钢铁产品对应的目标激光加工参数值，包括：
基于预设的目标性能参数偏差值波动范围，对所述目标数学模型进行优化求解，确定所述预设激光加工参数中各项参数的取值范围；
基于所述取值范围，确定所述目标激光加工参数值。
6.一种样品加工方法，其特征在于，应用于加工冷轧钢铁产品检验实验室用样品，所述方法包括：
获取待检验冷轧钢铁产品钢板的类型数据，所述类型数据包括产品的化学成分体系以及牌号；
基于所述类型数据在预设的参数信息库中，查找与所述待检验冷轧钢铁产品对应的目标激光加工参数值，其中，所述参数信息库中存储有多种冷轧钢铁产品钢板类型各自对应的目标激光加工参数值，每种类型的冷轧钢铁产品钢板对应的目标激光加工参数值根据权利要求1-5中任一项所述的加工参数确定方法确定；
基于所查找到的目标激光加工参数值，控制激光加工设备在所述待检验冷轧钢铁产品钢板上加工检验样品，所述检验样品用于进行所述待检验冷轧钢铁产品钢板的材料性能检测。
7.一种加工参数确定装置，其特征在于，所述装置包括：
参数值获取模块，用于获取第一样品组和第二样品组中每个样品的目标性能参数值，其中，所述目标性能为受激光加工热影响区影响的材料性能，包括力学性能和材料性能，所述第一样品组包括通过基准加工方式分别在相同类型的多个冷轧钢铁产品钢板上加工的第一样品，包括力学样品和电磁样品，所述第二样品组包括基于多组预设激光加工参数值，在所述多个冷轧钢铁产品钢板同部位预留的样板上通过激光加工方式加工的第二样品，且每组预设激光加工参数值至少对应加工一个冷轧钢铁产品钢板，其中，同部位是指钢板上目标性能与基准加工方式所加工的部位相近的部分，每一组预设激光加工参数值均至少对应有与相应第一样品来自同一冷轧钢铁产品钢板的一个力学样品和一个电磁样品；
偏差值获取模块，用于分别针对每个所述冷轧钢铁产品，通过比较第一样品的目标性能参数值与相应第二样品的目标性能参数值，得到每组所述预设激光加工参数值对应的目标性能参数偏差值；
建模模块，用于基于所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，建立目标数学模型，包括：以所述预设激光加工参数为自变量，以目标性能参数偏差为因变量，基于所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，对所述自变量进行因子筛选，确定关键输入因子；基于所确定的关键输入因子，对所述多组预设激光加工参数值进行更新，并基于更新后的所述多组预设激光加工参数值以及每组所述预设激光加工参数值对应的目标性能参数偏差值，建立所述目标数学模型；
确定模块，用于基于预设的目标性能参数偏差值波动范围以及所述目标数学模型，确定所述冷轧钢铁产品对应的满足所述波动范围的目标激光加工参数值，所述目标激光加工参数值用于通过激光加工方式加工相应类型冷轧钢铁产品钢板的检验实验室用样品。
8.一种样品加工装置，其特征在于，应用于加工冷轧钢铁产品检验实验室用样品，所述装置包括：
数据获取模块，用于获取待检验冷轧钢铁产品钢板的类型数据，所述类型数据包括产品的化学成分体系以及牌号；
查找模块，用于基于所述类型数据在预设的参数信息库中，查找与所述待检验冷轧钢铁产品对应的目标激光加工参数值，其中，所述参数信息库中存储有多种冷轧钢铁产品钢板类型各自对应的目标激光加工参数值，每种类型的冷轧钢铁产品钢板对应的目标激光加工参数值根据权利要求1-5中任一项所述的加工参数确定方法确定；
加工模块，用于基于所查找到的目标激光加工参数值，控制激光加工设备在所述待检验冷轧钢铁产品钢板上加工检验样品，所述检验样品用于进行所述待检验冷轧钢铁产品钢板的材料性能检测。
9.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。
CN202110319248.4A 2021-03-25 2021-03-25 加工参数确定方法、样品加工方法、装置及设备 Active CN113203641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110319248.4A CN113203641B (zh) 2021-03-25 2021-03-25 加工参数确定方法、样品加工方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110319248.4A CN113203641B (zh) 2021-03-25 2021-03-25 加工参数确定方法、样品加工方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113203641A CN113203641A (zh) 2021-08-03
CN113203641B true CN113203641B (zh) 2023-01-17

Family

ID=77025704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110319248.4A Active CN113203641B (zh) 2021-03-25 2021-03-25 加工参数确定方法、样品加工方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113203641B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113656954A (zh) * 2021-08-10 2021-11-16 北京首钢自动化信息技术有限公司 一种切割图谱生成方法和装置
CN114397151B (zh) * 2021-12-03 2023-12-12 首钢集团有限公司 一种板材表面质量控制方法、装置、设备及存储介质
CN114589427A (zh) * 2022-03-11 2022-06-07 武汉科技大学 一种获取无取向硅钢片激光加工参数的方法
CN114505584B (zh) * 2022-03-17 2023-05-26 中国工程物理研究院核物理与化学研究所 一种用于微型裂变室抽气转接件与抽气管的焊接方法
CN115213542B (zh) * 2022-09-08 2023-01-20 中国核动力研究设计院 真空扩散焊设备控制方法、真空扩散焊设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5854751A (en) * 1996-10-15 1998-12-29 The Trustees Of Columbia University In The City Of New York Simulator and optimizer of laser cutting process
US6407811B1 (en) * 1999-11-15 2002-06-18 Bechtel Bwxt Idano, Llc Ambient methods and apparatus for rapid laser trace constituent analysis
CN101947693A (zh) * 2010-09-07 2011-01-19 江苏大学 一种基于性能预测的激光拼焊板工艺优化系统和方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101599433B (zh) * 2008-06-03 2012-05-23 中芯国际集成电路制造(北京)有限公司 半导体刻蚀方法及刻蚀系统
US8173931B2 (en) * 2008-06-13 2012-05-08 Electro Scientific Industries, Inc. Automatic recipe management for laser processing a work piece
CN102196633B (zh) * 2011-03-08 2013-10-30 广州市雅江光电设备有限公司 一种色光灯具色彩校正方法
EP2883647B1 (de) * 2013-12-12 2019-05-29 Bystronic Laser AG Verfahren zur Konfiguration einer Laserbearbeitungsvorrichtung
WO2017142470A1 (en) * 2016-02-19 2017-08-24 Tomologic Ab Method and machine system for controlling an industrial operation
SE545056C2 (en) * 2016-02-19 2023-03-14 Tomologic Ab Method and machine system for controlling an industrial operation
CN106991242A (zh) * 2017-04-12 2017-07-28 柳州市同维达豪科技有限公司 一种钢板性能优化的控制方法
CN111008477B (zh) * 2019-12-06 2023-03-24 马鞍山钢铁股份有限公司 一种基于冷轧镀锌带钢力学性能调整工艺参数的方法
CN111191822A (zh) * 2019-12-18 2020-05-22 河钢股份有限公司承德分公司 钢材的参数预测方法及终端设备
CN111761232A (zh) * 2020-06-09 2020-10-13 国宏激光科技(江苏)有限公司 一种光纤激光切割金属板的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5854751A (en) * 1996-10-15 1998-12-29 The Trustees Of Columbia University In The City Of New York Simulator and optimizer of laser cutting process
US6407811B1 (en) * 1999-11-15 2002-06-18 Bechtel Bwxt Idano, Llc Ambient methods and apparatus for rapid laser trace constituent analysis
CN101947693A (zh) * 2010-09-07 2011-01-19 江苏大学 一种基于性能预测的激光拼焊板工艺优化系统和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于激光诱导击穿光谱的D2刚硬度研究;贾皓月等;《光谱学与光谱分析》;20201231;第40卷(第12期);第3895-3900页 *

Also Published As

Publication number Publication date
CN113203641A (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
CN113203641B (zh) 加工参数确定方法、样品加工方法、装置及设备
Çaydaş et al. Use of the grey relational analysis to determine optimum laser cutting parameters with multi-performance characteristics
Nau et al. Ramp-up of hybrid manufacturing technologies
Yang et al. Combining the Taguchi method with artificial neural network to construct a prediction model of a CO 2 laser cutting experiment
Saha et al. Multi criteria selection of optimal machining parameter in turning operation using comprehensive grey complex proportional assessment method for ASTM A36
Gani et al. Experimental investigation of plasma cutting two separate thin steel sheets simultaneously and parameters optimisation using Taguchi approach
Klimpel et al. Experimental investigations of the influence of laser beam and plasma arc cutting parameters on edge quality of high-strength low-alloy (HSLA) strips and plates
Gläsner et al. Considering the edge-crack sensitivity of a hot-rolled steel in forming simulation
Srinivas Naik et al. Application of a few necking criteria in predicting the forming limit of unwelded and tailor-welded blanks
Xu et al. Prediction of springback in local bending of hull plates using an optimized backpropagation neural network
Patil et al. Blanking process optimization using finite element analysis & Taguchi method
Cekic et al. Definition of mathematical models of high-alloyed steel 1.4828 in CO2 laser cutting
Gu et al. A practical methodology to evaluate and predict edge cracking for advanced high-strength steel
Singh et al. Investigation of Weld Bead Characteristics and Optimization of GMAW of Nitrogen Strengthened Austenitic Stainless Steel (AISI 201Gr)
Kadhim Effect of laser process an inclined surface cutting of mild steel then analysis data statistically by RSM
Madić et al. Identification of the robust conditions for minimization of the HAZ and burr in CO2 laser cutting
Roy et al. An approach for solving multi characteristics optimization of submerged are welding process parameters by using grey based genetic algorithm
Lee et al. A Study on the Cluster-wise Regression Model for Bead Width in the Automatic GMA Welding
Patill et al. Methodology for Identification of Quality of clean-Cut surface for IS2062HR sheet metal blanking using Random Forest
Said et al. Analysis of springback effects in deep drawing processes: simulation and experimental studies
Schenek et al. Application of a neural network for predicting cutting surface quality of punching processes based on tooling parameters
Sundaramali et al. Reduction of hole misalignment in turbocharger center housing
Kashapova et al. Automated Generation of Rational Sheet Metal Forming Technology Variants at Process Engineering Stage
Garcia et al. Effect of thermal cutting methods on the fatigue life of high strength structural steel S690Q
Khajanchee et al. Experimental Investigations To Optimize Process Parameters For CO2 Laser Welded Alloy Steel Automotive Gears

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