CN115238581A - 基于hml预测hvof涂层性能优化喷涂参数的方法 - Google Patents

基于hml预测hvof涂层性能优化喷涂参数的方法 Download PDF

Info

Publication number
CN115238581A
CN115238581A CN202210878425.7A CN202210878425A CN115238581A CN 115238581 A CN115238581 A CN 115238581A CN 202210878425 A CN202210878425 A CN 202210878425A CN 115238581 A CN115238581 A CN 115238581A
Authority
CN
China
Prior art keywords
coating performance
hml
model
machine learning
spraying
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
Application number
CN202210878425.7A
Other languages
English (en)
Inventor
俞泽新
桂珑恩
刘妹妹
谢迎春
许振宁
王博通
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.)
Suzhou University
Original Assignee
Suzhou University
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 Suzhou University filed Critical Suzhou University
Priority to CN202210878425.7A priority Critical patent/CN115238581A/zh
Publication of CN115238581A publication Critical patent/CN115238581A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Coating By Spraying Or Casting (AREA)

Abstract

本发明涉及一种基于HML预测HVOF涂层性能优化喷涂参数的方法，属于涂层技术领域。所述方法包括：S1、制备实验数据：进行超音速火焰喷涂实验，得到喷涂参数和涂层性能结果；S2、建立数据集：将喷涂参数作为输入量，涂层性能结果作为输出量，形成数据集；S3、构建分层机器学习模型，通过训练，将中间变量与涂层性能联系起来，得到只包含输入量的性能预测公式；S4、对训练完成的分层机器学习模型进行模型评估，判断是否符合预设精度；S5、将待测的喷涂参数输入到训练完成的分层机器学习模型中，通过模型的训练，输出涂层性能结果。所述方法对数据集的数量要求少，能够在有限数据集情况下，得到良好的预测质量，有效降低了实验成本。

Description

基于HML预测HVOF涂层性能优化喷涂参数的方法
技术领域
本发明属于涂层技术领域，尤其涉及一种基于HML预测HVOF涂层性能优化喷涂参数的方法。
背景技术
超音速火焰喷涂技术(HVOF)是一种用于保护或提高工件基板表面性能的热喷涂技术，具有耐磨性好、沉积效率高及孔隙率低等优点，广泛应用于设备的表面防护。喷涂涉及化学反应、多相相互作用的湍流可压缩流、亚音速/超音速跃迁、液滴变形和凝固等。在此过程中，完全混合的燃料——氧气体和微粒被注入枪室，发生燃烧反应，进而产生热音速/超音速多相气流。金属、合金和/或陶瓷的微粒被加速、加热，并最终以高速沉积在衬底上。涂层的形成过程包括熔融或半熔融颗粒的溅射、沉积颗粒在基底上的烧结、凝固和变形等各个阶段。由于喷涂工艺的复杂性，探索优化涂层性能的策略是一个持续性挑战。
随着材料和机器的进步，为了能够设计出最优涂层性能的喷涂工艺参数，专家学者们开始关注机器学习，与传统方法相比，它可以大大减少人力资源，此外机器学习还能够高精度预测涂层的耐磨性能，配合涂层应用场景，调整喷涂工艺参数，得到期望性能的涂层。分层机器学习(HML)是一种混合的物理-统计机器学习方法，在小的实验数据集上进行发展，其中预测器通过中间层连接到系统响应，其变量由与系统相关的领域知识中已知的物理化学关系参数化，使用回归技术将中间层连接到系统响应上，以进行预测和优化。
目前已有专利通过实验对比优化喷涂参数提高涂层性能。专利CN 101713059 A利用等离子喷涂技术喷涂工作涂层，采用正交设计对喷涂参数进行优化，根据喷涂材料性质的不同，得到最佳的参数组合，从而得到较高硬度和较低孔隙率的耐磨涂层。但该发明仅提出了Ni/Al涂层的最优参数，且所得参数来自于大量实验综合评分后获得，方法适应范围小，实验成本高，不具备实际应用价值。引入机器学习后，专利CN 105117599 A构建BP神经网络模型，采用测试样本对经遗传算法优化后的BP神经网络模型进行测试，获得高铝青铜涂层性态预测模型，预测精度高的同时提高了高铝青铜涂层的研究效率。但该发明使用的BP神经算法与工艺本身相关性小，且训练样本少，模型容易出现过拟合，实际应用价值低。因此，现有的预测涂层性能优化喷涂参数方法具有成本高、应用价值低、模型容易过拟合等问题，亟需研发一种预测HVOF涂层性能优化喷涂参数的新方法。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中预测涂层性能优化喷涂参数方法的成本高、应用价值低、模型容易过拟合等问题。
为解决上述技术问题，本发明提供了一种基于HML预测HVOF涂层性能优化喷涂参数的方法，利用分层机器学习(HML)的技术，提出一种能够预测超音速火焰喷涂(HVOF)涂层性能，以此优化喷涂参数的方法，从而减少人为摸索喷涂参数的时间，提高工作效率，获得期望的涂层性能。
本发明的目的是提供一种基于HML预测HVOF涂层性能优化喷涂参数的方法，包括以下步骤：
S1、制备实验数据：进行超音速火焰喷涂实验，使用控制变量法得到喷涂参数和涂层性能结果；
S2、建立数据集：将S1所述的喷涂参数作为输入量，涂层性能结果作为输出量，形成数据集；
S3、基于S2所述的数据集，构建分层机器学习模型：
S31、使用MATLAB软件，构建分层机器学习模型第一层；
S32、将S2所述的数据集中的输入量进行参数化，得到中间变量；
S33、通过回归技术，构建分层机器学习模型第二层；
通过训练，将所述的中间变量与涂层性能联系起来，得到只包含输入量的性能预测公式；
S4、对S3训练完成的分层机器学习模型进行模型评估，判断是否符合预设精度；
若误差未超过预设精度范围，则训练完成；
若误差超过预设精度范围，则调整分层机器学习模型参数，继续训练，重复执行S3，直到模型收敛实现分层机器学习预设精度范围，则训练完成；
S5、将待测的喷涂参数输入到S4中训练完成的分层机器学习模型中，通过模型的训练，输出涂层性能结果。
在本发明的一个实施例中，在S1中，所述的喷涂参数的喷涂距离为150-400mm；氧气流量为150-300slpm；甲烷流量为100-250slp。
在本发明的一个实施例中，在S1中，所述的喷涂参数的组数为40-50。
在本发明的一个实施例中，在S3中，所述的输入量包括喷涂距离、氧气流量和甲烷流量。
在本发明的一个实施例中，在S3中，所述的中间变量是一组广义物理方程，用于关联实验预测器和系统输出之间的物理相互作用和过程，包括粒子飞行速度和粒子飞行温度；所述的粒子飞行速度为200-600m/s；所述的粒子飞行温度为1500-3000K。
在本发明的一个实施例中，所述的粒子飞行速度和粒子飞行温度的参数化方法如下：
(1)粒子飞行速度的计算公式：
Figure BDA0003763112880000031
其中，mp为粒子质量；vp为粒子速度；vg为气体速度；ρg为气体密度；Ap为粒子在垂直于流动方向的平面上的投影面积；CD为颗粒形状效应的阻力系数；
(2)粒子飞行温度的计算公式：
Figure BDA0003763112880000032
其中，mp为粒子质量；Tp为粒子温度；A'p为粒子表面积；cp为粒子热容，Tg为气体温度，h为传热系数。
在本发明的一个实施例中，在S3中，所述的回归技术为Lasso回归方法。
在本发明的一个实施例中，所述Lasso回归就是用线性函数f(x)＝ωTx+b去拟合一组数据D＝{(x1,y1),(x2,y2),...,(xn,yn)}并使得损失
Figure BDA0003763112880000041
最小。Lasso回归是在标准线性回归的基础上修改J，即对其加入L1正则化使得
Figure BDA0003763112880000042
让权值尽可能小，最后构造一个所有参数都比较小的模型。ω表示特征的系数(x的参数)，可以看到正则化项是对系数做了限制，L1正则化是指权值向量ω中各个元素的绝对值之和，通常表示为||ω||1。在正则化项之前添加一个系数λ，这个系数是事先设定的一个初值，后由反馈进行调参确定。
在本发明的一个实施例中，在S3中，所述的分层机器学习模型第二层表示要优化的复杂系统响应，是输出量；所述的输出量为性态指标，包括硬度、孔隙率和耐磨性。
在本发明的一个实施例中，在S4中，所述的模型评估是通过模型预测与观测数据之间的R2值来评估预测精度。
在本发明的一个实施例中，R2计算公式如下：
Figure BDA0003763112880000043
其中，yi表示真实的观测值，y2表示真实观测值的平均值，
Figure BDA0003763112880000044
表示预测值。
在本发明的一个实施例中，在S4中，所述的模型参数的调整包括：细化超音速火焰喷涂参数、调整分层机器学习模型物理方程、增加训练迭代次数，从而进一步调整HML模型参数，直至误差在预设精度范围内，则训练完成。
在本发明的一个实施例中，在S5中，所述的涂层性能结果包括硬度、孔隙率和耐磨性。
本发明的技术方案相比现有技术具有以下优点：
(1)本发明所述的方法预测精度高、成本低，利用了超音速火焰喷涂的物理方程构建了分层机器学习HML模型第一层，由于HML模型能够在有限数据集情况下，利用物理关系方程，连接系统变量和反应，能够有效减少迭代测试的需要，提高了预测精度和效率。此外建立的HML模型对数据集的数量要求少，能够在有限数据集情况下，得到良好的预测质量，有效降低了实验成本。
(2)本发明所述的方法能够更高效率预测涂层性能，利用超音速火焰喷涂得到的喷涂参数和涂层性能结果作为HML模型数据集，将喷涂参数与涂层性能联系起来，构建HML模型，通过在训练好的HML模型输入喷涂参数(喷涂距离、氧气流量、甲烷流量)能够有效减少人为探索喷涂参数的时间，从而提高了工作效率，实现更好的涂层性能。
附图说明
为了使本发明的内容更容易被清楚地理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1为本发明基于HML预测HVOF涂层性能优化喷涂参数的方法的流程图。
图2为本发明实施例1和对比例1的预测数据的R2值对比图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例1
参照图1所示，一种基于HML预测HVOF涂层性能优化喷涂参数的方法，具体包括以下步骤：
S1、实验数据制备：利用超音速火焰喷涂(HVOF)，将镍铬复合粉末，喷涂在镍基体表面，并进行测试，得到40组喷涂参数和涂层性能结果。
其中，镍铬涂层的超音速火焰喷涂参数即输入量为：喷涂距离为150-400mm；氧气流量为150-300slpm；甲烷流量为100-250slp。涂层性能结果为硬度、孔隙率、耐磨性。
S2、数据集建立：将S1得到的40组喷涂参数作为输入量，涂层性能结果作为输出量，形成数据集；数据集主要包括喷涂参数(喷涂距离、氧气流量、甲烷流量)和涂层性能结果(涂层硬度、孔隙率、耐磨性)。随机取出比例为70％、15％和15％，作为模型的训练集、验证集和测试集，即训练集为28组，验证集为6组，测试集为6组。
S3、基于S2所述的数据集，构建HML模型：
S31、HML模型第一层(输入量→中间变量)：使用MATLAB软件，构建分层机器学习HML模型第一层；
S32、中间变量(中间层设计)：将数据集中的喷涂参数作为输入量进行物理化学关系参数化，得到中间变量；中间变量包括粒子飞行速度和粒子飞行温度；粒子飞行速度为200-600m/s；粒子飞行温度为1500-3000K；粒子飞行速度和粒子飞行温度的参数化方法如下：
(1)粒子飞行速度的计算公式：
Figure BDA0003763112880000061
其中，mp为粒子质量；vp为粒子速度；vg为气体速度；ρg为气体密度；Ap为粒子在垂直于流动方向的平面上的投影面积；CD为颗粒形状效应的阻力系数；
(2)粒子飞行温度的计算公式：
Figure BDA0003763112880000062
其中，mp为粒子质量；Tp为粒子温度；A'p为粒子表面积；cp为粒子热容，Tg为气体温度，h为传热系数。
S33、HML模型第二层(中间变量→输出量)：通过Lasso回归方法，构建分层机器学习模型第二层；
将40组镍铬的数据集导入HML模型中进行训练，通过训练将中间变量与涂层性能联系起来，得到只包含输入量的性能预测公式；
S4、对S3训练完成的HML模型进行模型评估，使用模型预测与观测数据之间的R2值评估预测精度，判断是否符合预设精度，为避免过度拟合，预设精度为0.9；
若误差未超过预设精度范围，则训练完成；
若误差超过预设精度范围，则调整分层机器学习模型参数，继续训练，重复执行S3，直到模型收敛实现分层机器学习预设精度范围，则训练完成；
迭代训练10000次，最终得到满足收敛精度的HML模型；
R2的计算公式：
Figure BDA0003763112880000071
其中，yi表示真实的观测值，y2表示真实观测值的平均值，
Figure BDA0003763112880000072
表示预测值。
S5、涂层性能测试：在训练完成的HML模型中输入待测的镍铬涂层的超音速火焰喷涂参数(喷涂距离、氧气流量、甲烷流量)，经过HML模型的迭代训练，得到涂层性能结果(硬度、孔隙率、耐磨性)。
对比例1
基于普通人工神经网络ANN预测HVOF涂层性能优化喷涂参数的方法，具体包括以下步骤：
S1、实验数据制备：利用超音速火焰喷涂(HVOF)，将镍铬复合粉末，喷涂在镍基体表面，并进行测试，得到40组喷涂参数和涂层性能结果。
其中，镍铬涂层的超音速火焰喷涂参数即输入量为：喷涂距离为150-400mm；氧气流量为150-300slpm；甲烷流量为100-250slp。涂层性能结果为硬度、孔隙率、耐磨性。
S2、数据集建立：将S1得到的40组喷涂参数和涂层性能，作为数据集；数据集主要包括喷涂参数(喷涂距离、氧气流量、甲烷流量)和涂层性能结果(涂层硬度、孔隙率、耐磨性)。随机取出比例为70％、15％和15％，作为模型的训练集、验证集和测试集，即训练集为28组，验证集为6组，测试集为6组。
S3、构建ANN模型：使用深度学习方法，构建人工神经网络(ANN)模型。将镍铬涂层的数据集导入ANN模型中进行与实施例相同的10000次迭代训练，将训练完成的ANN模型进行预测精度测试，得到此时的ANN模型精度。
S4、材料催化性能测试：在训练完成的ANN模型，输入镍铬涂层的超音速火焰喷涂参数，也可预测出涂层的硬度、孔隙率、耐磨性。
测试例
将本发明实施例1和对比例1的预测数据，使用R2值评价预测质量。HML模型和ANN模型预测结R2值测试结果如图2所示，由图2数据可以看出，本发明能够预测出性能优良的涂层，通过HML模型的中间变量(中间层)，利用参数关系和物理方程能够在数量较少的数据集中获得高的准确度，说明HML模型是能够进行超音速火焰喷涂的涂层性能预测的。而对比例1的R2值低于实施例1，说明HML模型可以在相同数量数据集，且训练迭代次数相同的情况下，通过关联预测器和系统输出之间的物理相互作用和过程，避免了人工神经网络(ANN)预测过拟合的问题，更加适合超音速火焰喷涂，并且有效地提升了预测精度和效率。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于HML预测HVOF涂层性能优化喷涂参数的方法，其特征在于，包括以下步骤：
S1、制备实验数据：进行超音速火焰喷涂实验，使用控制变量法得到喷涂参数和涂层性能结果；
S2、建立数据集：将S1所述的喷涂参数作为输入量，涂层性能结果作为输出量，形成数据集；
S3、基于S2所述的数据集，构建分层机器学习模型：
S31、使用MATLAB软件，构建分层机器学习模型第一层；
S32、将S2所述的数据集中的输入量进行参数化，得到中间变量；
S33、通过回归技术，构建分层机器学习模型第二层；
通过训练，将所述的中间变量与涂层性能联系起来，得到只包含输入量的性能预测公式；
S4、对S3训练完成的分层机器学习模型进行模型评估，判断是否符合预设精度；
若误差未超过预设精度范围，则训练完成；
若误差超过预设精度范围，则调整分层机器学习模型参数，继续训练，重复执行S3，直到模型收敛实现分层机器学习预设精度范围，则训练完成；
S5、将待测的喷涂参数输入到S4中训练完成的分层机器学习模型中，通过模型的训练，输出涂层性能结果。
2.根据权利要求1所述的基于HML预测HVOF涂层性能优化喷涂参数的方法，其特征在于，在S1中，所述的喷涂参数的喷涂距离为150-400mm；氧气流量为150-300slpm；甲烷流量为100-250slp。
3.根据权利要求1所述的基于HML预测HVOF涂层性能优化喷涂参数的方法，其特征在于，在S1中，所述的喷涂参数的组数为40-50。
4.根据权利要求1所述的基于HML预测HVOF涂层性能优化喷涂参数的方法，其特征在于，在S3中，所述分层机器学习模型第一层为输入量，所述输入量包括喷涂距离、氧气流量和甲烷流量。
5.根据权利要求1所述的基于HML预测HVOF涂层性能优化喷涂参数的方法，其特征在于，在S3中，所述的中间变量包括粒子飞行速度和粒子飞行温度；所述的粒子飞行速度为200-600m/s；所述的粒子飞行温度为1500-3000K。
6.根据权利要求5所述的基于HML预测HVOF涂层性能优化喷涂参数的方法，其特征在于，所述的粒子飞行速度和粒子飞行温度的参数化方法如下：
(1)粒子飞行速度的计算公式：
Figure FDA0003763112870000021
其中，mp为粒子质量；vp为粒子速度；vg为气体速度；ρg为气体密度；Ap为粒子在垂直于流动方向的平面上的投影面积；CD为颗粒形状效应的阻力系数；
(2)粒子飞行温度的计算公式：
Figure FDA0003763112870000022
其中，mp为粒子质量；Tp为粒子温度；A'p为粒子表面积；cp为粒子热容，Tg为气体温度，h为传热系数。
7.根据权利要求1所述的基于HML预测HVOF涂层性能优化喷涂参数的方法，其特征在于，在S3中，所述的分层机器学习模型第二层为输出量；所述的输出量为性态指标，包括硬度、孔隙率和耐磨性。
8.根据权利要求1所述的基于HML预测HVOF涂层性能优化喷涂参数的方法，其特征在于，在S4中，所述的模型评估是通过模型预测与观测数据之间的R2值来评估预测精度。
9.根据权利要求1所述的基于HML预测HVOF涂层性能优化喷涂参数的方法，其特征在于，在S4中，所述的模型参数的调整包括：细化超音速火焰喷涂参数、调整分层机器学习模型物理方程、增加训练迭代次数。
10.根据权利要求1所述的基于HML预测HVOF涂层性能优化喷涂参数的方法，其特征在于，在S5中，所述的涂层性能结果包括硬度、孔隙率和耐磨性。
CN202210878425.7A 2022-07-25 2022-07-25 基于hml预测hvof涂层性能优化喷涂参数的方法 Pending CN115238581A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210878425.7A CN115238581A (zh) 2022-07-25 2022-07-25 基于hml预测hvof涂层性能优化喷涂参数的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210878425.7A CN115238581A (zh) 2022-07-25 2022-07-25 基于hml预测hvof涂层性能优化喷涂参数的方法

Publications (1)

Publication Number Publication Date
CN115238581A true CN115238581A (zh) 2022-10-25

Family

ID=83676371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210878425.7A Pending CN115238581A (zh) 2022-07-25 2022-07-25 基于hml预测hvof涂层性能优化喷涂参数的方法

Country Status (1)

Country Link
CN (1) CN115238581A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828574A (zh) * 2022-11-28 2023-03-21 江苏凯威特斯半导体科技有限公司 一种等离子喷涂参数确定方法
CN117195743A (zh) * 2023-10-16 2023-12-08 西安交通大学 一种热障涂层裂纹结构的喷涂参数优化方法
CN117970818A (zh) * 2024-04-01 2024-05-03 深圳桥通物联科技有限公司 一种基于物联网的工业设备调控方法
CN118364727A (zh) * 2024-06-19 2024-07-19 青岛沙木新材料有限公司 一种低温快固保温型复合涂层喷涂参数确定方法、介质及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828574A (zh) * 2022-11-28 2023-03-21 江苏凯威特斯半导体科技有限公司 一种等离子喷涂参数确定方法
CN115828574B (zh) * 2022-11-28 2023-09-26 江苏凯威特斯半导体科技有限公司 一种等离子喷涂参数确定方法
CN117195743A (zh) * 2023-10-16 2023-12-08 西安交通大学 一种热障涂层裂纹结构的喷涂参数优化方法
CN117195743B (zh) * 2023-10-16 2024-06-04 西安交通大学 一种热障涂层裂纹结构的喷涂参数优化方法
CN117970818A (zh) * 2024-04-01 2024-05-03 深圳桥通物联科技有限公司 一种基于物联网的工业设备调控方法
CN118364727A (zh) * 2024-06-19 2024-07-19 青岛沙木新材料有限公司 一种低温快固保温型复合涂层喷涂参数确定方法、介质及系统

Similar Documents

Publication Publication Date Title
CN115238581A (zh) 基于hml预测hvof涂层性能优化喷涂参数的方法
CN105117599B (zh) 高铝青铜涂层性态预测模型建立及单一性态指标寻优方法
Zhu et al. Prediction of control parameters corresponding to in-flight particles in atmospheric plasma spray employing convolutional neural networks
CN102176221B (zh) 基于动态工况的焦炉加热燃烧过程焦炉温度预测方法
CN113128124B (zh) 基于改进神经网络的多牌号C-Mn钢力学性能预测方法
Zhu et al. Application of combined transfer learning and convolutional neural networks to optimize plasma spraying
Wu Empirical modeling for processing parameters’ effects on coating properties in plasma spraying process
Heimann Better quality control: stochastic approaches to optimize properties and performance of plasma-sprayed coatings
Liu et al. Description and prediction of multi-layer profile in cold spray using artificial neural networks
Ji et al. Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate
CN110851911B (zh) 终端状态计算模型训练方法、控制序列搜索方法及装置
CN117150896B (zh) 基于可解释机器学习的超临界流体传热系数预测方法
Jean et al. Design of a fuzzy logic approach based on genetic algorithms for robust plasma-sprayed zirconia depositions
CN110728031B (zh) 一种基于ann建模平衡复杂石化过程产能的多目标优化方法
CN110457784A (zh) 一种基于bp网络模型的煤灰熔点预测方法
Ren et al. Comparison of the renormalization group and the realizable k-ε turbulence models for dynamic performance of hvof process with a coupled two-stage cae method
CN110223101A (zh) 一种加油站便利店零售销量的预测方法
CN115206448A (zh) 一种基于ann模型的化学反应动力学计算方法
CN113362911A (zh) 一种基于ipso-hkelm的高炉铁水硅含量预测方法
CN117549219B (zh) 一种叶片喷砂质量预测方法、系统、设备及存储介质
Singh et al. Predictive modeling of HVOF-sprayed TiC coating: an ANN-based approach for coating properties estimation
CN112992285A (zh) 一种基于ipso-hkelm的高炉铁水硅含量预测的方法
CN110756803B (zh) 一种计算机形式化3d打印用模具钢粉末材料的制备方法
Rannetbauer et al. Enhancing Predictive Quality in HVOF Coating Technology: A Comparative Analysis of Machine Learning Techniques
CN113515899A (zh) 基于edm-dpm的ac-hvaf热喷涂燃烧焰流特性数值模拟方法

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