CN116822342A - 一种锆合金激光切割的工艺识别与性能预测方法 - Google Patents
一种锆合金激光切割的工艺识别与性能预测方法 Download PDFInfo
- Publication number
- CN116822342A CN116822342A CN202310700353.1A CN202310700353A CN116822342A CN 116822342 A CN116822342 A CN 116822342A CN 202310700353 A CN202310700353 A CN 202310700353A CN 116822342 A CN116822342 A CN 116822342A
- Authority
- CN
- China
- Prior art keywords
- cutting
- characteristic parameters
- sample
- parameters
- roughness
- 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
- 238000000034 method Methods 0.000 title claims abstract description 141
- 230000008569 process Effects 0.000 title claims abstract description 105
- 238000003698 laser cutting Methods 0.000 title claims abstract description 48
- 229910001093 Zr alloy Inorganic materials 0.000 title claims abstract description 37
- 238000005520 cutting process Methods 0.000 claims abstract description 86
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 31
- 238000010276 construction Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000002265 prevention Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- QCWXUUIWCKQGHC-UHFFFAOYSA-N Zirconium Chemical compound [Zr] QCWXUUIWCKQGHC-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005253 cladding Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005025 nuclear technology Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000006104 solid solution Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052726 zirconium Inorganic materials 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明属于激光切割相关技术领域,并公开了一种锆合金激光切割的工艺识别与性能预测方法,包括:采集切割样品在多种工艺参数下的切割面图像,并从中提取特征参数L、H和θ;对切割样品进行粗糙度检测并划分粗糙度等级;构建用于工艺参数检校和粗糙度等级预测的数据集;采用DBSCAN密度聚类算法,构建包含工艺参数检校和粗糙度等级预测的关系模型;输入待测样品特征参数,利用关系模型对工艺参数和粗糙度等级进行预测,并依据预测结果判断待测样品工艺参数是否偏离设定值。通过本发明,能够以快捷、高精准度的方式完成锆合金激光切割的工艺参数检校与粗糙度等级预测,实现对整个激光切割过程中工艺波动的有效防控,同时对成品切割异常实现有效追溯。
Description
技术领域
本发明属于激光切割相关技术领域,更具体地,涉及一种锆合金激光切割的工艺识别与性能预测方法。
背景技术
激光切割(Laser cutting)技术是激光加工中最重要的一项应用技术,它占据整个激光加工业的70%。它引导激光发射器发射一束激光,然后通过光学系统控制其光路,使用聚焦光学器件聚焦将激光光斑作用于工件表面,产生足够的热量,使材料汽化或熔化,加之与光束同轴的高压气体除去熔隔金属(或参与反应),从而达到切割的目的。激光切割的参数包括激光输出功率、光斑模式、切割速度、焦点位置、切割气体压力等。
激光切割技术具备以下的5大优势:1.激光能量密度极高,切割时间短,且不需要模具,效率高。2.激光切割光斑小、割缝细、热影响区小,切面质量高。3.激光切割便于实现自动控制。4.激光切割应用范围广,可用于几乎所有材料的切割。5.不存在刀具磨损,降低切割成本,同时是一种“绿色”加工手段。因此,激光切割逐渐取代传统切割方法,被应用于汽车、机车车辆制造、航空、化工、轻工、电器与电子、石油和冶金、以及国防科技等领域,应用前景广阔。
其中,锆合金作为锆和其他金属的固溶体,它具有非常低的热中子吸收截面,高硬度,延展性和耐腐蚀性。锆合金的主要用途是核技术领域,例如核反应堆内的燃料棒、包壳材料等。如上所述,激光切割技术非常适合应用在锆合金的切削加工领域。
然而,进一步的研究表明:激光切割虽自动化程度高,切割质量好,切割效率高,但由于激光切割系统集激光、电、气、系统控制以及自动化等多方面知识于一身,切割过程中普遍存在工艺参数波动明显、断面质量起伏较大的情况,最终导致产品的切割质量无法保证。尤其是,锆合金作为核工业中的重要材料,有很高的加工质量要求;为保证锆合金产品质量,很有必要对激光切割过程中工艺参数的波动进行控制,并对切割产品的质量进行准确预测。
检索发现,现有锆合金激光切割技术中,没有能够有效防控切割过程中由于工艺波动导致锆合金切割断面质量波动的方法。相应地,本领域亟需对此做出进一步的研究和设计,以便更好地满足锆合金激光切割应用场合下的更高质量需求。
发明内容
针对现有技术的以上缺陷或需求,本发明提出一种锆合金激光切割的工艺识别与性能预测方法,其中通过充分考虑锆合金激光切割工艺自身的特性及需求,针对性地对锆合金样品断面进行特征提取的基础上,以特定特征参数为输入来构建工艺模型,相应能够以高效快捷、准确性高的方式实现锆合金激光切割的工艺参数检校与粗糙度等级预测,进而实现对整个激光切割过程中工艺波动的有效防控,对成品切割异常实现有效追溯,并可通过工艺快速识别、评判和高响应的实时切割断面过程质量监控,为切割断面产品质量在线控制奠定基础。
为实现上述目的,按照本发明,提供了一种锆合金激光切割的工艺识别与性能预测方法,其特征在于,该方法包括下列步骤:
S1、特征参数的提取
获取锆合金激光切割样品在多种工艺参数下的各个切割断面图像,从多种特征参数中确定用于模型构建的断面特征:竖直纹路段的纹路长度L、竖直纹路段的纹路宽度H和倾斜纹路段的倾角θ,并提取特征参数;
S2、粗糙度等级的划分
对锆合金激光切割样品进行粗糙度检测,根据预设的置信度求得粗糙度大小值的置信区间,然后比较样品的置信区间进行粗糙度等级划分;
S3、数据集的构建与划分
将所述特征参数L、θ作为用于工艺参数检校的数据集,将所述特征参数L、H作为用于粗糙度等级预测的数据集;然后按照预设的划分比例,将各种数据集进一步划分为训练集和测试集;
S4、关系模型的构建
构建包含工艺参数检校和粗糙度等级预测的DBSCAN关系模型;
S5、工艺识别与性能预测
将待测对象的特征参数输入所述关系模型,相应输出工艺参数识别结果、粗糙度等级预测结果以及检测样品是否偏离设定工艺参数的判断。
进一步优选地,在步骤S1中,所述多种工艺参数包括激光功率、切割速度、辅助气体压力、光斑模式、离焦量、以及切割频率、占空比、切割高度等。
进一步优选地,在步骤S1中,每个锆合金激光切割样品具备四个切割断面,相应每个切割样品可提取分别对应四个切割断面的四组所述特征参数。
进一步优选地,在步骤S1中,优选获取锆合金激光切割样品在多种工艺参数下的各个CMOS/CCD切割断面图像,并综合考虑融合相关度判定、特征突出性筛选和提取便利度等因素,采用相关度判断——原则筛选法来确定所述断面特征。
进一步优选地,在步骤S2中,优选采用CMOS工业相机来拍摄切割断面,
由此获得粗糙度检测值。
进一步优选地,在步骤S3中,对于用于工艺参数检校的数据集而言,其划分方式优选如下:抽取任一切割样品α,将其所有特征参数均导入测试集;同时抽取其他若干切割样品,将其部分切割断面的特征参数导入测试集,并将其余特征参数导入训练集。
进一步优选地,在步骤S3中,对于用于粗糙度等级预测的数据集而言,其划分方式优选如下:抽取任一切割样品α,将其所有特征参数均导入测试集;同时抽取其他若干切割样品,将其部分割断面的特征参数导入测试集,并将其余特征参数导入训练集。
进一步优选地,在步骤S4中,对于所述工艺参数检校模型而言,其构建过程优选如下:
首先设计使用自动参数选择的DBSCAN工艺参数检校模型,其中将其训练集中的特征参数L、θ作为对象进行分类,并使得训练结果满足一个聚类簇代表一组工艺参数,同时保存该训练结果作为初步的模型;接着将其测试集中的特征参数L、θ依次输入上述初步的模型,并使得同一切割样品的四个切割断面的特征参数L、θ均分类到同一聚类簇,由此所述工艺参数检校模型构建完成。
进一步优选地,在步骤S4中,对于所述粗糙度等级预测模型而言,其构建过程优选如下:
首先设计自动参数选择的DBSCAN粗糙度等级预测模型,其中将其训练集中的特征参数L、H作为对象进行分类,并使得训练结果满足一个聚类簇代表一个粗糙度等级,同时保存该训练结果作为初步的模型;接着将其测试集中的特征参数L、H依次输入上述初步的模型,并使得同一切割样品的四个切割断面的特征参数L、H均分类到同一聚类簇,由此所述粗糙度等级预测模型构建完成。
进一步优选地,在步骤S5后,优选还包括如下步骤:模型输出工艺参数识别结果、粗糙度等级预测结果以及检测样品是否偏离设定工艺参数的判断,并以此为依据,及时发现工艺参数偏离和切割质量异常等情况,从而对工艺过程进行相应调整,实现对激光切割过程中工艺波动和成品切割异常的防控。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下
有益效果:
(1)本发明通过充分考虑锆合金在激光切割工艺中的特性及需求,并对关键操作步骤及工作机理等方面作出针对性改进,所选用的特征参数既输入少又方便采集,极大提高了操作效率,并能准确实现激光切割过程中的工艺参数识别和粗糙度等级预测,相应能够对整个激光切割过程中的工艺波动实现有效防控,同时对成品切割异常实现有效追溯;
(2)本发明进一步采用了DBSCAN密度聚类算法来构建包含工艺参数检校模型和粗糙度等级预测模型的关系模型,该模型的调参过程可由机器推荐实现,处理速度快且对技术人员的操作要求低,同时可获得更为准确、可靠的计算结果;
(3)本发明的锆合金激光切割工艺识别与性能预测方法速度快且精准度高,能够对切割过程中工艺波动进行实时监测,并对工艺参数偏离设定值进行快速预警;此外对于在激光切割其他金属的过程中,进行工艺参数矫正和产品性能预测,本发明亦具有指导意义。
附图说明
图1是按照本发明一个优选实施方式的锆合金激光切割工艺识别与性能预测方法的整体流程图;
图2是用于示范性显示按照本发明的工艺参数检校模型的工作原理图;
图3是用于示范性显示按照本发明的粗糙度等级预测模型的工作原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
图1是按照本发明一个优选实施方式的锆合金激光切割工艺识别与性能预测方法的整体流程图。下面将结合图1来更为具体地解释说明本发明。
步骤一,是特征参数的提取步骤。
在此步骤中,获取锆合金激光切割样品在多种工艺参数下的各个切割断面CCD图像,比较断面特征,并从中提取包含竖直纹路段的纹路长度、竖直纹路段的纹路宽度和竖直纹路段的倾角在内的特征参数L、H和θ。
在本发明中,优选可通过相关度判断——原则筛选法,确定并提取合适的特征参数。在此过程中,基于切割断面CCD图像,比较不同工艺参数下激光切割的断面特征,并结合领域知识,判断断面特征与工艺参数的相关程度,将相关度高的特征作为备选特征。分类模型的构建要求不同工艺参数下特征差异明显,同时特征应该便于量化提取,基于这两个原则从备选特征当中筛选用于模型构建的特征,确定提取方法并提取特征参数。
更具体地,首先设计激光切割锆合金试验:激光切割有很多工艺参数,对切割质量影响比较大的有:激光功率、切割速度、气体压力、光斑模式、离焦量;除此之外还包括:频率、占空比、切割高度等。可改变这些参数进行切割实验,产生已知切割参数的锆合金切割样品,每一切割样品有四个切割断面。
接着,获取切割样品的断面CCD图:将上述样品在光学显微镜下逐一进行断面成像,每个样品对应产生四张断面CCD图。
接着优选可采用相关度判断——原则筛选法确定特征参数:基于切割断面CCD图像,比较不同工艺参数下激光切割的断面特征,并结合领域知识,判断断面特征与工艺参数的相关程度,将竖直纹路段纹路长度、纹路宽度、非竖直纹路段倾角、挂渣高度、氧化区颜色等作为备选特征。根据便于量化提取、差异明显的原则,从备选特征当中筛选出竖直纹路段纹路长度、纹路宽度、非竖直纹路段倾角作为特征参数用于分类。
最后,提取特定的特征参数:将上诉每一样品各切割面CCD图导入图片处理软件中,设置标尺,测量竖直纹路段的纹路长度,纹路宽度;测量图片中非竖直纹路段的倾角;由此,每一切割样品可以得到四组特征参数L、θ、H,分别对应四个断面。
步骤二,是粗糙度等级的划分步骤。
在此步骤中,对锆合金激光切割样品进行粗糙度检测,根据预设的置信度求得粗糙度大小值的置信区间,然后比较样品的置信区间进行粗糙度等级划分。
更具体地,首先测量断面粗糙度:将样品各个断面进行粗糙度测试,得到表征粗糙度的Ra值。
接着划分粗糙度等级:比较样品粗糙度Ra值的置信区间,确定划分规则后进行粗糙度等级划分。
步骤三,是数据集的构建与划分步骤。
在此步骤中,将所述特征参数L、θ作为用于工艺参数检校的数据集,将所述特征参数L、H作为用于粗糙度等级预测的数据集;然后按照预设的划分比例,将各种数据集进一步划分为训练集和测试集。
更具体地,首先构建数据集并划分:将特征参数L、θ、H导入数据集,将数据集划分为训练集和测试集。按照本发明的一个优选实施方式,划分方式可设计为:抽取一个样品,记为α,将其所有特征参数均导入测试集;抽取若干样品:将其部分切割断面的参数(譬如,第4断面特征参数)导入测试集,并将其他切割断面的参数(譬如第1-3断面特征参数)导入训练集。
步骤四,是关系模型的构建步骤。
在此步骤中,构建包含工艺参数检校模型和粗糙度等级预测模型的DBSCAN(密度聚类算法)关系模型。
更具体地,按照本发明的一个优选实施方式,可采用自动参数选择的DBSCAN算法构建模型。该自动参数选择的DBSCAN算法设计过程如下:DBSCAN算法是一种无监督的机器学习算法,主要有两个参数,邻域半径R和最少点数目Min。该自动参数选择的DBSCAN算法用于设计分类结果的筛选原则包括:确定允许的干扰点数目最大值,作为筛选条件一;使用戴维森堡丁指数(DBI)来衡量分类的聚合程度,将该指数大小作为筛选条件二。该DBSCAN算法的参数筛选过程可描述如下:确定筛选轮数以及参数R和Min所要遍历的范围及步距,记录每一组参数对应的分类结果;筛选范围不断缩小,算法参数不断逼近最优值。筛选完成后,机器推荐当前最优模型参数。
步骤五,是工艺识别与性能预测步骤。
在此步骤中,将待测对象的特征参数输入所述关系模型,相应输出工艺参数识别结果和粗糙度等级预测结果。
更具体地,按照本发明的一个优选实施方式,对于所述工艺参数检校模型而言,其构建过程优选如下:首先采用自动参数选择的DBSCAN密度聚类算法,将其训练集中的特征参数L、θ作为对象进行分类,并使得训练结果满足一个聚类簇代表一组工艺参数,同时保存该训练结果作为初步的模型;接着将其测试集中的特征参数L、θ依次输入上述初步的模型,并使得同一切割样品的四个切割断面的特征参数L、θ均分类到同一聚类簇,以此方式构建完成所述工艺参数检校模型。
与此类似地,按照本发明的另一优选实施方式,对于所述粗糙度等级预测模型而言,其构建过程优选如下:首先采用自动参数选择的DBSCAN密度聚类算法,将其训练集中的特征参数L、H作为对象进行分类,并使得训练结果满足一个聚类簇代表一个粗糙度等级,同时保存该训练结果作为初步的模型;接着将其测试集中的特征参数L、H依次输入上述初步的模型,并使得同一切割样品的四个切割断面的特征参数L、H均分类到同一聚类簇,以此方式构建完成所述粗糙度等级预测模型。
下面将给出一个具体实施例,以便更为详细地解释和说明本发明。
实施例1
首先设计锆合金激光切割实验:将每组工艺参数依次编号,每组参数切割产生一个切割样品,样品的编号与其对应工艺参数的编号相一致。每个样品有四个切割面。其中,实验所涉及的切割工艺参数包括:光斑模式、离焦量、切割高度、激光功率、切割速度、频率、占空比、辅助气体压力。如下表1所示。
表1
接着,获取切割样品的断面CCD图,进行粗糙度测试:例如,可将切割样品在型号为DSX510的OLYMPUS光学显微镜下逐一进行切割断面成像,得到切割样品各个切割面的断面CCD图。同时,使用该设备对断面进行粗糙度测试,得到切割样品各个切割面的粗糙度值。
接着,提取特征参数:将每个样品的每个断面的CCD图依次导入图片处理软件中,根据标尺信息,测量竖直纹路段的纹路长度、纹路宽度,测量图片中非竖直纹路段的倾角;因此,每个样品可以得到四组特征参数L、θ、H,分别对应四个切割面。接着,划分粗糙度等级:譬如将置信度设定为0.95,计算各个样品Ra的置信区间,如下表2。可知:1、2、3、6、7、8号切割样品的置信区间大小和位置都比较接近,应尽可能包含相同的粗糙度等级;4、5号切割样品置信区间的大小与其他样品差异明显,应分别包含不止一个粗糙度等级。综合以上分析,譬如可确定划分规则为:Ra值在0到3微米区间内均分为3个区间,对应等级一到等级三,以此类推。具体如下表2:
表2
接着,构建数据集并划分:将特征参数L、θ、H作为数据集。将数据集划分为训练集和测试集。划分方式譬如可描述为:工艺参数检校模型的数据集(L、θ),抽取8号样品,将其所有特征参数均导入测试集;抽取1号、6号样品,将其第4切割面的特征参数导入测试集。粗糙度等级预测模型的数据集(L、H),抽取5号样品,将其所有特征参数均导入测试集。
接着,是工艺参数检校模型的构建过程:优选可使用自动推荐参数的DBSCAN算法将训练集中的特征参数L、θ作为对象进行分类,可结合人工调参,使分类结果满足一个聚类簇代表一组工艺参数。保存该分类规则和分类结果,作为关系模型;将测试集中的8号样品对应的特征参数L、θ输入上述关系模型中,模型继续分类,测试模型是否能将输入数据正确分类,使得8号样品的特征参数形成一个新的聚类簇;将测试集中其他样品第4断面的特征参数L、θ输入上述关系模型,继续分类,测试模型是否能将输入数据正确分类,使得同一样品的第1-3断面和第4断面的特征参数分到同一聚类簇。测试通过,工艺参数检校模型构建完成。
与此类似地,是粗糙度等级预测模型的构建过程:优选可使用自动推荐参数的DBSCAN算法将训练集中的特征参数L、H作为对象进行分类,可结合人工调参,使训练结果满足一个聚类簇代表一个粗糙度等级。保存该分类规则和分类结果,作为关系模型;将测试集中的特征参数L、H输入上述关系模型中。若输入某断面的特征参数,该断面的粗糙度等级与原分类结果中某聚类簇代表的粗糙度等级相同,则输入数据与该聚类簇分至同一聚类簇。若输入某断面的特征参数,该断面的粗糙度等级与原分类结果中各聚类簇代表的粗糙度等级均不相同,则输入数据被分类至新的聚类簇中。测试通过,粗糙度等级预测模型构建完成。
最后,是运用模型检校激光切割的工艺波动操作:提取待测样品特征参数,输入模型后,根据两个关系模型的分类结果可以得到以下信息:待测样品的工艺参数是否偏离设定的工艺参数、待测样品断面粗糙度的预测等级。以此为依据对切割过程中的工艺波动实现有效防控,对成品切割异常实现有效追溯。
综上,本发明提出的锆合金激光切割工艺识别与性能预测方法,相较于现有技术而言,本方法的输入是切割样品的断面特征参数,所需输入少且方便采集,因而能够对工艺参数的波动快速响应。此外,本工艺方法的结果准确,速度快,模型调参过程可由机器推荐实现,对技术人员的操作要求低,同时针对性根据切割断面形貌特征参数,采用DBSCAN算法来更为精准地实现了断面的工艺参数识别和粗糙度等级预测,相应地,不仅能够对切割过程中的工艺波动实现有效防控,而且还能够对成品切割异常实现有效追溯。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种锆合金激光切割的工艺识别与性能预测方法,其特征在于,该方法包括下列步骤:
S1、特征参数的提取
获取锆合金激光切割样品在多种工艺参数下的各个切割断面图像,从多种特征参数中确定用于模型构建的断面特征:竖直纹路段的纹路长度L、竖直纹路段的纹路宽度H和倾斜纹路段的倾角θ,并提取特征参数;
S2、粗糙度等级的划分
对锆合金激光切割样品进行粗糙度检测,根据预设的置信度求得粗糙度大小值的置信区间,然后比较样品的置信区间进行粗糙度等级划分;
S3、数据集的构建与划分
将所述特征参数L、θ作为用于工艺参数检校的数据集,将所述特征参数L、H作为用于粗糙度等级预测的数据集;然后按照预设的划分比例,将各种数据集进一步划分为训练集和测试集;
S4、关系模型的构建
构建包含工艺参数检校和粗糙度等级预测的DBSCAN关系模型;
S5、工艺识别与性能预测
将待测对象的特征参数输入所述关系模型,相应输出工艺参数识别结果、粗糙度等级预测结果以及检测样品是否偏离设定工艺参数。
2.如权利要求1所述的方法,其特征在于,在步骤S1中,所述多种工艺参数包括激光功率、切割速度、辅助气体压力、光斑模式、离焦量、以及切割频率、占空比、切割高度等。
3.如权利要求2所述的方法,其特征在于,在步骤S1中,每个锆合金激光切割样品具备四个切割断面,相应每个切割样品可提取分别对应四个切割断面的四组所述特征参数。
4.如权利要求3所述的方法,其特征在于,在步骤S1中,优选获取锆合金激光切割样品在多种工艺参数下的各个CMOS/CCD切割断面图像,并综合考虑融合相关度判定、特征突出性筛选和提取便利度等因素,采用相关度判断——原则筛选法来确定所述断面特征。
5.如权利要求4所述的方法,其特征在于,在步骤S2中,优选采用CMOS工业相机拍摄切割断面,由此获得粗糙度检测值。
6.如权利要求1-5任意一项所述的方法,其特征在于,在步骤S3中,对于用于工艺参数检校的数据集而言,其划分方式优选如下:抽取任一切割样品α,将其所有特征参数均导入测试集;同时抽取其他若干切割样品,将其部分切割断面的特征参数导入测试集,并将其余特征参数导入训练集。
7.如权利要求6所述的方法,其特征在于,在步骤S3中,对于用于粗糙度等级预测的数据集而言,其划分方式优选如下:抽取任一切割样品α,将其所有特征参数均导入测试集;同时抽取其他若干切割样品,将其部分切割断面的特征参数导入测试集,并将其余特征参数导入训练集。
8.如权利要求1-7任意一项所述的方法,其特征在于,在步骤S4中,对于所述工艺参数检校模型而言,其构建过程优选如下:
首先设计使用自动参数选择的DBSCAN工艺参数检校模型,其中将其训练集中的特征参数L、θ作为对象进行分类,并使得训练结果满足一个聚类簇代表一组工艺参数,同时保存该训练结果作为初步的模型;接着将其测试集中的特征参数L、θ依次输入上述初步的模型,并使得同一切割样品的四个切割断面的特征参数L、θ均分类到同一聚类簇,由此所述工艺参数检校模型构建完成。
9.如权利要求8所述的方法,其特征在于,在步骤S4中,对于所述粗糙度等级预测模型而言,其构建过程优选如下:
首先设计自动参数选择的DBSCAN粗糙度等级预测模型,其中将其训练集中的特征参数L、H作为对象进行分类,并使得训练结果满足一个聚类簇代表一个粗糙度等级,同时保存该训练结果作为初步的模型;接着将其测试集中的特征参数L、H依次输入上述初步的模型,并使得同一切割样品的四个切割断面的特征参数L、H均分类到同一聚类簇,由此所述粗糙度等级预测模型构建完成。
10.如权利要求1-9任意一项所述的方法,其特征在于,在步骤S5后,优选还包括如下步骤:模型输出工艺参数识别结果、粗糙度等级预测结果以及检测样品是否偏离设定工艺参数的判断,并以此为依据,及时发现工艺参数偏离和切割质量异常等情况,从而对工艺过程进行相应调整,实现对激光切割过程中工艺波动和成品切割异常的防控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700353.1A CN116822342A (zh) | 2023-06-13 | 2023-06-13 | 一种锆合金激光切割的工艺识别与性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700353.1A CN116822342A (zh) | 2023-06-13 | 2023-06-13 | 一种锆合金激光切割的工艺识别与性能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116822342A true CN116822342A (zh) | 2023-09-29 |
Family
ID=88125085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310700353.1A Pending CN116822342A (zh) | 2023-06-13 | 2023-06-13 | 一种锆合金激光切割的工艺识别与性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822342A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314926A (zh) * | 2023-11-30 | 2023-12-29 | 湖南大学 | 激光改质加工设备维护的确认方法、设备及存储介质 |
CN117548856A (zh) * | 2024-01-12 | 2024-02-13 | 中国核动力研究设计院 | 一种激光切割工艺 |
-
2023
- 2023-06-13 CN CN202310700353.1A patent/CN116822342A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314926A (zh) * | 2023-11-30 | 2023-12-29 | 湖南大学 | 激光改质加工设备维护的确认方法、设备及存储介质 |
CN117314926B (zh) * | 2023-11-30 | 2024-01-30 | 湖南大学 | 激光改质加工设备维护的确认方法、设备及存储介质 |
CN117548856A (zh) * | 2024-01-12 | 2024-02-13 | 中国核动力研究设计院 | 一种激光切割工艺 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116822342A (zh) | 一种锆合金激光切割的工艺识别与性能预测方法 | |
CN110116254B (zh) | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 | |
CN113487533B (zh) | 一种基于机器学习的零件装配质量数字化检测系统及方法 | |
CN110909507A (zh) | 焊锡制程参数建议方法 | |
CN109492940A (zh) | 一种用于造型浇注生产线的铸件炉包箱质量跟踪方法 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
CN111015006B (zh) | 基于光谱信息的激光电弧复合焊接质量在线监测方法 | |
CN110722285A (zh) | 一种激光热丝焊接焊缝成形质量预测方法、系统及介质 | |
CN112557445B (zh) | 一种基于增材制造的缺陷在线检测方法、装置和系统 | |
CN112614105B (zh) | 一种基于深度网络的3d点云焊点缺陷检测方法 | |
CN110889091A (zh) | 基于温度敏感区间分段的机床热误差预测方法与系统 | |
Uyan et al. | Industry 4.0 foundry data management and supervised machine learning in low-pressure die casting quality improvement | |
CN114918581B (zh) | 焊接参数处理方法、装置、存储介质及处理器 | |
García-Pérez et al. | CNN-based in situ tool wear detection: A study on model training and data augmentation in turning inserts | |
CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN116295141A (zh) | 一种燃料电池双极板平整度检测方法及系统 | |
Atwya et al. | In-situ porosity prediction in metal powder bed fusion additive manufacturing using spectral emissions: a prior-guided machine learning approach | |
Jayasinghe | Defect identification of laser powder bed fusion builds using photodiode sensor readings | |
CN113435670B (zh) | 一种增材制造熔覆层偏移定量的预测方法 | |
Rifai et al. | Tool Condition Monitoring with Convolutional Neural Network for Milling Tools and Turning Inserts | |
CN117182391B (zh) | 一种防火电缆纵包焊接的智能控制方法及系统 | |
KR102654208B1 (ko) | 검사 장치 조정 시스템 및 검사 장치 조정 방법 | |
Liu et al. | BoT-YOLOv8: A high accuracy and stability initial weld position segmentation method for medium-thickness plate | |
US11651482B2 (en) | Method for obtaining at least one significant feature in a series of components of the same type and method for the classification of a component of such a series | |
Li et al. | Research on Classification and Recognition of Micro Milling Tool Wear Based on Improved DenseNet |
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 |