CN117074641A - 基于激光超声的双相钛合金表面润滑方法及装置 - Google Patents

基于激光超声的双相钛合金表面润滑方法及装置 Download PDF

Info

Publication number
CN117074641A
CN117074641A CN202311338997.7A CN202311338997A CN117074641A CN 117074641 A CN117074641 A CN 117074641A CN 202311338997 A CN202311338997 A CN 202311338997A CN 117074641 A CN117074641 A CN 117074641A
Authority
CN
China
Prior art keywords
data
lubrication
titanium alloy
analysis model
dual
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
CN202311338997.7A
Other languages
English (en)
Inventor
董洁
王勇锦
李宝霞
陈勇
王勇根
余洁
米缸
梁琦
赵晓宁
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.)
Baoji Top Titanium Industry Co ltd
Original Assignee
Baoji Top Titanium Industry 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 Baoji Top Titanium Industry Co ltd filed Critical Baoji Top Titanium Industry Co ltd
Priority to CN202311338997.7A priority Critical patent/CN117074641A/zh
Publication of CN117074641A publication Critical patent/CN117074641A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/20—Metals
    • G01N33/208—Coatings, e.g. platings
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05D—PROCESSES FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05D5/00—Processes for applying liquids or other fluent materials to surfaces to obtain special surface effects, finishes or structures
    • B05D5/08—Processes for applying liquids or other fluent materials to surfaces to obtain special surface effects, finishes or structures to obtain an anti-friction or anti-adhesive surface
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05D—PROCESSES FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05D7/00—Processes, other than flocking, specially adapted for applying liquids or other fluent materials to particular surfaces or for applying particular liquids or other fluent materials
    • B05D7/14—Processes, other than flocking, specially adapted for applying liquids or other fluent materials to particular surfaces or for applying particular liquids or other fluent materials to metal, e.g. car bodies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05D—PROCESSES FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05D2202/00—Metallic substrate
    • B05D2202/30—Metallic substrate based on refractory metals (Ti, V, Cr, Zr, Nb, Mo, Hf, Ta, W)
    • B05D2202/35—Metallic substrate based on refractory metals (Ti, V, Cr, Zr, Nb, Mo, Hf, Ta, W) based on Ti
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Wood Science & Technology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种基于激光超声的双相钛合金表面润滑方法，包括：获取双相钛合金的实验数据，根据预设的激光超声参数和预设的评价参数生成实验数据的分类数据；构建双相钛合金的润滑分析模型；利用分类数据生成润滑分析模型的训练集；确定润滑分析模型的优化目标函数，根据训练集和优化目标函数对润滑分析模型进行模型优化，得到优化后的润滑分析模型；利用优化后的润滑分析模型生成双相钛合金的最佳润滑效果所对应的最佳参数组合，利用最佳参数组合对双相钛合金进行表面润滑处理。本发明还提出一种基于激光超声的双相钛合金表面润滑装置。本发明可以提高双相钛合金表面润滑的效率。

Description

基于激光超声的双相钛合金表面润滑方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于激光超声的双相钛合金表面润滑方法及装置。
背景技术
双相钛合金是一种优良的结构材料，具有高强度、高韧性和良好的耐腐蚀性，在航空航天、汽车、能源等领域有广泛的应用，但是部件摩擦损伤和磨损现象会导致双相钛合金件的寿命降低，从而影响其应用效果和经济效益，表面润滑技术被广泛应用于双相钛合金件的制造中。通过在双相钛合金表面形成润滑层，可以减少摩擦损伤和磨损现象，从而提高其使用寿命和性能。
目前常用的润滑材料在双相钛合金表面的附着性和持久性方面存在挑战，润滑材料往往不能有效地附着在双相钛合金表面，并且易于磨损或脱落；同时，润滑层容易受到外界环境的影响，如温度变化、湿度变化等，当润滑层失去稳定性时，润滑效果会下降，甚至完全丧失润滑功能，因此如何提升双相钛合金表面润滑时效率，成为了亟待解决的问题。
发明内容
本发明提供一种基于激光超声的双相钛合金表面润滑方法及装置，其主要目的在于解决双相钛合金表面润滑时效率较低的问题。
为实现上述目的，本发明提供的一种基于激光超声的双相钛合金表面润滑方法，包括：
获取双相钛合金的实验数据，根据预设的激光超声参数和预设的评价参数生成所述实验数据的分类数据，其中，所述预设的激光超声参数包括：激光功率和脉冲频率，所述预设的评级参数包括：信噪比和频谱特性；
利用预设的回归算法构建所述双相钛合金的润滑分析模型，其中，所述预设的回归算法为：
；
其中，表示所述润滑分析模型的输出结果，/>是所述润滑分析模型的输入数据的数据标识，/>是所述输入数据的数据总数，/>是第/>个所述输入数据所对应的真实值，/>是第/>个所述输入数据所对应的预测值，/>是核函数，/>是第/>个所述输入数据的特征值，/>是所述输入数据的特征值，/>是偏置项；
利用所述分类数据生成所述润滑分析模型的训练集；
确定所述润滑分析模型的优化目标函数，根据所述训练集和所述优化目标函数对所述润滑分析模型进行模型优化，得到优化后的润滑分析模型；
利用优化后的润滑分析模型生成所述双相钛合金的最佳润滑效果所对应的最佳参数组合，利用所述最佳参数组合对所述双相钛合金进行表面润滑处理。
可选地，所述获取双相钛合金的实验数据，包括：
确定双相钛合金的实验参数，其中，所述实验参数包括：温度、压力和时间，根据所述实验参数获取所述双相钛合金的实验变量，其中，所述实验变量为材料成分；
对所述实验变量进行结构化处理，得到所述实验变量的结构化数据；
根据所述结构化数据和所述实验参数生成所述双相钛合金的实验数据。
可选地，所述对所述实验变量进行结构化处理，得到所述实验变量的结构化数据，包括：
对所述实验变量进行数值格式转换，得到所述实验变量的转换变量；
对所述转换变量进行数据清洗，得到所述转换变量的清洗变量，其中，所述数据清洗包括：去除异常数据、填补缺失数据和校正错误数据；
提取所述清洗变量的统计变量特征，根据所述统计变量特征生成所述实验变量的结构化数据。
可选地，所述根据预设的激光超声参数和预设的评价参数生成所述实验数据的分类数据，包括：
根据预设的激光超声参数对所述实验数据进行数据选取，得到所述实验数据中的激光超声数据；
根据预设的评价参数对所述实验数据进行数据选取，得到所述实验数据中的评价数据；
建立所述评价数据和所述激光超声数据的数据关联，根据所述数据关联、所述评价数据和所述激光超声数据生成所述实验数据的分类数据。
可选地，所述根据预设的激光超声参数对所述实验数据进行数据选取，得到所述实验数据中的激光超声数据，包括：
生成预设的激光超声参数的参数特征；
计算所述参数特征与所述实验数据的数据相似度；
根据预设的相似阈值和所述数据相似度对所述实验数据进行数据选取，得到所述实验数据中的激光超声数据。
可选地，所述利用所述分类数据生成所述润滑分析模型的训练集，包括：
确定所述分类数据的数据类别，利用所述数据类别生成所述分类数据的数据标签；
利用所述数据标签建立所述分类数据的关联关系；
根据所述关联关系、所述数据标签和所述分类数据生成所述润滑分析模型的训练集。
可选地，所述确定所述润滑分析模型的优化目标函数，包括：
根据所述润滑分析模型生成所述润滑分析模型的优化目标函数，其中，所述优化目标函数为：
；
其中，是所述优化目标函数的函数值，/>是最小值函数，/>是目标样本的总数，/>是样本标识，/>是所述训练集中的样本总数，/>是第/>个样本所对应的真实值，/>是第个样本的特征值，/>是第/>个样本所对应的预测值。
可选地，所述根据所述训练集和所述优化目标函数对所述润滑分析模型进行模型优化，得到优化后的润滑分析模型，包括：
对所述润滑分析模型进行参数初始化，得到初始化后的润滑分析模型；
将所述训练集中的样本数据输入值所述初始化后的润滑分析模型，得到所述初始化后的润滑分析模型的模型输出；
根据所述模型输出和所述训练集中的真实值生成所述初始化后的润滑分析模型的模型误差；
根据所述模型误差和所述优化目标函数对所述初始化后的润滑分析模型进行参数调优，直至所述初始化后的润滑分析模型对应的优化目标函数值小于预设的函数阈值时，确定所述初始化后的润滑分析模型的模型目标参数；
根据所述模型目标参数生成优化后的润滑分析模型。
可选地，所述利用优化后的润滑分析模型生成所述双相钛合金的最佳润滑效果所对应的最佳参数组合，包括：
获取所述双相钛合金的合金输入值，根据所述合金输入值和所述优化后的润滑分析模型生成所述双相钛合金的合金输出值；
对所述合金输出值进行数值分析，得到所述合金输出值的目标合金值，根据所述目标合金值确定所述双相钛合金的最佳润滑效果所对应的最佳参数组合。
为了解决上述问题，本发明还提供一种基于激光超声的双相钛合金表面润滑装置，所述装置包括：
数据分类模块，用于获取双相钛合金的实验数据，根据预设的激光超声参数和预设的评价参数生成所述实验数据的分类数据，其中，所述预设的激光超声参数包括：激光功率和脉冲频率，所述预设的评级参数包括：信噪比和频谱特性；
模型构建模块，用于利用预设的回归算法构建所述双相钛合金的润滑分析模型，其中，所述预设的回归算法为：
；
其中，表示所述润滑分析模型的输出结果，/>是所述润滑分析模型的输入数据的数据标识，/>是所述输入数据的数据总数，/>是第/>个所述输入数据所对应的真实值，/>是第/>个所述输入数据所对应的预测值，/>是核函数，/>是第/>个所述输入数据的特征值，/>是所述输入数据的特征值，/>是偏置项；
训练集生成模块，用于利用所述分类数据生成所述润滑分析模型的训练集；
模型优化模块，用于确定所述润滑分析模型的优化目标函数，根据所述训练集和所述优化目标函数对所述润滑分析模型进行模型优化，得到优化后的润滑分析模型；
润滑处理模块，用于利用优化后的润滑分析模型生成所述双相钛合金的最佳润滑效果所对应的最佳参数组合，利用所述最佳参数组合对所述双相钛合金进行表面润滑处理。
本发明实施例通过获取双相钛合金的实验数据，并使用预设的激光超声参数和评价参数，生成分类数据，然后利用预设的回归算法构建润滑分析模型，在模型中，根据输入数据和预测值之间的差异，通过核函数和偏置项建立输入数据与真实值之间的关系，这样的建模过程可以更好地理解和分析双相钛合金表面润滑的特性和行为，利用优化后的润滑分析模型，可以生成双相钛合金最佳润滑效果所对应的最佳参数组合，这些最佳参数组合可以指导表面润滑处理的实施，确保在双相钛合金表面形成高效的润滑层，通过使用最佳参数组合进行表面润滑处理，可以降低摩擦和磨损，并提高双相钛合金的表面润滑效率，因此本发明提出基于激光超声的双相钛合金表面润滑方法及装置，可以解决双相钛合金表面润滑效率较低的问题。
附图说明
图1为本发明一实施例提供的基于激光超声的双相钛合金表面润滑方法的流程示意图；
图2为本发明一实施例提供的实验数据的数据分类的流程示意图；
图3为本发明一实施例提供的实验数据的数据选取的流程示意图；
图4为本发明一实施例提供的基于激光超声的双相钛合金表面润滑装置的功能模块图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于激光超声的双相钛合金表面润滑方法。所述基于激光超声的双相钛合金表面润滑方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于激光超声的双相钛合金表面润滑方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于激光超声的双相钛合金表面润滑方法的流程示意图。在本实施例中，所述基于激光超声的双相钛合金表面润滑方法包括：
S1、获取双相钛合金的实验数据，根据预设的激光超声参数和预设的评价参数生成所述实验数据的分类数据，其中，所述预设的激光超声参数包括：激光功率和脉冲频率，所述预设的评级参数包括：信噪比和频谱特性。
在本发明实施例中，所述获取双相钛合金的实验数据，包括：
确定双相钛合金的实验参数，其中，所述实验参数包括：温度、压力和时间，根据所述实验参数获取所述双相钛合金的实验变量，其中，所述实验变量为材料成分；
对所述实验变量进行结构化处理，得到所述实验变量的结构化数据；
根据所述结构化数据和所述实验参数生成所述双相钛合金的实验数据。
详细地，所述双相钛合金是一种钛合金，具有两种不同的晶体结构（α相和β相）在室温下共存的特性，具有优异的强度、韧性和耐腐蚀性能；所述实验参数：用于描述实验过程中控制或调节的变量，如温度、压力、时间等；所述实验变量：在实验过程中可能发生变化的因素，如材料成分、处理方式等。
详细地，所述确定双相钛合金的实验参数是指根据实验设计的需求和目的，确定控制和调节实验过程所需的参数，例如：设定合金处理温度、保持时间等；所述根据所述实验参数获取所述双相钛合金的实验变量是指根据事先确定的实验参数，选择适当的实验方法和工艺，对双相钛合金进行处理，并记录实验中可能发生变化的因素，如材料成分、处理方式等；所述对实验变量进行结构化处理是指对实验中获取到的原始数据进行整理、清洗和转换，使其符合一定的格式和规范，便于后续数据处理和分析；所述生成双相钛合金的实验数据是指将经过结构化处理后的实验变量数据与实验参数结合起来，生成最终的实验数据，用于后续的分析和评价。
详细地，所述对所述实验变量进行结构化处理，得到所述实验变量的结构化数据，包括：
对所述实验变量进行数值格式转换，得到所述实验变量的转换变量；
对所述转换变量进行数据清洗，得到所述转换变量的清洗变量，其中，所述数据清洗包括：去除异常数据、填补缺失数据和校正错误数据；
提取所述清洗变量的统计变量特征，根据所述统计变量特征生成所述实验变量的结构化数据。
详细地，所述数值格式转换是指将实验变量的数据从原始格式转换为符合规定结构的格式，例如：将文本数据转换为数字或日期格式；所述数据清洗是指对转换后的实验变量数据进行处理，去除错误、缺失或异常值，并进行数据纠正和补充；统计变量特征的提取是指从清洗后的实验变量数据中提取有用的特征或属性，用于描述该变量的关键信息。
详细地，对实验变量进行数值格式转换是指根据实验变量的原始数据类型（文本或字符串），将其转换为适合处理和分析的数据类型（数字或日期格式），例如：将温度数据从文本格式（如：“25°C”）转换为数值格式（如：25）；所述对转换变量进行数据清洗是指对转换后的实验变量数据进行清洗，识别并处理可能存在的错误、缺失或异常值，确保数据的准确性和完整性，例如：去除温度数据中的异常值，如超出实验范围的数值。
详细地，提取所述清洗变量的统计变量特征是指从经过清洗的实验变量数据中提取重要的统计特征，所述统计特征可以是最大值、最小值、平均值等，以描述该实验变量的关键信息，例如：计算温度数据的平均值和标准差。
详细地，生成实验变量的结构化数据是指将提取的统计变量特征与原始实验变量数据进行组合，生成结构化的实验数据集，方便后续的数据分析和处理，例如：将温度数据的平均值和标准差与原始温度数据一起组成结构化的实验数据。
在本发明实施例中，参图2所示，所述根据预设的激光超声参数和预设的评价参数生成所述实验数据的分类数据，包括：
S21、根据预设的激光超声参数对所述实验数据进行数据选取，得到所述实验数据中的激光超声数据；
S22、根据预设的评价参数对所述实验数据进行数据选取，得到所述实验数据中的评价数据；
S23、建立所述评价数据和所述激光超声数据的数据关联，根据所述数据关联、所述评价数据和所述激光超声数据生成所述实验数据的分类数据。
详细地，所述预设的激光超声参数是指在实验设计之前，根据研究目的和需求，预先设定的用于控制和调节激光超声实验的参数，如激光功率、脉冲频率等；所述预设的评价参数是指在实验设计之前，根据研究目的和需求，预先设定的用于评价实验数据的参数，如信噪比、频谱特性等；所述实验数据的分类数据是指根据预设的激光超声参数和评价参数，将实验数据进行分类整理，并与激光超声数据和评价数据进行关联，形成结构化的数据集。
详细地，根据预设的激光超声参数对实验数据进行数据选取是指根据预设的激光超声参数，从原始实验数据中提取与激光超声实验相关的数据，例如提取激光功率和脉冲频率等数据，例如：从实验数据中筛选出在指定激光功率和脉冲频率范围内的数据。
详细地，根据预设的评价参数对实验数据进行数据选取是指根据预设的评价参数，从原始实验数据中提取用于评价实验数据质量的数据，例如信噪比和频谱特性等，例如：从实验数据中提取信号与噪声的比例、频谱分布等数据。
详细地，建立评价数据和激光超声数据的数据关联是指将选取得到的评价数据和对应的激光超声数据进行关联，建立它们之间的数据对应关系，例如：将信噪比和激光功率数据进行关联，形成评价数据和激光超声数据的对应关系。
详细地，根据数据关联、评价数据和激光超声数据生成实验数据的分类数据是指根据建立的数据关联关系，将评价数据和激光超声数据结合起来，生成符合规定结构的实验数据集，即将评价数据和激光超声数据组合成分类数据，例如：将信噪比、频谱特性等评价数据与对应的激光功率、脉冲频率等激光超声数据组合成分类数据。
详细地，参图3所示，所述根据预设的激光超声参数对所述实验数据进行数据选取，得到所述实验数据中的激光超声数据，包括：
S31、生成预设的激光超声参数的参数特征；
S32、计算所述参数特征与所述实验数据的数据相似度；
S33、根据预设的相似阈值和所述数据相似度对所述实验数据进行数据选取，得到所述实验数据中的激光超声数据。
详细地，生成预设的激光超声参数的参数特征是指将预设的激光超声参数转化为参数特征，例如激光功率、脉冲频率等，这些参数特征描述了需要选取的激光超声数据的属性。
详细地，计算参数特征与实验数据的数据相似度是指对于每条实验数据，计算其与预设的激光超声参数的参数特征之间的数据相似度，相似度可以通过各种方法计算，如余弦相似度、欧几里德距离等。
详细地，根据预设的相似阈值和数据相似度对实验数据进行数据选取是指设定一个相似度阈值，用于决定哪些实验数据属于激光超声数据，只有当实验数据与预设的激光超声参数的参数特征的数据相似度高于阈值时，该实验数据才被选取为激光超声数据。
进一步地，假设预设的激光超声参数为激光功率在10-50瓦之间，脉冲频率在100-1000赫兹之间，现有一组实验数据包含多条记录，每条记录都包括激光功率和脉冲频率，将根据预设的激光超声参数来选取符合条件的激光超声数据，其中，生成预设的激光超声参数的参数特征是指得到激光功率范围为10-50瓦，脉冲频率范围为100-1000赫兹；所述计算参数特征与实验数据的数据相似度是指对于每条实验数据，计算其激光功率和脉冲频率与预设的参数特征之间的数据相似度，例如，某条实验数据的激光功率为25瓦，脉冲频率为800赫兹，计算该实验数据与预设参数特征的数据相似度，可以使用余弦相似度等方法进行计算；所述根据预设的相似阈值和数据相似度对实验数据进行数据选取是指设置一个相似度阈值，例如：0.8，只有当实验数据与预设参数特征的数据相似度高于0.8时，该实验数据才被选取作为激光超声数据，例如：假设某条实验数据与预设参数特征的数据相似度为0.85，高于阈值0.8，那么该实验数据将被选取作为激光超声数据。
S2、利用预设的回归算法构建所述双相钛合金的润滑分析模型。
在本发明实施例中，所述预设的回归算法为：
；
其中，表示所述润滑分析模型的输出结果，/>是所述润滑分析模型的输入数据的数据标识，/>是所述输入数据的数据总数，/>是第/>个所述输入数据所对应的真实值，/>是第/>个所述输入数据所对应的预测值，/>是核函数，/>是第/>个所述输入数据的特征值，/>是所述输入数据的特征值，/>是偏置项。
详细地，在求和符号中，是指/>从/>到/>循环遍历每个输入数据；所述核函数用于度量所述输入数据的特征值/>和第/>个所述输入数据/>之间的相似性或相关性，它是根据所述输入数据的特征值/>和第个/>所述输入数据/>之间的特征计算得出的一个值；所述第/>个所述输入数据/>用于与所述输入数据的特征值/>进行比较和相似性计算；所述偏置项/>是用于调整所述润滑分析模型的偏移量或平衡所述润滑分析模型的预测值。
S3、利用所述分类数据生成所述润滑分析模型的训练集。
在本发明实施例中，所述利用所述分类数据生成所述润滑分析模型的训练集，包括：
确定所述分类数据的数据类别，利用所述数据类别生成所述分类数据的数据标签；
利用所述数据标签建立所述分类数据的关联关系；
根据所述关联关系、所述数据标签和所述分类数据生成所述润滑分析模型的训练集。
详细地，确定分类数据的数据类别是指首先需要确定对双相钛合金表面润滑进行分析所需的分类数据的数据类别，例如：可以包括润滑剂类型、润滑剂浓度、润滑时间等。
详细地，利用数据类别生成数据标签是指根据确定的分类数据的数据类别，将润滑实验所使用的不同类别的数据进行标注，例如：对于润滑剂类型，可以将不同类型的润滑剂标注为类别1：“油脂润滑剂”、类别2：“固体润滑剂”、类别3：“液体润滑剂”等。
详细地，建立分类数据的关联关系是指通过分析不同数据之间的关联程度，建立润滑实验数据之间的关联关系。例如：可以通过分析不同润滑剂类型对双相钛合金表面润滑性能的影响，计算不同润滑剂类型之间的相似度或相关性，并建立数据之间的关联关系。
详细地，根据关联关系、数据标签和分类数据生成润滑分析模型的训练集：根据实际需求和数据特点，选择合适的润滑实验数据集，并结合建立的关联关系和数据标签，构建润滑分析模型的训练集，例如：可以选择润滑剂类型、浓度等分类数据，并将其与润滑实验的摩擦系数、磨损率等指标进行关联，构建润滑分析模型的训练集。
进一步地，利用收集到的润滑实验数据（包括：润滑剂类型、浓度、润滑时间等），通过下述步骤进行润滑分析模型训练集的构建，首先确定数据类别为“润滑剂类型”，然后将不同类型的润滑剂数据标注为类别1：“油脂润滑剂”、类别2：“固体润滑剂”、类别3：“液体润滑剂”等；接着，根据润滑剂类型对双相钛合金表面润滑性能的影响，计算不同润滑剂类型之间的相关性，建立数据之间的关联关系；最后，结合数据标签和关联关系，选择润滑剂类型、浓度等分类数据，并将其与摩擦系数、磨损率等润滑实验指标进行关联，生成润滑分析模型的训练集。根据所构建的训练集和选用的算法，可以进行润滑性能预测和分析，评估不同润滑剂对双相钛合金表面润滑性能的影响。
S4、确定所述润滑分析模型的优化目标函数，根据所述训练集和所述优化目标函数对所述润滑分析模型进行模型优化，得到优化后的润滑分析模型。
在本发明实施例中，所述确定所述润滑分析模型的优化目标函数，包括：
根据所述润滑分析模型生成所述润滑分析模型的优化目标函数，其中，所述优化目标函数为：
；
其中，是所述优化目标函数的函数值，/>是最小值函数，/>是目标样本的总数，/>是样本标识，/>是所述训练集中的样本总数，/>是第/>个样本所对应的真实值，/>是第个样本的特征值，/>是第/>个样本所对应的预测值。
详细地，所述优化目标函数是指首先对训练集中的每个样本进行预测，并计算预测值与真实标签之间的差值的平方；然后，将这些差值的平方求和，再除以样本数量，得到一个样本的平均损失函数；最后，取前/>个样本的平均损失函数的平均值的最小值，得到。
详细地，这个优化目标函数的目的是找到能够使模型在前个样本上的平均损失函数最小化的参数配置或模型参数，以达到更好的拟合训练集数据的目标，通过优化目标函数，可以得到最佳参数配置，从而提高润滑分析模型的预测能力和性能。
在本发明实施例中，所述根据所述训练集和所述优化目标函数对所述润滑分析模型进行模型优化，得到优化后的润滑分析模型，包括：
对所述润滑分析模型进行参数初始化，得到初始化后的润滑分析模型；
将所述训练集中的样本数据输入值所述初始化后的润滑分析模型，得到所述初始化后的润滑分析模型的模型输出；
根据所述模型输出和所述训练集中的真实值生成所述初始化后的润滑分析模型的模型误差；
根据所述模型误差和所述优化目标函数对所述初始化后的润滑分析模型进行参数调优，直至所述初始化后的润滑分析模型对应的优化目标函数值小于预设的函数阈值时，确定所述初始化后的润滑分析模型的模型目标参数；
根据所述模型目标参数生成优化后的润滑分析模型。
详细地，可以使用训练集中的基于激光超声的双相钛合金表面润滑数据，来训练一个基于神经网络的润滑分析模型，通过反复迭代调整模型参数，优化模型的损失函数，直至优化目标函数值小于预设的函数阈值，最终确定最优的模型参数配置，生成优化后的润滑分析模型，以便在实际应用中对激光超声润滑进行预测和优化。
详细地，对润滑分析模型进行参数初始化意味着为模型设置初始权重，以便在训练过程中逐步调整它们，例如：可以随机生成一组初始化权重。
详细地，根据模型误差和优化目标函数，对初始化后的润滑分析模型进行参数调优，在这个过程中，可以使用反向传播算法来计算梯度，并使用随机梯度下降或其他优化算法来更新模型参数，这些步骤将重复多次，直到模型的优化目标函数值小于预设的函数阈值时为止。
详细地，确定初始化后的润滑分析模型的模型目标参数，一旦达到预设的函数阈值，模型的优化过程就结束了，此时，确定的模型参数即为模型的最优参数配置；最终，根据确定的模型参数，生成优化后的润滑分析模型，该模型将具有更好的预测性能和准确性，可以用于在实际应用中对基于激光超声的双相钛合金表面润滑进行分析和优化。
S5、利用优化后的润滑分析模型生成所述双相钛合金的最佳润滑效果所对应的最佳参数组合，利用所述最佳参数组合对所述双相钛合金进行表面润滑处理。
在本发明实施例中，所述利用优化后的润滑分析模型生成所述双相钛合金的最佳润滑效果所对应的最佳参数组合，包括：
获取所述双相钛合金的合金输入值，根据所述合金输入值和所述优化后的润滑分析模型生成所述双相钛合金的合金输出值；
对所述合金输出值进行数值分析，得到所述合金输出值的目标合金值，根据所述目标合金值确定所述双相钛合金的最佳润滑效果所对应的最佳参数组合。
详细地，获取双相钛合金的合金输入值是指从实际应用中获取双相钛合金的相关参数，例如：合金成分、晶粒大小等，这些参数将作为模型的输入。
详细地，根据优化后的润滑分析模型生成双相钛合金的合金输出值是指将合金输入值输入到优化后的润滑分析模型中，通过模型的预测能力，得到双相钛合金的合金输出值，这个输出值反映了润滑分析模型对于给定合金输入值所预测的润滑效果。
详细地，对合金输出值进行数值分析是指通过对合金输出值的数值分析，可以确定目标合金值。目标合金值是指满足特定润滑效果或性能要求的理想合金参数值，这可以通过与实验数据或已有知识进行比较来确定。
详细地，确定最佳参数组合是指根据目标合金值，确定最佳参数组合，这些参数组合将用于对双相钛合金进行表面润滑处理，所述最佳参数组合可以包括润滑剂的种类、浓度、施加时间和温度等参数。
进一步地，假设使用优化后的润滑分析模型来预测基于激光超声的双相钛合金的摩擦系数。首先，获取双相钛合金的合金输入值，例如：合金成分为Ti-6Al-4V、晶粒大小为10微米等；然后，将这些合金输入值输入到优化后的润滑分析模型中，生成双相钛合金的摩擦系数输出值；接下来，对摩擦系数输出值进行数值分析，比如与实验数据或已有知识进行对比，得到目标摩擦系数值，根据目标摩擦系数值，确定最佳参数组合，比如选择适当的润滑剂种类、浓度、施加时间和温度等参数；最终，根据确定的最佳参数组合，对双相钛合金进行表面润滑处理，以达到优化后的润滑效果，例如：选择合适的润滑剂、在适当的浓度下施加在双相钛合金表面，在合适的时间和温度条件下进行润滑处理。
在本发明实施例中，所述利用所述最佳参数组合对所述双相钛合金进行表面润滑处理，包括但不限于：根据所确定的最佳参数组合，选择适宜的润滑剂，按照最佳浓度进行调配，例如，可以选择含氟润滑剂，根据实际情况选择合适的润滑剂型号和浓度；将调配好的润滑剂施加到双相钛合金表面，这里可以采用不同的润滑方式，例如喷雾润滑、浸润润滑、刷涂润滑等，例如：可以采用喷雾润滑的方式，将调配好的含氟润滑剂均匀地喷洒于双相钛合金表面；可以利用激光超声设备对施加了润滑剂的双相钛合金表面进行处理，在操作时，可以设置合适的激光超声功率、频率和时间等参数，以达到最佳润滑效果；处理完成后，需要及时清洗双相钛合金表面，以去除多余的润滑剂和杂质，保证双相钛合金表面干净，例如：可以采用合适的清洗方法清洗双相钛合金表面，例如使用有机溶剂或者水等进行清洗。
本发明实施例通过获取双相钛合金的实验数据，并使用预设的激光超声参数和评价参数，生成分类数据，然后利用预设的回归算法构建润滑分析模型，在模型中，根据输入数据和预测值之间的差异，通过核函数和偏置项建立输入数据与真实值之间的关系，这样的建模过程可以更好地理解和分析双相钛合金表面润滑的特性和行为，利用优化后的润滑分析模型，可以生成双相钛合金最佳润滑效果所对应的最佳参数组合，这些最佳参数组合可以指导表面润滑处理的实施，确保在双相钛合金表面形成高效的润滑层，通过使用最佳参数组合进行表面润滑处理，可以降低摩擦和磨损，并提高双相钛合金的表面润滑效率，因此本发明提出基于激光超声的双相钛合金表面润滑方法，可以解决双相钛合金表面润滑效率较低的问题。
如图4所示，是本发明一实施例提供的基于激光超声的双相钛合金表面润滑装置的功能模块图。
本发明所述基于激光超声的双相钛合金表面润滑装置100可以安装于电子设备中。根据实现的功能，所述基于激光超声的双相钛合金表面润滑装置100可以包括数据分类模块101、模型构建模块102、训练集生成模块103、模型优化模块104及润滑处理模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据分类模块101，用于获取双相钛合金的实验数据，根据预设的激光超声参数和预设的评价参数生成所述实验数据的分类数据，其中，所述预设的激光超声参数包括：激光功率和脉冲频率，所述预设的评级参数包括：信噪比和频谱特性；
所述模型构建模块102，用于利用预设的回归算法构建所述双相钛合金的润滑分析模型，其中，所述预设的回归算法为：
；
其中，表示所述润滑分析模型的输出结果，/>是所述润滑分析模型的输入数据的数据标识，/>是所述输入数据的数据总数，/>是第/>个所述输入数据所对应的真实值，/>是第/>个所述输入数据所对应的预测值，/>是核函数，/>是第/>个所述输入数据的特征值，/>是所述输入数据的特征值，/>是偏置项；
所述训练集生成模块103，用于利用所述分类数据生成所述润滑分析模型的训练集；
所述模型优化模块104，用于确定所述润滑分析模型的优化目标函数，根据所述训练集和所述优化目标函数对所述润滑分析模型进行模型优化，得到优化后的润滑分析模型；
所述润滑处理模块105，用于利用优化后的润滑分析模型生成所述双相钛合金的最佳润滑效果所对应的最佳参数组合，利用所述最佳参数组合对所述双相钛合金进行表面润滑处理。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于激光超声的双相钛合金表面润滑方法，其特征在于，所述方法包括：
获取双相钛合金的实验数据，根据预设的激光超声参数和预设的评价参数生成所述实验数据的分类数据，其中，所述预设的激光超声参数包括：激光功率和脉冲频率，所述预设的评级参数包括：信噪比和频谱特性；
利用预设的回归算法构建所述双相钛合金的润滑分析模型，其中，所述预设的回归算法为：
；
其中，表示所述润滑分析模型的输出结果，/>是所述润滑分析模型的输入数据的数据标识，/>是所述输入数据的数据总数，/>是第/>个所述输入数据所对应的真实值，/>是第/>个所述输入数据所对应的预测值，/>是核函数，/>是第/>个所述输入数据的特征值，/>是所述输入数据的特征值，/>是偏置项；
利用所述分类数据生成所述润滑分析模型的训练集；
确定所述润滑分析模型的优化目标函数，根据所述训练集和所述优化目标函数对所述润滑分析模型进行模型优化，得到优化后的润滑分析模型；
利用优化后的润滑分析模型生成所述双相钛合金的最佳润滑效果所对应的最佳参数组合，利用所述最佳参数组合对所述双相钛合金进行表面润滑处理。
2.如权利要求1所述的基于激光超声的双相钛合金表面润滑方法，其特征在于，所述获取双相钛合金的实验数据，包括：
确定双相钛合金的实验参数，其中，所述实验参数包括：温度、压力和时间，根据所述实验参数获取所述双相钛合金的实验变量，其中，所述实验变量为材料成分；
对所述实验变量进行结构化处理，得到所述实验变量的结构化数据；
根据所述结构化数据和所述实验参数生成所述双相钛合金的实验数据。
3.如权利要求2所述的基于激光超声的双相钛合金表面润滑方法，其特征在于，所述对所述实验变量进行结构化处理，得到所述实验变量的结构化数据，包括：
对所述实验变量进行数值格式转换，得到所述实验变量的转换变量；
对所述转换变量进行数据清洗，得到所述转换变量的清洗变量，其中，所述数据清洗包括：去除异常数据、填补缺失数据和校正错误数据；
提取所述清洗变量的统计变量特征，根据所述统计变量特征生成所述实验变量的结构化数据。
4.如权利要求1所述的基于激光超声的双相钛合金表面润滑方法，其特征在于，所述根据预设的激光超声参数和预设的评价参数生成所述实验数据的分类数据，包括：
根据预设的激光超声参数对所述实验数据进行数据选取，得到所述实验数据中的激光超声数据；
根据预设的评价参数对所述实验数据进行数据选取，得到所述实验数据中的评价数据；
建立所述评价数据和所述激光超声数据的数据关联，根据所述数据关联、所述评价数据和所述激光超声数据生成所述实验数据的分类数据。
5.如权利要求4所述的基于激光超声的双相钛合金表面润滑方法，其特征在于，所述根据预设的激光超声参数对所述实验数据进行数据选取，得到所述实验数据中的激光超声数据，包括：
生成预设的激光超声参数的参数特征；
计算所述参数特征与所述实验数据的数据相似度；
根据预设的相似阈值和所述数据相似度对所述实验数据进行数据选取，得到所述实验数据中的激光超声数据。
6.如权利要求1所述的基于激光超声的双相钛合金表面润滑方法，其特征在于，所述利用所述分类数据生成所述润滑分析模型的训练集，包括：
确定所述分类数据的数据类别，利用所述数据类别生成所述分类数据的数据标签；
利用所述数据标签建立所述分类数据的关联关系；
根据所述关联关系、所述数据标签和所述分类数据生成所述润滑分析模型的训练集。
7.如权利要求1所述的基于激光超声的双相钛合金表面润滑方法，其特征在于，所述确定所述润滑分析模型的优化目标函数，包括：
根据所述润滑分析模型生成所述润滑分析模型的优化目标函数，其中，所述优化目标函数为：
；
其中，是所述优化目标函数的函数值，/>是最小值函数，/>是目标样本的总数，/>是样本标识，/>是所述训练集中的样本总数，/>是第/>个样本所对应的真实值，/>是第/>个样本的特征值，/>是第/>个样本所对应的预测值。
8.如权利要求1所述的基于激光超声的双相钛合金表面润滑方法，其特征在于，所述根据所述训练集和所述优化目标函数对所述润滑分析模型进行模型优化，得到优化后的润滑分析模型，包括：
对所述润滑分析模型进行参数初始化，得到初始化后的润滑分析模型；
将所述训练集中的样本数据输入值所述初始化后的润滑分析模型，得到所述初始化后的润滑分析模型的模型输出；
根据所述模型输出和所述训练集中的真实值生成所述初始化后的润滑分析模型的模型误差；
根据所述模型误差和所述优化目标函数对所述初始化后的润滑分析模型进行参数调优，直至所述初始化后的润滑分析模型对应的优化目标函数值小于预设的函数阈值时，确定所述初始化后的润滑分析模型的模型目标参数；
根据所述模型目标参数生成优化后的润滑分析模型。
9.如权利要求1至8中任一项所述的基于激光超声的双相钛合金表面润滑方法，其特征在于，所述利用优化后的润滑分析模型生成所述双相钛合金的最佳润滑效果所对应的最佳参数组合，包括：
获取所述双相钛合金的合金输入值，根据所述合金输入值和所述优化后的润滑分析模型生成所述双相钛合金的合金输出值；
对所述合金输出值进行数值分析，得到所述合金输出值的目标合金值，根据所述目标合金值确定所述双相钛合金的最佳润滑效果所对应的最佳参数组合。
10.一种基于激光超声的双相钛合金表面润滑装置，其特征在于，所述装置包括：
数据分类模块，用于获取双相钛合金的实验数据，根据预设的激光超声参数和预设的评价参数生成所述实验数据的分类数据，其中，所述预设的激光超声参数包括：激光功率和脉冲频率，所述预设的评级参数包括：信噪比和频谱特性；
模型构建模块，用于利用预设的回归算法构建所述双相钛合金的润滑分析模型，其中，所述预设的回归算法为：
；
其中，表示所述润滑分析模型的输出结果，/>是所述润滑分析模型的输入数据的数据标识，/>是所述输入数据的数据总数，/>是第/>个所述输入数据所对应的真实值，/>是第/>个所述输入数据所对应的预测值，/>是核函数，/>是第/>个所述输入数据的特征值，/>是所述输入数据的特征值，/>是偏置项；
训练集生成模块，用于利用所述分类数据生成所述润滑分析模型的训练集；
模型优化模块，用于确定所述润滑分析模型的优化目标函数，根据所述训练集和所述优化目标函数对所述润滑分析模型进行模型优化，得到优化后的润滑分析模型；
润滑处理模块，用于利用优化后的润滑分析模型生成所述双相钛合金的最佳润滑效果所对应的最佳参数组合，利用所述最佳参数组合对所述双相钛合金进行表面润滑处理。
CN202311338997.7A 2023-10-17 2023-10-17 基于激光超声的双相钛合金表面润滑方法及装置 Pending CN117074641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311338997.7A CN117074641A (zh) 2023-10-17 2023-10-17 基于激光超声的双相钛合金表面润滑方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311338997.7A CN117074641A (zh) 2023-10-17 2023-10-17 基于激光超声的双相钛合金表面润滑方法及装置

Publications (1)

Publication Number Publication Date
CN117074641A true CN117074641A (zh) 2023-11-17

Family

ID=88715655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311338997.7A Pending CN117074641A (zh) 2023-10-17 2023-10-17 基于激光超声的双相钛合金表面润滑方法及装置

Country Status (1)

Country Link
CN (1) CN117074641A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105344993A (zh) * 2015-12-04 2016-02-24 广东工业大学 一种温压制备铁硅铝软磁磁粉芯的方法
CN110443364A (zh) * 2019-06-21 2019-11-12 深圳大学 一种深度神经网络多任务超参数优化方法及装置
CN111401623A (zh) * 2020-03-12 2020-07-10 重庆大学 一种基于bp神经网络的喷丸强化表面完整性预测方法
CN116643020A (zh) * 2023-05-26 2023-08-25 江苏师范大学 基于高密度水基泡沫切削液提高铣削工件表面质量的方法
CN116882585A (zh) * 2023-07-28 2023-10-13 燕山大学 一种遗传算法和神经网络耦合的铝合金轮毂低压铸造工艺优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105344993A (zh) * 2015-12-04 2016-02-24 广东工业大学 一种温压制备铁硅铝软磁磁粉芯的方法
CN110443364A (zh) * 2019-06-21 2019-11-12 深圳大学 一种深度神经网络多任务超参数优化方法及装置
CN111401623A (zh) * 2020-03-12 2020-07-10 重庆大学 一种基于bp神经网络的喷丸强化表面完整性预测方法
CN116643020A (zh) * 2023-05-26 2023-08-25 江苏师范大学 基于高密度水基泡沫切削液提高铣削工件表面质量的方法
CN116882585A (zh) * 2023-07-28 2023-10-13 燕山大学 一种遗传算法和神经网络耦合的铝合金轮毂低压铸造工艺优化方法

Similar Documents

Publication Publication Date Title
CN110503531B (zh) 时序感知的动态社交场景推荐方法
CN107463993B (zh) 基于互信息-核主成分分析-Elman网络的中长期径流预报方法
CN107392368B (zh) 一种基于气象预报的办公建筑动态热负荷组合预测方法
CN109766583A (zh) 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法
Cui et al. Comprehensive remaining useful life prediction for rolling element bearings based on time-varying particle filtering
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
CN114297036B (zh) 数据处理方法、装置、电子设备及可读存储介质
CN107944612B (zh) 一种基于arima和相空间重构svr的母线净负荷预测方法
CN111158964B (zh) 一种磁盘故障预测方法、系统、装置及存储介质
JP2019511764A (ja) 質問を推薦する方法及び装置
CN112115004A (zh) 一种基于反向传播贝叶斯深度学习的硬盘寿命预测方法
CN110879927A (zh) 一种用于海目标检测的海杂波幅度统计分布现场建模方法
Schreiber et al. Generative adversarial networks for operational scenario planning of renewable energy farms: a study on wind and photovoltaic
Pang et al. Discrete Cosine Transformation and Temporal Adjacent Convolutional Neural Network‐Based Remaining Useful Life Estimation of Bearings
CN113203953B (zh) 基于改进型极限学习机的锂电池剩余使用寿命预测方法
CN117074641A (zh) 基于激光超声的双相钛合金表面润滑方法及装置
CN115628910B (zh) 一种基于迁移学习的嵌入式轴承故障诊断装置及设备
Luo et al. A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories
CN115293030A (zh) 基于深度互学习和动态特征构建的轴承剩余使用寿命预测方法
Tong et al. A prediction model for complex equipment remaining useful life using gated recurrent unit complex networks
CN116933119A (zh) 一种基于卷积神经网络的信号数据去除趋势方法
Pei et al. Multisensor Prognostic of RUL Based on EMD‐ESN
Cui et al. Research on Fault Detection Technology of Air-to-Air Missile Based on Data Mining
Shanqin et al. Gearbox Fault Diagnosis Method Based on PSM-BN
CN109740636B (zh) 基于AdaBoost结合GRU的地层油水层识别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20231117

RJ01 Rejection of invention patent application after publication