CN117139093B - 一种基于人工神经网络的热喷涂方法及系统 - Google Patents
一种基于人工神经网络的热喷涂方法及系统 Download PDFInfo
- Publication number
- CN117139093B CN117139093B CN202311417229.0A CN202311417229A CN117139093B CN 117139093 B CN117139093 B CN 117139093B CN 202311417229 A CN202311417229 A CN 202311417229A CN 117139093 B CN117139093 B CN 117139093B
- Authority
- CN
- China
- Prior art keywords
- spraying
- spray
- type
- test group
- spraying process
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 312
- 238000007751 thermal spraying Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000005507 spraying Methods 0.000 claims abstract description 348
- 239000000463 material Substances 0.000 claims abstract description 178
- 238000012360 testing method Methods 0.000 claims abstract description 146
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000012797 qualification Methods 0.000 claims abstract description 25
- 239000007921 spray Substances 0.000 claims description 144
- 238000001035 drying Methods 0.000 claims description 44
- 238000004458 analytical method Methods 0.000 claims description 33
- 238000013441 quality evaluation Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000001550 time effect Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 2
- 239000011248 coating agent Substances 0.000 abstract description 13
- 238000000576 coating method Methods 0.000 abstract description 13
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 239000000853 adhesive Substances 0.000 abstract description 3
- 230000001070 adhesive effect Effects 0.000 abstract description 3
- 230000007797 corrosion Effects 0.000 abstract description 3
- 238000005260 corrosion Methods 0.000 abstract description 3
- 230000002950 deficient Effects 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000011247 coating layer Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- B05D1/00—Processes for applying liquids or other fluent materials
- B05D1/02—Processes for applying liquids or other fluent materials performed by spraying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Application Of Or Painting With Fluid Materials (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于人工神经网络的热喷涂方法及系统，涉及热喷涂技术领域，通过对各喷涂材料进行评估，选择最佳喷涂工艺，可以提高喷涂质量，确保涂层的均匀性、附着力和耐久性等方面的要求，减少材料的浪费和喷涂过程中的不良品率，从而降低生产成本，通过选择最佳喷涂工艺，可以使涂层的性能得到优化，如提高耐腐蚀性、耐磨性、耐高温性等，从而提升产品的竞争力和市场价值，可以使喷涂过程更加稳定和高效，提高生产效率，减少生产周期，判断各喷涂工艺的性能是否合格，进而保证各试验试验结果的优良性和准确性，确定合格评估系数，可以帮助提高喷涂工艺的质量、降低成本、促进创新，并提升客户满意度。
Description
技术领域
本发明涉及热喷涂技术领域，具体涉及一种基于人工神经网络的热喷涂方法及系统。
背景技术
神经网络热喷涂是一种模仿人脑神经系统的喷涂工艺，通过模拟神经元之间的连接和信息传递来实现学习和预测，热喷涂是一种表面涂覆技术，通过喷涂高温喷嘴喷射的材料在基材表面形成涂层，神经网络热喷涂可以用于优化喷涂工艺过程中的参数选择、涂层质量预测和缺陷检测等任务；
当前技术在神经网络热喷涂优化方面缺乏智能化和自动化的能力，大部分的工艺优化仍然依赖于人工的试验和调整，缺乏高效和准确的自动化方法，很显然这种喷涂方式至少具有以下方面问题：
1、目前技术在没有得到各型号喷涂材料对应的最佳喷涂工艺的情况下，操作人员需要进行反复试验和调整，以找到最佳的喷涂参数。这样的试错过程非常耗时和耗费资源，导致生产效率低下，缺乏对各型号喷涂材料的最佳喷涂工艺的准确了解，可能导致涂层质量的不稳定性，不正确的喷涂参数选择或调整可能导致涂层的粘附力不足、厚度不均匀、孔隙率高等问题，影响涂层的性能和寿命；
2、同时，缺乏合格评估系数的准确性评估，无法确定各个喷涂工艺的性能是否符合要求，这可能导致无法及时发现和解决工艺问题，影响涂层的质量和性能，没有准确的评估指标和评估系数，无法对喷涂工艺参数进行优化，这可能导致工艺参数的选择不合理，无法达到最佳的喷涂效果和性能。
发明内容
针对上述存在的技术不足，本发明的目的是提供一种基于人工神经网络的热喷涂方法及系统。
为解决上述技术问题，本发明采用如下技术方案：本发明提供一种基于人工神经网络的热喷涂方法及系统，包括：步骤一、喷涂工艺性能的分析：根据历史喷涂数据，获取各喷涂工艺的性能指标，从而对各喷涂工艺的性能进行分析，进而得到各喷涂工艺对应的合格评估系数，并判断各喷涂工艺的性能是否合格；
步骤二、喷涂试验的设置：将判定合格的各喷涂工艺设置成若干个试验组，并将各喷涂工艺中各试验组中放置不同型号的待喷涂材料；
步骤三、干燥时间影响的分析：在喷涂试验完成后，设置若干个采集时间点，从而在各采集时间点采集各喷涂工艺中各试验组中各型号喷涂材料对应的干燥时间，进而获得各喷涂工艺中各试验组中各型号喷涂材料干燥时间对应的影响因子；
步骤四、喷涂材料的数据获取：当各喷涂工艺中各试验组对各型号喷涂材料喷涂完成后，从而采集各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数，进而获取各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数；
步骤五、喷涂材料的分析：根据各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数，从而对各喷涂工艺中各试验组中各型号喷涂材料对应的质量进行分析，进而得到对各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数；
步骤六、最佳喷涂工艺的获取：根据各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数，从而对各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数进行排列，进而得到各型号喷涂材料对应的最佳喷涂工艺；
步骤七、数据储存：储存各型号喷涂材料对应的最佳喷涂工艺。
优选地，所述性能指标包括准确率、精确率和召回率。
优选地，所述对各喷涂工艺的性能进行分析，具体分析过程如下：
将各喷涂工艺对应的准确率、精确率和召回率分别记为、/>和/>，其中，其中，/>表示各喷涂工艺对应的编号，/>，代入计算公式中，得到各喷涂工艺对应的合格评估系数/>，其中/>、/>、/>分别表示为预设的喷涂工艺对应的标准准确率、标准精确率、标准召回率，/>、/>、/>分别表示为喷涂工艺对应的准确率、精确率、召回率对应的权重因子。
优选地，所述判断各喷涂工艺的性能是否合格，具体判断过程如下：
将各喷涂工艺对应的合格评估系数和预设的标准喷涂工艺对应的合格评估系数进行对比，若某喷涂工艺对应的合格评估系数小于预设的标准喷涂工艺对应的合格评估系数，则判定该喷涂工艺的性能不合格，若某喷涂工艺对应的合格评估系数大于或者等于预设的标准喷涂工艺对应的合格评估系数，则判定该喷涂工艺的性能合格。
优选地，所述将判定合格的各喷涂工艺设置成若干个试验组，具体设置过程如下：
A1、将判定合格的各喷涂工艺设置成若干个试验组；
A2、将各喷涂工艺中各试验组中放置不同型号的待喷涂材料，并且各喷涂工艺中各试验组中各型号待喷涂材料的数量均为一个，同时，各喷涂工艺中各试验组中各型号待喷涂材料的参数均相同。
优选地，所述获得各喷涂工艺中各试验组中各型号喷涂材料干燥时间对应的影响因子，具体获得过程如下：
将各喷涂工艺中各试验组中各型号喷涂材料对应的初始干燥时间和各喷涂工艺中各试验组中各型号喷涂材料对应的完全干燥时间分别记为和/>，其中，/>表示各喷涂工艺对应的编号，/>，/>表示各试验组对应的编号，/>，/>表示各型号喷涂材料对应的编号，/>；
通过计算公式中，得到各喷涂工艺中各试验组中各型号喷涂材料干燥时间对应的影响因子/>，其中，/>为设定的喷涂材料干燥时间影响因子对应的修正因子。
优选地，所述喷涂参数包括厚度、附着度和粗糙度。
优选地，所述对各喷涂工艺中各试验组中各型号喷涂材料对应的质量进行分析，具体分析过程如下：
将各喷涂工艺中各试验组中各型号喷涂材料对应的厚度、附着度和粗糙度分别记为、/>和/>，其中，/>表示各喷涂工艺对应的编号，/>，/>表示各试验组对应的编号，/>，/>表示各型号喷涂材料对应的编号，/>，代入计算公式/>中，得到各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数/>，其中，/>、、/>分别表示为预设的喷涂材料对应的标准厚度、标准附着度、标准粗糙度，/>、、/>分别为预设的喷涂材料厚度、附着度、粗糙度对应的权重因子。
优选地，所述得到各型号喷涂材料对应的最佳喷涂工艺，具体得到过程如下：
将各喷涂工艺中各试验组中各相同型号喷涂材料对应的质量评估系数按照从大到小进行排列，将各相同型号喷涂材料中最大质量评估系数对应喷涂工艺作为该型号喷涂材料对应的最佳喷涂工艺。
本发明在第二方面提供了一种基于人工神经网络的热喷涂系统，包括：喷涂工艺性能的分析模块：用于根据历史喷涂数据，获取各喷涂工艺的性能指标，从而对各喷涂工艺的性能进行分析，进而得到各喷涂工艺对应的合格评估系数，并判断各喷涂工艺的性能是否合格；
喷涂试验的设置模块：用于将判定合格的各喷涂工艺设置成若干个试验组，并将各喷涂工艺中各试验组中放置不同型号的待喷涂材料；
干燥时间影响的分析模块：用于在喷涂试验完成后，设置若干个采集时间点，从而在各采集时间点采集各喷涂工艺中各试验组中各型号喷涂材料对应的干燥时间，进而获得各喷涂工艺中各试验组中各型号喷涂材料干燥时间对应的影响因子；
喷涂材料的数据获取模块：用于当各喷涂工艺中各试验组对各型号喷涂材料喷涂完成后，从而采集各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数，进而获取各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数；
喷涂材料的分析模块：用于根据各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数，从而对各喷涂工艺中各试验组中各型号喷涂材料对应的质量进行分析，进而得到对各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数；
最佳喷涂工艺的获取模块：用于根据各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数，从而对各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数进行排列，进而得到各型号喷涂材料对应的最佳喷涂工艺；
储存终端：用于储存各型号喷涂材料对应的最佳喷涂工艺。
本发明的有益效果在于：
1、通过对各喷涂材料进行评估，选择最佳喷涂工艺，可以提高喷涂质量，确保涂层的均匀性、附着力和耐久性等方面的要求，减少材料的浪费和喷涂过程中的不良品率，从而降低生产成本，通过选择最佳喷涂工艺，可以使涂层的性能得到优化，如提高耐腐蚀性、耐磨性、耐高温性等，从而提升产品的竞争力和市场价值，可以使喷涂过程更加稳定和高效，提高生产效率，减少生产周期；
2、根据历史喷涂数据，获取各喷涂工艺的性能指标，从而对各喷涂工艺的性能进行分析，进而得到各喷涂工艺对应的合格评估系数，并判断各喷涂工艺的性能是否合格，进而保证各试验试验结果的优良性和准确性，确定合格评估系数，并将合格的喷涂工艺设置为试验组，可以帮助提高喷涂工艺的质量、降低成本、促进创新，并提升客户满意度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明方法实施步骤流程图。
图2为本发明系统模块连接示意图。
具体实施方式
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，所描述的实施例仅仅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。
本发明实施例如图1所示，一种基于人工神经网络的热喷涂方法及系统，包括：步骤一、喷涂工艺性能的分析：根据历史喷涂数据，获取各喷涂工艺的性能指标，从而对各喷涂工艺的性能进行分析，进而得到各喷涂工艺对应的合格评估系数，并判断各喷涂工艺的性能是否合格。
根据历史喷涂数据，获取各喷涂工艺的性能指标，从而对各喷涂工艺的性能进行分析，进而得到各喷涂工艺对应的合格评估系数，并判断各喷涂工艺的性能是否合格，进而保证各试验试验结果的优良性和准确性，确定合格评估系数，并将合格的喷涂工艺设置为试验组，可以帮助提高喷涂工艺的质量、降低成本、促进创新，并提升客户满意度。
在一个具体的实施例中，所述性能指标包括准确率、精确率和召回率。
需要说明的是，准确率越高，喷涂工艺的性能越好，精确率越高，喷涂工艺的性能越好，召回率越低，喷涂工艺的性能越好。
在另一个具体的实施例中，所述对各喷涂工艺的性能进行分析，具体分析过程如下：
将各喷涂工艺对应的准确率、精确率和召回率分别记为、/>和/>，其中，其中，表示各喷涂工艺对应的编号，/>，代入计算公式中，得到各喷涂工艺对应的合格评估系数/>，其中/>、/>、/>分别表示为预设的喷涂工艺对应的标准准确率、标准精确率、标准召回率，/>、/>、/>分别表示为喷涂工艺对应的准确率、精确率、召回率对应的权重因子。
在另一个具体的实施例中，所述判断各喷涂工艺的性能是否合格，具体判断过程如下：
将各喷涂工艺对应的合格评估系数和预设的标准喷涂工艺对应的合格评估系数进行对比，若某喷涂工艺对应的合格评估系数小于预设的标准喷涂工艺对应的合格评估系数，则判定该喷涂工艺的性能不合格，若某喷涂工艺对应的合格评估系数大于或者等于预设的标准喷涂工艺对应的合格评估系数，则判定该喷涂工艺的性能合格。
步骤二、喷涂试验的设置：将判定合格的各喷涂工艺设置成若干个试验组，并将各喷涂工艺中各试验组中放置不同型号的待喷涂材料。
在一个具体的实施例中，所述将判定合格的各喷涂工艺设置成若干个试验组，具体设置过程如下：
A1、将判定合格的各喷涂工艺设置成若干个试验组；
A2、将各喷涂工艺中各试验组中放置不同型号的待喷涂材料，并且各喷涂工艺中各试验组中各型号待喷涂材料的数量均为一个，同时，各喷涂工艺中各试验组中各型号待喷涂材料的参数均相同。
需要说明的是，各喷涂工艺中各试验组中各型号待喷涂材料的参数包括喷涂材料名称、成分配比和固含量。
步骤三、干燥时间影响的分析：在喷涂试验完成后，设置若干个采集时间点，从而在各采集时间点采集各喷涂工艺中各试验组中各型号喷涂材料对应的干燥时间，进而获得各喷涂工艺中各试验组中各型号喷涂材料干燥时间对应的影响因子。
在一个具体的实施例中，所述获得各喷涂工艺中各试验组中各型号喷涂材料干燥时间对应的影响因子，具体获得过程如下：
将各喷涂工艺中各试验组中各型号喷涂材料对应的初始干燥时间和各喷涂工艺中各试验组中各型号喷涂材料对应的完全干燥时间分别记为和/>，其中，/>表示各喷涂工艺对应的编号，/>，/>表示各试验组对应的编号，/>，表示各型号喷涂材料对应的编号，/>；
通过计算公式中，得到各喷涂工艺中各试验组中各型号喷涂材料干燥时间对应的影响因子/>，其中，/>为设定的喷涂材料干燥时间影响因子对应的修正因子。
需要说明的是，各型号喷涂材料的干燥时间可能会有所不同，这取决于材料的组成、粘度、固化机制等因素，初始干燥时间是指喷涂材料施涂后开始形成干燥膜的时间，完全干燥时间是指喷涂材料需要经过的完全固化过程，以使得喷涂膜完全干燥并达到其设计性能要求。
步骤四、喷涂材料的数据获取：当各喷涂工艺中各试验组对各型号喷涂材料喷涂完成后，从而采集各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数，进而获取各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数。
在一个具体的实施例中，所述喷涂参数包括厚度、附着度和粗糙度。
需要说明的是，使用厚度计测量每个样本的涂层厚度，使用剥离强度测试仪测量每个样本的附着度，使用粗糙度测量仪测量每个样本的表面粗糙度。
步骤五、喷涂材料的分析：根据各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数，从而对各喷涂工艺中各试验组中各型号喷涂材料对应的质量进行分析，进而得到对各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数。
在一个具体的实施例中，所述对各喷涂工艺中各试验组中各型号喷涂材料对应的质量进行分析，具体分析过程如下：
将各喷涂工艺中各试验组中各型号喷涂材料对应的厚度、附着度和粗糙度分别记为、/>和/>，其中，/>表示各喷涂工艺对应的编号，/>，/>表示各试验组对应的编号，/>，/>表示各型号喷涂材料对应的编号，/>，代入计算公式/>中，得到各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数/>，其中，/>、、/>分别表示为预设的喷涂材料对应的标准厚度、标准附着度、标准粗糙度，/>、、/>分别为预设的喷涂材料厚度、附着度、粗糙度对应的权重因子。
步骤六、最佳喷涂工艺的获取：根据各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数，从而对各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数进行排列，进而得到各型号喷涂材料对应的最佳喷涂工艺。
在一个具体的实施例中，所述得到各型号喷涂材料对应的最佳喷涂工艺，具体得到过程如下：
将各喷涂工艺中各试验组中各相同型号喷涂材料对应的质量评估系数按照从大到小进行排列，将各相同型号喷涂材料中最大质量评估系数对应喷涂工艺作为该型号喷涂材料对应的最佳喷涂工艺。
需要说明的是，喷涂工艺包括喷涂距离、喷涂速度、喷涂压力和喷涂角度等。
本发明实施例如图2所示，本发明提供一种基于人工神经网络的热喷涂系统，包括：喷涂工艺性能的分析模块、喷涂试验的设置模块、干燥时间影响的分析模块、喷涂材料的数据获取模块、喷涂材料的分析模块、最佳喷涂工艺的获取模块和储存终端。
所述喷涂试验的设置模块分别与喷涂工艺性能的分析模块和干燥时间影响的分析模块连接，所述喷涂材料的数据获取模块分别与干燥时间影响的分析模块和喷涂材料的分析模块连接，所述最佳喷涂工艺的获取模块分别与喷涂材料的分析模块和储存终端连接。
喷涂工艺性能的分析模块：用于根据历史喷涂数据，获取各喷涂工艺的性能指标，从而对各喷涂工艺的性能进行分析，进而得到各喷涂工艺对应的合格评估系数，并判断各喷涂工艺的性能是否合格；
喷涂试验的设置模块：用于将判定合格的各喷涂工艺设置成若干个试验组，并将各喷涂工艺中各试验组中放置不同型号的待喷涂材料；
干燥时间影响的分析模块：用于在喷涂试验完成后，设置若干个采集时间点，从而在各采集时间点采集各喷涂工艺中各试验组中各型号喷涂材料对应的干燥时间，进而获得各喷涂工艺中各试验组中各型号喷涂材料干燥时间对应的影响因子；
喷涂材料的数据获取模块：用于当各喷涂工艺中各试验组对各型号喷涂材料喷涂完成后，从而采集各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数，进而获取各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数；
喷涂材料的分析模块：用于根据各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数，从而对各喷涂工艺中各试验组中各型号喷涂材料对应的质量进行分析，进而得到对各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数；
最佳喷涂工艺的获取模块：用于根据各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数，从而对各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数进行排列，进而得到各型号喷涂材料对应的最佳喷涂工艺；
储存终端：用于储存各型号喷涂材料对应的最佳喷涂工艺。
通过对各喷涂材料进行评估，选择最佳喷涂工艺，可以提高喷涂质量，确保涂层的均匀性、附着力和耐久性等方面的要求，减少材料的浪费和喷涂过程中的不良品率，从而降低生产成本，通过选择最佳喷涂工艺，可以使涂层的性能得到优化，如提高耐腐蚀性、耐磨性、耐高温性等，从而提升产品的竞争力和市场价值，可以使喷涂过程更加稳定和高效，提高生产效率，减少生产周期。
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 (5)
1.一种基于人工神经网络的热喷涂方法，其特征在于，包括：
步骤一、喷涂工艺性能的分析：根据历史喷涂数据，获取各喷涂工艺的性能指标，从而对各喷涂工艺的性能进行分析，进而得到各喷涂工艺对应的合格评估系数，并判断各喷涂工艺的性能是否合格；
步骤二、喷涂试验的设置：将判定合格的各喷涂工艺设置成若干个试验组，并将各喷涂工艺中各试验组中放置不同型号的待喷涂材料；
步骤三、干燥时间影响的分析：在喷涂试验完成后，设置若干个采集时间点，从而在各采集时间点采集各喷涂工艺中各试验组中各型号喷涂材料对应的干燥时间，进而获得各喷涂工艺中各试验组中各型号喷涂材料干燥时间对应的影响因子；
步骤四、喷涂材料的数据获取：当各喷涂工艺中各试验组对各型号喷涂材料喷涂完成后，从而采集各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数，进而获取各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数；
步骤五、喷涂材料的分析：根据各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数，从而对各喷涂工艺中各试验组中各型号喷涂材料对应的质量进行分析，进而得到对各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数；
步骤六、最佳喷涂工艺的获取：根据各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数，从而对各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数进行排列，进而得到各型号喷涂材料对应的最佳喷涂工艺；
步骤七、数据储存：储存各型号喷涂材料对应的最佳喷涂工艺；
所述性能指标包括准确率、精确率和召回率；
所述对各喷涂工艺的性能进行分析，具体分析过程如下：
将各喷涂工艺对应的准确率、精确率和召回率分别记为、/>和/>，其中，其中，/>表示各喷涂工艺对应的编号，/>，代入计算公式中，得到各喷涂工艺对应的合格评估系数/>，其中/>、/>、/>分别表示为预设的喷涂工艺对应的标准准确率、标准精确率、标准召回率，/>、/>、/>分别表示为喷涂工艺对应的准确率、精确率、召回率对应的权重因子；
所述获得各喷涂工艺中各试验组中各型号喷涂材料干燥时间对应的影响因子，具体获得过程如下：
将各喷涂工艺中各试验组中各型号喷涂材料对应的初始干燥时间和各喷涂工艺中各试验组中各型号喷涂材料对应的完全干燥时间分别记为和/>，其中，/>表示各喷涂工艺对应的编号，/>，/>表示各试验组对应的编号，/>，/>表示各型号喷涂材料对应的编号，/>；
通过计算公式中，得到各喷涂工艺中各试验组中各型号喷涂材料干燥时间对应的影响因子/>，其中，/>为设定的喷涂材料干燥时间影响因子对应的修正因子；
所述喷涂参数包括厚度、附着度和粗糙度；
所述对各喷涂工艺中各试验组中各型号喷涂材料对应的质量进行分析，具体分析过程如下：
将各喷涂工艺中各试验组中各型号喷涂材料对应的厚度、附着度和粗糙度分别记为、/>和/>，其中，/>表示各喷涂工艺对应的编号，/>，/>表示各试验组对应的编号，/>，/>表示各型号喷涂材料对应的编号，/>，代入计算公式/>中，得到各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数/>，其中，/>、/>、/>分别表示为预设的喷涂材料对应的标准厚度、标准附着度、标准粗糙度，/>、/>、/>分别为预设的喷涂材料厚度、附着度、粗糙度对应的权重因子。
2.如权利要求1所述的一种基于人工神经网络的热喷涂方法，其特征在于，所述判断各喷涂工艺的性能是否合格，具体判断过程如下：
将各喷涂工艺对应的合格评估系数和预设的标准喷涂工艺对应的合格评估系数进行对比，若某喷涂工艺对应的合格评估系数小于预设的标准喷涂工艺对应的合格评估系数，则判定该喷涂工艺的性能不合格，若某喷涂工艺对应的合格评估系数大于或者等于预设的标准喷涂工艺对应的合格评估系数，则判定该喷涂工艺的性能合格。
3.如权利要求2所述的一种基于人工神经网络的热喷涂方法，其特征在于，所述将判定合格的各喷涂工艺设置成若干个试验组，具体设置过程如下：
A1、将判定合格的各喷涂工艺设置成若干个试验组；
A2、将各喷涂工艺中各试验组中放置不同型号的待喷涂材料，并且各喷涂工艺中各试验组中各型号待喷涂材料的数量均为一个，同时，各喷涂工艺中各试验组中各型号待喷涂材料的参数均相同。
4.如权利要求1所述的一种基于人工神经网络的热喷涂方法，其特征在于，所述得到各型号喷涂材料对应的最佳喷涂工艺，具体得到过程如下：
将各喷涂工艺中各试验组中各相同型号喷涂材料对应的质量评估系数按照从大到小进行排列，将各相同型号喷涂材料中最大质量评估系数对应喷涂工艺作为该型号喷涂材料对应的最佳喷涂工艺。
5.一种执行权利要求1-4任一项所述的一种基于人工神经网络的热喷涂系统，其特征在于，包括：
喷涂工艺性能的分析模块：用于根据历史喷涂数据，获取各喷涂工艺的性能指标，从而对各喷涂工艺的性能进行分析，进而得到各喷涂工艺对应的合格评估系数，并判断各喷涂工艺的性能是否合格；
喷涂试验的设置模块：用于将判定合格的各喷涂工艺设置成若干个试验组，并将各喷涂工艺中各试验组中放置不同型号的待喷涂材料；
干燥时间影响的分析模块：用于在喷涂试验完成后，设置若干个采集时间点，从而在各采集时间点采集各喷涂工艺中各试验组中各型号喷涂材料对应的干燥时间，进而获得各喷涂工艺中各试验组中各型号喷涂材料干燥时间对应的影响因子；
喷涂材料的数据获取模块：用于当各喷涂工艺中各试验组对各型号喷涂材料喷涂完成后，从而采集各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数，进而获取各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数；
喷涂材料的分析模块：用于根据各喷涂工艺中各试验组中各型号喷涂材料对应的喷涂参数，从而对各喷涂工艺中各试验组中各型号喷涂材料对应的质量进行分析，进而得到对各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数；
最佳喷涂工艺的获取模块：用于根据各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数，从而对各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数进行排列，进而得到各型号喷涂材料对应的最佳喷涂工艺；
储存终端：用于储存各型号喷涂材料对应的最佳喷涂工艺；
所述性能指标包括准确率、精确率和召回率；
所述对各喷涂工艺的性能进行分析，具体分析过程如下：
将各喷涂工艺对应的准确率、精确率和召回率分别记为、/>和/>，其中，其中，/>表示各喷涂工艺对应的编号，/>，代入计算公式中，得到各喷涂工艺对应的合格评估系数/>，其中/>、/>、/>分别表示为预设的喷涂工艺对应的标准准确率、标准精确率、标准召回率，/>、/>、/>分别表示为喷涂工艺对应的准确率、精确率、召回率对应的权重因子；
所述获得各喷涂工艺中各试验组中各型号喷涂材料干燥时间对应的影响因子，具体获得过程如下：
将各喷涂工艺中各试验组中各型号喷涂材料对应的初始干燥时间和各喷涂工艺中各试验组中各型号喷涂材料对应的完全干燥时间分别记为和/>，其中，/>表示各喷涂工艺对应的编号，/>，/>表示各试验组对应的编号，/>，/>表示各型号喷涂材料对应的编号，/>；
通过计算公式中，得到各喷涂工艺中各试验组中各型号喷涂材料干燥时间对应的影响因子/>，其中，/>为设定的喷涂材料干燥时间影响因子对应的修正因子；
所述喷涂参数包括厚度、附着度和粗糙度；
所述对各喷涂工艺中各试验组中各型号喷涂材料对应的质量进行分析，具体分析过程如下：
将各喷涂工艺中各试验组中各型号喷涂材料对应的厚度、附着度和粗糙度分别记为、/>和/>，其中，/>表示各喷涂工艺对应的编号，/>，/>表示各试验组对应的编号，/>，/>表示各型号喷涂材料对应的编号，/>，代入计算公式/>中，得到各喷涂工艺中各试验组中各型号喷涂材料对应的质量评估系数/>，其中，/>、、/>分别表示为预设的喷涂材料对应的标准厚度、标准附着度、标准粗糙度，/>、、/>分别为预设的喷涂材料厚度、附着度、粗糙度对应的权重因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311417229.0A CN117139093B (zh) | 2023-10-30 | 2023-10-30 | 一种基于人工神经网络的热喷涂方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311417229.0A CN117139093B (zh) | 2023-10-30 | 2023-10-30 | 一种基于人工神经网络的热喷涂方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117139093A CN117139093A (zh) | 2023-12-01 |
| CN117139093B true CN117139093B (zh) | 2024-01-02 |
Family
ID=88899111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311417229.0A Active CN117139093B (zh) | 2023-10-30 | 2023-10-30 | 一种基于人工神经网络的热喷涂方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117139093B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117418185B (zh) * | 2023-12-18 | 2024-03-12 | 江苏凯威特斯半导体科技有限公司 | 一种等离子喷涂方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109234661A (zh) * | 2018-09-21 | 2019-01-18 | 北京联合涂层技术有限公司 | 一种基于人工神经网络的热喷涂方法及系统 |
| CN115983113A (zh) * | 2022-12-16 | 2023-04-18 | 安徽信息工程学院 | 一种全连接神经网络模型下的丝印工艺优化方法 |
| CN116842527A (zh) * | 2023-07-13 | 2023-10-03 | 陕西财经职业技术学院 | 一种数据安全风险评估方法 |
| CN116935009A (zh) * | 2023-09-19 | 2023-10-24 | 中南大学 | 基于历史数据分析进行预测的手术导航系统 |
-
2023
- 2023-10-30 CN CN202311417229.0A patent/CN117139093B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109234661A (zh) * | 2018-09-21 | 2019-01-18 | 北京联合涂层技术有限公司 | 一种基于人工神经网络的热喷涂方法及系统 |
| CN115983113A (zh) * | 2022-12-16 | 2023-04-18 | 安徽信息工程学院 | 一种全连接神经网络模型下的丝印工艺优化方法 |
| CN116842527A (zh) * | 2023-07-13 | 2023-10-03 | 陕西财经职业技术学院 | 一种数据安全风险评估方法 |
| CN116935009A (zh) * | 2023-09-19 | 2023-10-24 | 中南大学 | 基于历史数据分析进行预测的手术导航系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117139093A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117139093B (zh) | 一种基于人工神经网络的热喷涂方法及系统 | |
| CN114280076B (zh) | 一种基于机器视觉的产品表面粉末喷涂质量监测分析管理系统 | |
| CN101806690A (zh) | 一种基于纳米压痕连续刚度曲线的薄膜和膜基界面的物理性质测试方法 | |
| CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
| CN116298225A (zh) | 一种陶粒生产工序在线监控分析系统 | |
| CN102357933A (zh) | 一种基于橡胶混炼过程的质量实时监控方法 | |
| CN114720899A (zh) | 退役电池梯次利用分选方法及系统、电子设备、存储介质 | |
| CN200989760Y (zh) | 非金属涂层阶梯试块 | |
| CN109375143A (zh) | 一种确定智能电能表剩余寿命的方法 | |
| CN116881530B (zh) | 一种基于深度学习的器件表面缺陷检测系统 | |
| CN103528998B (zh) | 镀膜光伏玻璃透光率检测方法 | |
| CN116579657A (zh) | 一种增材制造的金属点阵夹芯结构产品质量评价方法 | |
| CN107561452A (zh) | 一种蓄电池组健康度的评估方法 | |
| CN109614758A (zh) | 具有空间相关性的圆形形状误差的监控方法 | |
| CN110852615A (zh) | 一种典型环境下智能电能表可靠性综合评价模型 | |
| CN109933031A (zh) | 一种根据化验数据自动校正软测量仪表的系统及方法 | |
| CN101839707A (zh) | 一种基于纳米压痕卸载曲线的薄膜厚度测试方法 | |
| CN112945839A (zh) | 一种混凝土道面耐久性试验方法 | |
| CN117890214B (zh) | 一种基于机器视觉的铝模板质检检测方法 | |
| CN111091153B (zh) | 一种纸页松厚度软测量方法 | |
| CN116977116B (zh) | 一种基于智能制造工厂的防水材料生产智能监测管理系统 | |
| CN114088563A (zh) | 一种镀层钢板涂层耐磨性能的实验方法 | |
| Wang | Research on accelerated degradation test and reliability evaluation method of electromechanical products | |
| CN116500456B (zh) | 一种基于机器学习的三元锂电池容量检测方法 | |
| CN115563489B (zh) | 超差表检出方法、装置及计算机存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |