CN117331385A - 电子束熔炼金属铌控温方法 - Google Patents
电子束熔炼金属铌控温方法 Download PDFInfo
- Publication number
- CN117331385A CN117331385A CN202311634389.0A CN202311634389A CN117331385A CN 117331385 A CN117331385 A CN 117331385A CN 202311634389 A CN202311634389 A CN 202311634389A CN 117331385 A CN117331385 A CN 117331385A
- Authority
- CN
- China
- Prior art keywords
- data
- electron beam
- smelting
- machine learning
- preheating
- 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.)
- Granted
Links
- 238000003723 Smelting Methods 0.000 title claims abstract description 192
- 238000010894 electron beam technology Methods 0.000 title claims abstract description 189
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 143
- 239000002184 metal Substances 0.000 title claims abstract description 142
- GUCVJGMIXFAOAE-UHFFFAOYSA-N niobium atom Chemical compound [Nb] GUCVJGMIXFAOAE-UHFFFAOYSA-N 0.000 title claims abstract description 107
- 229910052758 niobium Inorganic materials 0.000 title claims abstract description 103
- 239000010955 niobium Substances 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000001816 cooling Methods 0.000 claims abstract description 190
- 238000010801 machine learning Methods 0.000 claims abstract description 113
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000033228 biological regulation Effects 0.000 claims abstract description 35
- 238000002844 melting Methods 0.000 claims abstract description 32
- 230000008018 melting Effects 0.000 claims abstract description 32
- 239000000843 powder Substances 0.000 claims description 96
- 239000007789 gas Substances 0.000 claims description 46
- 239000010410 layer Substances 0.000 claims description 39
- 239000011261 inert gas Substances 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 37
- 239000000523 sample Substances 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 230000007480 spreading Effects 0.000 claims description 12
- 238000003892 spreading Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001276 controlling effect Effects 0.000 claims description 10
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000000465 moulding Methods 0.000 abstract description 4
- 238000012797 qualification Methods 0.000 abstract description 4
- 238000007670 refining Methods 0.000 abstract description 2
- 239000001301 oxygen Substances 0.000 description 10
- 229910052760 oxygen Inorganic materials 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 8
- 230000007547 defect Effects 0.000 description 8
- 239000010936 titanium Substances 0.000 description 8
- 229910052719 titanium Inorganic materials 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000035882 stress Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002745 absorbent Effects 0.000 description 2
- 239000002250 absorbent Substances 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 238000004781 supercooling Methods 0.000 description 2
- 230000008646 thermal stress Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
- C22B34/00—Obtaining refractory metals
- C22B34/20—Obtaining niobium, tantalum or vanadium
- C22B34/24—Obtaining niobium or tantalum
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
- C22B9/00—General processes of refining or remelting of metals; Apparatus for electroslag or arc remelting of metals
- C22B9/16—Remelting metals
- C22B9/22—Remelting metals with heating by wave energy or particle radiation
- C22B9/228—Remelting metals with heating by wave energy or particle radiation by particle radiation, e.g. electron beams
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- 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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Organic Chemistry (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Metallurgy (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Plasma & Fusion (AREA)
- Toxicology (AREA)
- Automation & Control Theory (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明属于金属精炼技术领域，本发明公开了电子束熔炼金属铌控温方法；包括采集历史熔炼数据；根据历史熔炼数据训练出预测电子束数据集的第一机器学习模型；采集历史影响预热数据和预热温度数据集；采集产出金属铌形状数据、历史影响冷却数据和冷却温度数据集；根据历史影响预热数据和预热温度数据集训练出第二机器学习模型；根据历史影响冷却数据和冷却温度数据集训练出第三机器学习模型；将实时熔炼特征数据、影响预热数据和影响冷却数据输入分别输入第一、第二、第三机器学习模型，获得编号；进行第一、第二、第三调控；不再依赖技术人员的经验,提升了金属铌成型的合格率和质量。
Description
技术领域
本发明涉及金属精炼技术领域，更具体地说，本发明涉及电子束熔炼金属铌控温方法。
背景技术
授权公告号为CN108504879B的专利公开了一种低氧高纯钛锭的电子束熔炼方法及其装置，所述的低氧高纯钛锭是指钛锭纯度达到国家标准，同时含氧量低于国家标准，满足电子行业的要求。所述的电子束熔炼方法，不采用在待熔原料及熔体中直接加入吸氧剂，而是在熔炼环境中放置镁、钙、锂等夺氧能力比钛更强的吸氧剂，熔炼过程中捕收钛本体及真空环境中的氧，阻止氧与钛反应，从而减少高纯钛锭中的氧含量，显著提升高纯钛锭产品品质。
现有技术当电子束熔炼金属铌的过程中铺粉的厚度出现变化时,电子束参数难以手动调节到最优,导致熔炼效果不佳；例如当铺粉厚度从2mm变化到5mm时,如果仍然使用相同的电子束参数,可能会造成熔炼不充分,产生裂纹；在电子束熔炼金属铌时，预热可以减小金属粉末与电子束产生温度之间的温度差,避免因为温差应力导致的熔炼的金属铌产生热裂纹；预热温度和预热的时间凭借经验可能会导致预热不到位，在电子束开启熔炼时可能会导致金属铌出现热裂纹；在电子束熔炼的金属铌成型时，冷却的曲线依靠经验设定,对不同形状的金属铌冷却效果不佳,产生缺陷；例如，冷却时间过短,大块金属中心仍处于高温时,表面快速冷却会产生应力和裂纹；现有的经验控制方法复杂繁琐,依赖技术人员的经验进行手动调节,无法实现熔炼控温过程的自动化,使得制程稳定性较差,不利于金属铌成型的合格率和质量的提升；另外,现有经验控制由于调节不当可能会造成电子束熔炼效果不佳,增加了生产损耗,从而增加了生产成本；
鉴于此，本发明提出电子束熔炼金属铌控温方法以解决上述问题。
发明内容
为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：电子束熔炼金属铌控温方法，包括：采集历史熔炼数据；
历史熔炼数据包括历史熔炼特征数据以及与历史熔炼特征数据对应的电子束数据集；
根据历史熔炼数据训练出预测电子束数据集的第一机器学习模型；
采集惰性气体流速数据,将惰性气体流速数据和历史熔炼数据作为历史影响预热数据;采集与历史影响预热数据对应的预热温度数据集；
采集产出金属铌形状数据，将惰性气体流速数据、产出金属铌形状数据和历史熔炼数据作为历史影响冷却数据；采集与历史影响冷却数据对应的冷却温度数据集；
根据历史影响预热数据以及与历史影响预热数据对应的预热温度数据集训练出预测预热温度数据集的第二机器学习模型；
根据历史影响冷却数据以及与历史影响冷却数据对应的冷却温度数据集训练出预测冷却温度数据集的第三机器学习模型；
将实时熔炼特征数据输入训练完成的第一机器学习模型，获得电子束数据集编号；根据预测的电子束数据集编号对应的电子束数据集对电子束进行第一调控；
将实时影响预热数据输入训练好的第二机器学习模型获得预热温度数据集编号；根据预测的预热温度数据集编号对应的预热温度数据集对熔炼预热过程进行第二调控；
将实时影响冷却数据输入训练好的第三机器学习模型获得冷却温度数据集编号；根据预测的冷却温度数据集编号对应的冷却温度数据集对熔炼冷却过程进行第三调控。
进一步地，历史熔炼特征数据包括铺粉厚度数据和熔炼质量数据；
历史熔炼特征数据对应的电子束数据集包括电子束扫描速度、电子束功率和电子束焦距；
预热温度数据集包括预热温度值和预热时间；
冷却温度数据集包括开始冷却温度值、持续冷却温度值、温度变化时间和持续冷却时间；
预热温度值、开始冷却温度值和持续冷却温度值均通过安装在熔炼腔室的温度传感器获取；预热时间、温度变化时间和持续冷却时间均通过计时器获取。
进一步地，铺粉厚度数据的获取方式如下：
在铺粉平台上方安装激光测距传感器，设置激光测距传感器到铺粉平台的距离为H；激光测距传感器用于测量金属粉末表面距离激光测距传感器的距离H1，则金属粉末上表面到铺粉平台的距离为H-H1，即金属粉末表面高度；每次铺粉轮进行铺粉前监测并计算金属粉末表面高度，记录为基准高度H2，铺粉轮开始铺粉至第一次铺粉结束,检测此时金属粉末表面高度H3；则单层铺粉厚度H4=H3-H2；则单层铺粉厚度H4即为铺粉厚度数据；
熔炼质量数据通过安装到铺粉平台上的称重传感器获取；
电子束扫描速度的获取步骤如下：
S1.在电子束扫描器控制扫描X轴和Y轴方向的运动机构上安装增量式旋转编码器；
S2.用计数器来统计单位时间内增量式旋转编码器输出的脉冲数量/>,则电机主轴转速/>；
S3.电机主轴转速与扫描速度/>存在比例关系式如下：
；
其中，是传动比,/>是螺杆导程；将根据增量式旋转编码器以及计数器计算得到的电机主轴转速/>代入比例关系式,并查询运动机构参数/>和/>代入比例关系式,即得出实时的扫描速度/>，/>即为电子束扫描速度；
电子束功率通过在电子束电源输入端安装电力计获取；
电子束焦距的获取方式如下：
在熔炼腔上方安装热响应摄像头,热响应摄像头可以传感入射的红外辐射,形成热分布图像；当电子束照射金属铌粉末时,会在粉末表面产生高温区域；热响应摄像头捕捉热分布图像,将热分布图像发送至工业计算机，工业计算机根据热分布图像提取出高温度区域的形状轮廓即焦距区域，获取焦距区域内的像素点的数量，根据热分布图像的分辨率获取热分布图像每个像素点的面积/>；则焦距区域面积/>；焦距区域面积即为电子束焦距。
进一步地，将历史熔炼特征数据以及和历史熔炼特征数据对应的电子束数据集作为样本集；
对电子束数据集进行数值编号；
将历史熔炼特征数据构建特征向量P；使用keras定义输入层和输出层并搭建机器学习框架；特征向量P作为输入层数据，电子束数据集编号作为输出层数据；
将样本集划分为训练集和测试集，构建第一机器学习模型，对第一机器学习模型进行训练，得到初始第一机器学习模型，利用测试集对初始第一机器学习模型进行测试，输出满足预设准确度的初始第一机器学习模型，所述机器学习模型为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种。
进一步地，惰性气体流速数据的获取方式如下：
将差压式气体流量计安装在气体入口管道上；差压式气体流量计内部具有两个压力探头，使气体流经两个压力探头；差压式气体流量计内置传感器实时测量两个探头间的气体静压差；查询得到差压式气体流量计系数/>、气体入口管道的横截面积/>以及所测惰性气体的气体密度/>，将/>、/>、/>、/>代入伯努利方程可得气体体积流量；又根据气体体积流量是气体流速和横截面积的乘积可得气体流速，/>即为惰性气体流速数据；
产出金属铌形状数据的获取方式如下：
S1.在熔炼腔室内部安装n个高温摄像头,拍摄熔炼结束时刻金属铌的高速图像；
S2.使用Canny边缘检测算法提取金属铌的边缘轮廓；边缘轮廓由m个边界点组成；使用RDP算法提取边缘轮廓中处于拐点的w个边缘点；w个边缘点组成边缘特征轮廓；
S3.将铺粉平台的中心位置作为原点建立三维直角坐标系，通过计算机统计出w个边缘点在三维直角坐标系中的坐标，得到w个坐标；将w个坐标的集合作为产出金属铌形状数据。
进一步地，将历史影响预热数据以及与历史影响预热数据对应的预热温度数据集作为样本集；
对预热温度数据集进行数值编号；
将历史影响预热数据构建特征向量V；使用keras定义输入层和输出层并搭建机器学习框架；特征向量V作为输入层数据，预热温度数据集编号作为输出层数据；
将样本集划分为训练集和测试集，构建第二机器学习模型，对第二机器学习模型进行训练，得到初始第二机器学习模型，利用测试集对初始第二机器学习模型进行测试，输出满足预设准确度的初始第二机器学习模型，所述第二机器学习模型为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种。
将历史影响冷却数据以及与历史影响冷却数据对应的冷却温度数据集作为样本集；
对冷却温度数据集进行数值编号；
将历史影响冷却数据构建特征向量W；使用keras定义输入层和输出层并搭建机器学习框架；特征向量W作为输入层数据，冷却温度数据集编号作为输出层数据；
将样本集划分为训练集和测试集，构建第三机器学习模型，对第三机器学习模型进行训练，得到初始第三机器学习模型，利用测试集对初始第三机器学习模型进行测试，输出满足预设准确度的初始第三机器学习模型，所述第三机器学习模型为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种。
进一步地，第一调控如下：
将电子束数据集中的电子束扫描速度作为本次熔炼的电子束扫描速度；
将电子束数据集中的电子束功率作为本次熔炼的电子束功率；
将电子束数据集中的电子束焦距作为本次熔炼的电子束焦距；
第二调控如下：
将预热温度数据集内的预热温度值作为本次熔炼的预热温度；
将预热温度数据集内的预热时间作为本次熔炼的预热时间；
第三调控如下：
将冷却温度数据集内的开始冷却温度值作为本次熔炼的开始冷却温度；
将冷却温度数据集内的持续冷却温度值作为本次熔炼的持续冷却温度；
将冷却温度数据集内的温度变化时间作为本次熔炼的温度变化时间；
将冷却温度数据集内的持续冷却时间作为本次熔炼的持续冷却时间。
电子束熔炼金属铌控温系统，包括：第一数据采集模块，用于采集历史熔炼数据；将历史熔炼数据发送至第二数据采集模块、第三数据采集模块和第一机器学习模块；
历史熔炼数据包括历史熔炼特征数据以及与历史熔炼特征数据对应的电子束数据集；
第一机器学习模块根据历史熔炼数据训练出预测电子束数据集的第一机器学习模型；
第二数据采集模块，用于采集惰性气体流速数据,将惰性气体流速数据和历史熔炼数据作为历史影响预热数据，并采集与历史影响预热数据对应的预热温度数据集；
第三数据采集模块，用于采集产出金属铌形状数据，将惰性气体流速数据、产出金属铌形状数据和历史熔炼数据作为历史影响冷却数据；采集与历史影响冷却数据对应的冷却温度数据集；
第二机器训练模块，根据历史影响预热数据以及与历史影响预热数据对应的预热温度数据集训练出预测预热温度数据集的第二机器学习模型；
第三机器训练模块，根据历史影响冷却数据以及与历史影响冷却数据对应的冷却温度数据集训练出预测冷却温度数据集的第三机器学习模型；
电子束调控模块，将实时熔炼特征数据输入训练完成的第一机器学习模型，获得电子束数据集编号；根据预测的电子束数据集编号对应的电子束数据集对电子束进行第一调控；
预热调控模块，将实时影响预热数据输入训练好的第二机器学习模型获得预热温度数据集编号；根据预测的预热温度数据集编号对应的预热温度数据集对熔炼预热过程进行第二调控；
冷却调控模块，将实时影响冷却数据输入训练好的第三机器学习模型获得冷却温度数据集编号；根据预测的冷却温度数据集编号对应的冷却温度数据集对熔炼冷却过程进行第三调控；各个模块之间通过有线和/或无线的方式进行连接，实现模块间的数据传输。
一种电子设备，包括存储器、处理器以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计算机程序时实现所述电子束熔炼金属铌控温方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述电子束熔炼金属铌控温方法。
本发明电子束熔炼金属铌控温方法的技术效果和优点：
通过建立电子束、预热和冷却的参数机器学习模型,实现了电子束金属铌熔炼全过程的智能化最优控制；与现有经验控制相比,本发明可以根据铺粉厚度和熔炼质量的实时变化动态调整电子束的参数,使电子束的熔炼效果始终保持在最佳状态,避免了参数手动设置可能带来的熔炼不充分或者过度熔炼的问题；同时,预热和冷却的温度曲线也智能设定为最优参数,有效防止预热不到位造成的裂纹缺陷,以及冷却过快过慢时产生的应力和裂纹等问题；相比现有经验控制,本发明简化了操作流程,不再依赖技术人员的经验,提高了熔炼控温的自动化程度和制程稳定性,从而提升了金属铌成型的合格率和质量；同时,由于实现了电子束熔炼的智能最优控制,降低了生产损耗,有利于成本的降低。
附图说明
图1为本发明的电子束熔炼金属铌控温方法示意图；
图2为本发明的实施例1中铺粉厚度数据获取方式示意图；
图3为本发明的实施例1中产出金属铌形状数据的获取示意图；
图4为本发明的电子束熔炼金属铌控温系统示意图；
图5为本发明的电子设备示意图；
图6为本发明的存储介质示意图。
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。
实施例1
请参阅图1所示，本实施例所述电子束熔炼金属铌控温方法,包括：采集历史熔炼数据；
历史熔炼数据包括历史熔炼特征数据以及与历史熔炼特征数据对应的电子束数据集；
历史熔炼特征数据包括铺粉厚度数据和熔炼质量数据；
历史熔炼特征数据对应的电子束数据集包括电子束扫描速度、电子束功率和电子束焦距；
铺粉厚度数据的获取方式如下：
在铺粉平台上方安装激光测距传感器，设置激光测距传感器到铺粉平台的距离为H；激光测距传感器用于测量金属粉末表面距离激光测距传感器的距离H1，则金属粉末上表面到铺粉平台的距离为H-H1，即金属粉末表面高度；每次铺粉轮进行铺粉前监测并计算金属粉末表面高度，记录为基准高度H2，铺粉轮开始铺粉至第一次铺粉结束,检测此时金属粉末表面高度H3；则单层铺粉厚度H4=H3-H2；则单层铺粉厚度H4即为铺粉厚度数据，如图2所示；
需要说明的是，基准高度为下一次铺粉轮进行铺粉前当前的金属粉末表面高度；铺粉厚度在电子束熔炼金属铌的过程中会影响热传导的效率，若铺粉厚度过厚则会导致传导的效率比较低，如果采用设定不变的电子束扫描速度和功率，熔炼出来的金属铌则可能会出现气孔、裂纹等质量问题；如果只是获取单一的金属粉末表面高度，随着熔炼过程的进行，金属粉末表面高度在不断上升，不能实时检测到在这个过程中每一层的金属粉末是否熔炼质量都符合标准；
熔炼质量数据通过安装到铺粉平台上的称重传感器获取；
需要说明的是，熔炼质量数据是在电子束熔炼金属铌的过程中，经过不断的铺粉，铺粉平台上的金属铌的重量也在不断升高，熔炼质量数据即为金属铌实时变化总重量；
电子束扫描速度的获取步骤如下：
S1.在电子束扫描器控制扫描X轴和Y轴方向的运动机构上安装增量式旋转编码器；
S2.用计数器来统计单位时间内增量式旋转编码器输出的脉冲数量/>,则电机主轴转速/>；
S3.通过运动机构的传动原理可知,电机主轴转速与扫描速度/>存在比例关系式如下：
；
其中，是传动比,/>是螺杆导程；将根据增量式旋转编码器以及计数器计算得到的电机主轴转速/>代入比例关系式,并查询运动机构参数/>和/>代入比例关系式,即可得出实时的扫描速度/>的值即为电子束扫描速度；
需要说明的是，增量式旋转编码器的原理是使用内置光电传感器检测主轴上刻度盘的转动,当转动一定角度,产生一个脉冲信号；所以增量式旋转编码器直接测量的是电机主轴的转动脉冲信号，根据转动脉冲信号以及时间可以得到电机主轴转速；在电子束熔炼金属铌的过程中在面对不同厚度的金属铺粉厚度的时候需要不同的电子束扫描速度，以保证较好的熔炼效果，避免出现金属铌出现气泡和裂纹等缺陷；例如，在电子束熔炼金属铌的过程中面对较厚的金属铺粉厚度时采用的电子束扫描速度较快则可能导致金属铌熔炼不完全，如果电子束扫描速度较慢则可能导致熔炼效率低下，而且容易出现过度加热,金属铌沸腾汽化严重,在凝固时形成大量气孔；
电子束功率通过在电子束电源输入端安装电力计获取；
需要说明的是，电子束功率决定了注入金属粉末的热量，电子束功率越大,单位时间内输送的热量也就越多；当面对不同厚度的金属铺粉厚度的时候电子束需要的功率也是不同的；功率过低会导致热输入不足,无法完全熔化金属粉末,产生裂纹；功率过高会造成过度加热,金属沸腾气化严重,冷却时会形成气孔；适中的功率可以平稳的形成合适大小的熔池,避免局部过热过冷；
电子束焦距的获取方式如下：
在熔炼腔上方安装热响应摄像头,热响应摄像头可以传感入射的红外辐射,形成热分布图像；当电子束照射金属铌粉末时,会在粉末表面产生高温区域；热响应摄像头捕捉热分布图像,将热分布图像发送至工业计算机，工业计算机根据热分布图像提取出高温度区域的形状轮廓即焦距区域，获取焦距区域内的像素点的数量，根据热分布图像的分辨率获取热分布图像每个像素点的面积/>；则焦距区域面积/>；焦距区域面积即为电子束焦距；
需要说明的是，热响应摄像头为可以在高温环境中正常工作的专业级摄像工具；工业计算机提取出高温度区域的形状轮廓的方式分为以下几步：
1.去噪处理、将温度不同映射到不同颜色,转换为颜色图；
2.设置适当温度阈值,提取出高于阈值部分作为预焦距区域；
3.采用边缘检测算法,找到高温度区域的边界；
4.用曲线拟合等方法,逼近轮廓,获得光滑闭合的形状轮廓；
在电子束熔炼金属铌的过程中当面对不同厚度的金属铺粉厚度的时候，电子束焦距过短,会使电子束过于集中,导致局部过热过炼,产生气孔和裂纹；而焦距过长,会使热输入分散,造成熔化不充分,留下裂纹缺陷；合适的焦距可以获得平稳的熔池温度梯度,避免过热过冷；
需要说明的是，在电子束熔炼过程中金属铌的总重量越大,需要增加功率输出以维持充足的熔炼输入；新的铺粉层越厚,扫描速度则需要降低,以确保电子束停留时间充足,完全熔融新铺层；而在铺粉不断进行的过程中则需要及时调整电子束焦距，使得电子束焦距适配当前熔炼；
历史熔炼数据的采集均在实验环境中实现的，通过人工控制熔炼特征数据，调节最适电子束数据集；其中最适可以理解为使得电子束熔炼效率最高，产出金属铌的品质最好，金属铌的品质体现在金属内部是否存在气泡，金属内部及表面是否存在裂痕；
根据历史熔炼数据训练出预测电子束数据集的第一机器学习模型；
具体的，将历史熔炼特征数据以及和历史熔炼特征数据对应的电子束数据集作为样本集；
对电子束数据集进行数值编号；
将历史熔炼特征数据构建特征向量P；使用keras定义输入层和输出层并搭建机器学习框架；特征向量P作为输入层数据，电子束数据集编号作为输出层数据；
将样本集划分为训练集和测试集，构建第一机器学习模型，对第一机器学习模型进行训练，得到初始第一机器学习模型，利用测试集对初始第一机器学习模型进行测试，输出满足预设准确度的初始第一机器学习模型，所述机器学习模型为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种；
预测准确度的计算公式为，其中，/>为历史熔炼特征数据组号，/>为第/>组预测准确度，/>为第/>组历史熔炼特征数据对应的预测编号，/>为第/>组历史熔炼特征数据对应的实际编号；
电子束调控模块将实时熔炼特征数据输入训练完成的第一机器学习模型，获得电子束数据集编号；根据预测的电子束数据集编号对应的电子束数据集对电子束进行第一调控；
第一调控如下：
将电子束数据集中的电子束扫描速度作为本次熔炼的电子束扫描速度；
将电子束数据集中的电子束功率作为本次熔炼的电子束功率；
将电子束数据集中的电子束焦距作为本次熔炼的电子束焦距；
需要说明的是，电子束扫描速度可以通过调节偏转线圈的交变频率实现；电子束功率可以通过改变电子枪的加速电压和激发电流来调整输出功率；电子束焦距可以通过改变磁聚焦线圈的电流来实现电子束焦距的变大或变小；亦可以通过调整电子透镜的电压来改变折射力或者改变工作距离,从而改变电子束焦距；
采集惰性气体流速数据,将惰性气体流速数据和历史熔炼数据作为历史影响预热数据，并采集与历史影响预热数据对应的预热温度数据集；
采集产出金属铌形状数据，将惰性气体流速数据、产出金属铌形状数据和历史熔炼数据作为历史影响冷却数据，并采集与历史影响冷却数据对应的冷却温度数据集；
预热温度数据集包括预热温度值和预热时间；
冷却温度数据集包括开始冷却温度值、持续冷却温度值、温度变化时间和持续冷却时间；
惰性气体流速数据的获取方式如下：
将差压式气体流量计安装在气体入口管道上；差压式气体流量计内部具有两个压力探头，使气体流经两个压力探头；差压式气体流量计内置传感器实时测量两个探头间的气体静压差；查询得到差压式气体流量计系数/>、气体入口管道的横截面积/>以及所测惰性气体的气体密度/>，将/>、/>、/>、/>代入伯努利方程可得气体体积流量；又根据气体体积流量是气体流速和横截面积的乘积可得气体流速，/>即为惰性气体流速数据；
需要说明的是，差压式气体流量计系数可在差压式气体流量计的操作手册中查询得到；气体入口管道的横截面积/>可通过熔炼机器操作书册查询得到；所测惰性气体的气体密度/>可通过化学以及物理参考书获取；
在电子束熔炼金属铌的过程中熔炼室温度都处于一个较高的水平，在高温下金属会有一定的汽化现象,惰性气体流可以带走汽化的金属气体,减少气孔形成；
在预热阶段充入惰性气体的主要目的是防止金属铌的氧化，向熔炼腔室内注入惰性气体,可以清除里面的空气,减少氧气及其他气体对熔炼的干扰；并且惰性气体可以使电子束加热传递效率提高；但是惰性气体流速过快可能会导致温度降低，温度的降低则会使得金属铌的熔炼过程可能出现熔炼不彻底的问题；所以需要控制惰性气体流速在一个相对适配的数值；
产出金属铌形状数据的获取方式如下：
S1.在熔炼腔室内部安装n个高温摄像头,拍摄熔炼结束时刻金属铌的高速图像；
S2.使用Canny边缘检测算法提取金属铌的边缘轮廓；边缘轮廓由m个边界点组成；使用RDP算法提取边缘轮廓中处于拐点的w个边缘点；w个边缘点组成边缘特征轮廓；
S3.将铺粉平台的中心位置作为原点建立三维直角坐标系，通过计算机统计出w个边缘点在三维直角坐标系中的坐标，得到w个坐标；将w个坐标的集合作为产出金属铌形状数据,如图3所示；
需要说明的是，RDP算法是一种用于曲线抽稀的算法，RDP算法可以将复杂的曲线或折线近似为更简单的形状，同时尽量保持原始曲线的整体形状和特征；产出金属铌的形状越复杂,其表面积较大,辐射和对流散热速率越快,冷却趋势更明显,需要相应的提高冷却温度的变化速率；不规则的产出金属铌形状具有不同的热容量分布,需要不同程度的冷却时间；表面存在突出部位,其冷却会比其他部位快,需要提高冷却温度的变化速率以防止冷却过快产生裂纹；
预热温度值、开始冷却温度值和持续冷却温度值均通过安装在熔炼腔室的温度传感器获取；预热时间、温度变化时间和持续冷却时间均通过计时器获取；
需要说明的是，在电子束熔炼金属铌之前需要进行金属粉末的预热，作用在于，第一，预热可以使金属粉末的温度接近铌的熔点,有利于电子束的熔化作用,提高效率；第二，减小金属粉末与工作台之间的温度差,避免因为温差应力导致的熔炼的金属产生热裂纹；第三，熔炼预热过程可以启动金属粉末中的高温反应，例如去氧化、碳化等,使原料更纯净；第四，预热可以释放金属粉末中的吸附气体,减少电子束熔化时的气孔缺陷；
预热时间是采取预热温度值使金属粉末达到最佳开始熔炼温度的持续时间；其中，最佳开始熔炼温度是熔炼数据决定的，具体来说，不同的熔炼数据在开始熔炼时金属铌粉末表面瞬间达到的温度不同；不同铺粉厚度和熔炼的金属铌质量所需要的预热温度也不同；现有技术中预热温度一般设置在熔炼金属熔点的0.6-0.8倍，但是并没有综合考虑其他因素，如果一味的采取固定的预热温度可能会导致金属粉末预热不完全或预热不均匀，若金属粉末预热不完全或预热不均匀，在开始电子束熔炼时可能会出现温差应力，则可能导致金属铌出现气泡或者裂纹，影响产出金属铌的品质；
在电子束熔炼金属铌的过程结束之后，金属铌的热导率较低,如果快速接触室温，则属于快速冷却，会导致金属铌的内部出现较大的温度梯度,因此产生很大的热应力以致出现冷却裂纹；除此之外，金属铌在固化过程中会出现一定的相变,需要一定冷却时间进行转变,快速冷却会影响相变,降低塑性；快速冷却则会使金属铌中的组织来不及长大,生成大量缺陷,降低综合品质；所以控制开始冷却时的温度值的作用就是为了防止上述问题的发生；熔炼冷却过程开始之后熔炼腔室的温度值从开始冷却温度值需要逐步的降低到持续冷却温度值；当达到持续冷却温度值时温度保持不变，温度保持不变的持续的时间采用持续冷却时间；
温度变化时间是采取开始冷却温度值下降至持续冷却温度值的所用时间，这个温度的下降过程是匀速进行的；这样可以避免金属铌在熔炼冷却过程中出现很大的热应力，导致产出的金属铌的品质下降；
持续冷却时间为从开始冷却温度值下降至持续冷却温度值之后，继续采取持续冷却温度值的持续时间；
需要说明的是，金属铌属于导热体，其冷却是依靠从内部向外部散发热量的过程；金属铌内部的热量是首先在本体内部进行传导和对流，而后通过与外界进行热传递进行冷却；金属铌的熔炼质量越大，热量从内部传导到外表面需要的时间就越长，冷却时间也就被拉长；此时要综合考虑冷却的冷却温度；
上述惰性气体流速数据、产出金属铌形状数据、预热温度数据集和冷却温度数据集的采集均在实验环境中实现的，根据惰性气体流速数据和历史熔炼数据确定最佳的预热温度值和预热时间；根据惰性气体流速数据、产出金属铌形状数据以及历史熔炼数据确定最佳的开始冷却温度值、持续冷却温度值、温度变化时间以及持续的冷却时间；其中，最佳可以理解为使得产出的金属铌处于最佳状态，金属铌内部的气泡、裂痕等最少所采取的数据；
根据历史影响预热数据以及与历史影响预热数据对应的预热温度数据集训练出预测预热温度数据集的第二机器学习模型；
具体的，将历史影响预热数据以及与历史影响预热数据对应的预热温度数据集作为样本集；
对预热温度数据集进行数值编号；
将历史影响预热数据构建特征向量V；使用keras定义输入层和输出层并搭建机器学习框架；特征向量V作为输入层数据，预热温度数据集编号作为输出层数据；
将样本集划分为训练集和测试集，构建第二机器学习模型，对第二机器学习模型进行训练，得到初始第二机器学习模型，利用测试集对初始第二机器学习模型进行测试，输出满足预设准确度的初始第二机器学习模型，所述第二机器学习模型为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种；
预测准确度的计算公式为，其中，/>为历史影响预热数据组号，为第/>组预测准确度，/>为第/>组历史影响预热数据对应的预测编号，/>为第/>组历史影响预热数据对应的实际编号；/>
将实时影响预热数据输入训练好的第二机器学习模型获得预热温度数据集编号；根据预测的预热温度数据集编号对应的预热温度数据集对熔炼预热过程进行第二调控；
第二调控如下：
将预热温度数据集内的预热温度值作为本次熔炼的预热温度；
将预热温度数据集内的预热时间作为本次熔炼的预热时间；
根据历史影响冷却数据以及与历史影响冷却数据对应的冷却温度数据集训练出预测冷却温度数据集的第三机器学习模型；
具体的，将历史影响冷却数据以及与历史影响冷却数据对应的冷却温度数据集作为样本集；
对冷却温度数据集进行数值编号；
将历史影响冷却数据构建特征向量W；使用keras定义输入层和输出层并搭建机器学习框架；特征向量W作为输入层数据，冷却温度数据集编号作为输出层数据；
将样本集划分为训练集和测试集，构建第三机器学习模型，对第三机器学习模型进行训练，得到初始第三机器学习模型，利用测试集对初始第三机器学习模型进行测试，输出满足预设准确度的初始第三机器学习模型，所述第三机器学习模型为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种；
预测准确度的计算公式为，其中，/>为历史影响冷却数据组号，为第/>组预测准确度，/>为第/>组历史影响冷却数据对应的预测编号，/>为第/>组历史影响冷却数据对应的实际编号；
将实时影响冷却数据输入训练好的第三机器学习模型获得预热温度数据集编号；根据预测的预热温度数据集编号进行第三调控；
第三调控如下：
将冷却温度数据集内的开始冷却温度值作为本次熔炼的开始冷却温度；
将冷却温度数据集内的持续冷却温度值作为本次熔炼的持续冷却温度；
将冷却温度数据集内的温度变化时间作为本次熔炼的温度变化时间；
将冷却温度数据集内的持续冷却时间作为本次熔炼的持续冷却时间；
本实施例，通过建立电子束、预热和冷却的参数机器学习模型,实现了电子束金属铌熔炼全过程的智能化最优控制；与现有经验控制相比,本实施例可以根据铺粉厚度和熔炼质量的实时变化动态调整电子束的参数,使电子束的熔炼效果始终保持在最佳状态,避免了参数手动设置可能带来的熔炼不充分或者过度熔炼的问题；同时,预热和冷却的温度曲线也设定为最优参数,有效防止预热不到位造成的裂纹缺陷,以及冷却过快过慢时产生的应力和裂纹等问题；相比现有经验控制,本实施例简化了操作流程,不再依赖技术人员的经验,大大提高了熔炼控温的自动化程度和制程稳定性,从而显著提升了金属铌成型的合格率和质量；同时,由于实现了电子束熔炼的智能最优控制,降低了生产损耗,有利于成本的降低；
实施例2
请参阅图4所示，本实施例未详细叙述部分见实施例1描述内容，提供电子束熔炼金属铌控温系统，包括：第一数据采集模块，用于采集历史熔炼数据；将历史熔炼数据发送至第二数据采集模块、第三数据采集模块和第一机器学习模块；
历史熔炼数据包括历史熔炼特征数据以及与历史熔炼特征数据对应的电子束数据集；
第一机器学习模块根据历史熔炼数据训练出预测电子束数据集的第一机器学习模型；
第二数据采集模块用于采集惰性气体流速数据,将惰性气体流速数据和历史熔炼数据作为历史影响预热数据，并采集与历史影响预热数据对应的预热温度数据集；
第三数据采集模块用于采集产出金属铌形状数据，将惰性气体流速数据、产出金属铌形状数据和历史熔炼数据作为历史影响冷却数据；采集与历史影响冷却数据对应的冷却温度数据集；
第二机器训练模块根据历史影响预热数据以及与历史影响预热数据对应的预热温度数据集训练出预测预热温度数据集的第二机器学习模型；
第三机器训练模块根据历史影响冷却数据以及与历史影响冷却数据对应的冷却温度数据集训练出预测冷却温度数据集的第三机器学习模型；
电子束调控模块将实时熔炼特征数据输入训练完成的第一机器学习模型，获得电子束数据集编号；根据预测的电子束数据集编号对应的电子束数据集对电子束进行第一调控；
预热调控模块将实时影响预热数据输入训练好的第二机器学习模型获得预热温度数据集编号；根据预测的预热温度数据集编号对应的预热温度数据集对熔炼预热过程进行第二调控；
冷却调控模块将实时影响冷却数据输入训练好的第三机器学习模型获得冷却温度数据集编号；根据预测的冷却温度数据集编号对应的冷却温度数据集对熔炼冷却过程进行第三调控；各个模块之间通过有线和/或无线的方式进行连接，实现模块间的数据传输。
实施例3
请参阅图5所示，根据本申请的又一方面还提供了电子设备500。该电子设备500可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的电子束熔炼金属铌控温方法。
根据本申请实施方式的方法或系统也可以借助于图5所示的电子设备的架构来实现。如图5所示，电子设备500可包括总线501、一个或多个CPU502、只读存储器(ROM)503、随机存取存储器(RAM)504、连接到网络的通信端口505、输入/输出组件506、硬盘507等。电子设备500中的存储设备，例如ROM503或硬盘507可存储本申请提供的电子束熔炼金属铌控温方法。进一步地，电子设备500还可包括用户界面508。当然，图5所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图5示出的电子设备中的一个或多个组件。
实施例4
请参阅图6所示，是根据本申请一个实施方式的计算机可读存储介质600。计算机可读存储介质600上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的电子束熔炼金属铌控温方法。存储介质600包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，例如：电子束熔炼金属铌控温方法。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，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，所述单元的划分，仅仅为一 种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元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单元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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.电子束熔炼金属铌控温方法，其特征在于，包括：采集历史熔炼数据；
历史熔炼数据包括历史熔炼特征数据以及与历史熔炼特征数据对应的电子束数据集；
根据历史熔炼数据训练出预测电子束数据集的第一机器学习模型；
采集惰性气体流速数据,将惰性气体流速数据和历史熔炼数据作为历史影响预热数据;采集与历史影响预热数据对应的预热温度数据集；
采集产出金属铌形状数据，将惰性气体流速数据、产出金属铌形状数据和历史熔炼数据作为历史影响冷却数据；采集与历史影响冷却数据对应的冷却温度数据集；
根据历史影响预热数据以及与历史影响预热数据对应的预热温度数据集训练出预测预热温度数据集的第二机器学习模型；
根据历史影响冷却数据以及与历史影响冷却数据对应的冷却温度数据集训练出预测冷却温度数据集的第三机器学习模型；
将实时熔炼特征数据输入训练完成的第一机器学习模型，获得电子束数据集编号；根据预测的电子束数据集编号对应的电子束数据集对电子束进行第一调控；
将实时影响预热数据输入训练好的第二机器学习模型获得预热温度数据集编号；根据预测的预热温度数据集编号对应的预热温度数据集对熔炼预热过程进行第二调控；
将实时影响冷却数据输入训练好的第三机器学习模型获得冷却温度数据集编号；根据预测的冷却温度数据集编号对应的冷却温度数据集对熔炼冷却过程进行第三调控。
2.根据权利要求1所述的电子束熔炼金属铌控温方法，其特征在于，所述历史熔炼特征数据包括铺粉厚度数据和熔炼质量数据；
历史熔炼特征数据对应的电子束数据集包括电子束扫描速度、电子束功率和电子束焦距；
预热温度数据集包括预热温度值和预热时间；
冷却温度数据集包括开始冷却温度值、持续冷却温度值、温度变化时间和持续冷却时间；
预热温度值、开始冷却温度值和持续冷却温度值均通过安装在熔炼腔室的温度传感器获取；预热时间、温度变化时间和持续冷却时间均通过计时器获取。
3.根据权利要求2所述的电子束熔炼金属铌控温方法，其特征在于，所述铺粉厚度数据的获取方式如下：
在铺粉平台上方安装激光测距传感器，设置激光测距传感器到铺粉平台的距离为H；激光测距传感器用于测量金属粉末表面距离激光测距传感器的距离H1，则金属粉末上表面到铺粉平台的距离为H-H1，即金属粉末表面高度；每次铺粉轮进行铺粉前监测并计算金属粉末表面高度，记录为基准高度H2，铺粉轮开始铺粉至第一次铺粉结束,检测此时金属粉末表面高度H3；则单层铺粉厚度H4=H3-H2；则单层铺粉厚度H4即为铺粉厚度数据；
所述熔炼质量数据通过安装到铺粉平台上的称重传感器获取；
所述电子束扫描速度的获取步骤如下：
S1.在电子束扫描器控制扫描X轴和Y轴方向的运动机构上安装增量式旋转编码器；
S2.用计数器来统计单位时间内增量式旋转编码器输出的脉冲数量/>,则电机主轴转速/>；
S3.电机主轴转速与扫描速度/>存在比例关系式如下：
；
其中，是传动比,/>是螺杆导程；将根据增量式旋转编码器以及计数器计算得到的电机主轴转速/>代入比例关系式,并查询运动机构参数/>和/>代入比例关系式,得出实时的扫描速度/>的值，/>的值为电子束扫描速度；
所述电子束功率通过在电子束电源输入端安装电力计获取；
所述电子束焦距的获取方式如下：
在熔炼腔上方安装热响应摄像头,热响应摄像头传感入射的红外辐射,形成热分布图像；当电子束照射金属铌粉末时,在粉末表面产生高温区域；热响应摄像头捕捉热分布图像,将热分布图像发送至工业计算机，工业计算机根据热分布图像提取出高温度区域的形状轮廓即焦距区域，获取焦距区域内的像素点的数量，根据热分布图像的分辨率获取热分布图像每个像素点的面积/>；则焦距区域面积/>；焦距区域面积即为电子束焦距。
4.根据权利要求3所述的电子束熔炼金属铌控温方法，其特征在于，将历史熔炼特征数据以及和历史熔炼特征数据对应的电子束数据集作为样本集；
对电子束数据集进行数值编号；
将历史熔炼特征数据构建特征向量P；使用keras定义输入层和输出层并搭建机器学习框架；特征向量P作为输入层数据，电子束数据集编号作为输出层数据；
将样本集划分为训练集和测试集，构建第一机器学习模型，对第一机器学习模型进行训练，得到初始第一机器学习模型，利用测试集对初始第一机器学习模型进行测试，输出满足预设准确度的初始第一机器学习模型，所述机器学习模型为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种。
5.根据权利要求4所述的电子束熔炼金属铌控温方法，其特征在于，所述惰性气体流速数据的获取方式如下：
将差压式气体流量计安装在气体入口管道上；差压式气体流量计内部具有两个压力探头，使气体流经两个压力探头；差压式气体流量计内置传感器实时测量两个探头间的气体静压差；查询得到差压式气体流量计系数/>、气体入口管道的横截面积/>以及所测惰性气体的气体密度/>，将/>、/>、/>、/>代入伯努利方程可得气体体积流量；又根据气体体积流量是气体流速和横截面积的乘积可得气体流速,/>为惰性气体流速数据；
所述产出金属铌形状数据的获取方式如下：
S1.在熔炼腔室内部安装n个高温摄像头,拍摄熔炼结束时刻金属铌的高速图像；
S2.使用Canny边缘检测算法提取金属铌的边缘轮廓；边缘轮廓由m个边界点组成；使用RDP算法提取边缘轮廓中处于拐点的w个边缘点；w个边缘点组成边缘特征轮廓；
S3.将铺粉平台的中心位置作为原点建立三维直角坐标系，通过计算机统计出w个边缘点在三维直角坐标系中的坐标，得到w个坐标；将w个坐标的集合作为产出金属铌形状数据。
6.根据权利要求5所述的电子束熔炼金属铌控温方法，其特征在于，将历史影响预热数据以及与历史影响预热数据对应的预热温度数据集作为样本集；
对预热温度数据集进行数值编号；
将历史影响预热数据构建特征向量V；使用keras定义输入层和输出层并搭建机器学习框架；特征向量V作为输入层数据，预热温度数据集编号作为输出层数据；
将样本集划分为训练集和测试集，构建第二机器学习模型，对第二机器学习模型进行训练，得到初始第二机器学习模型，利用测试集对初始第二机器学习模型进行测试，输出满足预设准确度的初始第二机器学习模型，所述第二机器学习模型为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种；
将历史影响冷却数据以及与历史影响冷却数据对应的冷却温度数据集作为样本集；
对冷却温度数据集进行数值编号；
将历史影响冷却数据构建特征向量W；使用keras定义输入层和输出层并搭建机器学习框架；特征向量W作为输入层数据，冷却温度数据集编号作为输出层数据；
将样本集划分为训练集和测试集，构建第三机器学习模型，对第三机器学习模型进行训练，得到初始第三机器学习模型，利用测试集对初始第三机器学习模型进行测试，输出满足预设准确度的初始第三机器学习模型，所述第三机器学习模型为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种。
7.根据权利要求6所述的电子束熔炼金属铌控温方法，其特征在于，所述第一调控如下：
将电子束数据集中的电子束扫描速度作为本次熔炼的电子束扫描速度；
将电子束数据集中的电子束功率作为本次熔炼的电子束功率；
将电子束数据集中的电子束焦距作为本次熔炼的电子束焦距；
所述第二调控如下：
将预热温度数据集内的预热温度值作为本次熔炼的预热温度；
将预热温度数据集内的预热时间作为本次熔炼的预热时间；
所述第三调控如下：
将冷却温度数据集内的开始冷却温度值作为本次熔炼的开始冷却温度；
将冷却温度数据集内的持续冷却温度值作为本次熔炼的持续冷却温度；
将冷却温度数据集内的温度变化时间作为本次熔炼的温度变化时间；
将冷却温度数据集内的持续冷却时间作为本次熔炼的持续冷却时间。
8.电子束熔炼金属铌控温系统，其基于权利要求1-7中任一项所述的电子束熔炼金属铌控温方法实现，其特征在于，所述系统包括：第一数据采集模块，用于采集历史熔炼数据；将历史熔炼数据发送至第二数据采集模块、第三数据采集模块和第一机器学习模块；
历史熔炼数据包括历史熔炼特征数据以及与历史熔炼特征数据对应的电子束数据集；
第一机器学习模块根据历史熔炼数据训练出预测电子束数据集的第一机器学习模型；
第二数据采集模块，用于采集惰性气体流速数据,将惰性气体流速数据和历史熔炼数据作为历史影响预热数据，并采集与历史影响预热数据对应的预热温度数据集；
第三数据采集模块，用于采集产出金属铌形状数据，将惰性气体流速数据、产出金属铌形状数据和历史熔炼数据作为历史影响冷却数据；采集与历史影响冷却数据对应的冷却温度数据集；
第二机器训练模块，根据历史影响预热数据以及与历史影响预热数据对应的预热温度数据集训练出预测预热温度数据集的第二机器学习模型；
第三机器训练模块，根据历史影响冷却数据以及与历史影响冷却数据对应的冷却温度数据集训练出预测冷却温度数据集的第三机器学习模型；
电子束调控模块，将实时熔炼特征数据输入训练完成的第一机器学习模型，获得电子束数据集编号；根据预测的电子束数据集编号对应的电子束数据集对电子束进行第一调控；
预热调控模块，将实时影响预热数据输入训练好的第二机器学习模型获得预热温度数据集编号；根据预测的预热温度数据集编号对应的预热温度数据集对熔炼预热过程进行第二调控；
冷却调控模块，将实时影响冷却数据输入训练好的第三机器学习模型获得冷却温度数据集编号；根据预测的冷却温度数据集编号对应的冷却温度数据集对熔炼冷却过程进行第三调控；各个模块之间通过有线和/或无线的方式进行连接，实现模块间的数据传输。
9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的电子束熔炼金属铌控温方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的电子束熔炼金属铌控温方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311634389.0A CN117331385B (zh) | 2023-12-01 | 2023-12-01 | 电子束熔炼金属铌控温方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311634389.0A CN117331385B (zh) | 2023-12-01 | 2023-12-01 | 电子束熔炼金属铌控温方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117331385A true CN117331385A (zh) | 2024-01-02 |
| CN117331385B CN117331385B (zh) | 2024-02-13 |
Family
ID=89277840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311634389.0A Active CN117331385B (zh) | 2023-12-01 | 2023-12-01 | 电子束熔炼金属铌控温方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117331385B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118011840A (zh) * | 2024-04-10 | 2024-05-10 | 宝鸡同盈稀有金属有限公司 | 一种面向电子束熔炼的参数控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103949640A (zh) * | 2014-05-19 | 2014-07-30 | 北京航空航天大学 | 一种电子束快速成形技术制备Nb-Si基超高温合金的方法 |
| CN105328187A (zh) * | 2015-11-21 | 2016-02-17 | 天津清研智束科技有限公司 | 实现电子束宽幅扫描的控制装置、方法以及增材制造设备 |
| CN108405863A (zh) * | 2018-05-03 | 2018-08-17 | 温州大学激光与光电智能制造研究院 | 一种基于感应熔炼的并行式金属三维打印成型方法 |
| CN112626351A (zh) * | 2020-12-18 | 2021-04-09 | 云南昆钢电子信息科技有限公司 | 电子束恒熔速冶炼控制系统 |
| CN115828697A (zh) * | 2022-12-17 | 2023-03-21 | 昆明理工大学 | 一种电子束冷炉床熔炼过程中电子束对铸锭凝固影响数值模拟方法 |
-
2023
- 2023-12-01 CN CN202311634389.0A patent/CN117331385B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103949640A (zh) * | 2014-05-19 | 2014-07-30 | 北京航空航天大学 | 一种电子束快速成形技术制备Nb-Si基超高温合金的方法 |
| CN105328187A (zh) * | 2015-11-21 | 2016-02-17 | 天津清研智束科技有限公司 | 实现电子束宽幅扫描的控制装置、方法以及增材制造设备 |
| CN108405863A (zh) * | 2018-05-03 | 2018-08-17 | 温州大学激光与光电智能制造研究院 | 一种基于感应熔炼的并行式金属三维打印成型方法 |
| CN112626351A (zh) * | 2020-12-18 | 2021-04-09 | 云南昆钢电子信息科技有限公司 | 电子束恒熔速冶炼控制系统 |
| CN115828697A (zh) * | 2022-12-17 | 2023-03-21 | 昆明理工大学 | 一种电子束冷炉床熔炼过程中电子束对铸锭凝固影响数值模拟方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118011840A (zh) * | 2024-04-10 | 2024-05-10 | 宝鸡同盈稀有金属有限公司 | 一种面向电子束熔炼的参数控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117331385B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117331385B (zh) | 电子束熔炼金属铌控温方法 | |
| JP4875230B2 (ja) | ルツボの温度分布計算方法 | |
| CN206557138U (zh) | 一种测试金属材料快速凝固行为及凝固热流的装置 | |
| TWI592524B (zh) | 單晶矽之製造方法及製造系統 | |
| CN106872512A (zh) | 一种测试金属材料快速凝固行为及凝固热流的方法 | |
| CN105813593A (zh) | 用于为义齿体烧结制定计划的方法 | |
| TW201337614A (zh) | 支援氧化矽玻璃坩堝及其製造用模具、以及矽單晶提拉條件的設定的裝置 | |
| CN110332801B (zh) | 一种兼具在线熔体粘度测量和在线监测的多功能高温加热装置 | |
| CN105092406A (zh) | 一种新型炉渣结晶过程热重测试设备与测试方法 | |
| JP6931548B2 (ja) | 情報処理装置、温度測定システム、情報処理装置の制御方法、および制御プログラム | |
| CN114178504B (zh) | 一种低压铸造铝合金熔体的智能控温方法 | |
| TW201925769A (zh) | 用於測定表面溫度的方法 | |
| CN115423792A (zh) | 一种高炉铁水温度在线检测方法和系统 | |
| JP2002248547A (ja) | 溶湯の供給装置および供給方法 | |
| JP2010230564A (ja) | 容器内表面の熱流束の推定方法、装置及びプログラム | |
| US20100000303A1 (en) | Apparatus and method for determining the percentage of carbon equivalent, carbon and silicon in liquid ferrous metal | |
| CN107020358B (zh) | 一种模拟结晶器内铸坯表层凝固组织与非稳态热流的装置 | |
| WO2024053095A1 (ja) | 制御装置及び製造システム | |
| CN117782332B (zh) | 一种全自动真空熔炼智能监测方法及系统 | |
| CN114761626B (zh) | 单晶制造系统及单晶制造方法 | |
| CN116858877A (zh) | 一种合金3d打印制备过程冷速的精确测定和验证方法 | |
| CN115049673B (zh) | 一种铝锭熔炼温度控制方法及系统 | |
| CN117779176A (zh) | 一种单晶炉液口距的控制方法、存储介质和电子设备 | |
| CN204269580U (zh) | 无人值守全自动连续性测量铝电解质初晶温度的装置 | |
| KR101199952B1 (ko) | 용강 측온 장치 및 이를 이용한 용강 측온 방법 |
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 |