涂层质量在线预测方法、系统以及计算机可读存储介质与流程

本申请涉及金属材料表面处理工程领域，特别是涉及一种涂层质量在线预测方法、系统以及计算机可读存储介质。

背景技术：

近年来，镁合金、钛合金等金属作为医用植入材料广泛应用于人体植入器、心血管以及腔道介入治疗支架等。镁合金、钛合金等金属材料抗腐蚀性差的特点，制约了其应用的推广。微弧氧化(micro-arcoxidation，mao)作为一种新兴的材料表面改性技术，通过控制其电参数和电解液组成，可在镁合金、钛合金表面生长出基体结合力强、硬度高、耐磨性高和抗腐蚀性强的陶瓷涂层。然而，微弧等离子体的瞬变性、电弧演变过程的不确定和不可预测性使得涂层生长过程和性能难以被准确定量调控和预测，甚至出现后期火花放电对膜层的随机烧损。

在相关技术中，采用离线式破坏性检测方法来检测涂层质量。然而，涂层生长过程伴随着电、热、光、声等物理信息，这些物理信息包含了丰富的涂层质量关联特征。传统的过程信息特征参数提取及其与质量的关联规则多数靠经验判断获得，而微弧氧化过程的物理信息很难通过肉眼或操作者的经验判断直接获得有效特征参数。

目前针对相关技术中，微弧氧化过程涂层质量无法在线评估的问题，尚未提出有效的解决方案。

技术实现要素：

本申请实施例提供了一种涂层质量在线预测方法、系统以及计算机可读存储介质，以至少解决相关技术中微弧氧化过程涂层质量无法在线评估的问题。

第一方面，本申请实施例提供了一种涂层质量在线预测方法，包括：

获取涂层生长过程中的过程信息参数；所述过程信息参数包括电信号、图像信号、光谱信号和声信号中的至少一种；

将所述过程信息参数输入至预先构建的涂层质量预测模型中，得到涂层质量信息。

在其中一些实施例中，在将所述过程信息参数输入至预先构建的涂层质量预测模型中之前，所述方法还包括：

构建初始涂层质量预测模型；

在不同工艺参数条件下，对阳极金属进行微弧氧化涂层制备，并在制备过程中获取建模特征参数集和对应的建模质量参数集，将每一组建模特征参数集和对应的建模质量参数集作为一组训练样本；

根据多组所述训练样本对所述初始涂层质量预测模型进行训练，得到所述涂层质量预测模型。

在其中一些实施例中，所述根据多组所述训练样本对所述初始涂层质量预测模型进行训练，得到所述涂层质量预测模型包括：

将所述建模特征参数集输入至所述初始涂层质量预测模型，得到预测质量参数集；

若所述预测质量参数集与所述建模特征参数集对应的建模质量参数集有差异，则调整所述初始涂层质量预测模型的参数，得到所述涂层质量预测模型。

在其中一些实施例中，所述根据多组所述训练样本对所述初始涂层质量预测模型进行训练，得到所述涂层质量预测模型包括：

将多组所述训练样本划分为辨识样本和校验样本，所述辨识样本的样本数量多于所述校验样本的样本数量；

根据所述辨识样本，对所述初始涂层质量预测模型进行训练；

根据所述校验样本，对训练后的初始涂层质量预测模型进行测试，得到所述涂层质量预测模型。

在其中一些实施例中，所述在制备过程中获取建模特征参数集包括：

获取涂层生长过程中的原始过程数据；

对所述原始过程数据进行预处理，以在所述原始过程数据中筛选出目标过程数据；

根据预设时间区间，将所述目标过程数据分割成多个不同时间区间的目标过程数据；

提取每个时间区间内目标过程数据的特征参数，得到特征参数集，所述特征参数包括所述目标过程数据的最大值、最小值、初始值、平均值、极值、升降幅值、方差和标准偏差；

根据所述特征参数集中的特征参数与涂层质量参数的关联性，筛选出与所述涂层质量参数相关联的特征参数，组成所述建模特征参数集。

在其中一些实施例中，所述建模质量参数集包括微观形貌、物相组成、涂层厚度、耐磨性、孔隙率和耐蚀性中的至少一种。

第二方面，本申请实施例提供了一种涂层质量在线预测系统，包括：涂层制备设备、过程信息采集设备和处理设备；其中，所述处理设备与所述过程信息采集设备连接；

所述涂层制备设备用于在不同工艺参数条件下，对阳极金属进行微弧氧化涂层制备；

所述过程信息采集设备用于涂层生长过程中的过程信息参数，所述过程信息参数包括电信号、图像信号、光谱信号和声信号中的至少一种；

所述处理设备用于将所述过程信息参数输入至预先构建的涂层质量预测模型中，得到涂层质量信息。

在其中一些实施例中，所述过程信息采集设备包括电压传感器、电流传感器、高速摄影仪、光纤光谱仪和声纳传感器；

所述电压传感器和所述电流传感器用于采集电信号，所述高速摄影仪用于采集图像信号，所述光纤光谱仪用于采集光谱信号，所述声纳传感器用于采集声信号。

在其中一些实施例中，所述系统还包括涂层质量检测设备，所述涂层质量检测设备与所述处理设备连接，所述涂层质量检测设备用于进行涂层质量检测实验，获取涂层质量数据并传输至所述处理设备；所述涂层质量检测设备包括扫描电子显微镜、x射线能谱仪、涂层测厚仪、磨损试验仪、盐雾检测仪和粗糙度测量仪；其中，

所述扫描电子显微镜用于检测涂层表面微观形貌；

所述x射线能谱仪用于检测涂层物相组成；

所述涂层测厚仪用于测量涂层厚度；

所述磨损试验仪用于检测涂层耐磨性；

所述粗糙度测量仪用于测量涂层孔隙率；

所述盐雾检测仪用于检测涂层耐蚀性。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理设备执行时实现如上述第一方面所述的涂层质量在线预测方法。

相比于相关技术，本申请实施例提供的涂层质量在线预测方法、系统以及计算机可读存储介质，通过获取涂层生长过程中的过程信息参数；所述过程信息参数包括电信号、图像信号、光谱信号和声信号中的至少一种；将所述过程信息参数输入至预先构建的涂层质量预测模型中，得到涂层质量信息，解决了微弧氧化过程涂层质量无法在线评估的问题，实现了在微弧氧化过程对涂层质量进行在线评估。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例中涂层质量在线预测方法的流程图；

图2为本申请实施例中获取涂层质量信息的流程图一；

图3为本申请实施例中构建初始涂层质量预测模型的示意图；

图4为本申请实施例中获取涂层质量信息的流程图二；

图5为本申请实施例中获取建模特征参数集的流程图；

图6a为本申请优选实施例中涂层厚度预测值与实测值的示意图一；

图6b为本申请优选实施例中涂层厚度预测值与实测值的示意图二；

图7为本申请实施例中涂层质量在线预测系统的结构框图；

图8为本申请实施例中涂层质量在线预测系统的结构示意图；

图9为本申请实施例的涂层质量在线预测设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本申请涉及的涂层质量在线预测方法、系统以及计算机可读存储介质可以但不限于应用于医用植入材料表面涂层的制备过程。

本实施例提供一种涂层质量在线预测方法。图1为本申请实施例中涂层质量在线预测方法的流程图，如图1所示，该流程包括如下步骤：

步骤s110，获取涂层生长过程中的过程信息参数；过程信息参数包括电信号、图像信号、光谱信号和声信号中的至少一种。

可以理解的是，过程信息参数表示涂层生长过程中与涂层质量信息相关联的信息参数。其中，可以采用电压传感器或电流传感器采集电信号，可以采用高速摄影仪采集图像信号，可以采用光纤光谱仪采集光谱信号，可以采用声纳传感器采集声信号，也可以通过其他方法获取上述信号，本实施不作限制。还可以采用高性能工业计算机服务器、labview软件以及高速数据采集卡，对过程信息参数进行同步采集、存储和显示。

步骤s120，将过程信息参数输入至预先构建的涂层质量预测模型中，得到涂层质量信息。

通过上述步骤s110至步骤s120，获取涂层生长过程中的过程信息参数，将过程信息参数输入至预先构建的涂层质量预测模型中，根据输出的涂层质量信息与涂层质量预设阈值进行对比，并根据对比结果相应的调整涂层制备过程的工艺参数，实现了在微弧氧化过程对涂层质量进行在线评估，解决了微弧氧化过程涂层质量无法在线评估的问题。

在其中一些实施例中，图2为本申请实施例中获取涂层质量信息的流程图一，如图2所示，步骤s120包括步骤s210至步骤s230：

步骤s210，构建初始涂层质量预测模型。

可以理解的是，初始涂层质量预测模型可以表示未训练前涂层质量预测模型的初始模型。如图3所示，以建模特征参数集为输入，建模质量参数集为输出，采用人工神经网络方法构建初始涂层质量预测模型。特征1至特征n表示建模特征参数集中的多个建模特征参数，质量1至质量m表示建模质量参数集中的多个建模特征参数。ann表示采用人工神经网络方法构建初始涂层质量预测模型。其中，建模特征参数表示微弧氧化过程中与涂层质量参数相关联的特征参数。建模质量参数表示微弧氧化过程中用于表示涂层质量的参数。建模质量参数集包括微观形貌、物相组成、涂层厚度、耐磨性、孔隙率和耐蚀性中的至少一种。

步骤s220，在不同工艺参数条件下，对阳极金属进行微弧氧化涂层制备，并在制备过程中获取建模特征参数集和对应的建模质量参数集，将每一组建模特征参数集和对应的建模质量参数集作为一组训练样本。

需要说明的是，工艺参数条件包括电参数和电解液参数。其中，电参数包括输出波形模式、控制方式和脉冲参数至少之一，电解液参数包括ph值、电导率、成分和添加剂至少之一。在多次制备过程中，分别获取建模特征参数和对应的建模质量参数，根据多次制备过程获取的建模特征参数生成建模特征参数集，根据多次制备过程获取的建模质量参数生成建模质量参数集。

步骤s230，根据多组训练样本对初始涂层质量预测模型进行训练，得到涂层质量预测模型。

在其中一些实施例中，将建模特征参数集输入至初始涂层质量预测模型，得到预测质量参数集；若预测质量参数集与建模特征参数集对应的建模质量参数集有差异，则调整初始涂层质量预测模型的参数，得到涂层质量预测模型。

可以理解的是，预测质量参数集表示初始涂层质量预测模型根据输入的建模特征参数集得到的涂层质量参数的预测值。通过对比预测质量参数集与建模特征参数集对应的建模质量参数集的差异，调整初始涂层质量预测模型的参数，提高涂层质量预测模型的可靠性。

在一次训练过程中，将一组训练样本的建模特征参数集输入至初始涂层质量预测模型，根据得到预测质量参数集和与建模特征参数集对应的建模质量参数集进行对比，若预测质量参数集与建模特征参数集对应的建模质量参数集有差异，则根据对比结果调整初始涂层质量预测模型的参数，通过多次训练，直到至将一组训练样本的建模特征参数集输入至涂层质量预测模型，得到的预测质量参数集与建模特征参数集对应的建模质量参数集相一致，得到涂层质量预测模型。

通过上述步骤s210至步骤s230，构建初始涂层质量预测模型，在不同工艺参数条件下进行微弧氧化涂层制备，获取多组训练样本对初始涂层质量预测模型进行训练，得到了比较准确的涂层质量预测模型，使得在微弧氧化过程对涂层质量的在线评估更加准确。

图4为本申请实施例中获取涂层质量信息的流程图二，如图4所示，步骤s120包括步骤s310至步骤s330：

步骤s310，将多组训练样本划分为辨识样本和校验样本，辨识样本的样本数量多于校验样本的样本数量。

具体地，将多组训练样本按照一定的比例划分为辨识样本和校验样本，使得辨识样本的样本数量多于校验样本的样本数量。例如，可以按照80％辨识样本和20％校验样本的比例对多组训练样本进行划分，也可以按照其他比例进行训练样本的划分，只要保证辨识样本的样本数量多于校验样本的样本数量即可，本实施例不限制。

步骤s320，根据辨识样本，对初始涂层质量预测模型进行训练。

步骤s330，根据校验样本，对训练后的初始涂层质量预测模型进行测试，得到涂层质量预测模型。

可以理解的是，辨识样本用于对初始涂层质量预测模型进行训练，使得涂层质量预测模型的预测结果趋于稳定，因此需要较多的辨识样本对对初始涂层质量预测模型进行训练，以提高涂层质量预测模型的可靠性。校验样本用于测试训练后的初始涂层质量预测模型的稳定性，并根据测试结果调整涂层质量预测模型的参数。

通过上述步骤s310至步骤s330，将多组训练样本划分为辨识样本和校验样本，根据辨识样本对初始涂层质量预测模型进行训练，以提高涂层质量预测模型的可靠性，并根据校验样本，对训练后的初始涂层质量预测模型进行测试，并根据测试结果调整涂层质量预测模型的参数，进一步提高了涂层质量预测模型的可靠性。

在其中一些实施例中，图5为本申请实施例中获取建模特征参数集的流程图，在制备过程中获取建模特征参数集包括步骤s410至步骤s450：

步骤s410，获取涂层生长过程中的原始过程数据。

步骤s420，对原始过程数据进行预处理，以在原始过程数据中筛选出目标过程数据。

需要说明的是，原始过程数据表示涂层生长过程中与涂层质量参数可能相关联的过程数据。原始过程数据包括电信号数据、图像信号数据、光谱信号数据和声信号数据中的至少一种。

步骤s430，根据预设时间区间，将目标过程数据分割成多个不同时间区间的目标过程数据。

可以理解的是，在涂层的整个生长过程进行原始过程数据的采集。对原始过程数据进行预处理，筛选出的目标过程数据具有时间连续性。通过根据预设时间区间，将目标过程数据分割成多个不同时间区间的目标过程数据，以便对目标过程数据进行特征参数的提取。例如，可以根据信号相关性对目标过程数据进行分类，进而利用尺度空间滤波方法进行数据分割。

步骤s440，提取每个时间区间内目标过程数据的特征参数，得到特征参数集，特征参数包括目标过程数据的最大值、最小值、初始值、平均值、极值、升降幅值、方差和标准偏差。

步骤s450，根据特征参数集中的特征参数与涂层质量参数的关联性，筛选出与涂层质量参数相关联的特征参数，组成建模特征参数集。

需要说明的是，提取每个时间区间内目标过程数据的特征参数，得到的特征参数集包括目标过程数据的多种可能与涂层质量参数有关联性的特征参数，通过观察特征参数集中的特征参数与涂层质量参数的关联性，筛选出与涂层质量参数相关联的特征参数，组成建模特征参数集。

这种“先广泛获取特征参数，后筛选出有效特征参数”的原则使得构建建模特征参数集的过程具有可操作性。例如，应用python软件，先广泛获取特征参数，后筛选出有效特征参数。利用pearson积差相关分析方法，筛选出有效特征参数。利用正向选择进化学习算法，优化建模特征参数集。

通过上述步骤s410至步骤s450，根据预设时间区间，将目标过程数据分割成多个不同时间区间的目标过程数据，提取每个时间区间内目标过程数据的特征参数，得到特征参数集，通过观察特征参数集中的特征参数与涂层质量参数的关联性，筛选出与涂层质量参数相关联的特征参数，组成建模特征参数集，使得构建建模特征参数集的过程具有可操作性。

在其中一些实施例中，步骤s420包括步骤s421至步骤s423：

步骤s421，对原始过程数据进行滤波处理。

具体地，可以采用滤波算法对原始过程数据进行滤波处理，以消除信号噪声。例如，采用经典滤波算法进行滤波处理。

步骤s422，若滤波处理后的原始过程数据不完整，则根据预设数据量以及预设采样阈值，确定原始过程数据中的异常数据。

步骤s423，对异常数据进行剔除以筛选出目标过程数据。

需要说明的是，若滤波处理后的原始过程数据不完整，则根据预设数据量，确定并剔除超出预设数据量的原始过程数据；根据预设采样阈值，确定并剔除大于或者小于预设采样阈值的原始过程数据，以筛选出目标过程数据。

通过上述步骤s421至步骤s423，对原始过程数据进行滤波处理，以消除信号噪声。若滤波处理后的原始过程数据不完整，则根据预设数据量以及预设采样阈值，确定并剔除原始过程数据中的异常数据，以筛选出目标过程数据，提高了数据的可靠性，避免使用大量良莠不齐的数据造成资源浪费，降低了成本，同时提高了数据处理效率。

在其中一些实施例中，在实际生产过程中，根据实际的特征参数数据和对应的质量参数数据，对涂层质量预测模型进行调整，以使涂层质量预测模型适应实际生产，提高了涂层质量预测模型实用性。

下面通过优选实施例对本申请实施例进行描述和说明。

本优选实施例中，该涂层质量在线预测方法包括如下步骤：

步骤s501，获取涂层生长过程中的过程信息参数；过程信息参数包括电信号、图像信号、光谱信号和声信号。采用霍尔电压传感器或霍尔电流传感器采集电信号，采用高速摄影仪采集图像信号，采用光纤光谱仪采集光谱信号，采用声纳传感器采集声信号。

步骤s502，在不同工艺参数条件下，对阳极金属进行微弧氧化涂层制备，获取涂层生长过程中的原始过程数据，原始过程数据包括电信号数据、图像信号数据、光谱信号数据和声信号数据。采用滤波算法对原始过程数据进行滤波处理，以消除信号噪声。若滤波处理后的原始过程数据不完整，则根据预设数据量，确定并剔除超出预设数据量的原始过程数据；根据预设采样阈值，确定并剔除大于或者小于预设采样阈值的原始过程数据，以筛选出目标过程数据。

根据预设时间区间，将目标过程数据分割成多个不同时间区间的目标过程数据。提取每个时间区间内目标过程数据的特征参数，得到特征参数集，特征参数包括目标过程数据的最大值、最小值、初始值、平均值、极值、升降幅值、方差和标准偏差。根据特征参数集中的特征参数与涂层质量参数的关联性，筛选出与涂层质量参数相关联的特征参数，组成建模特征参数集。

步骤s503，在制备过程中，进行涂层质量检测获取与建模特征参数集对应的建模质量参数集。建模质量参数集包括微观形貌、物相组成、涂层厚度、耐磨性、孔隙率和耐蚀性。涂层质量检测包括涂层微观结构、组织和性能测试等。采用扫描电子显微镜检测涂层表面微观形貌，采用x射线能谱仪检测涂层物相组成，采用涂层测厚仪测量涂层厚度，采用磨损试验仪检测涂层耐磨性，采用粗糙度测量仪测量涂层孔隙率，采用盐雾检测仪检测涂层耐蚀性。

步骤s504，以建模特征参数为输入，建模质量参数集为输出，采用神经网络方法构建初始涂层质量预测模型。将每一组建模特征参数集和对应的建模质量参数集作为一组训练样本。按照80％辨识样本和20％校验样本的比例对多组训练样本划进行划分。根据辨识样本，对初始涂层质量预测模型进行训练。根据校验样本，对训练后的初始涂层质量预测模型进行测试，得到涂层质量预测模型。

步骤s505，将过程信息参数输入至预先构建的涂层质量预测模型中，得到涂层质量信息。根据输出的涂层质量信息与涂层质量预设阈值进行对比，并根据对比结果相应的调整涂层制备过程的工艺参数，以使涂层质量一致性趋于稳定。

通过上述优选实施例，选取原始过程数据中的电压、电流和阻抗数据，采用数据挖掘算法提取最大值、最小值、初始值、平均值、极值为建模特征参数，选取涂层厚度为建模质量参数，建立初始涂层质量预测模型，利用十倍交叉验证法对初始涂层质量预测模型进行训练，利用校验样本对初始涂层质量预测模型进行测试。涂层质量预测模型预测的涂层厚度与实测结果的对比如图6a所示，以看出涂层质量预测模型能较好的对涂层厚度进行在线预测。图6b为神经网络的预测结果与实测结果的线性拟合结果，说明预测结果与实测结果有很好的相关性。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

应理解的是，虽然图1、图2、图4以及图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、图2、图4以及图5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本实施例还提供了一种涂层质量在线预测系统。图7为本申请实施例中涂层质量在线预测系统的结构框图，该系统包括：涂层制备设备610、过程信息采集设备620和处理设备630；其中，处理设备630与过程信息采集设备620连接；

涂层制备设备610，用于在不同工艺参数条件下，对阳极金属3进行微弧氧化涂层制备。

过程信息采集设备620，用于涂层生长过程中的过程信息参数，过程信息参数包括电信号、图像信号、光谱信号和声信号中的至少一种；

处理设备630，用于将过程信息参数输入至预先构建的涂层质量预测模型中，得到涂层质量信息。

图8为本申请实施例中涂层质量在线预测系统的结构示意图，如图8所示，涂层制备设备610(图中未示出)包括阳极导线1、阴极导线2、阳极金属3、阴极金属4、电解池5、电解液6、搅拌器7、冷却水入口8以及冷却水出口9。其中，阳极金属3和阴极金属4均置于电解液6，阳极金属3可以是钛合金、不锈钢、钴合金或镁合金，也可以是其他金属，本实施例不作限制。阴极金属4可以是不锈钢。

上述涂层质量在线预测系统，包括涂层制备设备610、过程信息采集设备620和处理设备630；其中，处理设备630与过程信息采集设备620连接；涂层制备设备610用于在不同工艺参数条件下，对阳极金属3进行微弧氧化涂层制备；过程信息采集设备620用于涂层生长过程中的过程信息参数，过程信息参数包括电信号、图像信号、光谱信号和声信号中的至少一种；处理设备630用于将过程信息参数输入至预先构建的涂层质量预测模型中，得到涂层质量信息，实现了在微弧氧化过程对涂层质量进行在线评估，解决了微弧氧化过程涂层质量无法在线评估的问题。

在其中一些实施例中，如图8所示，过程信息采集设备620(图中未示出)包括电压传感器621、电流传感器622、高速摄影仪623、光纤光谱仪624和声纳传感器625；

电压传感器621和电流传感器622用于采集电信号，高速摄影仪623用于采集图像信号，光纤光谱仪624用于采集光谱信号，声纳传感器625用于采集声信号。

过程信息采集设备620还包括示波器626、数据采集卡627、逆变电源628以及信号调整电路629。其中，逆变电源628分别连接阴极导线2、阳极导线1以及电压传感器621的正负极，信号调整电路629分别连接电压传感器621、电流传感器622以及示波器626连接，数据采集卡627与示波器626连接，用于接收示波器626采集的电信号。

在其中一些实施例中，涂层质量在线预测系统还包括涂层质量检测设备640，涂层质量检测设备640与处理设备630连接，涂层质量检测设备640用于进行涂层质量检测实验，获取涂层质量数据并传输至处理设备630。

在其中一些实施例中，涂层质量检测设备640包括扫描电子显微镜、x射线能谱仪、涂层测厚仪、磨损试验仪、盐雾检测仪和粗糙度测量仪；其中，

扫描电子显微镜用于检测涂层表面微观形貌；

x射线能谱仪用于检测涂层物相组成；

涂层测厚仪用于测量涂层厚度；

磨损试验仪用于检测涂层耐磨性；

粗糙度测量仪用于测量涂层孔隙率；

盐雾检测仪用于检测涂层耐蚀性。

另外，结合图1描述的本申请实施例涂层质量在线预测方法可以由涂层质量在线预测设备来实现。图9为本申请实施例的涂层质量在线预测设备的硬件结构示意图。

涂层质量在线预测设备可以包括处理器91以及存储有计算机程序指令的存储器92。

具体地，上述处理器91可以包括中央处理器(cpu)，或者特定集成电路(applicationspecificintegratedcircuit，简称为asic)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器95可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器95可包括硬盘驱动器(harddiskdrive，简称为hdd)、软盘驱动器、固态驱动器(solidstatedrive，简称为ssd)、闪存、光盘、磁光盘、磁带或通用串行总线(universalserialbus，简称为usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器95可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器95可在数据处理装置的内部或外部。在特定实施例中，存储器95是非易失性(non-volatile)存储器。在特定实施例中，存储器95包括只读存储器(read-onlymemory，简称为rom)和随机存取存储器(randomaccessmemory，简称为ram)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(programmableread-onlymemory，简称为prom)、可擦除prom(erasableprogrammableread-onlymemory，简称为eprom)、电可擦除prom(electricallyerasableprogrammableread-onlymemory，简称为eeprom)、电可改写rom(electricallyalterableread-onlymemory，简称为earom)或闪存(flash)或者两个或更多个以上这些的组合。在合适的情况下，该ram可以是静态随机存取存储器(staticrandom-accessmemory，简称为sram)或动态随机存取存储器(dynamicrandomaccessmemory，简称为dram)，其中，dram可以是快速页模式动态随机存取存储器(fastpagemodedynamicrandomaccessmemory，简称为fpmdram)、扩展数据输出动态随机存取存储器(extendeddateoutdynamicrandomaccessmemory，简称为edodram)、同步动态随机存取内存(synchronousdynamicrandom-accessmemory，简称sdram)等。

存储器95可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器92所执行的可能的计算机程序指令。

处理器91通过读取并执行存储器92中存储的计算机程序指令，以实现上述实施例中的任意一种涂层质量在线预测方法。

在其中一些实施例中，涂层质量在线预测设备还可包括通信接口93和总线90。其中，如图9所示，处理器91、存储器92、通信接口93通过总线90连接并完成相互间的通信。

通信接口93用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口93还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。

总线90包括硬件、软件或两者，将涂层质量在线预测设备的部件彼此耦接在一起。总线90包括但不限于以下至少之一：数据总线(databus)、地址总线(addressbus)、控制总线(controlbus)、扩展总线(expansionbus)、局部总线(localbus)。举例来说而非限制，总线90可包括图形加速接口(acceleratedgraphicsport，简称为agp)或其他图形总线、增强工业标准架构(extendedindustrystandardarchitecture，简称为eisa)总线、前端总线(frontsidebus，简称为fsb)、超传输(hypertransport，简称为ht)互连、工业标准架构(industrystandardarchitecture，简称为isa)总线、无线带宽(infiniband)互连、低引脚数(lowpincount，简称为lpc)总线、存储器总线、微信道架构(microchannelarchitecture，简称为mca)总线、外围组件互连(peripheralcomponentinterconnect，简称为pci)总线、pci-express(pci-x)总线、串行高级技术附件(serialadvancedtechnologyattachment，简称为sata)总线、视频电子标准协会局部(videoelectronicsstandardsassociationlocalbus，简称为vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线90可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

该涂层质量在线预测设备可以基于获取到的涂层生长过程中的过程信息参数，执行本申请实施例中的涂层质量在线预测方法，从而实现结合图1描述的涂层质量在线预测方法。

另外，结合上述实施例中的涂层质量在线预测方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种涂层质量在线预测方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。