一种基于人工神经网络的热喷涂方法及系统与流程

本发明涉及热喷涂领域，特别是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：

热喷涂工艺把金属粉末用高温融化成液态，然后再用高的气压吹到一些个需要保护的零件的表面，形成一个涂层。这样的涂层能够让零件的表面更耐磨或者更耐高温、更耐腐蚀等等。热喷涂行业需要对涂层的质量进行把控。在热喷涂界。最重要的一个过程就是怎么样把涂层优化得特别好，就是通过工艺参数的调整，来实现达到预期效果的涂层。目前，主要是靠人工经验来对工艺参数进行调整，工作量大、工作繁琐，且效果不佳。

技术实现要素：

针对上述问题，本发明提供了一种基于人工神经网络的热喷涂方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于人工神经网络的热喷涂方法，所述方法包括：

获取训练好的人工神经网络模型；

获取预设工艺参数；所述工艺参数为反映热喷涂工艺的技术指标的参数；所述预设工艺参数包括：喷涂设备的电流大小、氦气流量、氩气流量、载气流量、转盘角度、送粉针角度以及送粉距离；

根据所述预设工艺参数和/或效果参数，通过所述训练好的人工神经网络模型预测效果参数；所述效果参数为反映喷涂效果的技术指标的参数；所述效果参数包括结合强度、孔隙率、金相以及硬度；

判断所述效果参数与预设效果参数的误差是否在第一误差阈值范围内；

若是，根据所述预设工艺参数进行喷涂；

若否，更新所述预设工艺参数，使所述效果参数与预设效果参数的误差在第一误差阈值范围内。

可选的，在所述获取训练好的人工神经网络模型，之前还包括：

获取实验工艺参数以及实验效果参数的数据；

通过所述实验工艺参数以及实验效果参数的数据，对人工神经网络模型进行训练，得到训练好的人工神经网络模型。

可选的，所述通过所述工艺参数以及实验效果参数的数据，对人工神经网络模型进行训练，得到训练好的人工神经网络模型，具体包括：

将工艺参数和/或实验效果参数的数据作为所述训练好的人工神经网络模型的输入，得到输出数据；

判断所述输出数据与所述实验效果参数的误差是否在第二误差阈值范围内；

若是，确定所述人工神经网络模型为训练好的人工神经网络模型；

若否，调整所述人工神经网络模型的参数，使所述输出数据与所述实验效果参数的误差在第二误差阈值范围内。

可选的，所述调整所述人工神经网络模型的参数，具体包括：

通过遗传算法优化所述人工神经网络模型的权值和阈值；

通过优化后的权值和优化后的阈值确定人工神经网络模型。

一种基于人工神经网络的热喷涂方法，所述方法包括：

获取训练好的人工神经网络模型；

获取预设效果参数；所述效果参数为反映喷涂效果的技术指标的参数；所述效果参数包括结合强度、孔隙率、金相以及硬度；

根据所述预设工艺参数和/或效果参数，通过所述训练好的人工神经网络模型预测工艺参数；所述工艺参数为反映热喷涂工艺的技术指标的参数；所述预设工艺参数包括：喷涂设备的电流大小、氦气流量、氩气流量、载气流量、转盘角度、送粉针角度以及送粉距离；

根据预测的工艺参数进行喷涂；

可选的，在所述获取训练好的人工神经网络模型，之前还包括：

获取实验工艺参数以及实验效果参数的数据；

通过所述实验工艺参数以及实验效果参数的数据，对人工神经网络模型进行训练，得到训练好的人工神经网络模型。

可选的，所述通过所述工艺参数以及实验效果参数的数据，对人工神经网络模型进行训练，得到训练好的人工神经网络模型，具体包括：

将所述实验效果参数和/或实验工艺参数作为所述人工神经网络模型的输入，得到输出数据；

判断所述输出数据与所述实验工艺参数的误差是否在误差阈值范围内；

若是，确定所述人工神经网络模型为训练好的人工神经网络模型；

若否，调整所述人工神经网络模型的参数，使所述输出数据与所述实验工艺参数的误差在误差阈值范围内。

可选的，所述调整所述人工神经网络模型的参数，具体包括：

通过遗传算法优化所述人工神经网络模型的权值和阈值；

通过优化后的权值和优化后的阈值确定人工神经网络模型。

与现有技术相比，本发明具有以下技术效果：本发明根据所述预设工艺参数，通过所述训练好的人工神经网络模型预测效果参数；判断所述效果参数与预设效果参数的误差是否在阈值范围内；若是，根据所述预设工艺参数进行喷涂；若否，更新所述预设工艺参数，使所述效果参数与预设效果参数的误差在阈值范围内。或者是通过训练好的人工神经网络模型预测工艺参数。通过上述方法能够减少热喷涂行业中的人为地摸索工艺参数的时间，提高工作效率，达到更好的喷涂效果。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1基于人工神经网络的热喷涂方法的流程图；

图2为本发明实施例2基于人工神经网络的热喷涂方法的流程图。

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。

bp神经网络是目前应用最为广泛和成功的神经网络模型之一，其模型包括输入层、隐层和输出层。它的学习过程由信号的正向传播与误差的反向传播两个过程组成(信号指输入模式，误差指期望输出与实际输出之差)。神经网络自身能够学习和存贮大量的输入-输出模式映射关系，主要特点是信号前向传递，误差反向传播，如果输出层得不到预期输出，则转向反向传播，并会根据预测误差调整网络权值和阈值，通过不断调整网络的权值和阈值，使误差最小，达到预期目标。通过利用bp神经网络可以预测出相关性参数与生成的参数之间的关系，并调优。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1，如图1所示，一种基于人工神经网络的热喷涂方法包括以下步骤：

步骤101：获取训练好的人工神经网络模型。

步骤102：获取预设工艺参数；所述工艺参数为反映热喷涂工艺的技术指标的参数；所述预设工艺参数包括：喷喷涂设备的电流大小、氦气流量、氩气流量、载气流量、转盘角度、送粉针角度以及送粉距离。

选用了金属粉末的热喷涂的喷喷涂设备的电流大小、氦气流量、氩气流量、载气流量、转盘角度、送粉针角度以及送粉距离为反映热喷涂的喷涂工艺的技术指标的工艺参数。电流是控制热喷涂的装置上的一个工艺参数，氦气和氩气是与等离子体的生成有关的工艺参数，等离子体的温度与热喷涂的热度有关。转盘这个参数是控制热喷涂的装置上的一个工艺参数，送粉针角度是控制热喷涂的装置上的一个工艺参数，送粉距离反映喷枪与待喷涂的金属表面的距离，载气是控制热喷涂的装置上的一个工艺参数。

步骤103：根据所述预设工艺参数和/或效果参数，通过所述训练好的人工神经网络模型预测效果参数。所述效果参数包括结合强度、孔隙率、金相以及硬度。

步骤104：判断所述效果参数与预设效果参数的误差是否在第一误差阈值范围内。

步骤105：若是，根据所述预设工艺参数进行喷涂。

步骤106：若否，更新所述预设工艺参数，使所述效果参数与预设效果参数的误差在第一误差阈值范围内。

将预定的工艺参数作为上述的人工神经网络模型的输入，对效果参数进行预测，如果预测出的数值与客户的要求一致或接近，就可以使用上述的预定的工艺参数，提高了工作效率。

在步骤101之前，还包括：

获取实验工艺参数以及实验效果参数的数据；

通过所述实验工艺参数以及实验效果参数的数据，对人工神经网络模型进行训练，得到训练好的人工神经网络模型。将工艺参数和/或实验效果参数的数据作为所述人工神经网络模型的输入，得到输出数据；判断所述输出数据与所述实验效果参数的误差是否在第二误差阈值范围内；若是，确定所述人工神经网络模型为训练好的人工神经网络模型；若否，调整所述人工神经网络模型的参数，使所述输出数据与所述实验效果参数的误差在第二误差阈值范围内。

调整所述人工神经网络模型的参数，具体包括：通过遗传算法优化所述神经网络模型的权值和阈值；通过优化后的权值和优化后的阈值确定人工神经网络模型。

实施例2，如图2所示，一种基于人工神经网络的热喷涂方法包括以下步骤：

步骤201：获取训练好的人工神经网络模型。

步骤202：获取预设效果参数；所述效果参数为反映喷涂效果的技术指标的参数；所述效果参数包括结合强度、孔隙率、金相以及硬度。

步骤203：根据所述预设工艺参数和/或效果参数，通过所述训练好的人工神经网络模型预测工艺参数；所述工艺参数为反映热喷涂工艺的技术指标的参数；所述预设工艺参数包括：喷涂设备的电流大小、氦气流量、氩气流量、载气流量、转盘角度、送粉针角度以及送粉距离。

步骤204：根据预测的工艺参数进行喷涂。

在步骤201之前还包括：

获取实验工艺参数以及实验效果参数的数据；

通过所述实验工艺参数以及实验效果参数的数据，对人工神经网络模型进行训练，得到训练好的人工神经网络模型。将所述实验效果参数和/或实验工艺参数作为所述人工神经网络模型的输入，得到输出数据；判断所述输出数据与所述实验工艺参数的误差是否在误差阈值范围内；若是，确定所述人工神经网络模型为训练好的人工神经网络模型；若否，调整所述人工神经网络模型的参数，使所述输出数据与所述实验工艺参数的误差在误差阈值范围内。

调整所述人工神经网络模型的参数具体包括：通过遗传算法优化所述人工神经网络模型的权值和阈值；通过优化后的权值和优化后的阈值确定人工神经网络模型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明根据所述预设工艺参数，通过所述训练好的人工神经网络模型预测效果参数；判断所述效果参数与预设效果参数的误差是否在阈值范围内；若是，根据所述预设工艺参数进行喷涂；若否，更新所述预设工艺参数，使所述效果参数与预设效果参数的误差在阈值范围内。或者是通过训练好的人工神经网络模型预测工艺参数。通过上述方法能够减少热喷涂行业中的人为地摸索工艺参数的时间，提高工作效率，达到更好的喷涂效果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。