一种热喷涂方法及系统技术方案

本发明专利技术公开了一种热喷涂方法及系统。本发明专利技术利用已有的热喷涂设备的工艺参数和效果参数的有限的实验数据，获取所述的热喷涂设备的工艺参数与效果参数的线性回归的模型，利用所述的得到的热喷涂设备的工艺参数与效果参数的线性回归的模型，得到所述的热喷涂设备的满足效果参数的预期要求的工艺参数的仿真数据，根据确定好的工艺参数的仿真数据进行热喷涂，将利用工艺参数的仿真数据进行试验得到的效果参数与预期的效果参数做对比，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。且利用计算机产生的仿真数据代替实际的实验，节约了试验成本，缩短了试验周期，提高了热喷涂工艺的工作效率。

【技术实现步骤摘要】
一种热喷涂方法及系统
本专利技术涉及热喷涂领域，特别是涉及一种热喷涂方法及系统。
技术介绍
热喷涂工艺把金属、陶瓷、金属陶瓷复合材料用高温的形式融化成熔融或半熔融状态，熔融或半熔融的材料随有一定气压的火焰喷到需要涂层防护的零件表面，沉积形成涂层。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。反映热喷涂的涂层的喷涂效果的技术指标的效果参数有结合强度、孔隙率、金相结构、硬度和其它的与喷涂效果有关的参数，反映热喷涂的喷涂工艺的技术指标的工艺参数有喷涂距离、送粉速度、送粉针角度、与形成等离子体有关的氢气、氩气或其它种类的惰性气体以及其它的与喷涂工艺有关的工艺参数。目前，主要是靠人工经验来对工艺参数进行调整，工作量大、试验的成本高、试验的周期长，工作繁琐，工作效率低。
技术实现思路
针对上述问题，本专利技术提供了一种基于人工智能的热喷涂方法及系统。为实现上述目的，本专利技术提供了如下方案：一种热喷涂方法，所述方法包括：获取给定的热喷涂设备的工艺参数和效果参数的实验数据；根据上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据，根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理，找出金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，依据上述的根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，计算出或估算出上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围；上述的工艺参数为反映热喷涂工艺的技术指标的参数；工艺参数包括：喷涂设备的电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离等；效果参数为反映喷涂效果的技术指标的参数；上述的效果参数包括涂层的结合强度、孔隙率、金相结构以及硬度等；利用机器学习的回归算法，建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型；用上述的给定的热喷涂设备的上述的工艺参数与效果参数的实验数据作为训练数据，建立上述的给定的热喷涂设备的上述的工艺参数与效果参数之间的机器学习的回归模型或回归树模型，从上述的给定的热喷涂设备的上述的工艺参数中选取任意数量的上述工艺参数和上述的给定的热喷涂设备的效果参数中选取任意一个效果参数，建立从上述的给定的热喷涂设备的上述的工艺参数中选取的任意数量的上述工艺参数与上述的给定的热喷涂设备的效果参数中选取的任意一个效果参数之间的机器学习的回归模型或回归树模型，针对多个效果参数，建立多个这样的机器学习的回归模型或回归树模型；针对任意一个效果参数的数据范围的具体要求，用上述的给定的热喷涂设备的上述的工艺参数和效果参数的实验数据作为训练数据，建立该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型，利用计算机对上述的多个有关的工艺参数进行遍历，产生上述的多个有关的工艺参数的仿真数据，将满足上述的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的多个有关的工艺参数的仿真数据组成一组仿真数据集；针对多个效果参数的数据范围的具体要求，按照上述的方法，找到多组仿真数据；将上述的多组仿真数据中的针对每一个效果参数的仿真数据的工艺数据带入到针对所有的其它的效果参数的上述的机器学习的回归模型或回归树模型，在上述的多组仿真数据中找出同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集；利用上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据、上述的仿真数据集和计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，采用运筹学和/或数据分析和/或人工智能的方法，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据；将上述的找出的最节约试验成本的仿真数据的工艺参数的仿真工艺数据进行试验，如果试验结果满足效果参数的要求和节约成本的要求，就将满足上述的最节约试验成本的要求的仿真工艺数据作为试验数据。可选的，上述的用于建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型机器学习的回归模型包括：线性回归模型，岭回归模型、Lasso回归模型和CART回归树模型。可选的，上述的运筹学和/或数据分析和/或人工智能的方法使用了机器学习的回归方法；利用上述的计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，针对上述的热喷涂设备，建立金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的机器学习的回归模型；利用上述的得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的机器学习的回归模型，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据。可选的，上述的运筹学和/或数据分析和/或人工智能的方法使用了运筹学中的线性规划和线性规划的方法。可选的，上述的运筹学和/或数据分析和/或人工智能的方法利用高维数据的分析方法对上述的多组仿真数据进行高维数据的分析，找到同时满足上述的多个效果参数的数据的取值范围的要求的仿真工艺数据，所述的高维数据的分析方法包括高维空间中的费歇尔判别分析和高维空间中的线性判别分析。可选的，上述的运筹学和/或数据分析和/或人工智能的方法使用了高维数据分析的方法，所述的高维数据分析方法包括但不限于：基于距离的高维空间中的分类方法，上述的基于距离的高维空间中的分类方法包括朴素贝叶斯分类器、基于形心法则的分类和基于k-最近邻法则的分类。可选的，上述的运筹学和/或数据分析和/或人工智能的方法包括但不限于:主成分分析、层次聚类和K均值聚类。可选的，上述的运筹学和/或数据分析和/或人工智能的方法包括基于损失函数的高维空间中的分类方法，上述的基于损失函数的高维空间中的分类方法包括提升算法和支持矢量机。可选的，上述的用于建立金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的机器学习的回归模型机器学习的回归模型包括线性回归模型本文档来自技高网...

【技术保护点】
1.一种热喷涂方法，其特征在于，所述方法包括：获取给定的热喷涂设备的工艺参数和效果参数的实验数据；根据上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据，根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理，找出金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，依据上述的根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，计算出或估算出上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围；上述的工艺参数为反映热喷涂工艺的技术指标的参数；工艺参数包括：喷涂设备的电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离等；效果参数为反映喷涂效果的技术指标的参数；上述的效果参数包括涂层的结合强度、孔隙率、金相结构以及硬度等；利用机器学习的回归算法，建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型；用上述的给定的热喷涂设备的上述的工艺参数与效果参数的实验数据作为训练数据，建立上述的给定的热喷涂设备的上述的工艺参数与效果参数之间的机器学习的回归模型或回归树模型，从上述的给定的热喷涂设备的上述的工艺参数中选取任意数量的上述工艺参数和上述的给定的热喷涂设备的效果参数中选取任意一个效果参数，建立从上述的给定的热喷涂设备的上述的工艺参数中选取的任意数量的上述工艺参数与上述的给定的热喷涂设备的效果参数中选取的任意一个效果参数之间的机器学习的回归模型或回归树模型，针对多个效果参数，建立多个这样的机器学习的回归模型或回归树模型；针对任意一个效果参数的数据范围的具体要求，用上述的给定的热喷涂设备的上述的工艺参数和效果参数的实验数据作为训练数据，建立该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型，利用计算机对上述的多个有关的工艺参数进行遍历，产生上述的多个有关的工艺参数的仿真数据，将满足上述的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的多个有关的工艺参数的仿真数据组成一组仿真数据集；针对多个效果参数的数据范围的具体要求，按照上述的方法，找到多组仿真数据；将上述的多组仿真数据中的针对每一个效果参数的仿真数据的工艺数据带入到针对所有的其它的效果参数的上述的机器学习的回归模型或回归树模型，在上述的多组仿真数据中找出同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集；利用上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据、上述的仿真数据集和计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，采用运筹学和/或数据分析和/或人工智能的方法，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据；将上述的找出的最节约试验成本的仿真数据的工艺参数的仿真工艺数据进行试验，如果试验结果满足效果参数的要求和节约成本的要求，就将满足上述的最节约试验成本的要求的仿真工艺数据作为试验数据。...

【技术特征摘要】
1.一种热喷涂方法，其特征在于，所述方法包括：获取给定的热喷涂设备的工艺参数和效果参数的实验数据；根据上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据，根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理，找出金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，依据上述的根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，计算出或估算出上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围；上述的工艺参数为反映热喷涂工艺的技术指标的参数；工艺参数包括：喷涂设备的电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离等；效果参数为反映喷涂效果的技术指标的参数；上述的效果参数包括涂层的结合强度、孔隙率、金相结构以及硬度等；利用机器学习的回归算法，建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型；用上述的给定的热喷涂设备的上述的工艺参数与效果参数的实验数据作为训练数据，建立上述的给定的热喷涂设备的上述的工艺参数与效果参数之间的机器学习的回归模型或回归树模型，从上述的给定的热喷涂设备的上述的工艺参数中选取任意数量的上述工艺参数和上述的给定的热喷涂设备的效果参数中选取任意一个效果参数，建立从上述的给定的热喷涂设备的上述的工艺参数中选取的任意数量的上述工艺参数与上述的给定的热喷涂设备的效果参数中选取的任意一个效果参数之间的机器学习的回归模型或回归树模型，针对多个效果参数，建立多个这样的机器学习的回归模型或回归树模型；针对任意一个效果参数的数据范围的具体要求，用上述的给定的热喷涂设备的上述的工艺参数和效果参数的实验数据作为训练数据，建立该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型，利用计算机对上述的多个有关的工艺参数进行遍历，产生上述的多个有关的工艺参数的仿真数据，将满足上述的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的多个有关的工艺参数的仿真数据组成一组仿真数据集；针对多个效果参数的数据范围的具体要求，按照上述的方法，找到多组仿真数据；将上述的多组仿真数据中的针对每一个效果参数的仿真数据的工艺数据带入到针对所有的其它的效果参数的上述的机器学习的回归模型或回归树模型，在上述的多组仿真数据中找出同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集；利用上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据、上述的仿真数据集和计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，采用运筹学和/或数据分析和/或人工智能的方法，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据；将上述的找出的最节约试验成本的仿真数据的工艺参数的仿真工艺数据进行试验，如果试验结果满足效果参数的要求和节约成本的要求，就将满足上述的最节约试验成本的要求的仿真工艺数据作为试验数据。2.根据权利要求1所述的方法，其特征在于，上述的用于建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型机器学习的回归模型包括：线性回归模型，岭回归模型、Lasso回归模型和CART回归树模型。3.根据权利要求1所述的方法，其特征在于，上述的运筹学和/或数据分析和/或人工智能的方法使用了机器学习的回归方法；利用上述的计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，针对上述的热喷涂设备，建立金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的机器学习的回归模型；利用上述的得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的约束关系的机器学习的回归模型，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据。4.根据权利要求1所述的方法，其特征在于，上述的运筹学和/或数据分析和/或人工智能的方法使用了运筹学中的线性规划和线性规划的方法。5.根据权利要求1所述的热喷涂方法，其特征在于，上述的运筹学和/或数据分析和/或人工智能的方法利用高维数据的分析方法对上述的多组仿真数据进行高维数据的分析，找到同时满足上述的多个效果参数的数据的取值范围的要求的仿真工艺数据，所述的高维数据的分析方法包括高维空间中的费歇尔判别分析和高维空间中的线性判别分析。6.根据权利要求1所述的方法，其特征在于，上述的运筹学和/或数据分析和/或人工智能的方法使用了高维数据分析的方法，所述的高维数据分析方法包括但不限于：基...

【专利技术属性】
技术研发人员：贾鹏，
申请(专利权)人：北京联合涂层技术有限公司，
类型：发明
国别省市：北京,11