System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及管状金属强化,尤其是涉及一种基于人工智能的部件强度优化方法。
技术介绍
1、特种合金材料及热处理工艺一直是现阶段的研发热点。对于个别专用设备来说,管件寿命决定了其有效使用寿命。现阶段上述专用设备的管件一般经过预处理、冷锻成型、前期热处理和后期热处理以完成加工。在上述生产步骤中,在冷锻成型后管件的前期热处理和后期热处理对管件使用性能和寿命有较大影响,现阶段在冷锻成型、前期热处理和后期热处理之间都要对管件进行质检以谋求高性能高合格率的管件产品。对于上述管件来说,前期热处理后其性能有一个合格阈值,随后根据该合格阈值设定后期热处理工艺以期望对管件性能进一步强化优化,后期热处理是对管件生产过程中的重要步骤。金属管件的晶相结构决定了管件的性能和使用寿命。根据《火炮身管在射击过程中表层微观结构的变化》(机械研究与应用,2014年第五期)以及申请人实际测试过程中相关研究,在管件前期热处理和后期热处理中各自均对应有不同的晶相结构,根据前期热处理后的管件晶相结构来调整后期热处理参数可以有效提高管件性能。但是现阶段对晶相结构的观测手段无法覆盖整个管件,只能对管件本体多部分多管段取样进行检测,同时管件的晶相结构反应的范围在百纳米级,对管件(30mm-155mm内径,5-60倍内径长度简称倍径)通过传统取样检测而获取其晶相结构的方式成本太高无法落实到实际生产中。
技术实现思路
1、为了优化管件强度,提高管件后期热处理的有效性,本申请提出一种基于人工智能的部件强度优化方法。
2、其技术方
3、本申请通过人工智能方式结合微观纹理与特定其条件下金属的金相结构对应关系来预测管件的金相结构,进而提出对管件的优化方案并进行验证,提高管件后期热处理的有效性同时降低了生产成本。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的部件强度优化验证方法,其特征在于,所述方法步骤包括:
2.根据权利要求1所述的基于人工智能的部件强度优化验证方法,其特征在于,所述第二神经网络训练步骤包括,根据不同管件特性,选择对应的金相参数和纹理图像作为训练集对第二神经网络进行训练。
3.根据权利要求1所述的基于人工智能的部件强度优化验证方法,其特征在于,所述推理图像、所述验证图像和所述指导图像拍摄参数相同,且在代入第一神经网络前均通过预处理变为点阵数据。
4.根据权利要求3所述的基于人工智能的部件强度优化验证方法,其特征在于,所述预处理过程包括:
5.根据权利要求4所述的基于人工智能的部件强度优化验证方法,其特征在于,所述验证图像和所述指导图像预处理步骤与所述推理图像一致。
6.根据权利要求4所述的基于人工智能的部件强度优化验证方法,其特征在于,所述推理图像点阵数据构建过程包括:沿所述推理图像截面构建二维坐标系,以有效像素位置作为坐标数据,以有效像素灰度值作为坐标值构建点阵数据,所述点阵数据包括纹理的坐标值和灰度值。
7.根据权利要
8.根据权利要求6所述的基于人工智能的部件强度优化验证方法,其特征在于,所述预处理过程还包括纹理趋势参数获取过程,所述纹理趋势参数作为推理补充条件与所述推理图像一起输入第一神经网络以辅助生成,所述纹理趋势参数获取过程包括:根据纹理的坐标值和灰度值构建拟合出该纹理走向的趋势函数,将所述趋势函数的斜率作为该纹理的趋势参数。
...【技术特征摘要】
1.一种基于人工智能的部件强度优化验证方法,其特征在于,所述方法步骤包括:
2.根据权利要求1所述的基于人工智能的部件强度优化验证方法,其特征在于,所述第二神经网络训练步骤包括,根据不同管件特性,选择对应的金相参数和纹理图像作为训练集对第二神经网络进行训练。
3.根据权利要求1所述的基于人工智能的部件强度优化验证方法,其特征在于,所述推理图像、所述验证图像和所述指导图像拍摄参数相同,且在代入第一神经网络前均通过预处理变为点阵数据。
4.根据权利要求3所述的基于人工智能的部件强度优化验证方法,其特征在于,所述预处理过程包括:
5.根据权利要求4所述的基于人工智能的部件强度优化验证方法,其特征在于,所述验证图像和所述指导图像预处理步骤与所述推理图像一致。
6...
【专利技术属性】
技术研发人员:姚兆,李子懿,马武汉,沈群书,史俊斌,白晓涛,杨坤,
申请(专利权)人:中国人民解放军陆军装甲兵学院士官学校,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。