【技术实现步骤摘要】
本专利技术涉及激光光谱分析领域，特别是一种libs半定量识别金属增材制造构件孔洞缺陷的方法和电子设备。
技术介绍
1、增材制造是一种先进的快速成型技术。由于材料的逐层堆积，生产过程近净成形，可以降低材料的浪费，提高材料的利用率。增材制造技术被广泛应用于多个领域的生产中。然而，在打印过程中，金属增材制造零件可能会出现许多材料不连续性，并影响零件质量。未熔合孔洞是常见的缺陷，也是增材制造工艺中的问题。缺陷会影响增材制造构件的表面粗糙度和机械性能，严重制约了其在高精尖领域的应用。及时得到零件的打印质量并时实反馈，从而调整合适的工艺参数能够有效降低孔隙率。因此，对于金属增材制造缺陷的半定量分析是必要的。
2、libs技术的工作原理是使用聚焦脉冲激光激发样品使其产生等离子体。再通过分析等离子体的发射光谱来确定样品的元素组成。作为一种新技术，该技术具有速度快、灵敏度高、非破坏、多元素同时检测等优点。当前研究的着重点是在libs增材制造缺陷的识别方面，但是还没有libs半定量识别金属增材制造构件孔洞缺陷的应用。同时，在libs光谱分析中，环境变化、温度变化、样品表面电荷变化等因素引起的基线漂移是常见的问题。
技术实现思路
1、为了解决金属增材制造构件打印质量获取和libs光谱基线漂移的问题，本专利技术提供了一种libs半定量识别金属增材制造构件孔洞缺陷的方法和电子设备。
2、为达到上述目的，本专利技术是按照以下技术方案实施的：
3、本专利技术的第一个技术方案为
4、s101、采用libs技术采集金属增材制造构件表面不同深度的孔洞缺陷的激光诱导等离子体光谱信号；
5、s102、基于所述激光诱导等离子体光谱信号获取所述金属增材制造构件孔洞缺陷的数据矩阵并将数据进行降噪处理；
6、s103、从nist数据库中获取金属增材制造构件中主要元素的libs标准光谱数据并通过特征分段选取的方法从降噪后的数据矩阵中选取特征数据，构建数据库；
7、s104、以数据库中选取的特征光谱数据作为特征值，输入到使用python软件构建的支持向量机或朴素贝叶斯或随机森林机器学习模型中进行训练，以金属增材制造构件表面的孔深为输出，并对比输出结果，最终得到高准确率和高鲁棒性的半定量分析模型即训练好的半定量分析模型；
8、s105、将待检测金属增材制造构件孔洞缺陷的特征数据输入到训练好的半定量分析模型中，输出待检测金属增材制造构件表面的孔深。
9、进一步地，所述步骤s101中，不同深度的孔洞缺陷分为：0.5mm样本类、1.0mm样本类、1.5mm样本类、2.0mm样本类和2.5mm样本类，不同深度的误差均为±0.1mm。
10、进一步地，所述步骤s102中，降噪处理是使用origin软件中峰值分析进行减去基线处理，获得降噪后的光谱数据。
11、进一步地，所述步骤s103中，通过nist数据库中元素的libs标准光谱数据，获取金属增材制造构件中的fe和cr元素的libs光谱峰位和波长信息。
12、进一步地，所述步骤s103中，分段特征选取的方法为：将降噪后的金属增材制造构件中的fe和cr元素的光谱数据按照波峰分成多组数据，根据nist数据库中的fe和cr元素的光谱峰位和波长信息选择相应的波峰组，使用python软件提取选择的波峰组中的峰值数据，汇总所有提取的波峰数据以构件数据库。
13、优选地，所述步骤s104中，使用python软件构建随机森林机器学习模型。
14、本专利技术的第二个技术方案为一种电子设备，包括：存储器，用于存储可执行指令；以及处理器，用于与所述存储器通信以执行所述可执行指令从而完成上述libs半定量识别金属增材制造构件孔洞缺陷的方法。
15、与现有技术相比，本专利技术具有以下有益效果：
16、1.本专利技术能够实现金属增材制造构件孔洞缺陷的半定量分析，特征提取方法简单，具有较高的识别准确率和模型鲁棒性。
17、2.本专利技术采用分段特征选取的方法对特征光谱数据进行选取，该方法简单易行，同时校正了特征光谱强度值，有效解决了libs分析中基线漂移的问题。
本文档来自技高网...【技术保护点】
1.一种LIBS半定量识别金属增材制造构件孔洞缺陷的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的LIBS半定量识别金属增材制造构件孔洞缺陷的方法，其特征在于，所述步骤S101中，不同深度的孔洞缺陷分为：0.5mm样本类、1.0mm样本类、1.5mm样本类、2.0mm样本类和2.5mm样本类，不同深度的误差均为±0.1mm。
3.根据权利要求1所述的LIBS半定量识别金属增材制造构件孔洞缺陷的方法，其特征在于，所述步骤S102中，降噪处理是使用origin软件中峰值分析进行减去基线处理，获得降噪后的光谱数据。
4.根据权利要求1所述的LIBS半定量识别金属增材制造构件孔洞缺陷的方法，其特征在于，所述步骤S103中，通过NIST数据库中元素的LIBS标准光谱数据，获取金属增材制造构件中的Fe和Cr元素的LIBS光谱峰位和波长信息。
5.根据权利要求4所述的LIBS半定量识别金属增材制造构件孔洞缺陷的方法，其特征在于，所述步骤S103中，分段特征选取的方法为：将降噪后的金属增材制造构件中的Fe和Cr元素的光谱数据按照波峰分成
6.根据权利要求1所述的LIBS半定量识别金属增材制造构件孔洞缺陷的方法，其特征在于，所述步骤S104中，使用python软件构建随机森林机器学习模型。
7.一种电子设备，其特征在于，包括：存储器，用于存储可执行指令；以及处理器，用于与所述存储器通信以执行所述可执行指令从而完成如权利要求1-6中任一所述的LIBS半定量识别金属增材制造构件孔洞缺陷的方法。
...【技术特征摘要】
1.一种libs半定量识别金属增材制造构件孔洞缺陷的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的libs半定量识别金属增材制造构件孔洞缺陷的方法，其特征在于，所述步骤s101中，不同深度的孔洞缺陷分为：0.5mm样本类、1.0mm样本类、1.5mm样本类、2.0mm样本类和2.5mm样本类，不同深度的误差均为±0.1mm。
3.根据权利要求1所述的libs半定量识别金属增材制造构件孔洞缺陷的方法，其特征在于，所述步骤s102中，降噪处理是使用origin软件中峰值分析进行减去基线处理，获得降噪后的光谱数据。
4.根据权利要求1所述的libs半定量识别金属增材制造构件孔洞缺陷的方法，其特征在于，所述步骤s103中，通过nist数据库中元素的libs标准光谱数据，获取金属增材制造构件中的fe和cr元素的libs光谱峰位...
【专利技术属性】
技术研发人员：林京君，郝泽鑫，林晓梅，黄玉涛，杨江飞，
申请(专利权)人：长春工业大学，
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。