【技術實現步驟摘要】
所屬的技術人員能夠理解，本申請的各個方面可以實現為系統、方法或程序產品。因此，本申請的各個方面可以具體實現為以下形式，即：完全的硬件實施方式、完全的軟件實施方式(包括固件、微代碼等)，或硬件和軟件方面結合的實施方式，這里可以統稱為“電路”、“模塊”或“系統”。下面參照圖6來描述根據本申請的這種實施方式的電子設備600。圖6顯示的電子設備600僅僅是一個示例，不應對本申請實施例的功能和使用范圍帶來任何限制。如圖6所示，電子設備600以通用計算設備的形式表現。電子設備600的組件可以包括但不限于：上述至少一個處理單元610、上述至少一個存儲單元620、連接不同系統組件(包括存儲單元620和處理單元610)的總線630以及顯示單元640。其中，存儲單元存儲有程序代碼，程序代碼可以被處理單元610執行，使得處理單元610執行本說明書上述“示例性方法”部分中描述的根據本申請各種示例性實施方式的步驟。例如，處理單元610可以執行如下所示的步驟：將待檢測的目標構件放置在檢測平臺中進行頻率檢測，得到頻率檢測結果，其中，檢測平臺的兩側放置有：激光激勵探頭、三維激光測振儀；確定頻率檢測結果中的最高頻率信號；通過激光激勵探頭確定最高頻率信號對應的超聲波信號，并通過三維激光測振儀接收超聲波信號；對超聲波信號進行處理，得到非線性零頻波信號，基于非線性零頻波信號確定目標深度學習網絡模型，并通過目標深度學習網絡模型對目標構件的孔隙率進行預測，其中，目標深度學習網絡模型用于對非線性零頻波信號與目標構件的孔隙率之間的對應關系進行映射。在一種可選的實施方式中：對超聲波信號進行小波降噪處理
技術介紹
1、目前，常用的增材制造復雜異形構件孔隙率檢測有以下幾種方法：金相法是目前最常使用的增材制造構件孔隙率檢測方法。該方法通過被檢測材料的金相來進行孔隙率的評估。然而制備金相的過程是破壞性的，該方法無法實現無損檢測。此外，該方法存在一定的偶然性，因此需要采集大量的金相，檢測成本高；ct法是一種射線無損檢測方法。ct檢測可以得到被測試樣內部結構的三維圖像，通過后處理可以得到被測試樣的孔隙率。但是ct法檢測效率較低，成本高，檢測所需時間長，無法實現實時檢測。此外，射線對人體有害，需要嚴格防護；線性超聲法是一種超聲無損檢測方法。線性超聲可以基于被檢測試樣的聲速和衰減等聲參數來構建與構件內部孔隙率之間的映射關系，從實現對構件孔隙率的檢測。但是線性超聲對增材制造構件內部微孔洞不敏感，檢測精度低，并且基于聲速和衰減等聲參數進行檢測對被檢測試樣的幾何形狀有一點的要求，無法針對具有復雜幾何結構的試樣展開檢測。因此現有的增材制造構件孔隙率檢測方法，無法滿足對具有復雜幾何結構的增材制造試樣進行高效高精度的無損檢測需求。
2、針對相關技術中對增材制造構件孔隙率的檢測精準度較低的問題，目前尚未提出有效的解決方案。
技術實現思路
1、本申請的主要目的在于提供一種構件孔隙率的無損預測方法、裝置、存儲介質及電子設備，以解決相關技術中對增材制造構件孔隙率檢測精準度較低的問題。
2、為了實現上述目的，根據本申請的第一方面，提供本文檔來自技高網...
【技術保護點】
1.一種構件孔隙率的無損預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，對所述超聲波信號進行處理，得到非線性零頻波信號，包括：
3.根據權利要求1所述的方法，其特征在于，基于所述超聲波信號確定目標深度學習網絡模型，包括：
4.根據權利要求3所述的方法，其特征在于，所述目標深度學習網絡模型包括：包括順次連接的輸入層，卷積神經網絡模塊，門控循環單元模塊，全連接層和輸出層，其中，所述卷積神經網絡模塊包括順次連接的第一卷積層，第一池化層，第二卷積層和第二池化層，所述門控循環單元模塊包括第一門控循環層，第一激活層，第二門控循環層和第二激活層。
5.根據權利要求4所述的方法，其特征在于，通過所述目標深度學習網絡模型對所述目標構件的孔隙率進行預測，包括：
6.根據權利要求2所述的方法，其特征在于，對所述超聲波信號進行小波降噪處理，得到降噪后的超聲波信號，包括：
7.根據權利要求1所述的方法，其特征在于，所述目標構件放置在所述檢測平臺上，在檢測過程中保持位置固定，其中，所述激光激勵探頭、所述三維激光測
8.一種構件孔隙率的無損預測裝置，其特征在于，包括：
9.一種計算機可讀存儲介質，其特征在于，所述存儲介質包括存儲的程序，其中，所述程序執行權利要求1至7中任意一項所述的構件孔隙率的無損預測方法。
10.一種電子設備，其特征在于，包括：一個或多個處理器，存儲器，顯示裝置以及一個或多個程序，其中，所述一個或多個程序被存儲在所述存儲器中，并且被配置為由所述一個或多個處理器執行，所述一個或多個程序包括用于執行權利要求1至7中任意一項所述的構件孔隙率的無損預測方法。
...【技術特征摘要】
1.一種構件孔隙率的無損預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，對所述超聲波信號進行處理，得到非線性零頻波信號，包括：
3.根據權利要求1所述的方法，其特征在于，基于所述超聲波信號確定目標深度學習網絡模型，包括：
4.根據權利要求3所述的方法，其特征在于，所述目標深度學習網絡模型包括：包括順次連接的輸入層，卷積神經網絡模塊，門控循環單元模塊，全連接層和輸出層，其中，所述卷積神經網絡模塊包括順次連接的第一卷積層，第一池化層，第二卷積層和第二池化層，所述門控循環單元模塊包括第一門控循環層，第一激活層，第二門控循環層和第二激活層。
5.根據權利要求4所述的方法，其特征在于，通過所述目標深度學習網絡模型對所述目標構件的孔隙率進行預測，包括：
6.根據權利要求2所述的方法，其特征...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。