【技術實現步驟摘要】
本專利技術屬于激光熔覆，具體涉及一種激光熔覆粉末配比硬度預測方法及存儲介質、電子設備。
技術介紹
1、目前，制造類似于啞鈴形狀的零件，通常利用傳統機械加工設備對棒材中部進行減材，得到金屬零件成品，不僅成本高，而且材料浪費嚴重。近年來，增材制造的加工方法在一定程度上得到了推廣，可以在原有零件的基礎上，增加尺寸，加工成要求的形狀，以節省成本并進行批量生產，然而實際應用過程中發現，增材過程中使用何種粉末、粉末配比是一大難題。現有生產上，粉末配比的確定通常依賴于工程師的經驗和試驗，工程師根據各原料性質進行大量試驗找到最佳配比，不僅費時費力，而且不一定能夠得到最優的配比，導致增加部分的硬度多與原產品的硬度不匹配，差距過大，同樣浪費時間和成本。
2、因此，針對以上問題和技術需求，需要研發一種新的方法，能夠根據粉末配比預測相對應的硬度，解決增材制造中增加部分與原產品硬度不匹配的問題。
技術實現思路
1、針對上述問題，本專利技術的目的在于提供一種激光熔覆粉末配比硬度預測方法及存儲介質、電子設備，實現了對激光熔覆粉末配比硬度的預測，無需花費大量時間試驗，節省了時間以及成本，可應用于復雜工況下的激光熔覆工程，解決了現有技術中粉末配比難以預測的問題。
2、一種激光熔覆粉末配比硬度預測方法，將待預測激光熔覆粉末配比輸入熔覆材料硬度全連接層神經網絡對其的硬度進行預測。將待預測激光熔覆粉末配比輸入熔覆材料硬度全連接層神經網絡，可以直接得到其硬度，無需花費大量試驗尋找目標硬度、最優配比，
3、一種利用激光熔覆粉末配比硬度預測方法進行增材制造的方法，將待預測激光熔覆粉末配比輸入熔覆材料硬度全連接層神經網絡對其的硬度進行預測，根據預測結果獲得激光熔覆粉末配比，根據激光熔覆粉末配比配置激光熔覆粉末，然后在基材上進行激光熔覆，實現增材制造。
4、本專利技術中，熔覆材料硬度全連接層神經網絡的構建包括以下步驟：
5、（1）獲取數據集，并將數據劃分為訓練集、測試集；
6、（2）以nn.module為父類，搭建全連接層神經網絡；
7、（3）將訓練集導入全連接層神經網絡中，對全連接層神經網絡進行訓練；
8、（4）將測試集導入訓練好的全連接層神經網絡中，對全連接層神經網絡進行評估和調優，得到熔覆材料硬度全連接層神經網絡。
9、本專利技術中，數據集來源于可公開獲取的文獻和實驗。
10、本專利技術中，全連接層神經網絡包括依次連接的輸入層、7個隱藏層和輸出層。優選地，在輸入層以及每個隱藏層后添加relu激活函數；在輸出層后添加sigmoid激活函數。輸入層用于接收外部輸入數據，并傳遞給隱藏層，隱藏層用于對輸入數據進行非線性變換，提取有用的特征；在輸入層后添加relu激活函數使得輸入數據在傳遞到第一個隱藏層前進行非線性變換，以確保輸入數據具有良好的分布和非線性特性。
11、本專利技術中，測試集導入訓練好的全連接層神經網絡中，計算預測硬度，將預測硬度和實際硬度導入損失函數中，計算損失函數值，基于損失函數值對全連接層神經網絡進行更新。進一步優選地，基于損失函數值，使用梯度下降法對全連接層神經網絡的權重進行更新，保存損失函數最小值對應的權重。梯度下降法為常規技術，用于更新全連接層神經網絡的權重，使得網絡的預測更加接近實際目標值；損失函數值用于衡量全連接層神經網絡的預測結果與實際目標值之間的差異，保存損失函數最小值對應的權重，以確保使用的是最優全連接層神經網絡，提高全連接層神經網絡的泛化能力，避免過擬合。
12、本專利技術公開了一種存儲介質，存儲有處理器可執行的程序，所述程序用于執行上述激光熔覆粉末配比硬度預測方法。進一步地，本專利技術公開了一種電子設備，包括處理器、存儲器，所述存儲器存儲有用于執行上述激光熔覆粉末配比硬度預測方法的程序。
13、本專利技術公開了上述激光熔覆粉末配比硬度預測方法在預測激光熔覆粉末配比硬度中的應用。
14、本專利技術公開了上述激光熔覆粉末配比硬度預測方法在增材制造中的應用。優選地，上述激光熔覆粉末配比硬度預測方法在利用激光熔覆粉末在增材制造中的應用。
15、由于上述技術方案運用，本專利技術的有益效果在于：
16、（1）本專利技術基于深度學習模型，創造性地提出了一種激光熔覆粉末配比硬度預測方法，將待預測激光熔覆粉末配比輸入熔覆材料硬度全連接層神經網絡，即可直接得到其對應的硬度，無需花費大量試驗尋找目標硬度、最優配比，能夠應用于復雜工況；
17、（2）本專利技術的全連接層神經網絡可以自動學習數據中的特征，無需手動設計特征，能夠更好地發現數據中潛在的規律和關聯，實現對激光熔覆粉末配比硬度的預測，r2評估結果高達0.98；
18、（3）本專利技術的全連接層神經網絡由多個層次組成，能夠通過多層次的非線性變換提取數據中的復雜特征，具有更好的數據擬合能力，可以更準確地擬合激光熔覆粉末配比與硬度之間的關系；
19、（4）本專利技術在訓練全連接層神經網絡過程中通過梯度下降法對全連接層神經網絡進行更新，提高了全連接層神經網絡的泛化能力，避免過擬合問題，能夠更好地適應不同的數據集，提高預測的穩定性；
20、（5）本專利技術的全連接層神經網絡通過大量數據集的訓練學習，實現了高預測精度，同時由于其自動化特性，可以提高預測的效率，節省人力成本。
本文檔來自技高網...【技術保護點】
1.一種激光熔覆粉末配比硬度預測方法，其特征在于：將待預測激光熔覆粉末配比輸入熔覆材料硬度全連接層神經網絡對其的硬度進行預測。
2.根據權利要求1所述激光熔覆粉末配比硬度預測方法，其特征在于：熔覆材料硬度全連接層神經網絡的構建包括以下步驟：
3.根據權利要求2所述激光熔覆粉末配比硬度預測方法，其特征在于：數據集來源于可公開獲取的文獻和實驗。
4.根據權利要求2所述激光熔覆粉末配比硬度預測方法，其特征在于：全連接層神經網絡包括依次連接的輸入層、7個隱藏層和輸出層；在輸入層以及每個隱藏層后添加ReLU激活函數；在輸出層后添加Sigmoid激活函數。
5.根據權利要求2所述激光熔覆粉末配比硬度預測方法，其特征在于：測試集導入訓練好的全連接層神經網絡中，計算預測硬度，將預測硬度和實際硬度導入損失函數中，計算損失函數值，基于損失函數值，使用梯度下降法對全連接層神經網絡的權重進行更新，保存損失函數最小值對應的權重。
6.一種存儲介質，存儲有處理器可執行的程序，其特征在于：所述程序用于執行權利要求1所述激光熔覆粉末配比硬度預測方法。<...
【技術特征摘要】
1.一種激光熔覆粉末配比硬度預測方法，其特征在于：將待預測激光熔覆粉末配比輸入熔覆材料硬度全連接層神經網絡對其的硬度進行預測。
2.根據權利要求1所述激光熔覆粉末配比硬度預測方法，其特征在于：熔覆材料硬度全連接層神經網絡的構建包括以下步驟：
3.根據權利要求2所述激光熔覆粉末配比硬度預測方法，其特征在于：數據集來源于可公開獲取的文獻和實驗。
4.根據權利要求2所述激光熔覆粉末配比硬度預測方法，其特征在于：全連接層神經網絡包括依次連接的輸入層、7個隱藏層和輸出層；在輸入層以及每個隱藏層后添加relu激活函數；在輸出層后添加sigmoid激活函數。
5.根據權利要求2所述激光熔覆粉末配比硬度預測方法，其特征在于：測試集導入訓練好的全連接層神經網絡中，計算預測硬度，將預測硬度和實際硬度導入損失函數中，計算損失函數值，基于損失函數值，使用梯度...
【專利技術屬性】
技術研發人員：王明娣，湯雨晴，趙圣斌，羅貴峰，丁堯臣，李朋坤，章軒，
申請(專利權)人：蘇州大學，
類型：發明
國別省市：
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。