申请/专利权人：西南交通大学

申请日：2024-02-08

公开（公告）日：2024-03-19

公开（公告）号：CN117725470A

主分类号：G06F18/24

分类号：G06F18/24;G06F18/213;G06F18/10;G06F18/214;G06F18/21

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明涉及激光熔覆缺陷检测领域，具体公开了一种基于声发射信号的激光熔覆裂纹气孔缺陷分类识别方法，通过激光熔覆正交实验获取不同工艺参数下激光熔覆过程的声发射信号；使用同时产生裂纹和气孔缺陷的激光熔覆工艺参数进行重复实验，通过二维阈值划分方法和数据预处理得到数据集；在网络模型中进行训练和测试；最后将实际采集的信号经过数据预处理后，送入训练好的基于多层感知机的激光熔覆缺陷识别网络模型，识别出该段激光熔覆原始声发射信号中产生的裂纹、气孔缺陷的数量以及每个缺陷的持续时间。本发明能快速、准确的识别激光熔覆过程中是否产生裂纹和气孔，并判定激光熔覆过程中裂纹、气孔缺陷产生的数量以及每个裂纹、气孔的持续时间。

主权项：1.一种基于声发射信号的激光熔覆裂纹气孔缺陷分类识别方法，其特征在于，包括如下步骤：S1、选定激光熔覆粉末和基板，设计不同工艺参数的激光熔覆正交实验，并进行激光熔覆过程声发射检测，获取声发射信号；S2、激光熔覆正交实验后对熔覆试样进行线切割，采用光学显微镜对试样内部缺陷进行观察分析，对比实际产生的裂纹、气孔缺陷的数量、位置与采集的声发射信号之间的对应关系，从中选取出正常熔覆工艺参数、产生裂纹工艺参数、产生气孔工艺参数以及同时产生裂纹和气孔缺陷工艺参数；S3、使用同时产生裂纹和气孔缺陷的激光熔覆工艺参数进行重复实验，采集后续深度学习识别方法训练所需要的原始声发射信号数据；S4、制作数据集，使用二维阈值划分法从同时产生裂纹和气孔声发射信号中提取出正常信号样本、裂纹信号样本和气孔信号样本制作成数据集1；S5、数据预处理，对制作出的数据集1中的三种熔覆信号样本进行6层小波分解，提取出三种信号的细节分量，计算每个细节分量的能量值，最后进行归一化处理得到三种信号的细节能量特征信号，制作成数据集2；S6、建立基于深度学习的缺陷识别模型，设计出基于多层感知机MLP的激光熔覆缺陷识别网络模型，使用数据集2对网络进行训练及测试，最终获得基于多层感知机MLP的激光熔覆缺陷识别网络模型；S7、将采集的激光熔覆原始声发射信号经过步骤S5的数据预处理后，送入训练好的基于多层感知机MLP的激光熔覆缺陷识别网络模型，通过网络模型识别出正常信号样本、裂纹信号样本和气孔信号样本；再通过激光熔覆裂纹气孔缺陷持续时间及数量识别算法识别出采集到的该段激光熔覆原始声发射信号中产生的裂纹、气孔缺陷的数量和每个缺陷的持续时间。

全文数据：

权利要求：

百度查询： 西南交通大学 基于声发射信号的激光熔覆裂纹气孔缺陷分类识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD