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】
本申请涉及增材制造检测,尤其涉及一种增材制造零件成分含量的检测方法。
技术介绍
1、首先,传统的增材制造样品的成分含量检测方法大部分都是离线的,少部分的实时检测方法所使用到的设备价格又是相对昂贵的,并不适用于一般的快速分析使用。其次,对增材制造样品进行后处理,再进行成分含量检测也是增材制造样品成分含量检测的惯用手段。通过分析后处理样品的化学成分,可以评估其力学性能、耐腐蚀性能、热稳定性等方面的特性,从而为增材制造样品的应用提供参考依据。通过监测后处理样品的成分变化,可以识别可能的生产问题,并对工艺参数进行调整,以提高增材制造样品的质量和稳定性。
2、然而,现有的成分含量的检测方法存在以下问题:无法检测到低浓度或微量的目标物质,因此可能错过关键信息;易受到干扰物质的影响,导致误报或误识别目标物质;检测方法需要复杂的样品准备步骤或专业的设备和技术,增加了操作难度和成本;检测过程耗时耗力,需要较长的分析时间和高昂的成本,限制了其在实际应用中的可行性。
技术实现思路
1、有鉴于此,本申请的目的在于提供一种增材制造零件成分含量的检测方法,通过模拟增材制造过程,制备增材制造样品,利用增材制造样品的raman光谱和libs光谱,构建成分含量检测模型,利用成分含量检测模型能够在线检测增材制造零件的成分及含量,以便调整增材制造工艺的参数,进一步提高增材制造零件的质量。
2、本申请提供了一种增材制造零件成分含量的检测方法,其特征在于,所述检测方法,包括:
3、基于获
4、针对每一个所述增材制造样品,采集特定数量的raman光谱和libs光谱,并基于所述raman光谱和libs光谱,获得特定数量的所述增材制造样品的特征融合数据;
5、基于人工神经网络,利用采集到的raman光谱和libs光谱,以及获得的特征融合数据,构建成分含量检测模型;
6、实时采集待检测增材制造零件的raman光谱和libs光谱,利用所述成分含量检测模型,对所述增材制造零件的成分含量进行检测,得到检测结果。
7、进一步的,所述增材制造样品,包括:增材制造对照样品和增材制造测试样品;
8、所述基于获取的同一批次的多个增材制造零件,制备多个增材制造样品,包括:
9、选取任一个未经处理的增材制造零件作为增材制造对照样品;
10、针对剩余的增材制造零件进行预处理,得到增材制造测试样品。
11、进一步的,所述针对剩余的增材制造零件进行预处理,得到增材制造测试样品,包括:
12、利用充满氩气的封闭马弗炉,根据预先设定的各温度值,对每一个所述增材制造零件进行20min的加热处理,并冷却至室温,得到具有不同成分的增材制造测试样品;
13、其中,所述预先设定的各温度值是根据增材制造过程的温度范围和预先设定的温度梯度确定的。
14、进一步的,所述基于所述raman光谱和libs光谱,获得特定数量的所述增材制造样品的特征融合数据,包括:
15、分别对采集到的所述raman光谱和libs光谱进行预处理,得到多个能够反映所述增材制造样品分子振动特征的raman特征光谱,和多个能够反映所述增材制造样品各成分含量的libs特征光谱;
16、基于多个增材制造样品的raman特征光谱,识别出所述raman特征光谱的特征分子,以确定影响所述增材制造样品成分变化的特征元素;
17、针对每一个raman特征光谱,提取所述特征分子的raman特征,构建所述特征分子的raman特征向量;
18、针对每一个libs特征光谱,提取所述特征元素的libs特征,构建所述特征元素的libs特征向量;
19、针对每一个增材制造样品,将所述特征元素的libs特征向量和所述特征分子的raman特征向量进行融合,得到特定数量的能够表征所述特征元素含量变化的特征融合数据。
20、进一步的,所述分别对采集到的所述raman光谱和libs光谱进行预处理,得到多个能够反映所述增材制造样品分子振动特征的raman特征光谱,和多个能够反映所述增材制造样品各成分含量的libs特征光谱,包括:
21、针对每一个raman光谱,利用savitzky-golay滤波法,选取20个平滑点数和5阶多项式,对噪声进行平滑处理,得到能够反映所述增材制造样品分子振动特征的raman特征光谱;
22、针对每一个libs光谱,利用非对称最小二乘平滑技术扣除连续背景,并应用小波阈值,或者,滑动平均值,或者,中值法去除噪声,利用高跃迁概率谱线进行波长比对和校正,得到能够反映所述增材制造样品各成分含量的libs特征光谱。
23、进一步的,所述基于多个增材制造样品的raman特征光谱,识别出所述raman特征光谱的特征分子,以确定影响所述增材制造样品成分变化的特征元素,包括:
24、将多个所述增材制造测试样品的raman特征光谱分别与所述增材制造对照样品的raman特征光谱进行比对,识别出新增的多个raman特征峰,并确定各raman特征峰的拉曼位移;
25、将各所述raman特征峰的拉曼位移与参考拉曼位移进行比对,得到各所述raman特征峰的拉曼位移对应的参考拉曼位移,并基于参考拉曼位移和分子振动模式的对照关系,确定各所述raman特征峰的分子振动模式;
26、根据各所述raman特征峰的分子振动模式,识别出所述raman特征光谱的特征分子,以确定影响所述增材制造样品成分变化的特征元素。
27、进一步的,所述提取所述特征分子的raman特征,构建所述特征分子的raman特征向量,包括:
28、将所述raman特征峰的拉曼位移确定为所述特征分子的拉曼位移;
29、基于所述特征分子的拉曼位移,构建所述特征分子的raman特征向量。
30、进一步的,所述提取所述特征元素的libs特征,构建所述特征元素的libs特征向量,包括:
31、基于所述libs特征光谱提取属于所述特征元素的分析谱线,并确定所述分析谱线对应的跃迁参数;其中,所述跃迁参数包括:所述分析谱线的跃迁波长、基态能量、激发态能量、从基态跃迁至激发态的跃迁几率、从基态跃迁至激发态对应的跃迁能级、基态统计权重、激发态统计权重;
32、基于所述特征元素的分析谱线以及所述分析谱线对应的跃迁参数,构建特征元素的libs特征向量。
33、进一步的,所述将所述特征元素的libs特征向量和所述特征分子的raman特征向量进行融合,得到特定数量的能够表征所述特征元素含量变化的特征融合数据,包括:
34、利用z-score方法,对所述libs特征向量和所述raman特征向量进行特征归一化处理,并将归一化处理后的所述libs特征向量和所述raman特征向量进行融合,得到多个本文档来自技高网...
【技术保护点】
1.一种增材制造零件成分含量的检测方法,其特征在于,所述检测方法,包括:
2.如权利要求1所述的检测方法,其特征在于,所述增材制造样品,包括:增材制造对照样品和增材制造测试样品;
3.如权利要求2所述的检测方法,其特征在于,所述针对剩余的增材制造零件进行预处理,得到增材制造测试样品,包括:
4.如权利要求2所述的检测方法,其特征在于,所述基于所述Raman光谱和LIBS光谱,获得特定数量的所述增材制造样品的特征融合数据,包括:
5.如权利要求4所述的检测方法,其特征在于,所述分别对采集到的所述Raman光谱和LIBS光谱进行预处理,得到多个能够反映所述增材制造样品分子振动特征的Raman特征光谱,和多个能够反映所述增材制造样品各成分含量的LIBS特征光谱,包括:
6.如权利要求4所述的检测方法,其特征在于,所述基于多个增材制造样品的Raman特征光谱,识别出所述Raman特征光谱的特征分子,以确定影响所述增材制造样品成分变化的特征元素,包括:
7.如权利要求6所述的检测方法,其特征在于,所述提取所述特征分子的
8.如权利要求4所述的检测方法,其特征在于,所述提取所述特征元素的LIBS特征,构建所述特征元素的LIBS特征向量,包括:
9.如权利要求4所述的检测方法,其特征在于,所述将所述特征元素的LIBS特征向量和所述特征分子的Raman特征向量进行融合,得到特定数量的能够表征所述特征元素含量变化的特征融合数据,包括:
10.如权利要求1所述的检测方法,其特征在于,所述基于人工神经网络,利用采集到的Raman光谱和LIBS光谱,以及获得的特征融合数据,构建成分含量检测模型,包括:
...【技术特征摘要】
1.一种增材制造零件成分含量的检测方法,其特征在于,所述检测方法,包括:
2.如权利要求1所述的检测方法,其特征在于,所述增材制造样品,包括:增材制造对照样品和增材制造测试样品;
3.如权利要求2所述的检测方法,其特征在于,所述针对剩余的增材制造零件进行预处理,得到增材制造测试样品,包括:
4.如权利要求2所述的检测方法,其特征在于,所述基于所述raman光谱和libs光谱,获得特定数量的所述增材制造样品的特征融合数据,包括:
5.如权利要求4所述的检测方法,其特征在于,所述分别对采集到的所述raman光谱和libs光谱进行预处理,得到多个能够反映所述增材制造样品分子振动特征的raman特征光谱,和多个能够反映所述增材制造样品各成分含量的libs特征光谱,包括:
6.如权利要求4所述的检测方法,其特征在于,所述基于...
【专利技术属性】
技术研发人员:林京君,李耀,丛佳君,林晓梅,车长金,
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。