[发明专利]一种热喷涂方法及系统

权利要求书

1.一种热喷涂方法，其特征在于，所述方法包括：

获取给定的热喷涂设备的工艺参数和效果参数的实验数据；根据上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据，根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理，找出金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，依据上述的根据实验的数据和热喷涂工艺的全过程的有关的物理原理与化学原理得到的金属粉末的融化效率、金属在基底上的沉积效率和热喷涂工艺的全过程的成本与上述的工艺参数和效果参数之间的经验性的约束关系和/或统计数据，计算出或估算出上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围；

上述的工艺参数为反映热喷涂工艺的技术指标的参数；工艺参数包括：喷涂设备的电流大小、氢气流量、氩气流量、载气流量、送粉转盘转速、送粉针角度以及喷涂距离；效果参数为反映喷涂效果的技术指标的参数；上述的效果参数包括涂层的结合强度、孔隙率、金相结构以及硬度；

利用机器学习的回归算法，建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型；

用上述的给定的热喷涂设备的上述的工艺参数与效果参数的实验数据作为训练数据，建立上述的给定的热喷涂设备的上述的工艺参数与效果参数之间的机器学习的回归模型或回归树模型，从上述的给定的热喷涂设备的上述的工艺参数中选取任意数量的上述工艺参数和上述的给定的热喷涂设备的效果参数中选取任意一个效果参数，建立从上述的给定的热喷涂设备的上述的工艺参数中选取的任意数量的上述工艺参数与上述的给定的热喷涂设备的效果参数中选取的任意一个效果参数之间的机器学习的回归模型或回归树模型，针对多个效果参数，建立多个这样的机器学习的回归模型或回归树模型；

针对任意一个效果参数的数据范围的具体要求，用上述的给定的热喷涂设备的上述的工艺参数和效果参数的实验数据作为训练数据，建立该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型，利用计算机对上述的多个有关的工艺参数进行遍历，产生上述的多个有关的工艺参数的仿真数据，将满足上述的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的多个有关的工艺参数的仿真数据组成一组仿真数据集；

针对多个效果参数的数据范围的具体要求，按照上述的方法，找到多组仿真数据；

将上述的多组仿真数据中的针对每一个效果参数的仿真数据的工艺数据带入到针对所有的其它的效果参数的上述的机器学习的回归模型或回归树模型，在上述的多组仿真数据中找出同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集；

利用上述的获取到的给定的热喷涂设备的工艺参数和效果参数的实验数据、上述的仿真数据集和计算出或估算出的上述的热喷涂设备在热喷涂的工艺过程中的与上述的工艺参数和效果参数的实验数据对应的金属粉末融化效率的数值或数值范围、在基底上的金属沉积效率的数值或数值范围和上述的热喷涂工艺的全过程的成本的数值或数值范围，采用运筹学和/或数据分析和/或人工智能的方法，在同时满足上述的针对每一个效果参数的该效果参数与多个有关的工艺参数之间的机器学习的回归模型或回归树模型的仿真数据集中找到最节约成本的仿真数据；

将上述的找出的最节约试验成本的仿真数据的工艺参数的仿真工艺数据进行试验，如果试验结果满足效果参数的要求和节约成本的要求，就将满足上述的最节约试验成本的要求的仿真工艺数据作为试验数据。

2.根据权利要求1所述的方法，其特征在于，用于建立上述的给定的热喷涂设备的工艺参数、效果参数的实验数据的回归模型或回归树模型机器学习的回归模型包括：线性回归模型，岭回归模型、Lasso回归模型和CART回归树模型。