一种微织构制备的声/声发射深度学习监测方法

本发明属于表面织构制备领域，尤其涉及一种微织构制备的声/声发射深度学习监测方法。

背景技术：

1、表面织构技术作为表面工程技术中的一种，在对刀具表面微织构的研究中发现，在刀具特定表面制备微织构，能在加工过程中减少摩擦磨损、提供额外的空间来存储切削润滑剂、控制切屑流动，以提高加工精度和表面质量，延长刀具的使用寿命。

2、在声学领域中，使用麦克风来监测声音信号是一种常见的非破坏性监测方法。声音信号传感器(麦克风等)可以将声音波动转化为电信号，并将其传输到处理设备中进行进一步分析和处理。通过声音信号传感器监测声音信号，可以获得有关声音的各种信息，如振动频率、振幅、时间域特征和频域特征等。

3、声发射技术也是一种非破坏性检测方法，其基本原理是当结构发生内部变化时，例如裂纹的扩展、塑性变形或材料的失效，这些变化会导致应力释放，并产生可探测到的声波信号。传感器能够捕获和记录这些信号，并将其转化为数字信号进行处理和分析。

4、在表面织构制备领域，微织构的孔径大小可以影响表面的功能性能。较小的孔径可以提供更细致的织构，增加表面的摩擦系数，改善润滑性能和防滑性能。较大的孔径可以增加表面的通气性和透水性，提高材料的通风和排水性能。

5、通过改变激光加工参数，可以实现对刀具表面制备不同孔径的微坑织构。在激光辐照加工过程中，可能会出现一些潜在的缺陷，如裂纹、热应力积累等。这些缺陷可能会对微织构微坑的性能和耐久性产生负面影响。采用声/声发射可以监测和检测这些潜在缺陷的形成和发展，从而及时采取措施，避免进一步的损坏或质量问题。

技术实现思路

1、本发明目的在于提供一种微织构制备的声/声发射深度学习监测方法，目的在于实现对表面微织构制备过程的实时监测和评估，提高微织构的成形质量和一致性。

2、为实现上述目的，本发明的一种微织构制备的声/声发射深度学习监测方法的具体技术方案如下：

3、一种微织构制备的声/声发射深度学习监测方法，包括以下步骤：

4、一种基于深度学习的表面微织构制备的声/声发射监测系统的监测方法，所述监测系统包括三轴工作台，三轴工作台上安置加工样件，加工样件的上方设置反射镜、激光器、声信号传感器和声发射传感器，激光器发出的激光束经多个反射镜反射后对加工样件进行微织构制备，声发射传感器与前置放大器的输入端电性连接，前置放大器的输出端与信号采集卡的输入端连接，信号采集卡的输出端与操作系统电性连接；同时，声信号传感器与信号采集卡的输入端连接；

5、所述监测系统的监测方法包括以下步骤：

6、步骤s1：激光器激光束经反射镜反射后对加工样件进行微织构制备；声信号传感器和声发射传感器对制备过程采集信号，传输至信号采集卡后到达操作系统；改变激光器的加工参数，制备不同结构的微织构，并通过声信号传感器和声发射传感器对制备过程的信号进行实时采集；

7、步骤s2：对采集到的信号进行预处理与特征提取，然后对处理后的信号数据做短时傅里叶变换，获得光谱图，其流程图如图2所示，进行预处理可以提高信号质量和准确性，所述光谱图作为步骤s3中的图像特征数据集；其原始信号与转换后生成的光谱图如图中所示，短时傅里叶变换生成的光谱图，其本质为时频图，也称“声谱图”、“频谱图”、“时频谱图”、“声谱密度图”等；

8、步骤s3：建立基于densenet的改进深度学习网络模型，其网络结构如图3所示，对光谱图特征进行训练和分类，如图4所示；所述改进的densenet深度学习网络模型，引入inception结构，扩展网络的深度和宽度，引入通道注意力se模块，得到一张图片的各个通道的权重，最后经过scale将权重加权到每个通道上；引入的inception结构放置在第一个denseblock模块之前，引入的通道注意力se模块，置于dense block模块和transitionlayer之间；

9、步骤s4：根据步骤s1-步骤s3训练得到的分类模型，首先，将采集到的光谱图像数据集按8:1:1的比例划分为训练集、验证集和测试集。随后，对重新实时采集得到的新的声/声发射信号进行分类和监测；根据监测结果，评估表面织构制备过程中的质量和性能，并输出相应的监测结果。

10、进一步，所述步骤s1中，所述激光器采用纳秒光纤激光器；所述激光器的加工参数包括：激光功率、脉冲频率、离焦量、占空比、点调制时间、扫描速度、扫描路径等。

11、进一步，所述步骤s1中，所述不同结构的微织构含有不同特征，所述不同特征包括：微坑直径、重铸层面积、裂纹长度、微坑深度、微槽槽宽、微槽深度等。

12、进一步，所述步骤s2中，经过巴特沃斯滤波器进行预处理，根据声信号的频率范围和滤波选择截止频率、阶数，采用自适应滤波，来减少背景噪音对声发射信号的干扰，对滤波放大后的信号进行短时傅里叶变换，生成光谱图。

13、进一步，所述步骤s2中，所述短时傅里叶变换实现过程为：选择长度为5000的汉宁窗，该窗函数在时域上对信号进行分段加窗，以平衡频率和时间分辨率；帧移量取500，采样率取100，对每个加窗后的帧应用快速傅里叶变换，将每个帧的幅度谱连接起来，得到完整的光谱图。

14、进一步，所述步骤s3包括以下步骤：

15、步骤s3-1：所改进的densenet深度学习网络模型网络源于为densenet-121；

16、步骤s3-2：densenet的结构主要由密集块和过渡层交替堆叠而成，如下为基本结构：

17、a)输入层；

18、b)第一个卷积层；

19、c)密集块；

20、d)过渡层；

21、e)全局平均池化层；

22、f)全连接层；

23、步骤s3-3：引入inception扩展densenet网络的深度和宽度，在多个尺度上提取特征，提高后续特征学习、提取的能力，提高准确率；引入的inception结构放在第一个denseblock模块之前；

24、步骤s3-4：在densenet网络中加入通道注意力se模块。

25、进一步，所述步骤s3中，训练阶段初始学习率设为0.0001，最大训练迭代次数为300，dropout设置为0.5，批量训练参数为16，优化器选择adam，损失函数选择crossentropyloss，对网络进行训练。

26、进一步，所述步骤s4中，实验采集的光谱图像以训练集、验证集、测试集按8:1:1的比例划分。

27、本发明的一种微织构制备的声/声发射深度学习监测方法具有以下优点：

28、1、实时监测和评估：该方法通过基于深度学习的声/声发射技术，实现对表面微织构制备过程的实时监测和评估，从而能够及时发现和纠正制备过程中的问题。

29、2、提高成形质量和一致性：通过对信号的深度学习分析，可以有效提高微织构的成形质量和一致性，有助于实现更高水平的制备工艺。

30、本发明通过深度学习技术和光谱图像的合理应用，为表面微织构制备过程的监测提供了方法，从而提高了微织构的质量和一致性。