本发明涉及激光冲击技术领域,特别是涉及一种激光冲击表面粗糙度的预测方法。
背景技术:
航空发动机是一种高度复杂和精密的热力机械,作为飞机的心脏,他直接影响飞机的性能、可靠性及经济性,是一个国家科技、工业和国防实力的重要体现。激光冲击强化能够很有效的提高关键结构件的使用寿命和可靠性。但激光冲击强化之后对零件表面的粗糙度会产出一定影响,并且,激光冲击强化后表面粗糙度超差,将很难二次冲击或其他修补方式达到设计要求,对于叶片精密的零件,表面粗糙度直接影响其气动性能,从而导致航空发动机的安全性、可靠性和疲劳强度大大降低。此外,由于实际零件尺寸和空间结构的限制,激光冲击区域表面粗糙度是不容易测量的,常采用标准粗糙度块对比的间接测量法。
现有技术都是通过最有可能的几个影响参数对冲击后的表面粗糙度进行预测,但影响影响激光冲击后表面粗糙度的因素太多,并且激光束在冲击强化是能量并不是按照理想情况均匀分布的,因此往往会导致预测结果不准。
技术实现要素:
为了解决上述问题,本发明提供一种激光冲击表面粗糙度的预测方法,能够达到对冲击块表面粗糙度的准确预测。
本发明所采用的技术方案是:
一种激光冲击表面粗糙度的预测方法,包括以下步骤:
s1:从激光器的计算机中导出冲击过程中实时测量的激光能量空间分布数据图,并对图像进行预处理;
s2:获取激光喷丸处理前、后的同一试验块表面粗糙度的测量值;
s3:依次重复s1和s2多次,将每次冲击前、后试验块的表面粗糙度以及每次冲击时经预处理的数据图像输入计算机,训练粗糙度预测模型;
s4:使用测试样本验证预测模型的准确性。
作为本发明的进一步改进,步骤s3中,通过计算机识别实时测量的激光能量空间分布图的数据图像误差,并与每一次冲击前后试验块表面粗糙度与表面形貌微小凹坑的变化异常数据进行一一对应,通过已经获得的多组数据,形成对试验块表面粗糙度的预测模型。
作为本发明的进一步改进,粗糙度预测模型基于卷积神经网络。
作为本发明的进一步改进,步骤s1中的预处理为将彩色图像转化为灰色图像的灰度化处理。
作为本发明的进一步改进,步骤s4中,使用多个测试样本进行多次模拟预测,并与实际值进行对比。
本发明的有益效果是:本发明通过以实时测量的激光能量空间分布的数据图和表面粗糙度的原始数据预测冲击后的表面粗糙度,避免因为激光束实际冲击情况与理想情况不同而导致对预测数据的不准确,也能避免因激光束能量异常导致的表面粗糙度变化异常,可以显著提高冲击后零件的合格率。
附图说明
下面结合附图和实施方式对本发明进一步说明。
图1为本发明方法的流程图;
图2为激光能量空间分布和零件表面粗糙度冲击前后的关联图;
图3为激光能量空间分布数据图灰度化处理后的图像;
图4为激光冲击前试验块表面原始粗糙度示意图;
图5为激光冲击后试验块表面粗糙度示意图。
具体实施方式
如图1所示的预测方法,其包括,
步骤s1:从激光器的计算机中导出冲击过程中实时测量的激光能量空间分布数据图。这种自身具备激光器并导出激光能量空间分布数据图的激光器可以在市面上直接购买获取。
在该步骤中,还需要对上述的这种数据图像进行预处理。具体的为:将导出的激光能量空间分布数据图进行灰度化处理,将彩色图像转化为灰色图像如图4所示。其中转换的公式如下:
i=w1×r+w2×g+w3×b
式中i为灰度化后图像,r为彩色图像的红色分量,g为彩色图像的绿色分量,b为图像的蓝色分量,w1为彩色图像的红色分量的权重,w2为彩色图像的绿色分量的权重,w3为彩色图像的蓝色分量的权重。
在步骤s1之后为步骤s2:借助表面粗糙度测量仪对激光喷丸处理前的试验块进行测量,获得该实验块的表面的原始粗糙度的测量值如图4,同时对激光喷丸处理后的同一试验块进行测量,获得冲击后表面粗糙度的测量值如图5。激光喷丸处理采用激光喷丸设备,其具体为高功率脉冲激光器。
之后是步骤s3:依次重复步骤1和步骤2,将每次冲击前、后试验块的表面粗糙度以及每次冲击时的实时激光能量空间分布图输入计算机,预训练粗糙度预测模型。
粗糙度预测模型基于卷积神经网络,由输入至输出其包括输入层、卷积层,池化层、卷积层、池化层、全连接层、全连接层、分类层和输出层。卷积神经网络属于现有技术在此不详细描述。
实施例中通过大数据挖掘的方式,利用卷积神经网络对激光能量空间分布数据图进行训练识别,能够准确的区分出每次激光能量空间分布的误差,并与每次冲击块冲击前后粗糙度的变化进行关联。
在该步骤s3中,通过计算机识别实时测量的激光能量空间分布图的数据图像误差,并与每一次冲击前后试验块表面粗糙度与表面形貌微小凹坑的变化异常数据进行一一对应,如图2所示。通过已经获得的多组数据,形成对试验块表面粗糙度的预测模型。
之后还包括步骤s4:使用多个测试样本进行多次模拟预测,并与实际值进行对比,以验证预测模型的准确性。
参考图1,在确认预测模型准确性的前提下,用户将预测模型输入或者导入至通过另外的计算机,在实际预测某一冲击块的粗糙度时,在该计算机中输入对应的原始粗糙度以及激光能量空间分布数据图,即可以预测该零件冲击后的粗糙度。
实施例能够通过对激光冲击后冲击块表面粗糙度的预测,避免因激光束能量异常导致的表面粗糙度变化异常,可以显著提高冲击后零件的合格率。
以下为不同试验块在激光冲击前后粗糙度的对比表。
以上所述只是本发明优选的实施方式,其并不构成对本发明保护范围的限制。