基于深度神经网络的等离子熔覆修复路径规划

摘要

通过DNN深度神经网络来建立等离子熔覆工艺参数和熔覆焊道几何特征之间的关系,为之后通过平行路径进行熔覆修复路径规划提供数据支持,最后进行仿真试验和熔覆修复实例验证。试验以Q235钢和Fe706分别作为基体和熔覆粉末,设计以熔覆电流、送粉量和扫描速率为变量的33组试验。通过金相显微镜观察熔覆层微观形貌,测量高度、宽度、熔覆区面积和熔合区面积,计算出稀释率。在获取上述工艺参数和宏观形貌的基础上,运用DNN深度神经网络建立预测模型,并与实际得到的熔覆层形貌进行对比。结果表明:DNN深度神经网络模型预测值与实际值误差在2%左右,预测精度较高,为齿轮单齿破损区路径规划提供精确的数据支撑,之后进行路径规划仿真试验并最终完成破损区齿轮的熔覆修复实例,验证了神经网络和路径规划结合的可行性。