基于神经网络的电弧增材制造铝合金力学性能预测

目的预测不同工艺参数下电弧增材制造铝合金的力学性能。方法通过实验建立了电弧增材制造6061铝合金及TiC增强6061铝合金力学性能的数据集,并建立了一种以焊接电流、焊接速度、脉冲频率、TiC颗粒含量为输入,以屈服强度和抗拉强度为输出的神经网预测模型,对比了反向传播神经网络(BP)、粒子群算法优化BP神经网络(PSO-BP)、遗传算法优化BP神经网络(GA-BP)3种预测模型的精度。结果与BP模型和PSO-BP模型相比,GA-BP预测模型具有更好的预测精度。其中,GA-BP模型预测6061铝合金屈服强度最佳结果的相关系数(R)为0.965,决定系数(R2)为0.93,平均绝对误差(Mean Absolute Error,MAE)为2.35,均方根误差(Root Mean Square Error,RMSE)为2.67;预测TiC增强的6061铝合金抗拉强度最佳结果的R=1,R2高达0.99,MAE为0.46,RMSE为0.49,GA-BP具有良好的预测精度。结论BP、PSO-BP、GA-BP3种神经网络模型可以用来预测电弧增材制造铝合金的力学性能,GA-BP模型比其他2种模型的预测精度更优。与传统的实验方法相比,用神经网络模型预测电弧增材制造铝合金力学性能的速度更快,成本更低。

基于改进细化法的线激光中心提取方法

线激光条纹中心线提取的精度和速度是线激光三维测量技术的关键,针对现有的激光条纹中心提取方法在速度快和精度高之间的矛盾,提出一种改进细化法的线激光条纹中心线提取方法。首先对图像进行滤波操作,阈值分割,再基于改进的细化算法,对提取中心进行冗余去除和补线处理,实现了线激光条纹中心快速和高精度的提取。通过实验结果表明,相比灰度重心法,所提方法在精度上提高近1倍,相较于Steger算法,在运行速度上提高近15倍。因此,所提算法具有复杂度低,且具有提取速度和精度高的优点。