为了解决熔覆层表面气孔识别技术中耗时且准确度不足的问题, 文章利用深度学习技术中的语义分割网络提出了基于U-net神经网络识别熔覆层表面气孔的2BNC-Unet神经网络。通过引入Batch Normalization层以及串联注意力机制(CBAM)合理部署在神经网络中, 选取交并比(IoU)与Dice系数作为网络的评价指标。研究结果表明: 在测试集中, 2BNC-Unet网络的交并比与Dice系数分别为86.96%、86.42%, 相比U-net神经网络分别提高了7.65%、4.73%。同时为了验证该网络的性能, 选用SegNet、2BNC-Unet与U-net神经网络进行对比实验, 结果表明2BNC-Unet的分割效果不仅优于SegNet和U-net网络, 而且熔覆层表面的气孔细节能够被完整地分割。在深度学习技术中2BNC-Unet的分割速度和准确度都有了显著地提高, 气孔的分割为熔覆层的性能分析提供了帮助。

为对工件表面产生的倾斜微裂纹进行检测, 从理论上和试验上分析激光产生的宽带瑞利波与矩形铝板上的倾斜角缺陷之间的相互作用。使用瑞利波与倾斜裂纹相互作用产生的透射波、反射波以及在裂纹尖端产生的绕射波来对裂纹角度进行定量检测。通过观察有限元仿真的应力云图, 发现瑞利波沿缺陷传播, 在缺陷尖端处发生模态转换, 有一部分波沿着裂纹绕射到金属表面, 部分波反射, 还有部分转换成纵波和横波。通过对绕射波信号进行傅里叶变换, 得到频谱图并观察绕射波在频域的变化趋势, 对绕射波能量进行计算, 最终得到绕射波能量随缺陷角度增大而减小, 呈e指数衰减分布。将有限元仿真与试验相结合, 结果表明, 当表面缺陷与表面呈一定倾角时, 绕射波能量提取是检测表面裂纹倾斜角的一种有效的方法。

为改进传统人工方法对熔覆区域裂纹检测耗时、准确率低的现状,提出了一种融合注意力模型的熔覆区裂纹自动识别方法,以便对裂纹进行标识和检测。基于U-net网络构造的熔覆裂纹语义分割网络存在对局部小特征提取能力不足的问题,而通过增加注意力模型(CBAM)层,提取特征空间和特征通道的权重信息,就可以对激光熔覆区微观裂纹进行实时的像素级标注和检测。实验结果表明:引入注意力模型的深度学习模型可使熔覆裂纹的识别和检测准确率提升2.7个百分点;融合注意力模型的网络在熔覆区域裂纹测试集上的准确率为79.8%。深度学习模型标注的准确度和速度均已超过人工标注,为激光熔覆裂纹的识别提供了有效方法。

采用有限元法对H13钢基体表面激光熔覆Stellite6钴基粉末的温度场进行了数值模拟。分析了不同功率、扫描速率和光斑半径对单道激光熔覆温度场分布的影响, 得出了最佳工艺参数为: 激光功率1 200 W, 扫描速率200 mm/min, 光斑半径2 mm。模拟了多道搭接温度场分布, 获得了温度梯度以及熔池边缘的冷却速率。结果表明: 多道搭接时, 前一道对后一道有着明显的预热作用; 垂直于扫描方向的温度梯度最大。采用优化的工艺参数进行了激光熔覆钴基合金实验研究, 获得了组织细小、致密且无缺陷的熔覆层。数值模拟结果与实验结果吻合较好。

近红外光谱分析技术可用于对样本的快速无损检测, 在人们的生产和生活中发挥着越来越重要的作用。 支持向量机是建立定性分析模型的常用方法, 可通过寻找最优分类超平面将两类样本分开。 在小样本情况下, 支持向量机方法有其独特的优势。 主成分分析是常用的数据降维方法, 可将数据降维之后作为支持向量机方法的输入变量, 简化模型并提高模型识别的准确性。 因此, 基于主成分分析的支持向量机(简称PCA-SVM)适合用于建立近红外光谱定性分析模型。 多模型方法是人们使用较少的建模方法, 用该方法建立的模型一般具有较好的稳定性。 将多模型方法与PCA-SVM方法成功结合形成了新方法。 以棉锦混合、 棉涤混合纺织品为例, 用新方法建立了这两类纺织品样本的近红外光谱定性分析模型。 建模时将光谱数据按照波长分为4组, 用每组光谱数据建立一个子模型, 将子模型的输出值进行加权平均便得到最终的预测结果。 这样可以更充分地使用光谱数据中所包含的信息。 为了便于对比不同的方法, 仍使用上述校正集和验证集, 又用PCA-SVM方法建立了这两类纺织品样本的近红外光谱定性分析模型。 对预测结果做交叉验证, 用新方法所建模型判别的正确率的平均值为85.49%, 正确率的标准差为0.066 7, 用PCA-SVM方法所建模型判别的正确率的平均值为83.34%, 正确率的标准差为0.109 6。 研究结果表明用新方法所建模型的分类效果好于用PCA-SVM方法所建模型的分类效果; 用新方法建立的模型的稳定性明显高于用PCA-SVM方法建立的模型的稳定性。 用PCA-SVM方法所建模型的预测效果受校正集构成情况的影响较大, 而用新方法所建模型的预测效果则相对稳定。 对废旧纺织品进行分类回收可大量节约纺织原材料, 但采用人工分拣方式效率低且成本高。 采用近红外光谱分析方法对纺织品进行分类, 为废旧纺织品的大规模精细分拣和分级奠定了一定的基础。 该新方法有望用于某些其他类型样本的分类。

为满足海水温度高精度快速测量的需求,提出了一种基于光纤法布里-珀罗(F-P)传感器的温度传感方案。该传感器由硅片和光纤尾纤组成,硅片作为光纤F-P传感器F-P腔的腔体,利用硅的热光效应和热膨胀效应实现温度的传感。采用基于二分法的交叉相关快速解调算法对光纤F-P传感器进行高精度的快速解调。对制作的光纤F-P温度传感器进行测试,结果表明:该传感器可达到0.15 ℃的温度测量精度,可分辨0.001 ℃的温度变化,温度响应时间可达到128 ms。该传感器有望在投弃式测量领域得到应用。

搭建了激光超声检测实验平台, 采用热弹效应和激光干涉接收方式, 观测了点聚焦激发横波的指向性及内表面处缺陷对超声信号的影响, 完成了圆管工件的B-scan成像, 实现了对圆管型螺纹构件内表面裂纹的定位。结果表明, 点聚焦激光激发横波信号在作用点法向夹角为32.1°的方向上能量最强, 与理论分析相符合; 根据圆管构件B-scan成像实现了内表面裂纹的位置检测, 并结合峰值-角度变化进一步实现了缺陷宽度测量。该研究成果为激光超声工业应用推广提供了实验依据。

棉是一种重要的天然纤维，如果能根据废旧纺织品的棉含量对其进行分类回收利用，可极大地减少对天然纤维资源的消耗。但目前废旧纺织品的回收主要采用人工分拣方式，这种方式效率低、成本高，难以满足对废旧纺织品进行大规模精细分拣、分级的需要。本文使用近红外光谱分析方法对废旧纺织品的棉含量进行判定，用基于主成分分析的支持向量机方法建立了废旧纺织品的近红外光谱定性分析模型，模型能将含棉和不含棉的两类废旧纺织品很好地分开。对于含棉的废旧纺织品，又用多模型方法建立了废旧纺织品棉含量的近红外光谱分析模型，模型具有较好的预测结果。综合使用上述两个模型，能较好地判定废旧纺织品的棉含量。这种新方法有望用于废旧纺织品某些其它天然纤维含量的快速判定。