一种基于人工智能预测系统的高熵合金热处理方法

技术领域

本发明属于高熵合金热处理技术领域，具体涉及一种基于人工智能预测系统的高熵合金热处理方法。

背景技术

合金是由两种或两种以上的金属或金属与非金属,经过熔炼、烧结或其他方法组合而成具有金属特性的材料；由于单个纯金属性能的局限性,合金正得到广泛的应用，几千年来,随着合金体系的发展，开发使用的合金系已达到三十余种；目前的合金系统大多是以单一组元为基础发展起来的,例如钢铁材料和铝合金；20世纪50年代发展的二元基金属间化合物也是以1-2种金属为基础的合金；非晶合金作为一种新型的合金具有优良的特性和广泛的应用潜能,所以其制备、发展和应用都得到了普逼关注,但仍就是以1～2种金属为基础来发展起来的。

高熵合金简称HEA，是由五种或五种以上等量或大约等量金属形成的合金；由于高熵合金可能具有许多理想的性质，因此在材料科学及工程上相当受到重视；以往的合金中主要的金属成分可能只有一至两种；例如会以铁为基础，再加入一些微量的元素来提升其特性，因此所得的就是以铁为主的合金；过往的概念中，若合金中加的金属种类越多，会使其材质脆化，但高熵合金和以往的合金不同，有多种金属却不会脆化，是一种新的材料。

为了提高精确控制高熵合金热处理质量的精确度，为此我们提出一种基于人工智能预测系统的高熵合金热处理方法。

发明内容

本发明的目的在于提供一种基于人工智能预测系统的高熵合金热处理方法，提高精确控制高熵合金热处理质量的精确度。

为实现上述目的，本发明提供如下技术方案：一种基于人工智能预测系统的高熵合金热处理方法，由知识采集模块、训练模块、性能预测模块、数据库、加热模块、冷却模块组成，其中：

知识采集模块用于获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；

训练模块与知识采集模块相连，并通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵；

性能预测模块通过数值计算完成高熵合金热处理性能的预测；

数据库存储所有训练、检验用数据以及与领域知识相关的数据；

加热模块用于对高熵合金进行加热；

冷却模块用于对加热后的高熵合金进行冷却；

所述高熵合金热处理方法如下：

步骤一：通过知识采集模块获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；

步骤二：通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵；

步骤三：通过性能预测模块对数值进行计算，完成高熵合金热处理性能的预测，推理出优化的热处理工艺参数；

步骤四：将高熵合金输送到加热区域，并通过加热模块进行加热，加热过程中，冲入氮气；

步骤五：对经过加热的高熵合金进行退火处理，并置于冷却箱中，通过冷却模块进行冷却。

作为本发明的一种优选的技术方案，所述高熵合金由Al、Cr、Co、Fe、Ni、Mo、Ti、Si元素组成，且各元素的的纯度均≥99.5％，查找各元素的相对原子质量，按比例称取元素，使得高熵合金粉末总重在30-50克之间。

作为本发明的一种优选的技术方案，所述Cr、Co、Fe、Ni、Ti采用线切割；Al采用锯条进行切割。

作为本发明的一种优选的技术方案，所述步骤五中，对经过加热的高熵合金进行退火处理，并置于20-25℃的环境下的冷却箱中，通过冷却模块进行冷却。

作为本发明的一种优选的技术方案，还包括监控模块，通过监控模块对高熵合金热处理过程进行实时监控。

作为本发明的一种优选的技术方案，还包括报警模块，通过报警模块对高熵合金热处理过程中的异常数据进行报警。

作为本发明的一种优选的技术方案，还包括定位模块，通过定位模块对故障部分进行定位。

作为本发明的一种优选的技术方案，还包括可视作展示模块，通过可视作展示模块对高熵合金热处理过程进行可视化展示。

与现有技术相比，本发明的有益效果是：

(1)通过性能预测模块对数值进行计算，完成高熵合金热处理性能的预测，推理出优化的热处理工艺参数，提高精确控制高熵合金热处理质量的精确度；

(2)通过报警模块对高熵合金热处理过程中的异常数据进行报警，方便管理人员及时知晓故障；通过定位模块对故障部分进行定位，方便第一时间进行维修。

附图说明

图1为本发明的热处理方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

请参阅图1，本发明提供一种技术方案：一种基于人工智能预测系统的高熵合金热处理方法，由知识采集模块、训练模块、性能预测模块、数据库、加热模块、冷却模块组成，其中：

知识采集模块用于获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；

训练模块与知识采集模块相连，并通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵，有助于知识的获取，训练模块可以在以后的使用中,不断利用知识采集模块提供给它的新的数据对网络进行训练,充实、更新知识库的知识,提高预测精度；

性能预测模块通过数值计算完成高熵合金热处理性能的预测；

数据库存储所有训练、检验用数据以及与领域知识相关的数据；

加热模块用于对高熵合金进行加热；

冷却模块用于对加热后的高熵合金进行冷却；

高熵合金热处理方法如下：

步骤一：通过知识采集模块获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；

步骤二：通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵；

步骤三：通过性能预测模块对数值进行计算，完成高熵合金热处理性能的预测，推理出优化的热处理工艺参数；

步骤四：将高熵合金输送到加热区域，并通过加热模块进行加热，加热过程中，冲入氮气；

步骤五：对经过加热的高熵合金进行退火处理，并置于20-25℃的环境下的冷却箱中，通过冷却模块进行冷却。

本实施例中，优选的，高熵合金由Al、Cr、Co、Fe、Ni、Mo、Ti、Si元素组成，且各元素的的纯度均≥99.5％，查找各元素的相对原子质量，按比例称取元素，使得高熵合金粉末总重在30-50克之间；Cr、Co、Fe、Ni、Ti为块状，硬度大，采用线切割；Al采用锯条进行切割。

本实施例中，优选的，还包括定位模块，通过定位模块对故障部分进行定位，方便第一时间进行维修。

本实施例中，优选的，还包括可视作展示模块，通过可视作展示模块对高熵合金热处理过程进行可视化展示。

实施例2

请参阅图1，本发明提供一种技术方案：一种基于人工智能预测系统的高熵合金热处理方法，由知识采集模块、训练模块、性能预测模块、数据库、加热模块、冷却模块组成，其中：

知识采集模块用于获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；

训练模块与知识采集模块相连，并通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵，有助于知识的获取，训练模块可以在以后的使用中,不断利用知识采集模块提供给它的新的数据对网络进行训练,充实、更新知识库的知识,提高预测精度；

性能预测模块通过数值计算完成高熵合金热处理性能的预测；

数据库存储所有训练、检验用数据以及与领域知识相关的数据；

加热模块用于对高熵合金进行加热；

冷却模块用于对加热后的高熵合金进行冷却；

高熵合金热处理方法如下：

步骤一：通过知识采集模块获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；

步骤二：通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵；

步骤三：通过性能预测模块对数值进行计算，完成高熵合金热处理性能的预测，推理出优化的热处理工艺参数；

步骤四：将高熵合金输送到加热区域，并通过加热模块进行加热，加热过程中，冲入氮气；

步骤五：对经过加热的高熵合金进行退火处理，并置于20-25℃的环境下的冷却箱中，通过冷却模块进行冷却。

本实施例中，优选的，高熵合金由Al、Cr、Co、Fe、Ni、Mo、Ti、Si元素组成，且各元素的的纯度均≥99.5％，查找各元素的相对原子质量，按比例称取元素，使得高熵合金粉末总重在30-50克之间；Cr、Co、Fe、Ni、Ti为块状，硬度大，采用线切割；Al采用锯条进行切割。

本实施例中，优选的，还包括监控模块，通过监控模块对高熵合金热处理过程进行实时监控，有助于全天候、多方位的进行监视，节省人力物力；实时监控录像，可以随时调出记录；方便管理人员全局把握情况，了解热处理情况。

本实施例中，优选的，还包括报警模块，通过报警模块对高熵合金热处理过程中的异常数据进行报警，方便管理人员及时知晓故障。

本实施例中，优选的，还包括定位模块，通过定位模块对故障部分进行定位，方便第一时间进行维修。

本实施例中，优选的，还包括可视作展示模块，通过可视作展示模块对高熵合金热处理过程进行可视化展示。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。