CN116776647B - 一种复合镍铜铝散热底板的性能预测方法及*** - Google Patents
一种复合镍铜铝散热底板的性能预测方法及*** Download PDFInfo
- Publication number
- CN116776647B CN116776647B CN202311051506.0A CN202311051506A CN116776647B CN 116776647 B CN116776647 B CN 116776647B CN 202311051506 A CN202311051506 A CN 202311051506A CN 116776647 B CN116776647 B CN 116776647B
- Authority
- CN
- China
- Prior art keywords
- copper
- heat dissipation
- aluminum heat
- composite nickel
- base plate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 623
- -1 nickel-copper-aluminum Chemical compound 0.000 title claims abstract description 623
- 230000017525 heat dissipation Effects 0.000 title claims abstract description 605
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 85
- 238000004519 manufacturing process Methods 0.000 claims abstract description 73
- 230000033228 biological regulation Effects 0.000 claims abstract description 70
- 230000001105 regulatory effect Effects 0.000 claims abstract description 63
- 238000005094 computer simulation Methods 0.000 claims abstract description 46
- 230000001276 controlling effect Effects 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000003066 decision tree Methods 0.000 claims description 42
- 230000007547 defect Effects 0.000 claims description 38
- 238000012937 correction Methods 0.000 claims description 24
- 239000012530 fluid Substances 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000013138 pruning Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000011426 transformation method Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
- G01B21/08—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness for measuring thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Graphics (AREA)
- Cooling Or The Like Of Semiconductors Or Solid State Devices (AREA)
Abstract
本发明公开了一种复合镍铜铝散热底板的性能预测方法及***,包括以下步骤:对复合镍铜铝散热底板进行图像识别和超声波探伤,得到复合镍铜铝散热底板的表面特征参数和内部参数,结合复合镍铜铝散热底板生产图纸,构建复合镍铜铝散热底板动态仿真模型,基于所述复合镍铜铝散热底板动态仿真模型获取复合镍铜铝散热底板性能预测参数,将所述复合镍铜铝散热底板性能预测参数和标准复合镍铜铝散热底板性能参数进行对比,分析得到复合镍铜铝散热底板的异常部位及异常性能参数,基于所述复合镍铜铝散热底板的异常部位及异常性能参数对复合镍铜铝散热底板进行调控,并分析修正调控后的复合镍铜铝散热底板,判断是否需要进行二次调控。
Description
技术领域
本发明涉及金属性能预测领域,特别是一种复合镍铜铝散热底板的性能预测方法及***。
背景技术
复合镍铜铝散热底板是一种用于散热的组件,通常用于电子设备、电脑硬件、照明灯具等领域。它的主要功能是通过导热材料将设备产生的热量有效地传导和散发,以保持设备的温度在可接受范围内,防止过热导致损坏。复合镍铜铝散热底板的性能主要为导热性及散热性,对复合镍铜铝散热底板的性能预测原因是复合镍铜铝散热底板在进行一段时间工作后或者刚生产出来的时候,可能会存在缺陷,例如裂痕、导热性散热性不足等问题,使复合镍铜铝散热底板不能充分发挥作用,影响安装复合镍铜铝散热底板的元件的散热效果,甚至会对复合镍铜铝散热底板的元件其危害作用。对复合镍铜铝散热底板性能进行预测,能够对复合镍铜铝散热底板的异常部位并加以修正及调控,基于三维模型对复合镍铜铝散热底板进行修正调控节省时间,效率更高,符合经济效益,调控效果也更好。
发明内容
本发明克服了现有技术的不足,提供了一种复合镍铜铝散热底板的性能预测方法及***。
为达到上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种复合镍铜铝散热底板的性能预测方法,包括以下步骤:
对复合镍铜铝散热底板进行图像识别,得到复合镍铜铝散热底板表面特征参数,对复合镍铜铝散热底板进行内部参数获取,基于复合镍铜铝散热底板生产图纸、复合镍铜铝散热底板表面特征参数和内部参数,构建复合镍铜铝散热底板动态仿真模型;
基于复合镍铜铝散热底板动态仿真模型,获取复合镍铜铝散热底板的实时性能参数,构建复合镍铜铝散热底板预测模型,将所述复合镍铜铝散热底板的性能参数导入复合镍铜铝散热底板预测模型中,得到复合镍铜铝散热底板性能预测参数;
将复合镍铜铝散热底板性能预测参数与标准复合镍铜铝散热底板性能参数分析对比,根据分析结果得到复合镍铜铝散热底板异常部位及异常性能参数;
对复合镍铜铝散热底板表面进行厚度检测,基于复合镍铜铝散热底板的厚度值和磨削值,对复合镍铜铝散热底板进行修正调控;
更改输入参数,获取修正调控复合镍铜铝散热底板在不同条件下的性能数据,判断修正调控复合镍铜铝散热底板是否为合格品,并获取二次调控方案。
进一步的,本发明的一个较佳实施例中,所述对复合镍铜铝散热底板进行图像识别,得到复合镍铜铝散热底板表面特征参数,对复合镍铜铝散热底板进行内部参数获取,基于复合镍铜铝散热底板生产图纸、复合镍铜铝散热底板表面特征参数和内部参数,构建复合镍铜铝散热底板动态仿真模型,具体为:
使用摄像头,对复合镍铜铝散热底板的各个表面进行图像获取,得到复合镍铜铝散热底板表面图像,并将所述复合镍铜铝散热底板表面图像进行灰度化处理,得到复合镍铜铝散热底板表面灰度化图像;
将所述复合镍铜铝散热底板表面灰度化图像导入高斯滤波器中,在所述高斯滤波器中定义一个二维高斯函数作为滤波模板,并对所述滤波模板进行归一化处理;
将进行归一化处理后的滤波模板作用于复合镍铜铝散热底板表面灰度化图像上,所述归一化处理后的滤波模板在复合镍铜铝散热底板表面灰度化图像上滑动,每滑动经过一个像素,则对像素进行卷积运算,得到卷积后的像素值;
当归一化处理后的滤波模板滑动经过所有的像素后,得到复合镍铜铝散热底板表面滤波灰度化图像,在所述复合镍铜铝散热底板表面灰度化图像上使用索贝尔算子进行水平方向和垂直方向的卷积运算,得到水平方向和垂直方向的梯度图像;
将所述水平方向和垂直方向的梯度图像进行图像合并,得到梯度幅值图像,基于梯度幅值图像的像素梯度值,预设高阈值与低阈值;
若所述梯度幅值图像的像素梯度值高于高阈值,则将对应的像素点定义为强边缘像素点,若所述梯度幅值图像的像素梯度值在高阈值和低阈值之间,则将对应的像素点定义为弱边缘像素点,对梯度幅值图像的像素梯度值低于低阈值的像素点剔除;
通过霍夫线变换法将所述强边缘像素点和弱边缘像素点按要求连接,得到复合镍铜铝散热底板表面特征参数;
通过超声波探伤仪对复合镍铜铝散热底板进行超声波探伤,接收返回的脉冲信号,对所述返回的脉冲信号进行数据清洗,去除异常值,并对进行数据清洗后的脉冲信号进行滤波处理,得到复合镍铜铝散热底板内部参数;
基于复合镍铜铝散热底板生产图纸、复合镍铜铝散热底板表面特征参数和复合镍铜铝散热底板内部参数,在三维建模软件中构建复合镍铜铝散热底板三维模型,并将所述复合镍铜铝散热底板三维模型转换成仿真模型文本数据流,基于所述仿真模型文本数据流,构建复合镍铜铝散热底板动态仿真模型。
进一步的,本发明的一个较佳实施例中,所述基于复合镍铜铝散热底板动态仿真模型,获取复合镍铜铝散热底板的实时性能参数,构建复合镍铜铝散热底板预测模型,将所述复合镍铜铝散热底板的性能参数导入复合镍铜铝散热底板预测模型中,得到复合镍铜铝散热底板性能预测参数,具体为:
获取复合镍铜铝散热底板的输入参数,所述复合镍铜铝散热底板的输入参数包括实时输入热量和复合镍铜铝散热底板工作前外部流体流向,将所述复合镍铜铝散热底板的输入参数导入复合镍铜铝散热底板动态仿真模型中,获得复合镍铜铝散热底板的实时性能参数,所述复合镍铜铝散热底板的实时性能参数包括实时输出热量和复合镍铜铝散热底板工作后外部流体流向;
将所述复合镍铜铝散热底板的实时性能参数分成训练集和测试集,将训练集导入决策树模型内,基于复合镍铜铝散热底板的实时性能参数中不同参数的特征,得到性能参数特征值,基于所述性能参数特征值,结合复合镍铜铝散热底板的实时性能参数的基尼系数,得到性能参数切分值;
确定根节点,以所述根节点为原点,基于性能参数特征值和性能参数切分值对决策树模型进行划分,并将划分点定义为叶子节点,当根节点到最远叶子节点的路径上的节点数满足预设值,或决策树模型经过划分后训练集内数据样本数量达到预设最小值,停止对决策树模型进行划分,并对划分后的决策树模型进行剪枝处理,得到复合镍铜铝散热底板决策树模型;
构建多个决策树模型,将所述多个决策树模型组合成随机森林模型,对所述随机森林模型进行准确率评估及模型优化,输出调整后的随机森林模型参数,基于所述调整后的随机森林模型参数,通过模型深度学习算法,通过模型深度学习算法,构建复合镍铜铝散热底板预测模型,基于所述复合镍铜铝散热底板预测模型得到复合镍铜铝散热底板性能预测参数。
进一步的,本发明的一个较佳实施例中,所述将复合镍铜铝散热底板性能预测参数与标准复合镍铜铝散热底板性能参数分析对比,根据分析结果得到复合镍铜铝散热底板异常部位及异常性能参数,具体为:
构建复合镍铜铝散热底板标准动态仿真模型,基于所述复合镍铜铝散热底板标准动态仿真模型,获取复合镍铜铝散热底板标准性能参数,将所述复合镍铜铝散热底板标准性能参数与复合镍铜铝散热底板性能预测参数进行数据整合分析,得到参数偏差值;
基于所述参数偏差值,确定贝叶斯网络的随机变量,根据随机变量的条件依赖关系,构建有向无环图,在所述有向无环图中,一个节点表示一个随机变量,并获取节点之间的有向边;
基于贝叶斯估计法,得到每个节点的条件概率表,基于所述节点之间的有向边,构建贝叶斯网络模型,将所述每个节点的条件概率表导入贝叶斯网络模型中进行概率推演,获取复合镍铜铝散热底板各个部位的故障概率值;
预设故障概率阈值,将故障概率值大于故障概率阈值的复合镍铜铝散热底板部位定义为复合镍铜铝散热底板异常部位,在所述复合镍铜铝散热底板动态仿真模型中对复合镍铜铝散热底板异常部位进行标记,基于所述复合镍铜铝散热底板性能预测参数构建复合镍铜铝散热底板性能预测参数分布图,根据所述复合镍铜铝散热底板性能预测参数分布图得到复合镍铜铝散热底板异常部位的性能参数,定义为异常性能参数。
进一步的,本发明的一个较佳实施例中,所述对复合镍铜铝散热底板表面进行厚度检测,基于复合镍铜铝散热底板的厚度值和磨削值,对复合镍铜铝散热底板进行修正调控,具体为:
获取复合镍铜铝散热底板表面各点的实际厚度值,并基于复合镍铜铝散热底板的生产图纸,获取复合镍铜铝散热底板各点的磨削值和标准厚度值,基于标准厚度值得到标准厚度阈值;
将复合镍铜铝散热底板各点的标准厚度值减去复合镍铜铝散热底板的实际厚度值,得到缺陷深度值,若复合镍铜铝散热底板任意一点的缺陷深度值大于对应的磨削值,则将复合镍铜铝散热底板报废;
若复合镍铜铝散热底板存在缺陷深度值为负值的点,且其余点的实际厚度值在标准厚度阈值内,则对缺陷深度值为负值的点进行磨削处理;
若复合镍铜铝散热底板所有点的缺陷深度值均小于对应的磨削值,则基于复合镍铜铝散热底板三维模型,对复合镍铜铝散热底板所有点的磨削值进行排序处理,得到最大磨削值,基于所述最大磨削值对复合镍铜铝散热底板三维模型进行模拟磨削,若进行模拟磨削后复合镍铜铝散热底板三维模型不符合标准,则对复合镍铜铝散热底板报废,若进行模拟磨削后复合镍铜铝散热底板三维模型符合标准,则对复合镍铜铝散热底板进行磨削处理;
对磨削处理后的复合镍铜铝散热底板定义为修正调控复合镍铜铝散热底板。
进一步的,本发明的一个较佳实施例中,所述更改输入参数,获取修正调控复合镍铜铝散热底板在不同条件下的性能数据,判断修正调控复合镍铜铝散热底板是否为合格品,并获取二次调控方案,具体为:
对输入参数进行更改,包括更改修正调控复合镍铜铝散热底板的输入热量及修正调控复合镍铜铝散热底板表面流体流向,并使修正调控复合镍铜铝散热底板在不同输入参数下进行工作;
获取不同输入参数下修正调控复合镍铜铝散热底板的性能数据,包括修正调控复合镍铜铝散热底板的输出热量和修正调控复合镍铜铝散热底板工作后表面流体流向,若不同输入参数下修正调控复合镍铜铝散热底板的性能数据均在预设范围内,则所述修正调控复合镍铜铝散热底板为合格品;
若存在任意输入参数下修正调控复合镍铜铝散热底板的性能数据不在预设范围内,则对该修正调控复合镍铜铝散热底板进行分析,获取二次异常部位及二次异常性能参数,基于所述二次异常部位及二次异常性能参数,通过大数据检索,获取所有二次调控方案;
对所述所有二次调控方案进行筛选,选出二次调控方案中满足调控效率最高、符合调控性质及符合调控结果的二次调控方案输出,定义为最优二次调控方案;
将所述最优二次调控方案应用于对应的修正调控复合镍铜铝散热底板,得到二次修正调控复合镍铜铝散热底板并获取所述二次修正调控复合镍铜铝散热底板的性能数据,若二次修正调控复合镍铜铝散热底板的性能数据仍不在预设范围内,则将所述二次修正调控复合镍铜铝散热底板报废。
本发明第二方面还提供了一种复合镍铜铝散热底板的性能预测***,所述性能预测***包括存储器与处理器,所述存储器中储存有性能预测程序,所述性能预测程序被所述处理器执行时,实现如下步骤:
对复合镍铜铝散热底板进行图像识别,得到复合镍铜铝散热底板表面特征参数,对复合镍铜铝散热底板进行内部参数获取,基于复合镍铜铝散热底板生产图纸、复合镍铜铝散热底板表面特征参数和内部参数,构建复合镍铜铝散热底板动态仿真模型;
基于复合镍铜铝散热底板动态仿真模型,获取复合镍铜铝散热底板的实时性能参数,构建复合镍铜铝散热底板预测模型,将所述复合镍铜铝散热底板的性能参数导入复合镍铜铝散热底板预测模型中,得到复合镍铜铝散热底板性能预测参数;
将复合镍铜铝散热底板性能预测参数与标准复合镍铜铝散热底板性能参数分析对比,根据分析结果得到复合镍铜铝散热底板异常部位及异常性能参数;
对复合镍铜铝散热底板表面进行厚度检测,基于复合镍铜铝散热底板的厚度值和磨削值,对复合镍铜铝散热底板进行修正调控;
更改输入参数,获取修正调控复合镍铜铝散热底板在不同条件下的性能数据,判断修正调控复合镍铜铝散热底板是否为合格品,并获取二次调控方案。
本发明解决的背景技术中存在的技术缺陷,本发明具备以下有益效果:对复合镍铜铝散热底板进行图像识别和超声比探伤,得到复合镍铜铝散热底板的表面特征参数和内部参数,结合复合镍铜铝散热底板生产图纸,构建复合镍铜铝散热底板动态仿真模型,基于所述复合镍铜铝散热底板动态仿真模型获取复合镍铜铝散热底板性能预测参数,将所述复合镍铜铝散热底板性能预测参数和标准复合镍铜铝散热底板性能参数进行对比,分析得到复合镍铜铝散热底板的异常部位及异常性能参数,基于所述复合镍铜铝散热底板的异常部位及异常性能参数对复合镍铜铝散热底板进行调控,并分析修正调控后的复合镍铜铝散热底板,判断是否需要进行二次调控。本发明能够通过对复合镍铜铝散热底板进行性能预测,获得复合镍铜铝散热底板的异常部位并加以修正及调控,基于三维模型对复合镍铜铝散热底板进行修正调控节省时间,效率更高,符合经济效益,调控效果也更好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他实施例的附图。
图1示出了一种复合镍铜铝散热底板的性能预测方法的流程图;
图2示出了获取复合镍铜铝散热底板性能预测参数、复合镍铜铝散热底板异常部位及异常性能参数的流程图;
图3示出了一种复合镍铜铝散热底板的性能预测***的程序图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了一种复合镍铜铝散热底板的性能预测方法的流程图,包括以下步骤:
S102:对复合镍铜铝散热底板进行图像识别,得到复合镍铜铝散热底板表面特征参数,对复合镍铜铝散热底板进行内部参数获取,基于复合镍铜铝散热底板生产图纸、复合镍铜铝散热底板表面特征参数和内部参数,构建复合镍铜铝散热底板动态仿真模型;
S104:基于复合镍铜铝散热底板动态仿真模型,获取复合镍铜铝散热底板的实时性能参数,构建复合镍铜铝散热底板预测模型,将所述复合镍铜铝散热底板的性能参数导入复合镍铜铝散热底板预测模型中,得到复合镍铜铝散热底板性能预测参数;
S106:将复合镍铜铝散热底板性能预测参数与标准复合镍铜铝散热底板性能参数分析对比,根据分析结果得到复合镍铜铝散热底板异常部位及异常性能参数;
S108:对复合镍铜铝散热底板表面进行厚度检测,基于复合镍铜铝散热底板的厚度值和磨削值,对复合镍铜铝散热底板进行修正调控;
S110:更改输入参数,获取修正调控复合镍铜铝散热底板在不同条件下的性能数据,判断修正调控复合镍铜铝散热底板是否为合格品,并获取二次调控方案。
进一步的,本发明的一个较佳实施例中,所述对复合镍铜铝散热底板进行图像识别,得到复合镍铜铝散热底板表面特征参数,对复合镍铜铝散热底板进行内部参数获取,基于复合镍铜铝散热底板生产图纸、复合镍铜铝散热底板表面特征参数和内部参数,构建复合镍铜铝散热底板动态仿真模型,具体为:
使用摄像头,对复合镍铜铝散热底板的各个表面进行图像获取,得到复合镍铜铝散热底板表面图像,并将所述复合镍铜铝散热底板表面图像进行灰度化处理,得到复合镍铜铝散热底板表面灰度化图像;
将所述复合镍铜铝散热底板表面灰度化图像导入高斯滤波器中,在所述高斯滤波器中定义一个二维高斯函数作为滤波模板,并对所述滤波模板进行归一化处理;
将进行归一化处理后的滤波模板作用于复合镍铜铝散热底板表面灰度化图像上,所述归一化处理后的滤波模板在复合镍铜铝散热底板表面灰度化图像上滑动,每滑动经过一个像素,则对像素进行卷积运算,得到卷积后的像素值;
当归一化处理后的滤波模板滑动经过所有的像素后,得到复合镍铜铝散热底板表面滤波灰度化图像,在所述复合镍铜铝散热底板表面灰度化图像上使用索贝尔算子进行水平方向和垂直方向的卷积运算,得到水平方向和垂直方向的梯度图像;
将所述水平方向和垂直方向的梯度图像进行图像合并,得到梯度幅值图像,基于梯度幅值图像的像素梯度值,预设高阈值与低阈值;
若所述梯度幅值图像的像素梯度值高于高阈值,则将对应的像素点定义为强边缘像素点,若所述梯度幅值图像的像素梯度值在高阈值和低阈值之间,则将对应的像素点定义为弱边缘像素点,对梯度幅值图像的像素梯度值低于低阈值的像素点剔除;
通过霍夫线变换法将所述强边缘像素点和弱边缘像素点按要求连接,得到复合镍铜铝散热底板表面特征参数;
通过超声波探伤仪对复合镍铜铝散热底板进行超声波探伤,接收返回的脉冲信号,对所述返回的脉冲信号进行数据清洗,去除异常值,并对进行数据清洗后的脉冲信号进行滤波处理,得到复合镍铜铝散热底板内部参数;
基于复合镍铜铝散热底板生产图纸、复合镍铜铝散热底板表面特征参数和复合镍铜铝散热底板内部参数,在三维建模软件中构建复合镍铜铝散热底板三维模型,并将所述复合镍铜铝散热底板三维模型转换成仿真模型文本数据流,基于所述仿真模型文本数据流,构建复合镍铜铝散热底板动态仿真模型。
需要说明的是,为方便对复合镍铜铝散热底板进行性能预测,需要对复合镍铜铝散热底板进行模型构建,构建动态仿真模型能够在电脑上对复合镍铜铝散热底板的性能数据进行仿真并预测。构建动态仿真模型前需要构建三维模型,复合镍铜铝散热底板三维模型包括表面参数及内部参数,对复合镍铜铝散热底板进行图像识别,能够得到复合镍铜铝散热底板的表面参数,包括表面纹理特征及表面的缺陷特征等。对复合镍铜铝散热底板进行内部探伤能够得到复合镍铜铝散热底板内部的具体参数,再结合复合镍铜铝散热底板的生产图纸,能够构建复合镍铜铝散热底板三维模型。在图像识别过程中,对复合镍铜铝散热底板表面图像进行灰度化处理目的是使图像内存更小,运算速度更快,图像更清晰;对复合镍铜铝散热底板表面灰度化图像进行高斯滤波目的是去除噪声;所述索贝尔算子是可以提取图像中的灰度变化值来检测图像的边缘特征,所述强边缘为复合镍铜铝散热底板的轮廓边缘,所述弱边缘为复合镍铜铝散热底板的纹理边缘,所述霍夫线变换法作用是连接弱边缘像素,使弱边缘像素形成长的连续边缘,与强边缘连接,构成复合镍铜铝散热底板表面图像。对返回的脉冲信号进行数据清洗目的是去除异常值,使脉冲信号更准确反映内部参数。将复合镍铜铝散热底板三维模型转换为文本数据流目的是使数据符合动态仿真软件的格式,构建复合镍铜铝散热底板动态仿真模型。本发明能够通过图像识别和超声波探伤,获取复合镍铜铝散热底板的表面特征参数和内部参数,并基于生产图纸构建复合镍铜铝散热底板三维模型和复合镍铜铝散热底板动态仿真模型。
进一步的,本发明的一个较佳实施例中,所述对复合镍铜铝散热底板表面进行厚度检测,基于复合镍铜铝散热底板的厚度值和磨削值,对复合镍铜铝散热底板进行修正调控,具体为:
获取复合镍铜铝散热底板表面各点的实际厚度值,并基于复合镍铜铝散热底板的生产图纸,获取复合镍铜铝散热底板各点的磨削值和标准厚度值,基于标准厚度值得到标准厚度阈值;
将复合镍铜铝散热底板各点的标准厚度值减去复合镍铜铝散热底板的实际厚度值,得到缺陷深度值,若复合镍铜铝散热底板任意一点的缺陷深度值大于对应的磨削值,则将复合镍铜铝散热底板报废;
若复合镍铜铝散热底板存在缺陷深度值为负值的点,且其余点的实际厚度值在标准厚度阈值内,则对缺陷深度值为负值的点进行磨削处理;
若复合镍铜铝散热底板所有点的缺陷深度值均小于对应的磨削值,则构建复合镍铜铝散热底板三维模型,对复合镍铜铝散热底板所有点的磨削值进行排序处理,得到最大磨削值,基于所述最大磨削值对复合镍铜铝散热底板三维模型进行模拟磨削,若进行模拟磨削后复合镍铜铝散热底板三维模型不符合标准,则对复合镍铜铝散热底板报废,若进行模拟磨削后复合镍铜铝散热底板三维模型符合标准,则对复合镍铜铝散热底板进行磨削处理。
需要说明的是,由于外界因素或者复合镍铜铝散热底板内部腐蚀因素,复合镍铜铝散热底板的可能存在缺陷,所述缺陷可能为裂纹、氧化层脱落甚至撕裂等。复合镍铜铝散热底板有缺陷会影响散热效果,同时对外表面流体流向造成影响。获取复合镍铜铝散热底板的实际厚度值、磨削值和标准厚度值可以作为修正的前提条件。磨削值为对复合镍铜铝散热底板的可磨削程度,通过对复合镍铜铝散热底板进行磨削处理,去除裂纹等缺陷。磨削值过大,会破环复合镍铜铝散热底板的结构,使复合镍铜铝散热底板一部分点的厚度过小,不符合要求,甚至会在散热过程中由于厚度过小不稳定,可能会产生爆裂等情况。使将复合镍铜铝散热底板各点的标准厚度值减去复合镍铜铝散热底板的实际厚度值,得到缺陷深度值,存在任意一点的缺陷深度值大于磨削值,证明对该点磨削到最大程度仍无法解决缺陷,则将复合镍铜铝散热底板报废;缺陷深度值为负数,证明在对应点上存在有杂质,需要去除杂质;缺陷深度值小于对应磨削值的情况下,因为复合镍铜铝散热底板的各点厚度可能不同,且需要保持复合镍铜铝散热底板的尺寸比例相同,则每次磨削需要对整个复合镍铜铝散热底板进行磨削加工,维持尺寸比例的相同。使用三维模型目的是模拟磨削的准确性更高,节省资源,且效率更高。以缺陷深度值最大的点为基础,取对应的磨削值为最大磨削值,若基于最大磨削值对复合镍铜铝散热底板进行磨削后,破坏复合镍铜铝散热底板的尺寸比例,或者某些点的厚度不在标准厚度值范围内,则证明对该复合镍铜铝散热底板进行磨削会破坏整块复合镍铜铝散热底板,则将此复合镍铜铝散热底板报废。本发明能够通过分析复合镍铜铝散热底板的厚度值及磨削值,对复合镍铜铝散热底板进行磨削处理或者报废。
进一步的,本发明的一个较佳实施例中,所述更改输入参数,获取修正调控复合镍铜铝散热底板在不同条件下的性能数据,判断修正调控复合镍铜铝散热底板是否为合格品,并获取二次调控方案,具体为:
对输入参数进行更改,包括更改修正调控复合镍铜铝散热底板的输入热量及修正调控复合镍铜铝散热底板表面流体流向,并使修正调控复合镍铜铝散热底板在不同输入参数下进行工作;
获取不同输入参数下修正调控复合镍铜铝散热底板的性能数据,包括修正调控复合镍铜铝散热底板的输出热量和修正调控复合镍铜铝散热底板工作后表面流体流向,若不同输入参数下修正调控复合镍铜铝散热底板的性能数据均在预设范围内,则所述修正调控复合镍铜铝散热底板为合格品;
若存在任意输入参数下修正调控复合镍铜铝散热底板的性能数据不在预设范围内,则对该修正调控复合镍铜铝散热底板进行分析,获取二次异常部位及二次异常性能参数,基于所述二次异常部位及二次异常性能参数,通过大数据检索,获取所有二次调控方案;
对所述所有二次调控方案进行筛选,选出二次调控方案中满足调控效率最高、符合调控性质及符合调控结果的二次调控方案输出,定义为最优二次调控方案;
将所述最优二次调控方案应用于对应的修正调控复合镍铜铝散热底板,得到二次修正调控复合镍铜铝散热底板并获取所述二次修正调控复合镍铜铝散热底板的性能数据,若二次修正调控复合镍铜铝散热底板的性能数据仍不在预设范围内,则将所述二次修正调控复合镍铜铝散热底板报废。
需要说明的是,修正调控后的复合镍铜铝散热底板可能会发生散热效率下降,或者散热能力下降的情况,而散热的热量不是恒定的,所以需要对复合镍铜铝散热底板的输入条件进行调节,检测复合镍铜铝散热底板在不同输入条件下的性能。修正调控复合镍铜铝散热底板的性能数据包括输出的热量及工作期间表面气流的流向,性能好的复合镍铜铝散热底板,输出的热量更小,且工作期间表面气流流向更稳定,且流速更慢。当修正调控复合镍铜铝散热底板的性能数据不符合预设值们需要对复合镍铜铝散热底板进行二次修正,使复合镍铜铝散热底板的性能数据满足预设值。复合镍铜铝散热底板在第一次修正后可能存在修正效果不佳,或者修正后出现新的异常部位,所以需要找到二次异常部位并对二次异常部位进行调控。在大数据网络中包含多种对复合镍铜铝散热底板的二次调控方案,根据调控效率最高、符合调控性质及符合调控结果的原则,筛选得到最优二次调控方案,所述调控性质为不存在人为干预操作。使用最优二次调控方案对复合镍铜铝散热底板进行二次修正调控,对二次修正调控后性能数据仍不满足要求的复合镍铜铝散热底板报废。本发明能够通过调节输入条件,对复合镍铜铝散热底板进行检测,筛选获得最优二次调控方案并对性能数据不满足预设值的复合镍铜铝散热底板进行调控。
图2示出了获取复合镍铜铝散热底板性能预测参数、复合镍铜铝散热底板异常部位及异常性能参数的流程图,包括以下步骤:
S202:获取复合镍铜铝散热底板的实时性能参数,构建复合镍铜铝散热底板预测模型,并得到复合镍铜铝散热底板性能预测参数;
S204:基于贝叶斯网络获取复合镍铜铝散热底板各个部位的故障概率值;
S206:基于所述复合镍铜铝散热底板各个部位的故障概率值获取复合镍铜铝散热底板异常部位及异常性能参数。
进一步的,本发明的一个较佳实施例中,所述获取复合镍铜铝散热底板的实时性能参数,构建复合镍铜铝散热底板预测模型,并得到复合镍铜铝散热底板性能预测参数,具体为:
获取复合镍铜铝散热底板的输入参数,所述复合镍铜铝散热底板的输入参数包括实时输入热量和复合镍铜铝散热底板工作前外部流体流向,将所述复合镍铜铝散热底板的输入参数导入复合镍铜铝散热底板动态仿真模型中,获得复合镍铜铝散热底板的实时性能参数,所述复合镍铜铝散热底板的实时性能参数包括实时输出热量和复合镍铜铝散热底板工作后外部流体流向;
将所述复合镍铜铝散热底板的实时性能参数分成训练集和测试集,将训练集导入决策树模型内,基于复合镍铜铝散热底板的实时性能参数中不同参数的特征,得到性能参数特征值,基于所述性能参数特征值,结合复合镍铜铝散热底板的实时性能参数的基尼系数,得到性能参数切分值;
确定根节点,以所述根节点为原点,基于性能参数特征值和性能参数切分值对决策树模型进行划分,并将划分点定义为叶子节点,当根节点到最远叶子节点的路径上的节点数满足预设值,或决策树模型经过划分后训练集内数据样本数量达到预设最小值,停止对决策树模型进行划分,并对划分后的决策树模型进行剪枝处理,得到复合镍铜铝散热底板决策树模型;
构建多个决策树模型,将所述多个决策树模型组合成随机森林模型,对所述随机森林模型进行准确率评估及模型优化,输出调整后的随机森林模型参数,基于所述调整后的随机森林模型参数,通过模型深度学习算法,通过模型深度学习算法,构建复合镍铜铝散热底板预测模型,基于所述复合镍铜铝散热底板预测模型得到复合镍铜铝散热底板性能预测参数。
需要说明的是,复合镍铜铝散热底板工作前和工作后表面的流体流向及流速可能不同,热量通过复合镍铜铝散热底板后,热量减少,温度下降,流体膨胀的程度下降,流体的流向更稳定,且流体在表面经过时,若表面存在缺陷,会改变流体的流向,对复合镍铜铝散热底板的散热效果造成影响。通过复合镍铜铝散热底板动态仿真模型可以得到复合镍铜铝散热底板的实时性能参数。为了获得复合镍铜铝散热底板的性能预测数据,方便对复合镍铜铝散热底板进行调控,所以采用随机森林算法构建复合镍铜铝散热底板预测模型,所述随机森林算法通过组合多个决策树来提高稳定性,所述决策树可以通过一系列分支和判断来对数据进行预测和分类,所述性能参数特征值为划分性能参数的特征取值,所述基尼系数在决策树中用于选择最优的特征和划分点,选取使基尼系数下降最大的划分点作为性能参数切分值。基于性能参数特征值和性能参数切分值的大小比较对决策树模型进行划分,划分点为叶子节点,当决策树模型达到最大深度或者决策树模型经过划分后训练集内数据样本数量达到预设最小值,此时决策树模型的预测能力以满足要求,可以停止。对决策树模型进行剪枝操作为对叶子节点进行筛选剔除,可以提高决策树模型的泛化能力。通过多个决策树模型进行准确率评估目的是提高预测的准确性,提取随机森林的模型参数,将其导入至模型深度学习算法中,所述模型深度学习算法作用是能够构建预测模型,所以通过模型深度学习算法构建复合镍铜铝散热底板预测模型。本发明能够通过随机森林算法构建复合镍铜铝散热底板预测模型,并获得复合镍铜铝散热底板性能预测参数。
进一步的,本发明的一个较佳实施例中,所述基于贝叶斯网络获取复合镍铜铝散热底板各个部位的故障概率值,具体为:
构建复合镍铜铝散热底板标准动态仿真模型,基于所述复合镍铜铝散热底板标准动态仿真模型,获取复合镍铜铝散热底板标准性能参数,将所述复合镍铜铝散热底板标准性能参数与复合镍铜铝散热底板性能预测参数进行数据整合分析,得到参数偏差值;
基于所述参数偏差值,确定贝叶斯网络的随机变量,根据随机变量的条件依赖关系,构建有向无环图,在所述有向无环图中,一个节点表示一个随机变量,并获取节点之间的有向边;
基于贝叶斯估计法,得到每个节点的条件概率表,基于所述节点之间的有向边,构建贝叶斯网络模型,将所述每个节点的条件概率表导入贝叶斯网络模型中进行概率推演,获取复合镍铜铝散热底板各个部位的故障概率值。
需要说明的是,通过复合镍铜铝散热底板标准性能参数与复合镍铜铝散热底板性能预测参数进行数据整合分析,可以得到参数偏差值,所述参数偏差值反映了复合镍铜铝散热底板的性能参数与正常值的差异,可以侧面反映复合镍铜铝散热底板的状态。所述贝叶斯网络是一种概率图模型,使用图形结构来表示变量之间的依赖关系,并使用概率分布来描述变量之间的条件概率。所述有向无环图表示变量之间的依赖关系和条件概率,存在有向边,体现变量之间的依赖关系。节点表示一个随机变量,与实际复合镍铜铝散热底板的变量相关联。条件概率表定义了节点的条件概率,基于条件概率表,可以得到复合镍铜铝散热底板各个部位的故障概率值,故障概率值最大的复合镍铜铝散热底板部位为异常部位。本发明能够通过贝叶斯网络得到复合镍铜铝散热底板各个部位的故障概率值。
进一步的,本发明的一个较佳实施例中,所述基于所述复合镍铜铝散热底板各个部位的故障概率值获取复合镍铜铝散热底板异常部位及异常性能参数,具体为:
预设故障概率阈值,将故障概率值大于故障概率阈值的复合镍铜铝散热底板部位定义为复合镍铜铝散热底板异常部位,在所述复合镍铜铝散热底板动态仿真模型中对复合镍铜铝散热底板异常部位进行标记,基于所述复合镍铜铝散热底板性能预测参数构建复合镍铜铝散热底板性能预测参数分布图,根据所述复合镍铜铝散热底板性能预测参数分布图得到复合镍铜铝散热底板异常部位的性能参数,定义为异常性能参数。
需要说明的是,故障概率值大于预设值的复合镍铜铝散热底板对应部位为异常部位,对异常部位进行标记,在复合镍铜铝散热底板性能预测参数分布图中找到异常部位对应的位置,可以相应获得异常部位的性能参数,定义为异常性能参数。
此外,所述一种复合镍铜铝散热底板的性能预测方法,还包括以下步骤:
通过历史数据检索,获取本批次复合镍铜铝散热底板的生产工艺信息,对本批次复合镍铜铝散热底板的异常性能参数进行统计,并反馈至本批次复合镍铜铝散热底板的生产厂家;
将复合镍铜铝散热底板的异常性能参数与复合镍铜铝散热底板的生产工艺信息导入贝叶斯网络中进行关联处理,使复合镍铜铝散热底板的异常部位与复合镍铜铝散热底板的生产工艺相对应,对该生产工艺标定为待检测生产工艺,并生成待检测生产工艺信息;
通过大数据检索获取待检测生产工艺在正常状态下的生产工艺信息,定义为标准生产工艺信息;
计算所述待检测生产工艺信息与标准生产工艺信息之间的马氏距离,并设置马氏距离区间,若待检测生产工艺信息与标准生产工艺信息之间的马氏距离不在马氏距离区间内,则将待检测生产工艺定义为缺陷生产工艺,并将待检测生产工艺信息定义为缺陷生产工艺信息
通过大数据检索,基于调试效率最高及符合调试性质的原则,获取生产工艺最优调试方法;将所述生产工艺最优调试方法导入复合镍铜铝散热底板生产机床内,所述生产工艺最优调试方法作用于缺陷生产工艺,对缺陷生产工艺进行调试;
当缺陷生产工艺信息与标准生产工艺信息之间的马氏距离达到马氏距离区间内,停止调试,令复合镍铜铝散热底板生产机床工作并获得复合镍铜铝散热底板样品;
对所述复合镍铜铝散热底板样品进行性能预测,若复合镍铜铝散热底板样品的性能预测数据不在预设范围内,则对缺陷生产工艺对应的缺陷设备进行检修及维护。
需要说明的是,复合镍铜铝散热底板性能数据出现异常,且出现异常部位,可能与生产工艺相关。复合镍铜铝散热底板生产过程中,可能是发生碰撞、腐蚀、生产工艺的工作参数不正常等,会导致复合镍铜铝散热底板的性能数据出现异常。所述生产工艺包括对复合镍铜铝散热底板的切割、钻孔、拼接等步骤。使用贝叶斯网络可以获得复合镍铜铝散热底板异常部位对应的生产工艺,所述贝叶斯网络能够将两种数据相关联,所述马氏距离代表了数据之间的相似度,马氏距离越小相似度越高,当检测生产工艺信息与标准生产工艺信息之间的马氏距离不在马氏距离区间内,证明复合镍铜铝散热底板出现异常部位的原因为生产工艺出现问题,所以需要对生产工艺进行调试。在互联网上有多种调试方案,需要选取调试效率最高的,节省时间符合经济效益,符合调控性质为不需人为调试,保证了人身安全。若进行调试后,复合镍铜铝散热底板生产机床生产的复合镍铜铝散热底板的性能参数仍为异常,则判断复合镍铜铝散热底板生产工艺出现故障,需要检修维护。本发明能够通过对生产工艺进行异常检测及调试,来提高生产获得复合镍铜铝散热底板的合格率。
此外,本方法还可以包括以下步骤:
获取复合镍铜铝散热底板的每一生产工艺对应生产设备的服役数据信息,并构建时间戳,结合所述时间戳以及服役数据信息生成基于时间序列的服役数据信息;
引入模糊评价算法对所述基于时间序列的服役数据信息进行工作状态评价,获取预设时间戳的工作状态隶属度信息,并引入马尔科夫链对所述预设时间戳的工作状态隶属度信息进行状态转移概率计算,获取每一预设时间戳的状态转移概率值;
根据所述每一预设时间戳的状态转移概率值构建状态转移概率值矩阵,并将所述状态转移概率值矩阵输入到所述贝叶斯网络中进行训练,获取训练完成的贝叶斯网络,并通过所述训练完成的贝叶斯网络获取每一生产工艺对应生产设备的状态转移概率值;
当所述状态转移概率值大于所述预设状态转移概率值时,获取即将转移到的工作状态隶属度信息以及复合镍铜铝散热底板对应生产工艺的性能指标信息,当所述复合镍铜铝散热底板对应生产工艺的性能指标信息小于即将转移到的工作状态隶属度信息,则将该生产设备作为复合镍铜铝散热底板的生产设备。
需要说明的是,工作状态隶属度信息包括无故障状态、低度故障状态、中度故障状态、高度故障状态。由于设备的性能退化原则,往往是从一个状态转移到另一个状态,最后才导致故障,通过本方法能够对生产工艺设备进行故障评估,当所述复合镍铜铝散热底板对应生产工艺的性能指标信息大于即将转移到的工作状态隶属度信息,说明该生产工艺生产出来的复合镍铜铝散热底板是不合格的,通过本方法能够推荐出适合的生产设备作为复合镍铜铝散热底板的生产设备,从而减少次品的产生。另一方面,本方法通过模糊评价算法以及马尔科夫链的融合,能够提高故障的预测精度。
如图3所示,本发明第二方面还提供了一种复合镍铜铝散热底板的性能预测***,所述性能预测***包括存储器31与处理器32,所述存储器31中储存有性能预测程序,所述性能预测程序被所述处理器32执行时,实现如下步骤:
对复合镍铜铝散热底板进行图像识别,得到复合镍铜铝散热底板表面特征参数,对复合镍铜铝散热底板进行内部参数获取,基于复合镍铜铝散热底板生产图纸、复合镍铜铝散热底板表面特征参数和内部参数,构建复合镍铜铝散热底板动态仿真模型;
基于复合镍铜铝散热底板动态仿真模型,获取复合镍铜铝散热底板的实时性能参数,构建复合镍铜铝散热底板预测模型,将所述复合镍铜铝散热底板的性能参数导入复合镍铜铝散热底板预测模型中,得到复合镍铜铝散热底板性能预测参数;
将复合镍铜铝散热底板性能预测参数与标准复合镍铜铝散热底板性能参数分析对比,根据分析结果得到复合镍铜铝散热底板异常部位及异常性能参数;
对复合镍铜铝散热底板表面进行厚度检测,基于复合镍铜铝散热底板的厚度值和磨削值,对复合镍铜铝散热底板进行修正调控;
更改输入参数,获取修正调控复合镍铜铝散热底板在不同条件下的性能数据,判断修正调控复合镍铜铝散热底板是否为合格品,并获取二次调控方案。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种复合镍铜铝散热底板的性能预测方法,其特征在于,包括以下步骤:
对复合镍铜铝散热底板进行图像识别,得到复合镍铜铝散热底板表面特征参数,对复合镍铜铝散热底板进行内部参数获取,基于复合镍铜铝散热底板生产图纸、复合镍铜铝散热底板表面特征参数和内部参数,构建复合镍铜铝散热底板动态仿真模型;
基于复合镍铜铝散热底板动态仿真模型,获取复合镍铜铝散热底板的实时性能参数,构建复合镍铜铝散热底板预测模型,将所述复合镍铜铝散热底板的性能参数导入复合镍铜铝散热底板预测模型中,得到复合镍铜铝散热底板性能预测参数;
将复合镍铜铝散热底板性能预测参数与标准复合镍铜铝散热底板性能参数分析对比,根据分析结果得到复合镍铜铝散热底板异常部位及异常性能参数;
对复合镍铜铝散热底板表面进行厚度检测,基于复合镍铜铝散热底板的厚度值和磨削值,对复合镍铜铝散热底板进行修正调控;
更改输入参数,获取修正调控复合镍铜铝散热底板在不同条件下的性能数据,判断修正调控复合镍铜铝散热底板是否为合格品,并获取二次调控方案;
其中,所述基于复合镍铜铝散热底板动态仿真模型,获取复合镍铜铝散热底板的实时性能参数,构建复合镍铜铝散热底板预测模型,将所述复合镍铜铝散热底板的性能参数导入复合镍铜铝散热底板预测模型中,得到复合镍铜铝散热底板性能预测参数,具体为:
获取复合镍铜铝散热底板的输入参数,所述复合镍铜铝散热底板的输入参数包括实时输入热量和复合镍铜铝散热底板工作前外部流体流向,将所述复合镍铜铝散热底板的输入参数导入复合镍铜铝散热底板动态仿真模型中,获得复合镍铜铝散热底板的实时性能参数,所述复合镍铜铝散热底板的实时性能参数包括实时输出热量和复合镍铜铝散热底板工作后外部流体流向;
将所述复合镍铜铝散热底板的实时性能参数分成训练集和测试集,将训练集导入决策树模型内,基于复合镍铜铝散热底板的实时性能参数中不同参数的特征,得到性能参数特征值,基于所述性能参数特征值,结合复合镍铜铝散热底板的实时性能参数的基尼系数,得到性能参数切分值;
确定根节点,以所述根节点为原点,基于性能参数特征值和性能参数切分值对决策树模型进行划分,并将划分点定义为叶子节点,当根节点到最远叶子节点的路径上的节点数满足预设值,或决策树模型经过划分后训练集内数据样本数量达到预设最小值,停止对决策树模型进行划分,并对划分后的决策树模型进行剪枝处理,得到复合镍铜铝散热底板决策树模型;
构建多个决策树模型,将所述多个决策树模型组合成随机森林模型,对所述随机森林模型进行准确率评估及模型优化,输出调整后的随机森林模型参数,基于所述调整后的随机森林模型参数,通过模型深度学习算法,通过模型深度学习算法,构建复合镍铜铝散热底板预测模型,基于所述复合镍铜铝散热底板预测模型得到复合镍铜铝散热底板性能预测参数;
其中,所述将复合镍铜铝散热底板性能预测参数与标准复合镍铜铝散热底板性能参数分析对比,根据分析结果得到复合镍铜铝散热底板异常部位及异常性能参数,具体为:
构建复合镍铜铝散热底板标准动态仿真模型,基于所述复合镍铜铝散热底板标准动态仿真模型,获取复合镍铜铝散热底板标准性能参数,将所述复合镍铜铝散热底板标准性能参数与复合镍铜铝散热底板性能预测参数进行数据整合分析,得到参数偏差值;
基于所述参数偏差值,确定贝叶斯网络的随机变量,根据随机变量的条件依赖关系,构建有向无环图,在所述有向无环图中,一个节点表示一个随机变量,并获取节点之间的有向边;
基于贝叶斯估计法,得到每个节点的条件概率表,基于所述节点之间的有向边,构建贝叶斯网络模型,将所述每个节点的条件概率表导入贝叶斯网络模型中进行概率推演,获取复合镍铜铝散热底板各个部位的故障概率值;
预设故障概率阈值,将故障概率值大于故障概率阈值的复合镍铜铝散热底板部位定义为复合镍铜铝散热底板异常部位,在所述复合镍铜铝散热底板动态仿真模型中对复合镍铜铝散热底板异常部位进行标记,基于所述复合镍铜铝散热底板性能预测参数构建复合镍铜铝散热底板性能预测参数分布图,根据所述复合镍铜铝散热底板性能预测参数分布图得到复合镍铜铝散热底板异常部位的性能参数,定义为异常性能参数。
2.根据权利要求1中所述的一种复合镍铜铝散热底板的性能预测方法,其特征在于,所述对复合镍铜铝散热底板进行图像识别,得到复合镍铜铝散热底板表面特征参数,对复合镍铜铝散热底板进行内部参数获取,基于复合镍铜铝散热底板生产图纸、复合镍铜铝散热底板表面特征参数和内部参数,构建复合镍铜铝散热底板动态仿真模型,具体为:
使用摄像头,对复合镍铜铝散热底板的各个表面进行图像获取,得到复合镍铜铝散热底板表面图像,并将所述复合镍铜铝散热底板表面图像进行灰度化处理,得到复合镍铜铝散热底板表面灰度化图像;
将所述复合镍铜铝散热底板表面灰度化图像导入高斯滤波器中,在所述高斯滤波器中定义一个二维高斯函数作为滤波模板,并对所述滤波模板进行归一化处理;
将进行归一化处理后的滤波模板作用于复合镍铜铝散热底板表面灰度化图像上,所述归一化处理后的滤波模板在复合镍铜铝散热底板表面灰度化图像上滑动,每滑动经过一个像素,则对像素进行卷积运算,得到卷积后的像素值;
当归一化处理后的滤波模板滑动经过所有的像素后,得到复合镍铜铝散热底板表面滤波灰度化图像,在所述复合镍铜铝散热底板表面灰度化图像上使用索贝尔算子进行水平方向和垂直方向的卷积运算,得到水平方向和垂直方向的梯度图像;
将所述水平方向和垂直方向的梯度图像进行图像合并,得到梯度幅值图像,基于梯度幅值图像的像素梯度值,预设高阈值与低阈值;
若所述梯度幅值图像的像素梯度值高于高阈值,则将对应的像素点定义为强边缘像素点,若所述梯度幅值图像的像素梯度值在高阈值和低阈值之间,则将对应的像素点定义为弱边缘像素点,对梯度幅值图像的像素梯度值低于低阈值的像素点剔除;
通过霍夫线变换法将所述强边缘像素点和弱边缘像素点按要求连接,得到复合镍铜铝散热底板表面特征参数;
通过超声波探伤仪对复合镍铜铝散热底板进行超声波探伤,接收返回的脉冲信号,对所述返回的脉冲信号进行数据清洗,去除异常值,并对进行数据清洗后的脉冲信号进行滤波处理,得到复合镍铜铝散热底板内部参数;
基于复合镍铜铝散热底板生产图纸、复合镍铜铝散热底板表面特征参数和复合镍铜铝散热底板内部参数,在三维建模软件中构建复合镍铜铝散热底板三维模型,并将所述复合镍铜铝散热底板三维模型转换成仿真模型文本数据流,基于所述仿真模型文本数据流,构建复合镍铜铝散热底板动态仿真模型。
3.根据权利要求1中所述的一种复合镍铜铝散热底板的性能预测方法,其特征在于,所述对复合镍铜铝散热底板表面进行厚度检测,基于复合镍铜铝散热底板的厚度值和磨削值,对复合镍铜铝散热底板进行修正调控,具体为:
获取复合镍铜铝散热底板表面各点的实际厚度值,并基于复合镍铜铝散热底板的生产图纸,获取复合镍铜铝散热底板各点的磨削值和标准厚度值,基于标准厚度值得到标准厚度阈值;
将复合镍铜铝散热底板各点的标准厚度值减去复合镍铜铝散热底板的实际厚度值,得到缺陷深度值,若复合镍铜铝散热底板任意一点的缺陷深度值大于对应的磨削值,则将复合镍铜铝散热底板报废;
若复合镍铜铝散热底板存在缺陷深度值为负值的点,且其余点的实际厚度值在标准厚度阈值内,则对缺陷深度值为负值的点进行磨削处理;
若复合镍铜铝散热底板所有点的缺陷深度值均小于对应的磨削值,则基于复合镍铜铝散热底板三维模型,对复合镍铜铝散热底板所有点的磨削值进行排序处理,得到最大磨削值,基于所述最大磨削值对复合镍铜铝散热底板三维模型进行模拟磨削,若进行模拟磨削后复合镍铜铝散热底板三维模型不符合标准,则对复合镍铜铝散热底板报废,若进行模拟磨削后复合镍铜铝散热底板三维模型符合标准,则对复合镍铜铝散热底板进行磨削处理;
对磨削处理后的复合镍铜铝散热底板定义为修正调控复合镍铜铝散热底板。
4.根据权利要求1中所述的一种复合镍铜铝散热底板的性能预测方法,其特征在于,所述更改输入参数,获取修正调控复合镍铜铝散热底板在不同条件下的性能数据,判断修正调控复合镍铜铝散热底板是否为合格品,并获取二次调控方案,具体为:
对输入参数进行更改,包括更改修正调控复合镍铜铝散热底板的输入热量及修正调控复合镍铜铝散热底板表面流体流向,并使修正调控复合镍铜铝散热底板在不同输入参数下进行工作;
获取不同输入参数下修正调控复合镍铜铝散热底板的性能数据,包括修正调控复合镍铜铝散热底板的输出热量和修正调控复合镍铜铝散热底板工作后表面流体流向,若不同输入参数下修正调控复合镍铜铝散热底板的性能数据均在预设范围内,则所述修正调控复合镍铜铝散热底板为合格品;
若存在任意输入参数下修正调控复合镍铜铝散热底板的性能数据不在预设范围内,则对该修正调控复合镍铜铝散热底板进行分析,获取二次异常部位及二次异常性能参数,基于所述二次异常部位及二次异常性能参数,通过大数据检索,获取所有二次调控方案;
对所述所有二次调控方案进行筛选,选出二次调控方案中满足调控效率最高、符合调控性质及符合调控结果的二次调控方案输出,定义为最优二次调控方案;
将所述最优二次调控方案应用于对应的修正调控复合镍铜铝散热底板,得到二次修正调控复合镍铜铝散热底板并获取所述二次修正调控复合镍铜铝散热底板的性能数据,若二次修正调控复合镍铜铝散热底板的性能数据仍不在预设范围内,则将所述二次修正调控复合镍铜铝散热底板报废。
5.一种复合镍铜铝散热底板的性能预测***,其特征在于,所述性能预测***包括存储器与处理器,所述存储器中储存有性能预测程序,所述性能预测程序被所述处理器执行时,实现如下步骤:
对复合镍铜铝散热底板进行图像识别,得到复合镍铜铝散热底板表面特征参数,对复合镍铜铝散热底板进行内部参数获取,基于复合镍铜铝散热底板生产图纸、复合镍铜铝散热底板表面特征参数和内部参数,构建复合镍铜铝散热底板动态仿真模型;
基于复合镍铜铝散热底板动态仿真模型,获取复合镍铜铝散热底板的实时性能参数,构建复合镍铜铝散热底板预测模型,将所述复合镍铜铝散热底板的性能参数导入复合镍铜铝散热底板预测模型中,得到复合镍铜铝散热底板性能预测参数;
将复合镍铜铝散热底板性能预测参数与标准复合镍铜铝散热底板性能参数分析对比,根据分析结果得到复合镍铜铝散热底板异常部位及异常性能参数;
对复合镍铜铝散热底板表面进行厚度检测,基于复合镍铜铝散热底板的厚度值和磨削值,对复合镍铜铝散热底板进行修正调控;
更改输入参数,获取修正调控复合镍铜铝散热底板在不同条件下的性能数据,判断修正调控复合镍铜铝散热底板是否为合格品,并获取二次调控方案;
其中,所述基于复合镍铜铝散热底板动态仿真模型,获取复合镍铜铝散热底板的实时性能参数,构建复合镍铜铝散热底板预测模型,将所述复合镍铜铝散热底板的性能参数导入复合镍铜铝散热底板预测模型中,得到复合镍铜铝散热底板性能预测参数,具体为:
获取复合镍铜铝散热底板的输入参数,所述复合镍铜铝散热底板的输入参数包括实时输入热量和复合镍铜铝散热底板工作前外部流体流向,将所述复合镍铜铝散热底板的输入参数导入复合镍铜铝散热底板动态仿真模型中,获得复合镍铜铝散热底板的实时性能参数,所述复合镍铜铝散热底板的实时性能参数包括实时输出热量和复合镍铜铝散热底板工作后外部流体流向;
将所述复合镍铜铝散热底板的实时性能参数分成训练集和测试集,将训练集导入决策树模型内,基于复合镍铜铝散热底板的实时性能参数中不同参数的特征,得到性能参数特征值,基于所述性能参数特征值,结合复合镍铜铝散热底板的实时性能参数的基尼系数,得到性能参数切分值;
确定根节点,以所述根节点为原点,基于性能参数特征值和性能参数切分值对决策树模型进行划分,并将划分点定义为叶子节点,当根节点到最远叶子节点的路径上的节点数满足预设值,或决策树模型经过划分后训练集内数据样本数量达到预设最小值,停止对决策树模型进行划分,并对划分后的决策树模型进行剪枝处理,得到复合镍铜铝散热底板决策树模型;
构建多个决策树模型,将所述多个决策树模型组合成随机森林模型,对所述随机森林模型进行准确率评估及模型优化,输出调整后的随机森林模型参数,基于所述调整后的随机森林模型参数,通过模型深度学习算法,通过模型深度学习算法,构建复合镍铜铝散热底板预测模型,基于所述复合镍铜铝散热底板预测模型得到复合镍铜铝散热底板性能预测参数;
其中,所述将复合镍铜铝散热底板性能预测参数与标准复合镍铜铝散热底板性能参数分析对比,根据分析结果得到复合镍铜铝散热底板异常部位及异常性能参数,具体为:
构建复合镍铜铝散热底板标准动态仿真模型,基于所述复合镍铜铝散热底板标准动态仿真模型,获取复合镍铜铝散热底板标准性能参数,将所述复合镍铜铝散热底板标准性能参数与复合镍铜铝散热底板性能预测参数进行数据整合分析,得到参数偏差值;
基于所述参数偏差值,确定贝叶斯网络的随机变量,根据随机变量的条件依赖关系,构建有向无环图,在所述有向无环图中,一个节点表示一个随机变量,并获取节点之间的有向边;
基于贝叶斯估计法,得到每个节点的条件概率表,基于所述节点之间的有向边,构建贝叶斯网络模型,将所述每个节点的条件概率表导入贝叶斯网络模型中进行概率推演,获取复合镍铜铝散热底板各个部位的故障概率值;
预设故障概率阈值,将故障概率值大于故障概率阈值的复合镍铜铝散热底板部位定义为复合镍铜铝散热底板异常部位,在所述复合镍铜铝散热底板动态仿真模型中对复合镍铜铝散热底板异常部位进行标记,基于所述复合镍铜铝散热底板性能预测参数构建复合镍铜铝散热底板性能预测参数分布图,根据所述复合镍铜铝散热底板性能预测参数分布图得到复合镍铜铝散热底板异常部位的性能参数,定义为异常性能参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311051506.0A CN116776647B (zh) | 2023-08-21 | 2023-08-21 | 一种复合镍铜铝散热底板的性能预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311051506.0A CN116776647B (zh) | 2023-08-21 | 2023-08-21 | 一种复合镍铜铝散热底板的性能预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116776647A CN116776647A (zh) | 2023-09-19 |
CN116776647B true CN116776647B (zh) | 2024-01-16 |
Family
ID=87991622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311051506.0A Active CN116776647B (zh) | 2023-08-21 | 2023-08-21 | 一种复合镍铜铝散热底板的性能预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776647B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112098416A (zh) * | 2020-08-21 | 2020-12-18 | 深圳大学 | 一种基于机器视觉的风机叶片缺陷检测方法及*** |
GB2610449A (en) * | 2021-09-06 | 2023-03-08 | Harbin Inst Technology | Efficient high-resolution non-destructive detecting method based on convolutional neural network |
CN116501000A (zh) * | 2023-06-26 | 2023-07-28 | 深圳市鑫典金光电科技有限公司 | 一种复合铜散热底板生产设备的控制方法及*** |
CN116500086A (zh) * | 2023-06-28 | 2023-07-28 | 深圳市鑫典金光电科技有限公司 | 一种基于深度学习的铜复铝散热底板生产评价方法及*** |
CN116523414A (zh) * | 2023-06-29 | 2023-08-01 | 深圳市鑫冠亚科技有限公司 | 一种复合镍铜散热底板的生产管理方法及*** |
CN116563280A (zh) * | 2023-07-07 | 2023-08-08 | 深圳市鑫典金光电科技有限公司 | 一种基于数据分析的复合铜散热底板加工检测方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11144035B2 (en) * | 2019-06-14 | 2021-10-12 | General Electric Company | Quality assessment feedback control loop for additive manufacturing |
-
2023
- 2023-08-21 CN CN202311051506.0A patent/CN116776647B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112098416A (zh) * | 2020-08-21 | 2020-12-18 | 深圳大学 | 一种基于机器视觉的风机叶片缺陷检测方法及*** |
GB2610449A (en) * | 2021-09-06 | 2023-03-08 | Harbin Inst Technology | Efficient high-resolution non-destructive detecting method based on convolutional neural network |
CN116501000A (zh) * | 2023-06-26 | 2023-07-28 | 深圳市鑫典金光电科技有限公司 | 一种复合铜散热底板生产设备的控制方法及*** |
CN116500086A (zh) * | 2023-06-28 | 2023-07-28 | 深圳市鑫典金光电科技有限公司 | 一种基于深度学习的铜复铝散热底板生产评价方法及*** |
CN116523414A (zh) * | 2023-06-29 | 2023-08-01 | 深圳市鑫冠亚科技有限公司 | 一种复合镍铜散热底板的生产管理方法及*** |
CN116563280A (zh) * | 2023-07-07 | 2023-08-08 | 深圳市鑫典金光电科技有限公司 | 一种基于数据分析的复合铜散热底板加工检测方法及*** |
Non-Patent Citations (1)
Title |
---|
充油式电暖器散热片传热与流动特性分析;谢军龙;王柳;王延觉;陈焕新;;建筑热能通风空调(05) * |
Also Published As
Publication number | Publication date |
---|---|
CN116776647A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102137184B1 (ko) | 자동 및 수동 결함 분류의 통합 | |
CN116992740B (zh) | 一种通讯基站精密部件生产设备的智能调控方法及*** | |
Stavropoulos et al. | A vision-based system for real-time defect detection: a rubber compound part case study | |
CN116362630B (zh) | 基于物联网的锡膏印刷机管理方法、***及介质 | |
CN116563277B (zh) | 一种基于机器视觉的铜复铝表面缺陷检测方法及*** | |
CN116523414B (zh) | 一种复合镍铜散热底板的生产管理方法及*** | |
CN116560327A (zh) | 一种基于物联网的电动工具生产控制方法及*** | |
CN113642666A (zh) | 一种基于样本扩充和筛选的主动增强软测量方法 | |
CN115099147A (zh) | 一种基于smt产线的工艺分析及智能决策方法 | |
CN117095247B (zh) | 基于数控加工的加工姿态运行优化方法、***及介质 | |
Lei et al. | Multiscale convolution-based probabilistic classification for detecting bare PCB defects | |
CN116776647B (zh) | 一种复合镍铜铝散热底板的性能预测方法及*** | |
CN116030056A (zh) | 一种钢表面裂缝的检测方法及*** | |
Wang et al. | Broad learning system based visual fault diagnosis for electrical equipment thermography images | |
Xue et al. | Detection of Various Types of Metal Surface Defects Based on Image Processing. | |
Papacharalampopoulos et al. | Experimental Investigation of rubber extrusion process through vibrational testing | |
Trofimov | Multi-structural instrument for identifying surface defects on rails | |
Trinks et al. | Image mining for real time quality assurance in rapid prototyping | |
CN117853494B (zh) | 一种药物颗粒生产过程视觉检测方法 | |
CN117921197B (zh) | 激光精密切割异形槽板制造方法、***、设备及介质 | |
CN118070983B (zh) | 一种基于深度学习的工业机械生产优化方法及*** | |
CN117152422B (zh) | 一种紫外图像无锚框目标检测方法及存储介质、电子设备 | |
CN117670575A (zh) | 家具生产智能车间管理***及方法 | |
CN112200219B (zh) | 一种超大规模晶圆缺陷数据的特征提取方法 | |
CN118314145A (zh) | 一种基于机器视觉的触摸屏缺陷检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |