一种高硬度铁基涂层优化设计方法及系统

本发明涉及激光表面加工，涉及但不限定于一种高硬度铁基涂层优化设计方法及系统。

背景技术：

1、在钢铁冶炼与加工过程中，轧辊作为轧机装备的核心部件，其服役性能直接决定了板带材的尺寸精度与表面质量。在高速、高温连续轧制工况下，轧辊表面长期承受剧烈的循环应力和摩擦磨损，导致其性能显著下降，需要频繁停机更换，严重影响生产效率并造成较高的资源与经济成本。因此，如何提高轧辊的使用寿命、降低维护频率，是实现高效、低成本轧制的关键所在。

2、当前，再制造技术作为延长轧辊使用寿命的有效手段，正在逐步替代传统更换方式。常用的再制造方法包括热喷涂、等离子喷涂、电弧焊和激光熔覆等。其中，激光熔覆技术因其结合力强、热输入小、加工精度高，具备较低的表面损伤和优良的涂层性能，已成为轧辊修复的重要技术路径。激光熔覆技术的常用涂层材料包括铁基合金、镍基合金、钴基合金及高熵合金。其中，铁基合金因具有良好的自熔性和低成本优势，在钢铁基体耐磨修复领域应用最为广泛，然而，传统铁基合金的宏观硬度已接近其成分设计上限，无法满足日益提升的耐磨工况需求。因此，如何在保持成本优势的前提下，通过优化涂层成分比和工艺参数突破现有铁基合金的硬度瓶颈，已成为亟需解决的问题。

技术实现思路

1、有鉴于此，本发明实施例提供一种高硬度铁基涂层优化设计方法及系统，旨在克服现有技术中铁基合金的硬度通过传统试验法已接近设计上限，无法再继续提高的技术问题，通过构建涂层元素-激光熔覆工艺-涂层硬度性能之间的非线性映射关系，并结合实验验证与模型更新的闭环机制，以寻找可以有效提高铁基合金硬度的涂层设计参数。

2、本发明实施例的技术方案具体如下：

3、本发明实施例提供一种高硬度铁基涂层优化设计方法，包括：

4、s1：获取铁基涂层的原始制备数据集并进行预处理，得到优化特征数据集；

5、s2：将所述优化特征数据集中的各涂层元素的质量分数和激光熔覆工艺参数作为模型输入特征，涂层硬度值作为模型标签训练模型群中的各机器学习模型，选取预测性能最优的机器学习模型作为目标预测模型；

6、s3：从数据库中选取增量数据集，并获取所述增量数据集中的各涂层元素的质量分数和激光熔覆工艺参数经激光熔覆工艺制备实验得到的实验硬度值，作为增量数据集的涂层硬度标签值；

7、s4：基于所述增量数据集更新原始制备数据集，并将更新后的数据集划分为更新训练集和更新测试集；

8、s5：将更新训练集输入至目标预测模型中进行预测，计算模型输出的预测硬度值与对应涂层硬度标签值之间的损失误差，当所述损失误差大于预设误差值时，则重复执行步骤s3至s5以调整所述目标预测模型中的参数，直至所述损失误差小于或等于预设误差值、或者达到预设迭代次数时停止，得到更新后的目标预测模型；

9、s6：将更新测试集输入至更新后的目标预测模型中进行测试，当测试结果达到预设准确率要求，则将更新后的目标预测模型作为有效预测模型；

10、s7：对待识别数据库中的各涂层元素的质量分数和激光熔覆工艺参数进行数据采样，生成待识别制备数据集；

11、s8：将所述待识别制备数据集输入至有效预测模型中进行识别，选取模型输出的最高识别硬度值对应的各涂层元素的质量分数和激光熔覆工艺参数作为高硬度铁基涂层设计参数。

12、本发明实施例提供一种高硬度铁基涂层优化设计系统，包括：

13、数据获取与预处理模块，用于获取铁基涂层的原始制备数据集并进行预处理，得到优化特征数据集；

14、模型训练与选取模块，用于将所述优化特征数据集中的各涂层元素的质量分数和激光熔覆工艺参数作为模型输入特征，涂层硬度值作为模型标签训练模型群中的各机器学习模型，选取预测性能最优的机器学习模型作为目标预测模型；

15、增量数据集选取模块，用于从数据库中选取增量数据集，并获取所述增量数据集中的各涂层元素的质量分数和激光熔覆工艺参数经激光熔覆工艺制备实验得到的实验硬度值，作为增量数据集的涂层硬度标签值；

16、增量数据集处理模块，用于基于所述增量数据集更新原始制备数据集，并将更新后的数据集划分为更新训练集和更新测试集；

17、目标预测模型更新训练模块，用于将更新训练集输入至目标预测模型中进行预测，计算模型输出的预测硬度值与对应涂层硬度标签值之间的损失误差，当所述损失误差大于预设误差值时，则重复执行增量数据集选取模块、增量数据集处理模块和目标预测模型更新训练模块，以调整所述目标预测模型中的参数，直至所述损失误差小于或等于预设误差值、或者达到预设迭代次数时停止，得到更新后的目标预测模型；

18、有效预测模型确定模块，用于将更新测试集输入至更新后的目标预测模型中进行测试，当测试结果达到预设准确率要求，则将更新后的目标预测模型作为有效预测模型；

19、待识别制备数据集获取模块，用于对待识别数据库中的各涂层元素的质量分数和激光熔覆工艺参数进行数据采样，生成待识别制备数据集；

20、涂层设计参数确定模块，用于将所述待识别制备数据集输入至有效预测模型中进行识别，选取模型输出的最高识别硬度值对应的各涂层元素的质量分数和激光熔覆工艺参数作为高硬度铁基涂层设计参数。

21、本发明实施例提供的技术方案带来的有益效果至少包括：

22、在本发明实施例中，通过构建机器学习模型与增量数据集的闭环迭代优化，以自动在庞大的涂层元素-激光熔覆工艺空间中高效搜索高硬度铁基涂层设计方案，显著减少实验次数和开发成本，提高设计效率；然后基于决定系数、均方根误差、平均绝对误差和平均绝对百分比误差等多指标综合确定目标预测模型，确保模型的预测精度；接着通过增量数据集自适应更新目标预测模型并持续优化，以进一步提高目标预测模型的准确性和泛化能力；最后，通过待识别制备数据集确定高硬度铁基涂层的最优设计参数，以使实验得到的铁基合金硬度突破现有设计上限，提高轧辊生产效率并节约资源和成本。

1.一种高硬度铁基涂层优化设计方法，其特征在于，包括：

2.根据权利要求1所述一种高硬度铁基涂层优化设计方法，其特征在于，所述预处理包括：

3.根据权利要求2所述一种高硬度铁基涂层优化设计方法，其特征在于，皮尔逊相关性系数计算公式为：

4.根据权利要求1所述一种高硬度铁基涂层优化设计方法，其特征在于，将所述优化特征数据集中的各涂层元素的质量分数和激光熔覆工艺参数作为模型输入特征，涂层硬度值作为模型标签训练模型群中的各机器学习模型，选取预测性能最优的机器学习模型作为目标预测模型，包括：

5.根据权利要求1或4所述一种高硬度铁基涂层优化设计方法，其特征在于，所述模型群中的各机器学习模型包括随机森林、极端随机化树、梯度提升回归器、高斯过程回归模型、支持向量回归模型和极端梯度提升模型。

6.根据权利要求4所述一种高硬度铁基涂层优化设计方法，其特征在于，所述基于每个原始预测模型的测试结果计算各原始预测模型的预测性能，选取预测性能最优的原始预测模型作为目标预测模型，包括：

7.根据权利要求6所述一种高硬度铁基涂层优化设计方法，其特征在于，所述决定系数的计算公式为：

8.根据权利要求1所述一种高硬度铁基涂层优化设计方法，其特征在于，待识别数据库中各涂层元素的质量分数满足：碳元素为0-1%，硅元素为0-3%，铬元素为3%-20%，锰元素为0-7%，铁元素为60%-87%，镍元素为0-10%，硼元素为0-6%，钼元素为0-19%，钒元素为0-25%，钨元素为0-13%。

9.根据权利要求1所述一种高硬度铁基涂层优化设计方法，其特征在于，激光熔覆工艺参数包括激光功率、激光扫描速度和送粉速率；待识别数据库中的激光功率的范围为160-6000w，激光扫描速度的范围为1.5-13mm/s，送粉速率的范围为1-25g/min。

10.一种高硬度铁基涂层优化设计系统，其特征在于，所述系统包括：