CN108509719A - 一种基于bp神经网络的铸铁件断芯预测方法及系统 - Google Patents
一种基于bp神经网络的铸铁件断芯预测方法及系统 Download PDFInfo
- Publication number
- CN108509719A CN108509719A CN201810277045.1A CN201810277045A CN108509719A CN 108509719 A CN108509719 A CN 108509719A CN 201810277045 A CN201810277045 A CN 201810277045A CN 108509719 A CN108509719 A CN 108509719A
- Authority
- CN
- China
- Prior art keywords
- output
- neural network
- ironcasting
- disconnected core
- core
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 239000010410 layer Substances 0.000 claims abstract description 71
- 230000007547 defect Effects 0.000 claims abstract description 28
- 238000005266 casting Methods 0.000 claims abstract description 25
- 230000002950 deficient Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 21
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 20
- 239000011229 interlayer Substances 0.000 claims abstract description 13
- 229910052742 iron Inorganic materials 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 3
- 238000001035 drying Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 9
- 210000004218 nerve net Anatomy 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003618 dip coating Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910001018 Cast iron Inorganic materials 0.000 description 1
- 229910001060 Gray iron Inorganic materials 0.000 description 1
- 238000003326 Quality management system Methods 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 229910001338 liquidmetal Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molds, Cores, And Manufacturing Methods Thereof (AREA)
Abstract
本发明公开了一种基于BP神经网络的铸铁件的断芯预测方法及系统，属于铸件缺陷检测领域。该方法包括：S1、根据铸铁件断芯预测的目标筛选断芯缺陷影响因子；S2、根据步骤S1选择的断芯缺陷影响因子，从已有铸铁件缺陷记录中挑选对应数据建立训练样本；S3、建立三层BP神经网络模型，将训练样本中的断芯缺陷影响因子数据作为输入变量，得到实际输出；S4、将实际输出和预定义的期望输出进行比较，得到输出误差；修正层间的权值和阈值，直至输出误差达到期望范围，训练结束。本发明的方法及系统可以科学合理地预测汽车发动机铸铁件断芯缺陷的发生情况，进一步确定各参数对缺陷影响的敏感性，从而指导实际的铸造生产控制。
Description
技术领域
本发明属于铸铁件缺陷检测领域，更具体地，涉及一种基于BP神经网络的铸铁件的断芯预测方法及系统，尤其适用于汽车发动机的铸铁件断芯预测。
背景技术
随着现代科学技术的快速发展，我国汽车工业规模不断扩大，产量和销量节节攀升，我国汽车行业整体运行态势良好，中长期内中国仍将引领全球汽车市场。在制造规模不断膨胀的同时，国内对于汽车制造质量的要求也随之提高。发动机是汽车的核心部件之一，而发动机又由缸体、缸盖、活塞、曲轴等铸铁零部件组装而成，因此，保证发动机上铸铁件的质量与稳定性对于整个汽车的生产制造来说十分关键。
铸造业作为现代机械工业的基础产业，在国民经济中处于举足轻重的地位。而在铸造过程中极易产生如断芯、缩孔、缩松、气孔、热裂、夹渣等缺陷，作为发动机铸铁件铸造工艺中重要组成部分-砂芯的制作工序，砂芯在浇注时被高温金属液所包围，很容易造成各种缺陷问题。因此，保证砂芯的质量才能保证整个铸件产品的质量。汽车发动机铸铁件的砂芯可能会出现多种缺陷问题，如断芯、气孔、夹杂、粘砂及裂纹等，其中砂芯的断芯缺陷发生的频次很高，而且由于芯子涉及到的工序繁多复杂，包含芯子的制作、后续多种芯子的组芯配芯、浸涂涂料、烘干、立体库转存、造型及浇注过程等，因此发动机铸铁件的断芯缺陷是由多过程，多因素所造成的，问题十分复杂。然而一直以来，对于发动机铸铁件的断芯缺陷研究主要停留在实验的方法上，利用工艺人员的经验，选定不同组的铸造工艺参数进行大量的实验，耗时耗力，缺乏系统性的研究模型及方法，对企业来说时间及经济成本都较高，也很大程度上拉长了铸件产品的生产研发周期。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种预测断芯缺陷的方法，其目的在于，利用BP神经网络结合断芯缺陷影响因子建立发动机断芯缺陷诊断模型，从而自动预测断芯缺陷，降低实验成本，缩短研发周期。
为了实现上述目的，本发明提供了一种基于BP神经网络的铸铁件的断芯预测方法，包括以下步骤：
S1、根据铸铁件断芯预测的目标筛选断芯缺陷影响因子；
S2、根据步骤S1选择的断芯缺陷影响因子，从已有铸铁件缺陷记录中挑选对应数据建立训练样本；
S3、调用步骤S1中筛选出的断芯缺陷影响因子，建立三层BP神经网络模型，包括输入层、隐含层及输出层；将训练样本中的断芯缺陷影响因子数据作为输入变量，经由BP神经网络模型输入层输入，再经由隐含层和输出层计算，输出预测结果，得到实际输出；
S4、将实际输出和预定义的期望输出进行比较，得到输出误差；将输出误差与期望误差进行比较，如果输出误差不在期望误差范围内，则向使输出误差缩小的方向修正层间的权值和阈值，重新测量输出误差，直至输出误差达到期望范围，训练结束，得到基于BP神经网络的铸铁件的断芯预测模型，从而实现根据待测铸铁件的断芯缺陷影响因子数据进行断芯预测。
进一步地，步骤S1中选取的断芯缺陷影响因子为砂芯的初强度、终强度、发气量、烘干温度一、烘干温度二、烘干温度三、烘干温度四、立体库转存的时差及浇注温度。
进一步地，步骤S3中BP神经网络的建立及输出过程如下：
S31：BP神经网络的输入层的节点个数为N＝9，输出节点个数为M＝1；
S32：设隐含层节点数为q，输入层与隐含层间的权值为θji，阈值为bj，隐含层和输出层的权值为ωkj，阈值为Φk，f1为隐含层的传递函数，f2为输出层的传递函数，i＝1,2，…，n；j＝1,2，…，q；k＝1,2，…，m；m、n为预设值；
则有：
隐含层节点的输出Sj为：
输出层节点的输出Yk为
进一步地，步骤S4中，修正层间权值和阈值的方法如下：
设输出层的期望输出为t＝t1，t2，…，tm；当实际输出与期望输出不一致时存在输出误差E如下：
根据式(4)调节θji、ωkj、bj和Φk的值，使输出误差E的值减小至期望范围。
进一步地，步骤S3中，确定BP神经网络隐含层节点数q的方法如下：
先根据经验公式确定q的取值范围，然后采用试凑法确定隐含层的最佳节点数；隐含层节点数经验公式是式(1)～(3)中的任意一个：
q＝log2N (2)
其中，a是1到10之间的常数；计算后的q值四舍五入取整。
为了实现上述目的，本发明还提供了一种基于BP神经网络的铸铁件的断芯预测系统，包括处理器以及BP神经网络预测程序模块，该BP神经网络预测程序模块在被处理器执行时，实现如前任意一种方法中所述的步骤S3及步骤S4。
进一步地，还包括铸件断芯缺陷数据库；处理器还用于调用sq1语言按照预设规则从铸件断芯缺陷数据库中筛选铸铁件断芯数据，以获得BP网络的训练样本集。
总体而言，本发明所构思的以上方案与现有技术相比，具有如下有益效果：
1、基于现有的铸造过程的断芯数据，结合BP神经网络的方法进行定量研究分析，实现断芯的自动化预测，大大缩短研究的周期，降低成本，提高了效率；
2、可以通过各层间函数的权值及阈值参数的调节过程得出不同权值及阈值对缺陷影响的敏感性，从而指导实际的铸造生产控制。
3、可以通过各层间函数的权值及阈值参数的调节实现任意程度的误差控制，广泛适用于各类铸铁件断芯的预测，尤其能够针对发动机铸铁件断芯缺陷的频发性和严重性，进行提前预测和规避。
附图说明
图1是按照本发明的优选实例所构建的铸铁件断芯预测方法过程示意图；
图2是按照本发明的优选实例所构建的发动机铸铁件断芯缺陷预测BP神经网络模型图；
图3是按照本发明的优选实例所构建的铸铁件断芯预测方法训练流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供一种基于BP神经网络的汽车发动机铸铁件的断芯预测方法，能够科学有效地预测出铸铁件的断芯缺陷的发生情况，形成一套系统的反馈机制，从而改进生产工艺参数来提高铸件的质量。请参照图1～3，本本发明优选实施例的主要步骤如下：
S1：确立断芯缺陷影响因子。首先对造成汽车发动机铸铁件产生断芯缺陷的因素进行分析，结合企业汽车发动机实际生产工艺质量状况，科学地选取影响断芯缺陷相关性较明显的因素变量，剔除影响不显著的因素，最终确定模型采用的影响因素是砂芯的初强度、终强度、发气量、烘干温度一、烘干温度二、烘干温度三、烘干温度四、立体库转存的时差及浇注温度。砂芯经历过浸涂工序后需进入烘干炉进行烘干，即在烘干炉中去除溶剂保留固体含量的工艺过程，烘干温度一、烘干温度二、烘干温度三、烘干温度四分别是烘干过程中四个温度区的大小。
S2：挖掘和预处理因子数据。本发明是从铸造工艺参数的角度切入，通过大量实际生产工艺数据的分析来研究断芯缺陷问题，利用sql语言在系统里进行查询，分析了数十种铸件，涵盖缸盖，机体，机壳等发动机关键零部件，然后再挑选典型铸件进行数据分析。
S3：建立断芯预测网络模型。利用BP神经网络的方法，调用步骤S1中已经确立的断芯缺陷影响因子，建立三层BP神经网络模型，包含输入层9个参数，隐含层及输出层断芯情况。断芯缺陷预测BP神经网络模型如图3所示。
S31：假设BP神经网络的输入层的节点个数为n，输出节点个数为m，由上面的分析可知，n＝9，m＝1；定义隐含层节点数为q，输入层与输出层间的权值为θji(j＝1,2，…，q；i＝1,2，…，n)，阈值为bj(j＝1,2，…，q)，隐含层和输出层的权值为ωkj(k＝1,2，…，m；j＝1,2，…，q)，阈值为Φk(k＝1,2，…，m)，f1为隐含层的传递函数，f2为输出层的传递函数，本实施例中BP神经网络为单隐含层结构。
确定BP神经网络隐含层节点数q的方法为：先根据经验公式确定其取值范围，然后采用试凑法确定隐含层的最佳节点数。常用的隐含层节点数经验公式如下所示：
q＝log2N(2)
q是隐含层节点数，N为输入层节点数，M是输出层节点数；式(3)中a是1到10之间的常数；计算后的q值四舍五入取整。
S32：训练网络的具体分析计算：
隐含层节点的输出为：
上式中f1为隐含层的传递函数，输入层和隐含层的权值为θji(j＝1,2，…，q；i＝1,2，…，n)，阈值为bj(j＝1,2，…，q)。
输出层节点的输出为
上式中f2为输出层的传递函数，隐含层和输出层的权值为ωkj(k＝1,2，…，m；j＝1,2，…，q)，阈值为Φk(k＝1,2，…，m)。
S4、将实际输出和预定义的期望输出进行比较，得到输出误差；将输出误差与期望误差进行比较，如果输出误差不在期望误差范围内，则向使输出误差缩小的方向修正层间的权值和阈值，重新测量输出误差，直至输出误差达到期望范围，训练结束，得到基于BP神经网络的铸铁件的断芯预测模型，从而实现根据待测铸铁件的断芯缺陷影响因子数据进行断芯预测。具体过程如下：
假设神经网络的期望输出值为t＝(t1，t2，…，tm)，当网络输出与期望输出不一致时会存在输出误差，定义输出误差E如下：
上式中j＝1,2，…q；
继续展开整理得到，有：
根据上式调节θji、ωkj、bj和Φk的值，那么输出误差E的值也会发生改变。BP神经网络的训练过程就是不断修正权值和阈值，使得输出误差E尽可能的小以达到设定精度标准的过程，其训练过程就是按照误差函数的负梯度方向修改权系数的过程。
上述方法确定了训练样本集，设定了BP神经网络的输入/输出层节点数、隐含层层数、隐含层节点数、训练函数、传递函数，各层间的权值和阈值等BP神经网络参数。通过对步骤S2分析的数据进行数据的清洗、数据规约、数据去噪来得到建模要求的数据，并在整理到合理有效的数据集的基础上，划分好训练集，测试集和验证集。然后设定好层间的函数及目标函数，利用MATLAB软件进行BP网络模型的训练，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。将测试集数据放入训练好的网络模型后，经验证发现可以实现对于断芯缺陷问题的有效预测。
综上所述，本发明所采用的方法从数据挖掘分析的角度切入，能够结合铸造企业实际的生产质量状况，在企业质量管理系统中挖掘海量的发动机铸铁件的铸造过程参数数据，基于科学合理的断芯缺陷影响因子分析，通过基于BP神经网络的汽车发动机铸铁件的断芯预测方法，将海量有效的铸造过程参数数据放入BP神经网络中进行训练，建立了发动机缸盖件断芯缺陷诊断的模型，经过不断的迭代达到网络的收敛，实现对断芯缺陷的智能快速的有效预测，相比于传统的人工实验的方法，在保证科学性的前提下更加省时省力，并且该模型可以有效地预测出铸铁件的断芯缺陷的发生情况，进一步确定各参数对缺陷影响的敏感性，从而指导实际的铸造生产控制。并且，本发明可以拓展应用到其他铸铁件的断芯预测。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于BP神经网络的铸铁件的断芯预测方法，其特征在于，包括以下步骤：
S1、根据铸铁件断芯预测的目标筛选断芯缺陷影响因子；
S2、根据步骤S1选择的断芯缺陷影响因子，从已有铸铁件缺陷记录中挑选对应数据建立训练样本；
S3、调用步骤S1中筛选出的断芯缺陷影响因子，建立三层BP神经网络模型，包括输入层、隐含层及输出层；将训练样本中的断芯缺陷影响因子数据作为输入变量，经由BP神经网络模型输入层输入，再经由隐含层和输出层计算，输出预测结果，得到实际输出；
S4、将实际输出和预定义的期望输出进行比较，得到输出误差；将输出误差与期望误差进行比较，如果输出误差不在期望误差范围内，则向使输出误差缩小的方向修正层间的权值和阈值，重新测量输出误差，直至输出误差达到期望范围，训练结束，得到基于BP神经网络的铸铁件的断芯预测模型，从而实现根据待测铸铁件的断芯缺陷影响因子数据进行断芯预测。
2.根据权利要求1所述的一种基于BP神经网络的铸铁件的断芯预测方法，其特征在于，步骤S1中选取的断芯缺陷影响因子为砂芯的初强度、终强度、发气量、烘干温度一、烘干温度二、烘干温度三、烘干温度四、立体库转存的时差及浇注温度。
3.根据权利要求2所述的一种基于BP神经网络的铸铁件的断芯预测方法，其特征在于，步骤S3中BP神经网络的建立及输出过程如下：
S31：BP神经网络的输入层的节点个数为N＝9，输出节点个数为M＝1；
S32：设隐含层节点数为q，输入层与隐含层间的权值为θji，阈值为bj，隐含层和输出层的权值为ωkj，阈值为Φk，f1为隐含层的传递函数，f2为输出层的传递函数，i＝1,2，…，n；j＝1,2，…，q；k＝1,2，…，m；m、n为预设值；
则有：
隐含层节点的输出Sj为：
输出层节点的输出Yk为
4.根据权利要求3所述的一种基于BP神经网络的铸铁件的断芯预测方法，其特征在于，步骤S4中，修正层间权值和阈值的方法如下：
设输出层的期望输出为t＝t1，t2，…，tm；当实际输出与期望输出不一致时存在输出误差E如下：
根据式(4)调节θji、ωkj、bj和Φk的值，使输出误差E的值减小至期望范围。
5.根据权利要求3所述的一种基于BP神经网络的铸铁件的断芯预测方法，其特征在于，步骤S3中，确定BP神经网络隐含层节点数q的方法如下：
先根据经验公式确定q的取值范围，然后采用试凑法确定隐含层的最佳节点数；隐含层节点数经验公式是式(1)～(3)中的任意一个：
q＝log2N (2)
其中，a是1到10之间的常数；计算后的q值四舍五入取整。
6.一种基于BP神经网络的铸铁件的断芯预测系统，其特征在于，包括处理器以及BP神经网络预测程序模块，该BP神经网络预测程序模块在被处理器执行时，实现如权利要求1～5任意一项所述的步骤S3及步骤S4。
7.如权利要求6所述的一种基于BP神经网络的铸铁件的断芯预测系统，其特征在于，还包括铸件断芯缺陷数据库；处理器还用于调用sq1语言按照预设规则从铸件断芯缺陷数据库中筛选铸铁件断芯数据，以获得BP网络的训练样本集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810277045.1A CN108509719A (zh) | 2018-03-30 | 2018-03-30 | 一种基于bp神经网络的铸铁件断芯预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810277045.1A CN108509719A (zh) | 2018-03-30 | 2018-03-30 | 一种基于bp神经网络的铸铁件断芯预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108509719A true CN108509719A (zh) | 2018-09-07 |
Family
ID=63377943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810277045.1A Pending CN108509719A (zh) | 2018-03-30 | 2018-03-30 | 一种基于bp神经网络的铸铁件断芯预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108509719A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242192A (zh) * | 2018-09-20 | 2019-01-18 | 高志远 | 一种低压铸造生产数据处理与工艺优化方法 |
| CN111506971A (zh) * | 2020-04-24 | 2020-08-07 | 华中科技大学 | 一种实现锻压机智能自主学习和调控的方法 |
| CN111709652A (zh) * | 2020-06-17 | 2020-09-25 | 孙洁 | 一种基于大数据的养牛方法 |
| CN112966870A (zh) * | 2021-03-15 | 2021-06-15 | 中冶南方工程技术有限公司 | 一种基于神经网络的冷轧硅钢质量缺陷预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937784A (zh) * | 2012-10-30 | 2013-02-20 | 中冶南方工程技术有限公司 | 基于人工神经网络的铸坯质量在线预报的控制方法 |
| CN103886373A (zh) * | 2014-04-18 | 2014-06-25 | 天津理工大学 | 基于bp神经网络的高速冷轧机第三倍频程颤振预测方法 |
| CN105868483A (zh) * | 2016-04-11 | 2016-08-17 | 贵州大学 | 一种铸钢流动性预测方法 |
| CN107577850A (zh) * | 2017-08-11 | 2018-01-12 | 中国航发北京航空材料研究院 | 应用bp神经网络预测tc4钛合金铸件缩孔缺陷的方法 |
| CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
| CN107704920A (zh) * | 2017-10-16 | 2018-02-16 | 安徽工业大学 | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 |
-
2018
- 2018-03-30 CN CN201810277045.1A patent/CN108509719A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937784A (zh) * | 2012-10-30 | 2013-02-20 | 中冶南方工程技术有限公司 | 基于人工神经网络的铸坯质量在线预报的控制方法 |
| CN103886373A (zh) * | 2014-04-18 | 2014-06-25 | 天津理工大学 | 基于bp神经网络的高速冷轧机第三倍频程颤振预测方法 |
| CN105868483A (zh) * | 2016-04-11 | 2016-08-17 | 贵州大学 | 一种铸钢流动性预测方法 |
| CN107577850A (zh) * | 2017-08-11 | 2018-01-12 | 中国航发北京航空材料研究院 | 应用bp神经网络预测tc4钛合金铸件缩孔缺陷的方法 |
| CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
| CN107704920A (zh) * | 2017-10-16 | 2018-02-16 | 安徽工业大学 | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 豆义华: "基于BP神经网络的发动机铸铁件断芯诊断模型及应用", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242192A (zh) * | 2018-09-20 | 2019-01-18 | 高志远 | 一种低压铸造生产数据处理与工艺优化方法 |
| CN111506971A (zh) * | 2020-04-24 | 2020-08-07 | 华中科技大学 | 一种实现锻压机智能自主学习和调控的方法 |
| CN111506971B (zh) * | 2020-04-24 | 2022-09-20 | 华中科技大学 | 一种实现锻压机智能自主学习和调控的方法 |
| CN111709652A (zh) * | 2020-06-17 | 2020-09-25 | 孙洁 | 一种基于大数据的养牛方法 |
| CN112966870A (zh) * | 2021-03-15 | 2021-06-15 | 中冶南方工程技术有限公司 | 一种基于神经网络的冷轧硅钢质量缺陷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108509719A (zh) | 一种基于bp神经网络的铸铁件断芯预测方法及系统 | |
| CN108897925B (zh) | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 | |
| Dai et al. | Chamnet: Towards efficient network design through platform-aware model adaptation | |
| Hsu et al. | Minimum porosity formation in pressure die casting by Taguchi method | |
| CN110640982A (zh) | 一种薄壁注塑件的注塑工艺参数多目标优化方法 | |
| CN111597631B (zh) | 基于自适应代理模型的汽车风阻系数优化方法 | |
| CN109492940A (zh) | 一种用于造型浇注生产线的铸件炉包箱质量跟踪方法 | |
| CN109462821A (zh) | 预测位置的方法、装置、存储介质及电子设备 | |
| CN106353809A (zh) | 一种压裂裂缝网络的反演表征方法 | |
| CN114970396B (zh) | 一种考虑随机和认知不确定性的cfd模型修正方法 | |
| CN114564880A (zh) | 一种增材制造过程数字孪生模块构建方法 | |
| Kittur et al. | Modeling of pressure die casting process: an artificial intelligence approach | |
| CN113642160A (zh) | 一种基于bp神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法 | |
| CN112906243A (zh) | 一种基于变差函数的多点地质统计建模参数优选方法 | |
| CN115906303A (zh) | 一种基于机器学习的平面微波滤波器设计方法及装置 | |
| CN115848176A (zh) | 基于a-lstm算法的电动汽车充电预警方法及系统 | |
| Wang et al. | Stability and stabilization for a class of complex production processes via LMIs | |
| Parappagoudar et al. | Neural network-based approaches for forward and reverse mappings of sodium silicate-bonded, carbon dioxide gas hardened moulding sand system | |
| Surekha et al. | Design and development of knowledge base scheme for chromite-based resin bonded sand core system | |
| CN117669351A (zh) | 基于RU-Net和LSTM神经网络模型的自动历史拟合方法及装置 | |
| CN112388148A (zh) | 基于模拟退火算法的焊接参数优化法 | |
| CN111680846A (zh) | 一种基于l1和l2范数的简化宽度学习系统 | |
| Thakare et al. | Data Mining for Casting Defects Analysis | |
| CN114139917A (zh) | 基于不平衡多源信息神经网络建模预测铸件质量的方法 | |
| CN117763790A (zh) | 工件铸造模拟方法、装置、电子设备及存储介质 |
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 |