CN109242192A - 一种低压铸造生产数据处理与工艺优化方法 - Google Patents
一种低压铸造生产数据处理与工艺优化方法 Download PDFInfo
- Publication number
- CN109242192A CN109242192A CN201811099788.0A CN201811099788A CN109242192A CN 109242192 A CN109242192 A CN 109242192A CN 201811099788 A CN201811099788 A CN 201811099788A CN 109242192 A CN109242192 A CN 109242192A
- Authority
- CN
- China
- Prior art keywords
- data
- mold
- filling
- temperature
- production
- 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
Classifications
-
- 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"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D18/00—Pressure casting; Vacuum casting
- B22D18/04—Low pressure casting, i.e. making use of pressures up to a few bars to fill the mould
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D18/00—Pressure casting; Vacuum casting
- B22D18/08—Controlling, supervising, e.g. for safety reasons
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种低压铸造生产数据处理与工艺优化方法。根据工厂生产中,对生产过程中的批次记录产生的大量数据,选择充型温度、模具温度、充型时间、生产循环数进行,采用收集、处理、分析训练等流程,采用机器学习的方法,分析了各参数之间与产品成品率之间的关系,找到了主要的影响因素,并对工艺进行了一定的优化,提高了生产的科学指导性,增加了可靠性。
Description
技术领域
本发明属于低压铸造自动化生产技术领域,尤其是涉及一种低压铸造生产数据处理与工艺优化方法。
背景技术
低压铸造是一种反重力铸造方法,其原理是将液态合金在压力作用下由下而上压入铸型型腔,并在压力作用下凝固获得铸件的铸造方法。如制造发动机、离合器壳体、车轮、底盘件等汽车零部件生产领域,铸造铝合金已经占据主导地位,占汽车用铝量的80%左右,且均已经实现了大规模的工业生产。目前所用的低压铸造设备一般由主机、液压系统、保温炉、液面加压装置、电气控制系统及铸型冷却系统组成,已经基本上实现了大规模生产,但在实际生产中,每批次生产循环所用的铝液充型温度、模具温度、充型时间等并不能精确控制,仅能保证在一定温度范围内,导致产品的性能和成品率具有一定的波动性,同时对于各生产参数的选择也主要靠经验与简单实验确定,缺乏科学性的指导。
在工厂生产中,对生产过程中的批次,每批次生产时的精确参数,以及最终的产品性能等均有详细的记录,由此会产生大量的数据,但目前对这类数据仅作为备份或追溯依据,没有充分利用数据分析方法对此进行分析并指导生产的合理方法,造成大量有价值信息的闲置。
数据分析是指对规模巨大的原始数据进行整理并分析,从中提取出有价值的信息,建立模型,通过使用人工神经网络、随机森林树等机器学习的方法,处理采集到的数据,并对于数据进行一定的推断,进行合理可靠地预测。目前在商业领域已经被广泛引用,但在铸造领域仍没有采用这类工具进行分析的方法手段。
在数据分析之前,由于生产中采集的数据非常庞杂,且由于采集系统的精度问题,经常会出现异常数据,如由于现有温度采集系统的稳定性和传输问题,采集到的温度有时候会从几百度忽然跳跃到一千多度,这种异常的数据无疑会严重影响分析结果可靠性,而由于数据量非常庞大,采用人工整理的方式会造成很大的工作量,同时整理结果也未必可靠,因而,在数据分析前,获得一种低压铸造生产数据处理方法,并进而得到工艺优化的方法就显得非常重要。
发明内容
为解决上述技术问题,本发明提供了一种低压铸造生产数据处理与工艺优化方法。
本发明完整的技术方案包括:
一种低压铸造生产数据处理方法,包括如下步骤:
(1)数据选择
选择生产中充型温度、模具温度、充型时间、生产循环数进行数据整理,其中生产循环数是指模具每次涂完新涂料后生产的部件个数,充型温度是指加压充型前坩埚内的金属液温度,通过设置在坩埚内的热电偶获取,模具温度是指充型前模具的温度,通过设置在模具上的热电偶获取,充型时间是指从开始充型到充型结束的时间,开始充型时间指开始加压充型的时刻,充型结束时刻的获取,通过在模具顶部设置两条断路的金属丝,待铝液达到模具顶部时,接触金属丝,连通导电形成通路,此时即为充型结束时刻。
(2)数据去噪
对上述除生产循环数外的每一组数据分别采用正态分布的方法进行数据去噪,把由于测量误差造成的明显偏差或缺失的数据去除。所述的正态分布公式如下式所述:
式中,σ为每组数据的标准差,μ为每组数据数据的均值,x为单个的数据。
通过上述方法,并结合实际生产中的经验对边界值进行选定,对测量误差造成的明显偏差的数据去除
(3)将不完整的生产循环数据直接去除。得到用以训练的数据。
(4)数据训练
通过对上述整理后的数据和对应生产批次的成品率数据选择,形成生产工艺参数与成品率的数据库,并基于此数据库,建立人工神经网络系统,输入工艺参数与成品率数据,采用人工神经网络系统对输入的工艺参数和成品率参数进行训练,以对建立的人工神经网络系统进行优化,利用优化后的人工神经网络进行优化品率预测及优化工艺参数设计。
(4)工艺优化
最终经过训练后的结果发现,随着生产循环数增加后以及模具温度增高后,会导致成品率降低,据分析可能是由于模具温度增高,导致热节部位的冷却速度减小,凝固速度减慢,增加了铸造缺陷产生的可能性,而充型时间与充型温度则与成品率的相关性不大。因此在原有工艺技术上,设计了随着生产循环数增加,逐步增大冷却水的用量,以使模具温度稳定。优选的,为生产循环每增加100次,冷却水用量增加为之前用量的1.06倍。
本发明相对于现有技术的优点在于:根据工厂生产中,对生产过程中的批次记录产生的大量数据,采用收集、处理、分析训练等流程,采用机器学习的方法,分析了各参数之间与产品成品率之间的关系,找到了主要的影响因素,并对工艺进行了一定的优化,提高了生产的科学指导性,增加了可靠性。
附图说明
图1为本发明流程图。
图2为通过人工神经网络进行训练的示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步说明。
现场生产中,单个模具在涂刷涂料后,一般工作几百个循环后,停机进行新的涂料涂刷,在此期间一直进行低压铸造生产,目前所用的主要参数,充型温度一般控制在650~720℃,模具温度通常在250~500℃,充型起始压力通常为40KPa,增加后可以达到70KPa,充型的增加速度为4~5KPa/s,总的充型时间一般为15-17s,铝液的具体质量百分比组成如下:Si:6.5~8.5%,Mg 0.25~0.45%,Zr:0.01~0.02%,B:0.1~0.12%,Re:0.002~0.005%,Fe:0~0.15%,其余为Al和不可避免的杂质,通过以上工艺生产的铝制品成品率有一定的波动,一般为96-98%。
一种低压铸造生产数据处理方法,如图1所示,包括如下步骤:
(1)数据选择
由于在低压铸造生产中涉及到影响铸件质量的工艺参数种类非常多,如升液压力,保压压力,保压时间、充型时间、模具温度、铝液温度、组分、变质剂细化剂用量等等,但在数据采集时,有些的数据难以采集到,如铝液组分涉及到十余种微量元素的含量,且现场组分检测非常困难,不适宜进行数据分析,因而为了简化模型,仅采集适合定量、采集快捷准确,且对铸件质量影响较明显的数据进行整理分析,在本发明中,选择充型温度、模具温度、充型时间、生产循环数进行数据整理,部分数据格式如下:
表1数据种类
生产循环数(次) | 充型温度(℃) | 模具温度(℃) | 充型时间(s) |
1 | 723 | 248 | 15.4 |
2 | 745 | 325 | 15.2 |
3 | 717 | 344 | 15.4 |
4 | 1125 | 376 | 16.1 |
5 | 667 | 348 | - |
6 | 662 | 386 | 15.6 |
7 | 685 | 425 | - |
8 | 679 | 440 | 16.3 |
9 | 323 | 195 | 15.7 |
10 | 955 | 444 | - |
其中生产循环数是指模具每次涂完新涂料后生产的部件个数,如生产的第一个部件的生产循环次数为1,第二个部件的生产循环次数为2,以此类推,其对铸造产品的质量影响在于,随着生产循环数的增加,涂料的厚度会发生改变,影响模具的传热效果,同时排气缝会由于铝液进入造成排气缝的宽度改变,对排气产生影响,从而影响铸件中的气孔含量。充型温度是指加压充型前坩埚内的铝液温度,可以通过设置在坩埚内的热电偶获取。模具温度是指充型前模具的温度,可以通过设置在模具上的热电偶获取。该两个工艺参数会影响铸件的凝固速度,对于热节位置的缩孔产生倾向产生影响。充型时间是指从开始充型到充型结束的时间,开始充型时间指开始加压充型的时刻,充型结束时刻的获取,可通过在模具顶部设置两条断路的金属丝,待铝液达到模具顶部时,接触金属丝,连通导电形成通路,此时即为充型结束时刻。
(2)数据去噪
从表1的生产数据采集结果可以看出,部分数据存在明显误差,如模具温度和充型温度数据,这可能是由于在生产过程中,开合模等动作造成热电偶位置移动,没有正确对准模具或铝液造成的,也有可能是由于热电偶自身稳定性不足产生了偏差,而充型时间的不能获取应该是由于部分生产循环过程,铝液没有接触到金属丝造成的。上述反常的数据无疑会对分析结果产生影响,造成偏差,因此本发明对上述除生产循环数外的每一组数据分别采用正态分布的方法进行数据去噪,把由于热电偶测量误差造成的明显偏差或缺失的数据去除。所用到的正态分布公式如下式所述:
式中,σ为每组数据的标准差,μ为每组数据数据的均值,x为单个的数据。
通过上述方法,并结合实际生产中的经验对边界值进行选定,对测量误差造成的明显偏差的数据去除,初步降噪后的数据示例如图2所示。
表2降噪后的数据示例
降噪后的数据存后续的处理有两种方式,一种是根据降噪后的各组数据进行拟合,并根据拟合结果补缺,形成完整的数据集。另一种是将不完整的生产循环数据直接去除,考虑到实际生产中模具温度和充型时间会受到生产循环数增加影响,如在先循环的充型凝固过程加热模具,从而使模具温度逐步升高,而随着生产循环数增加,排气缝宽度变化,会导致后续的充型时间略有增加。但充型的铝液温度,由于坩埚内加热系统是独立的,并不会随前一生产循环变化影响,因而难以根据已有数据通过拟合和补缺后形成可信的新数据。因此本发明中,采用将不完整的生产循环数据直接去除的方式。得到用以训练的数据示例如下:
表3用以训练的数据
生产循环数(次) | 充型温度(℃) | 模具温度(℃) | 充型时间(s) |
1 | 723 | 248 | 15.4 |
2 | 745 | 325 | 15.2 |
3 | 717 | 344 | 15.4 |
6 | 662 | 386 | 15.6 |
8 | 679 | 440 | 16.3 |
(3)数据训练
通过对上述整理后的数据,和对应生产的成品是否合格的数据进行配比,形成生产工艺参数与成品率的数据库,并基于此数据库,建立人工神经网络系统,如图2所示,输入工艺参数与成品率数据,采用人工神经网络系统对输入的工艺参数和成品率参数进行训练,以对建立的人工神经网络系统进行优化,利用优化后的人工神经网络进行优化品率预测及优化工艺参数设计。
(4)工艺优化
最终经过训练后的结果发现,随着生产循环数增加后以及模具温度增高后,会导致成品率降低,据分析可能是由于模具温度增高,导致热节部位的冷却速度减小,凝固速度减慢,增加了铸造缺陷产生的可能性,而充型时间与充型温度则与成品率的相关性不大。因此在原有工艺技术上,设计了随着生产循环数增加,逐步增大冷却水的用量,以使模具温度稳定,具体可为生产循环每增加100次,冷却水用量增加为之前用量的1.06倍。通过以上工艺优化,事产品成品率的稳定性在97.5~98.72%,较之之前有明显的提高。使生产得到保障。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (1)
1.一种低压铸造生产数据处理方法,包括如下步骤:
(1)数据选择
选择生产中充型温度、模具温度、充型时间、生产循环数进行数据整理,其中生产循环数是指模具每次涂完新涂料后生产的部件个数,充型温度是指加压充型前坩埚内的金属液温度,通过设置在坩埚内的热电偶获取,模具温度是指充型前模具的温度,通过设置在模具上的热电偶获取,充型时间是指从开始充型到充型结束的时间,开始充型时间指开始加压充型的时刻,充型结束时刻的获取,通过在模具顶部设置两条断路的金属丝,待铝液达到模具顶部时,接触金属丝,连通导电形成通路,此时即为充型结束时刻。
(2)数据去噪
对上述除生产循环数外的每一组数据分别采用正态分布的方法进行数据去噪,把由于测量误差造成的明显偏差或缺失的数据去除。所述的正态分布公式如下式所述:
式中,σ为每组数据的标准差,μ为每组数据数据的均值,x为单个的数据。
通过上述方法,并结合实际生产中的经验对边界值进行选定,对测量误差造成的明显偏差的数据去除
(3)将不完整的生产循环数据直接去除。得到用以训练的数据。
(4)数据训练
通过对上述整理后后的数据和对应生产批次的成品率数据选择,形成生产工艺参数与成品率的数据库,并基于此数据库,建立人工神经网络系统,输入工艺参数与成品率数据,采用人工神经网络系统对输入的工艺参数和成品率参数进行训练,以对建立的人工神经网络系统进行优化,利用优化后的人工神经网络进行优化品率预测及优化工艺参数设计。
(4)工艺优化
最终经过训练后的结果发现,随着生产循环数增加后以及模具温度增高后,会导致成品率降低,据分析可能是由于模具温度增高,导致热节部位的冷却速度减小,凝固速度减慢,增加了铸造缺陷产生的可能性,而充型时间与充型温度则与成品率的相关性不大。因此在原有工艺技术上,设计了随着生产循环数增加,逐步增大冷却水的用量,以使模具温度稳定。优选的,为生产循环每增加100次,冷却水用量增加为之前用量的1.06倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811099788.0A CN109242192A (zh) | 2018-09-20 | 2018-09-20 | 一种低压铸造生产数据处理与工艺优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811099788.0A CN109242192A (zh) | 2018-09-20 | 2018-09-20 | 一种低压铸造生产数据处理与工艺优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242192A true CN109242192A (zh) | 2019-01-18 |
Family
ID=65059403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811099788.0A Pending CN109242192A (zh) | 2018-09-20 | 2018-09-20 | 一种低压铸造生产数据处理与工艺优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242192A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059892A (zh) * | 2019-04-29 | 2019-07-26 | 贾原琪 | 一种多物理量监控以进行工业生产优化的方法 |
CN112985318A (zh) * | 2019-12-17 | 2021-06-18 | 财团法人金属工业研究发展中心 | 扣件尺寸的线上预测方法与扣件尺寸的线上预测系统 |
CN113118417A (zh) * | 2021-03-29 | 2021-07-16 | 中信戴卡股份有限公司 | 一种铸造铝合金轮毂的温控辅助系统 |
CN114799129A (zh) * | 2022-04-01 | 2022-07-29 | 中信戴卡股份有限公司 | 一种铝车轮模具冷却工艺与加压工艺智能控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108509719A (zh) * | 2018-03-30 | 2018-09-07 | 华中科技大学 | 一种基于bp神经网络的铸铁件断芯预测方法及系统 |
-
2018
- 2018-09-20 CN CN201811099788.0A patent/CN109242192A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108509719A (zh) * | 2018-03-30 | 2018-09-07 | 华中科技大学 | 一种基于bp神经网络的铸铁件断芯预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
张响 等: "基于遗传算法的低压铸造铝合金车轮工艺优化", 《材料科学与工艺》 * |
王力: "低压铸造过程数值模拟及基于神经网络的优化系统开发与应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
王向东 等: "基于神经网络的集成电路生产过程建模与优化", 《自动化学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059892A (zh) * | 2019-04-29 | 2019-07-26 | 贾原琪 | 一种多物理量监控以进行工业生产优化的方法 |
CN112985318A (zh) * | 2019-12-17 | 2021-06-18 | 财团法人金属工业研究发展中心 | 扣件尺寸的线上预测方法与扣件尺寸的线上预测系统 |
CN112985318B (zh) * | 2019-12-17 | 2022-11-22 | 财团法人金属工业研究发展中心 | 扣件尺寸的线上预测方法与扣件尺寸的线上预测系统 |
CN113118417A (zh) * | 2021-03-29 | 2021-07-16 | 中信戴卡股份有限公司 | 一种铸造铝合金轮毂的温控辅助系统 |
CN114799129A (zh) * | 2022-04-01 | 2022-07-29 | 中信戴卡股份有限公司 | 一种铝车轮模具冷却工艺与加压工艺智能控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242192A (zh) | 一种低压铸造生产数据处理与工艺优化方法 | |
US7677295B2 (en) | Die casting process incorporating computerized pattern recognition techniques | |
CN104874767B (zh) | 多管道低压、差压铸造工艺及其设备 | |
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 | |
CN106584031A (zh) | 基于Moldflow的汽车盒体件注塑模具制造方法 | |
CN106734464A (zh) | 一种新型钣金件冲压工艺 | |
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 | |
CN112589396A (zh) | 镁合金车用显示屏幕背板制造方法 | |
CN109918704B (zh) | 一种基于有限元模拟的模锻模具寿命预测方法 | |
CN116703254A (zh) | 模具机械零部件生产信息管理系统 | |
Winkler et al. | Correlation between process parameters and quality characteristics in aluminum high pressure die casting | |
CN106523426A (zh) | 核电站主泵叶轮的开发制造方法 | |
CN111571913A (zh) | 卫浴塑胶件缺陷预测方法 | |
US6772821B1 (en) | System for manufacturing die castings | |
CN113409894B (zh) | 一种近α型钛合金航空模锻件微观组织变化的预测方法 | |
US6779583B1 (en) | Die casting process incorporating iterative process parameter adjustments | |
CN107194041B (zh) | 一种获取反应堆核数据库中的不可辨区共振截面的方法 | |
CN109210001B (zh) | 一种超塑成形空心扭转叶片的设计方法 | |
CN117634324B (zh) | 一种基于卷积神经网络的铸造模具温度快速预测方法 | |
CN118095113B (zh) | 基于大数据的铸件缺陷预测方法及系统 | |
CN114433788B (zh) | 一种流体流向改善进浇平衡工艺方法 | |
CN113838535B (zh) | 一种统一流变应力模型及计算方法 | |
WO2024084824A1 (ja) | 欠陥発生要因推定装置、欠陥発生要因推定方法、欠陥発生要因推定モデルの学習方法、操業条件決定方法および鉄鋼製品の製造方法 | |
CN118143219A (zh) | 一种基于svm的连铸混浇坯头部成分是否合格的判定方法 | |
CN115921783A (zh) | 一种采用模拟铸造优化阳极钢爪内浇道工艺的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |