CN109492940A - 一种用于造型浇注生产线的铸件炉包箱质量跟踪方法 - Google Patents

Abstract

本发明属于铸件制造配套工艺相关技术领域，并公开了一种用于造型浇注生产线的铸件炉包箱质量跟踪方法，包括：针对性采集包括铸件生产日期、件号、炉次号、包次号、箱次号、以及浇注温度在内的铸件生产过程信息，录入数据库中；针对铸件产品，采集包括缺陷位置、缺陷类型等相关质量缺陷信息，接着将该质量缺陷信息映射到数据库中；将质量缺陷信息与铸件炉包箱信息互相关联，共同构成铸件信息历史记录表格，由此更为全面、精准地确定和追溯铸件质量缺陷成因，并可进一步分析规律性问题，排查问题产生的根源。通过本发明，不仅可以更为精确、全面地跟踪追溯得出质量缺陷的根源及关键信息，而且能够快速掌握整个浇注工艺过程质量问题产生的规律性。

Description

一种用于造型浇注生产线的铸件炉包箱质量跟踪方法

技术领域

本发明属于铸件制造配套工艺相关技术领域，更具体地，涉及一种用于造型浇注生产线的铸件炉包箱质量跟踪方法。

背景技术

铸造是现代装置制造工业的基础工艺之一。近年来，随着信息技术的应用和普及，为传统制造企业带来了新的发展机遇。生产工艺及质量监控方式的不断调整和优化，正成为铸造企业发展壮大的强劲推动力。但是，由于铸造生产工艺复杂、工序流程长，生产过程繁琐、生产条件脏乱，信息化管理方法在铸造车间的应用进程缓慢，目前用于铸造生产线的信息化监控水平和缺陷分析仍然存在较大不足。

现有技术中已经提出了一些针对铸造生产线上某个环节的检测方案。例如，CN201510022247.8提出了一种无箱造型的砂型在线检测错型方法，其中通过梯形销块所产生的梯形凹槽作为定位槽来判定砂型的合型准确度；又如，CN201120409129.X公开了浇注监控设备及对应的监控方法，其中通过采用照相机及高温计来联网监控钢水流动情况及钢水温度，由此可实现高效、远程和自动化执行浇注环节的质量监控。

然而，进一步的研究表明，上述现有技术仍具备以下的缺陷或不足：首先，对于造型浇注的整体生产线而言，其涉及到很多的环节和数据信息，仅仅针对少数某些环节进行监控，实际上无法达到全面、准确的质量控制效果，特别是难于定位及追溯铸件质量问题，质量的流程追踪相对困难，无法高效准确地找到质量问题的根源所在；其次，针对大批量生产、多品种、一模板多型腔、全组芯工艺这类的产品来说，炉次、浇注包次、浇注包、箱次、型板的位置等并不相同，如果整体控制不够严谨，可能会产生一些规律性的问题，如何快速识别出产品在熔炉浇注过程中产生的规律性问题，并使之能够准确追踪定位出现这些质量问题的产品及其相关关键信息，正构成为本领域值得关注的关键技术问题；最后，浇注环节的缺陷检测构成了控制铸件质量的重要环节之一，但目前的检测方式仍存在效率不高、信息保存和查询极为不便，存在误检漏检等问题。相应地，本领域亟需寻找针对性的解决方案，以便更好地满足实际生产实践中面临的以上技术需求。

发明内容

针对现有技术的以上不足或改进需求，本发明提供了一种用于造型浇注生产线的铸件炉包箱质量跟踪方法，其中通过紧密结合浇注成形生产线的相关数据特征及工艺需求分析，将与铸件相关的炉包箱数据与铸件缺陷信息进行有效关联，不仅可以更为精确、全面地跟踪追溯得出质量缺陷的根源及关键信息，而且能够快速掌握整个浇注工艺过程质量问题产生的规律性，因此尤其适用于现代化制造过程中需要对铸件质量执行高效率高质量监控及跟踪分析的应用场合。

为实现上述目的，按照本发明，提供了一种用于造型浇注生产线的铸件炉包箱质量跟踪方法，其特征在于，该方法包括下列步骤：

(a)铸件炉包箱数据的分类采集和存储步骤

首先在造型下芯工序，采集每一件铸件产品包括件号、所在的箱次号、下芯时间等在内的信息；接着在浇注工序，相应采集每箱铸件所使用的炉次号、包次号，同时通过自动测温设备测得各个包次的浇注温度信息；上述信息均保持对应地录入数据库中予以存储；

(b)铸件缺陷的检测及记录步骤

针对待质量跟踪的每个铸件，获取包括缺陷位置、缺陷类型等相关的质量缺陷信息，接着将该质量缺陷信息映射到所述数据库中；

(c)铸件质量缺陷的跟踪和追溯步骤

继续使得所述质量缺陷信息与生产日期、件号、炉次号、包次号、箱次号等铸件生产过程信息互相关联，共同构成一个清晰可见的过程记录和最终质量对应表，进而基于该对应表来跟踪及追溯铸件产生质量缺陷的具体原因。

作为进一步优选地，在步骤(a)中，优选包括采集每个单件的生产过程信息和质量缺陷信息，具体到炉包箱的详细情况，包括每包的浇注温度、浇注时间；

作为进一步优选地，在步骤(b)中，优选还包括采集每个单件的质量缺陷信息，通过人工或其它技术手段检测、采集产品报废信息；

作为进一步优选地，在步骤(c)中，优选还包括铸件缺陷成因的评估分析步骤，基于铸件信息历史记录表格，根据铸件缺陷问题产生的规律性，分析质量问题产生的根源。

作为进一步优选地，采用选择性搜索算法和卷积神经网络(CNN)来执行所述铸件缺陷评估分析过程，该过程具体如下：先对铸件X射线图像进行预处理，然后选择性搜索图像内可疑区域，接着建立并训练铸件缺陷分类模型，最后预测缺陷分类并获取相关信息。

作为进一步优选地，上述采用选择性搜索算法和卷积神经网络(CNN)来执行所述铸件缺陷评估分析过程进一步优选设计如下：

首先，针对待质量检测的每个铸件拍摄X射线图像，经过图像滤波和增强处理后，采用选择性搜索算法将图像内既包含真实缺陷区域、又包含铸件结构设计所导致的灰度突变区域全部框选出来候选并给予编号；

接着，将铸件质量缺陷划分为高密度夹杂、低密度夹杂、气孔、缩孔、未熔合、裂纹、缩松和铸件结构设计缺陷等类别，然后建立图像数据集并进一步分成训练集和测试集；

接着，基于卷积神经网络来构建缺陷分类预测模型，然后将图像训练集送入模型中进行训练和优化，直至该模型达到所需预测精度；

最后，将上述框选出来的候选区域输入至优化后的预测模型，相应得出铸件质量缺陷的所属类别，并给予位置标定，由此完成整体的铸件X光图像缺陷识别过程。

总体而言，针对现有技术中浇注整体工艺过程与铸件质量缺少关联、铸件生产控制信息缺少科学高效管理等技术问题，本发明所构思的以上技术方案，通过将铸件分析记录到每个单件的生产及质量详细数据，可更为准确、全面和便捷地追踪及定位出现质量问题的特定产品，提高整个浇注生产线的产品率和良品率；高效、便于操控地提取其中规律性问题，并有针对性地解决质量问题产生的根源。

附图说明

图1是按照本发明优选实施方式所构建的一种用于造型浇注生产线的铸件炉包箱质量跟踪方法的整体工艺流程示意图。

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。

图1是按照本发明优选实施方式所构建的一种用于造型浇注生产线的铸件炉包箱质量跟踪方法的整体工艺流程示意图。如图1中所示，该工艺主要包括下列流程步骤：

步骤一，铸件炉包箱数据的分类采集和存储步骤。

首先在造型下芯工序，采集每一件铸件产品包括件号、所在的箱次号、下芯时间等在内的信息；接着在浇注工序，相应采集每箱铸件所使用的炉次号、包次号，同时通过自动测温设备测得各个包次的浇注温度信息；上述信息均保持对应地录入数据库中予以存储；

步骤二，铸件缺陷的检测及记录步骤。

在此步骤中，针对待质量跟踪的每个铸件，获取包括缺陷位置、缺陷类型等相关的质量缺陷信息，接着将该质量缺陷信息映射到所述数据库中。该操作可采取本领域各种合适的原理及方案，只要能达到所需的检测精度及准确性即可，譬如可直接采用人工检测、或者是其他各类机器检测。

作为本发明的一个优选实施方式，譬如首先可针对待质量检测的每个铸件拍摄X射线图像，经过图像滤波和增强处理后，譬如可采用选择性搜索算法将图像内既包含真实缺陷区域、又包含铸件结构设计所导致的灰度突变区域全部框选出来候选并给予编号；

接着，将铸件质量缺陷划分为高密度夹杂、低密度夹杂、气孔、缩孔、未熔合、裂纹、缩松和铸件结构设计缺陷等类别，然后建立图像数据集并进一步分成训练集和测试集；

接着，在本发明中优选基于卷积神经网络来构建缺陷分类预测模型，接着再将图像训练集送入模型中进行训练和优化，直至该模型达到所需预测精度；该模型的结构譬如主要包括输入层、5层卷积池化层、3层全连接层和输出层，训练时以目标图像为X，标签为Y进行模型训练。模型训练好之后再将验证集图像输入，验证预测精度，若精度不满足要求则改善模型结构或调整学习速率等参数进行优化，直至达到需求精度。以上构建原理为本领域所熟知，因此在此不再赘述。

最后，将上述框选出来的候选区域输入至优化后的预测模型，相应得出铸件质量缺陷的所属类别，并给予位置标定，由此完成整体的铸件X光图像缺陷识别过程。

步骤三，铸件质量缺陷的跟踪和追溯步骤。

继续使得所述质量缺陷信息与生产日期、件号、炉次号、包次号、箱次号等铸件生产过程信息互相关联，共同构成一个清晰可见的过程记录和最终质量对应表。基于该对应表，通过搜索生产日期和铸件编号，快速查看当天生产中不同炉次、包次和箱次的产品质量情况，根据铸件缺陷问题产生的规律性，进而跟踪及追溯铸件产生质量缺陷的具体原因。

例如，如表1所示，想要查看生产日期为2015年7月14日，铸件编号为XXXX的铸件信息，可在精确搜索栏中输入2015-07-14XXXX，即可查看这种铸件在这一天的具体生产过程信息和最终质量信息，如表1所示。1-3电炉共浇注5包铁水，每包铁水浇注4箱，每箱2件。第1、2包铁水浇注的铸件发生粘砂问题，其中第2包铁水最后1箱铸件无粘砂问题。由此对缺陷成因进行排查分析：第1、2包铁水；均为同一电炉铁水，且使用不同的浇注包；而且第2包最后1箱未发生粘砂问题，该电炉后几包铁水浇注的铸件也未发生粘砂问题，因此判定铁水温度过高，导致铸件粘砂。

表1

综上，按照本发明的监控方法通过针对性选择记录每一件产品的件号、所在的箱次号，以及浇注过程中相应的炉次号、包次号、每包的浇注温度等，形成规律性历史记录，并将质量信息映射至历史记录。以此方式，能够更为准确、全面和便捷地追踪及定位出现质量问题的特定产品，提高整个浇注生产线的产品率和良品率。此外作为本发明的另一关键改进所在，其中还进一步基于选择性搜索与CNN，对铸件X光图像缺陷进行识别，精确、便捷地自动判定铸件X射线图像内缺陷，使铸件质量信息与生产过程的其他记录共同形成铸件质量历史记录表格，进而高效、便于操控地提取其中规律性问题。

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 (6)

1.一种用于造型浇注生产线的铸件炉包箱质量跟踪方法，其特征在于，该方法包括下列步骤：

(a)铸件炉包箱数据的分类采集和存储步骤

首先在造型下芯工序，采集每一件铸件产品包括件号、所在的箱次号、下芯时间等在内的信息；接着在浇注工序，相应采集每箱铸件所使用的炉次号、包次号，同时通过自动测温设备测得各个包次的浇注温度信息；上述信息均保持对应地录入数据库中予以存储；

(b)铸件缺陷的检测及记录步骤

针对待质量跟踪的每个铸件，获取包括缺陷位置、缺陷类型等相关的质量缺陷信息，接着将该质量缺陷信息映射到所述数据库中；

(c)铸件质量缺陷的跟踪和追溯步骤

继续使得所述质量缺陷信息与生产日期、件号、炉次号、包次号、箱次号等铸件生产过程信息互相关联，共同构成一个清晰可见的过程记录和最终质量对应表，进而基于该对应表来跟踪及追溯铸件产生质量缺陷的具体原因。

2.如权利要求1所述的铸件炉包箱质量跟踪方法，其特征在于，在步骤(a)中，优选包括采集每个单件的生产过程信息和质量缺陷信息，具体到炉包箱的详细情况，包括每包的浇注温度、浇注时间。

3.如权利要求1或2所述的铸件炉包箱质量跟踪方法，其特征在于，在步骤(b)中，优选还包括采集每个单件的质量缺陷信息，通过人工或其它技术手段检测、采集产品报废信息。

4.如权利要求1-3任意一项所述的铸件炉包箱质量跟踪方法，其特征在于，在步骤(c)中，优选还包括铸件缺陷成因的评估分析步骤，基于铸件信息历史记录表格，根据铸件缺陷问题产生的规律性，分析质量问题产生的根源。

5.如权利要求1-4任意一项所述的铸件炉包箱质量跟踪方法，其特征在于，优选采用选择性搜索算法和卷积神经网络(CNN)来执行所述铸件缺陷的检测分析过程，该过程具体如下：先对铸件X射线图像进行预处理，然后选择性搜索图像内可疑区域，接着建立并训练铸件缺陷分类模型，最后预测缺陷分类并获取相关信息。

6.如权利要求5所述的铸件炉包箱质量跟踪方法，其特征在于，上述采用选择性搜索算法和卷积神经网络(CNN)来执行所述铸件缺陷检测分析过程进一步优选设计如下：

首先，针对待质量检测的每个铸件拍摄X射线图像，经过图像滤波和增强处理后，采用选择性搜索算法将图像内既包含真实缺陷区域、又包含铸件结构设计所导致的灰度突变区域全部框选出来候选并给予编号；

接着，将铸件质量缺陷划分为高密度夹杂、低密度夹杂、气孔、缩孔、未熔合、裂纹、缩松和铸件结构设计缺陷等类别，然后建立图像数据集并进一步分成训练集和测试集；

接着，基于卷积神经网络来构建缺陷分类预测模型，然后将图像训练集送入模型中进行训练和优化，直至该模型达到所需预测精度；

最后，将上述框选出来的候选区域输入至优化后的预测模型，相应得出铸件质量缺陷的所属类别，并给予位置标定，由此完成整体的铸件X光图像缺陷识别过程。