CN113510234A - 轮毂低压铸造的质量监控方法、装置及电子设备 - Google Patents
轮毂低压铸造的质量监控方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113510234A CN113510234A CN202111073529.2A CN202111073529A CN113510234A CN 113510234 A CN113510234 A CN 113510234A CN 202111073529 A CN202111073529 A CN 202111073529A CN 113510234 A CN113510234 A CN 113510234A
- Authority
- CN
- China
- Prior art keywords
- value
- quality
- layer
- matrix vector
- hub
- 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.)
- Granted
Links
- 238000005266 casting Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 119
- 239000013598 vector Substances 0.000 claims abstract description 119
- 238000012549 training Methods 0.000 claims description 53
- 238000011156 evaluation Methods 0.000 claims description 34
- 238000013136 deep learning model Methods 0.000 claims description 32
- 239000007788 liquid Substances 0.000 claims description 32
- 238000011049 filling Methods 0.000 claims description 31
- 229910045601 alloy Inorganic materials 0.000 claims description 30
- 239000000956 alloy Substances 0.000 claims description 30
- 230000007547 defect Effects 0.000 claims description 30
- 239000000203 mixture Substances 0.000 claims description 21
- 239000000126 substance Substances 0.000 claims description 18
- 229910052751 metal Inorganic materials 0.000 claims description 15
- 239000002184 metal Substances 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 14
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000002425 crystallisation Methods 0.000 claims description 12
- 230000008025 crystallization Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 229910052749 magnesium Inorganic materials 0.000 claims description 7
- 239000011777 magnesium Substances 0.000 claims description 7
- 229910052710 silicon Inorganic materials 0.000 claims description 7
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 claims description 6
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 6
- 229910052742 iron Inorganic materials 0.000 claims description 6
- 229910052748 manganese Inorganic materials 0.000 claims description 6
- 239000011572 manganese Substances 0.000 claims description 6
- 239000010703 silicon Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 239000002893 slag Substances 0.000 description 4
- 238000012911 target assessment Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000007711 solidification Methods 0.000 description 3
- 230000008023 solidification Effects 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910001338 liquidmetal Inorganic materials 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000001953 recrystallisation Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Factory Administration (AREA)
Abstract
本申请涉及一种轮毂低压铸造的质量监控方法、装置及电子设备，该方法包括:获取第一矩阵向量，第一矩阵向量是基于轮毂低压铸造环节对应的目标因素的当前参数值确定得到；将第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量；根据第二矩阵向量，确定目标因素的当前参数值对应的第一质量预测值；在第一质量预测值高于第一预设阈值的情况下，生成提示信息，提示信息用于提示用户对目标因素的当前参数值进行调整。这样，可以通过质量预测模型对目标因素的当前参数值进行预测，进而判断目标因素的当前参数值是否需要调整，从而可以更快、更准确地实现对轮毂低压铸造环节的质量监控。
Description
技术领域
本申请涉及车辆轮毂生产技术领域，尤其涉及一种轮毂低压铸造的质量监控方法、装置及电子设备。
背景技术
轮毂是汽车的一个重要部件，对汽车的安全行驶起着至关重要的作用。轮毂的生产工艺需要经过许多环节的打磨，各个环节出现问题都会影响轮毂的质量，其中，低压铸造是生产工艺中最为重要的环节之一。在低压铸造过程中，由于受到多种因素的影响，生产的轮毂常常出现有夹渣、裂纹、气孔、缩孔、缩松等缺陷。目前，现有的轮毂低压铸造环节的质量监控，主要基于人工经验进行判断，根据以往的人工经验分析质量缺陷，以及各质量缺陷与影响因素之间的关系，但这种监控方式的效率和准确性较低。
发明内容
本申请提供了一种轮毂低压铸造的质量监控方法、装置及电子设备，以解决现有的轮毂低压铸造的质量监控方式的效率和准确性较低的问题。
第一方面，本申请提供了一种轮毂低压铸造的质量监控方法，所述方法包括:
获取第一矩阵向量，所述第一矩阵向量是基于轮毂低压铸造环节对应的目标因素的当前参数值确定得到；
将所述第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量，所述第二矩阵向量用于表征所述轮毂低压铸造环节中缺陷的概率分布；
根据所述第二矩阵向量，确定所述目标因素的当前参数值对应的第一质量预测值；
在所述第一质量预测值高于第一预设阈值的情况下，生成提示信息，所述提示信息用于提示用户对所述目标因素的当前参数值进行调整。
可选地，所述质量预测模型包括输入层、隐藏层和输出层，其中，所述隐藏层包括全连接层和多个高斯层；所述输入层和所述输出层的节点数为一个，所述全连接层和每个所述高斯层的节点数为多个；
所述将所述第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量，包括：
通过所述输入层将所述第一矩阵向量分别输入至所述高斯层的各节点中进行非线性计算，得到多个第一中间矩阵向量，所述多个高斯层的当前层的每个节点的输入为上一层所有节点的输出，所述当前层的每个节点的输出为下一层所有节点的输入；
将所述多个第一中间矩阵向量输入至所述全连接层进行维度变换，得到多个第二中间矩阵向量；
将所述多个第二中间矩阵向量通过所述输出层进行合并，得到所述第二矩阵向量。
可选地，所述获取第一矩阵向量，包括：
采集所述目标因素的当前参数值；
对所述目标因素的当前参数值进行归一化处理；
根据所述目标因素中各因素的权重比，确定所述第一矩阵向量，所述权重比用于表征所述目标因素中各因素在所述轮毂低压铸造环节对轮毂质量的影响程度。
可选地，所述目标因素包括浇注工艺参数、轮毂结构合理性评估分值和合金液化学成分评估分值；
其中，所述浇注工艺参数包括如下至少一项：充型压力、充型速度、结晶压力、保压时间、浇注温度和模具温度；
所述轮毂结构合理性评估分值是基于目标评估指标的实际值和预设参考值计算得到，所述目标评估指标包括如下至少一项：轮辋与轮辐连接处的厚度、轮辋尺寸、轮辐数量、中心圆盘尺寸和中心圆盘的厚度；
所述合金液化学成分评估分值是基于目标金属成份的实际值和预设参考值计算得到，所述目标金属成份包括如下至少一项：硅、镁、锰和铁。
可选地，在所述将所述第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量之前，所述方法还包括：
获取训练样本数据，所述训练样本数据包括所述目标因素的历史参数值和与所述目标因素的历史参数值对应的质量真实值；
将所述训练样本数据输入至待训练的深度学习模型进行训练，得到所述质量预测模型；
其中，所述待训练的深度学习模型包括输入层、隐藏层和输出层；所述隐藏层包括全连接层和多个高斯层；所述输入层和所述输出层的节点数为一个，所述全连接层和每个所述高斯层的节点数为多个。
可选地，所述将所述训练样本数据输入至待训练的深度学习模型进行训练，得到所述质量预测模型，包括：
将所述训练样本数据输入至待训练的深度学习模型进行训练，得到第二质量预测值；
根据预设损失函数，计算所述质量真实值与所述第二质量预测值之间的损失值；
在所述损失值小于第二预设阈值的情况下，对所述待训练的深度学习模型进行收敛，得到所述质量预测模型。
可选地，所述预设损失函数的计算公式如下：
其中，
，loss表示质量真实值与第二质量预测值之间的损失值，T表示训练样本数据的总数目，PQV1i表示第i个训练样本数据的质量真实值，PQV2i表示第i个训练样本数据的第二质量预测值，N表示轮毂低压铸造环节中缺陷的总数目，
表示第i个缺陷的实际值，
表示第i个缺陷的预设参考值。
第二方面，本申请还提供了一种轮毂低压铸造的质量监控装置，所述装置包括:
第一获取模块，用于获取第一矩阵向量，所述第一矩阵向量是基于轮毂低压铸造环节对应的目标因素的当前参数值确定得到；
预测模块，用于将所述第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量，所述第二矩阵向量用于表征所述轮毂低压铸造环节中缺陷的概率分布；
确定模块，用于根据所述第二矩阵向量，确定所述目标因素的当前参数值对应的第一质量预测值；
生成模块，用于在所述第一质量预测值高于第一预设阈值的情况下，生成提示信息，所述提示信息用于提示用户对所述目标因素的当前参数值进行调整。
第三方面，本申请还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面任一项实施例所述的轮毂低压铸造的质量监控方法的步骤。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项实施例所述的轮毂低压铸造的质量监控方法的步骤。
在本申请实施例中，通过获取第一矩阵向量，所述第一矩阵向量是基于轮毂低压铸造环节对应的目标因素的当前参数值确定得到；将所述第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量，所述第二矩阵向量用于表征所述轮毂低压铸造环节中缺陷的概率分布；根据所述第二矩阵向量，确定所述目标因素的当前参数值对应的第一质量预测值；在所述第一质量预测值高于第一预设阈值的情况下，生成提示信息，所述提示信息用于提示用户对所述目标因素的当前参数值进行调整。通过这种方式，可以根据预先训练的质量预测模型，对轮毂低压铸造环节对应的目标因素的当前参数值进行轮毂质量预测，进而将预测得到的第一质量预测值与第一预设阈值进行比较，判断目标因素的当前参数值是否需要调整，从而可以更快、更准确地实现对轮毂低压铸造环节的质量监控。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的轮毂低压铸造的质量监控方法的流程示意图；
图2为本申请实施例提供的轮毂低压铸造的生产工艺流程的示意图；
图3为本申请实施例提供的质量预测模型的结构示意图；
图4为本申请实施例提供的轮毂低压铸造的质量监控装置的结构示意图；
图5为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1，图1为本申请实施例提供的轮毂低压铸造的质量监控方法的流程示意图。如图1所示，该轮毂低压铸造的质量监控方法包括如下步骤：
步骤101、获取第一矩阵向量，第一矩阵向量是基于轮毂低压铸造环节对应的目标因素的当前参数值确定得到。
需要说明的是，轮毂的生产工艺需要经过许多环节的打磨，如图2所示，其生产工艺流程包括熔化、精炼、材料检验、低压铸造、X射线探伤、热处理、机械加工、动平衡检验、气密性检验、涂装等。从轮毂的生产工艺来看，其加工流程复杂，涉及车间的多样元素。其中低压铸造是生产工艺中最为重要的环节之一。轮毂多以铝合金浇铸而成，轮毂低压铸造环节中缺陷成因较为复杂，常见缺陷有夹渣、裂纹、气孔、缩孔、缩松等，这些缺陷可能会对汽车行驶带来安全隐患。
具体地，上述目标因素是指在轮毂低压铸造环节中对轮毂质量起主要作用的因素，其可以包括但不限于浇注工艺参数、轮毂结构合理性评估分值、合金液化学成分评估分值等因素。其中，此处的浇注工艺参数是指在进行低压铸造工艺设计时，需要根据轮毂的结构尺寸，选择合适的升液压力及速度、充型压力及速度、凝固压力及保压时间、浇注温度、模具温度等浇注工艺参数以保证轮毂质量。浇注工艺参数可以包括但不限于：充型压力、充型速度、结晶压力、保压时间、浇注温度和模具温度等。此处的轮毂结构合理性评估分值是基于目标评估指标的实际值和预设参考值计算得到，目标评估指标可以包括但不限于：轮辋与轮辐连接处的厚度、轮辋尺寸、轮辐数量、中心圆盘尺寸和中心圆盘的厚度等。此处的合金液化学成分评估分值是基于目标金属成份的实际值和预设参考值计算得到，目标金属成份可以包括但不限于：硅、镁、锰和铁等。
获取第一矩阵向量的方式可以是将目标因素的当前参数值进行归一化处理，并结合不同目标因素对轮毂质量的影响程度的权重值，构建出矩阵向量。这样，可以方便模型对目标因素的当前参数值进行处理。
步骤102、将第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量，第二矩阵向量用于表征轮毂低压铸造环节中缺陷的概率分布。
具体地，上述质量预测模型为预先训练的深度学习模型，该深度学习模型可以包括输入层、输出层和隐藏层。其中，输入层、输出层和隐藏层均可以包括一个或者多个节点，每个节点为一个神经元。由此在采用训练样本数据对深度学习模型进行训练时，可以对任一相邻两个节点之间的权重和偏置进行训练，得到质量预测模型。当将第一矩阵向量输入该质量预测模型进行预测后，就可以得到第二矩阵向量，该第二矩阵向量可以表征轮毂低压铸造环节中缺陷的概率分布。也就是说，该第二矩阵向量的模为轮毂低压铸造环节中轮毂的质量值。
步骤103、根据第二矩阵向量，确定目标因素的当前参数值对应的第一质量预测值。
在该步骤中，可以对第二矩阵向量进行向量模计算，由此可以根据计算得到的向量模确定目标因素的当前参数值对应的第一质量预测值。
步骤104、在第一质量预测值高于第一预设阈值的情况下，生成提示信息，提示信息用于提示用户对目标因素的当前参数值进行调整。
具体地，上述第一预设阈值可以根据实际情况进行设置，本申请不做具体限定。当第一质量预测值高于第一预设阈值时，表示目标因素的当前参数值铸造出来的轮毂质量未达标，需要对目标因素的当前参数值进行调整，因此可以生成提示信息，用于提示用户对目标因素的当前参数值进行调整。当第一质量预测值未高于第一预设阈值时，表示目标因素的当前参数值铸造出来的轮毂质量达标，无需对目标因素的当前参数值进行调整。
在本实施例中，可以根据预先训练的质量预测模型，对轮毂低压铸造环节对应的目标因素的当前参数值进行轮毂质量预测，进而将预测得到的第一质量预测值与第一预设阈值进行比较，判断目标因素的当前参数值是否需要调整，从而可以更快、更准确地实现对轮毂低压铸造环节的质量监控。
进一步地，参见图3，图3为本申请实施例提供的质量预测模型的结构示意图。质量预测模型包括输入层、隐藏层和输出层，其中，隐藏层包括全连接层和多个高斯层；输入层和输出层的节点数为一个，全连接层和每个高斯层的节点数为多个；
上述步骤102、将第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量，包括：
通过输入层将第一矩阵向量分别输入至高斯层的各节点中进行非线性计算，得到多个第一中间矩阵向量，多个高斯层的当前层的每个节点的输入为上一层所有节点的输出，当前层的每个节点的输出为下一层所有节点的输入；
将多个第一中间矩阵向量输入至全连接层进行维度变换，得到多个第二中间矩阵向量；
将多个第二中间矩阵向量通过输出层进行合并，得到第二矩阵向量。
在一实施例中，隐藏层包括全连接层和多个高斯层；输入层和输出层的节点数为一个，全连接层和每个高斯层的节点数为多个。如图3所示，隐藏层可以包括2个高斯层和1个全连接层，每个高斯层可以包括5个节点，全连接层可以包括4个节点。第一矩阵向量从输入层后，分别输入至第一个高斯层的5个节点中进行非线性计算，再将这5个节点中的每个节点的计算后的矩阵向量输入至第二个高斯层的5个节点中进行非线性计算，得到5个第一中间矩阵向量。然后将这5个第一中间矩阵向量输入至全连接层的4个节点中进行维度变换，得到4个第二中间矩阵向量，最后将这4个第二中间矩阵向量从输出层输出，得到第二矩阵向量。由于高斯层是密集连接，能够拟合非线性数据，有利于契合精度，且高斯过程回归支持得到模型关于预测的不确定（置信区间），直接输出关于预测点值的概率分布。并且，为了便于矩阵计算，将全连接层放在高斯层后，可以较好的综合高斯层得到的所有信息，进行矩阵向量换算。
需要说明的是，此处的高斯层的层数、高斯层和全连接层的节点数可以是其他数值，本申请不做限定。高斯层的层数、高斯层和全连接层的节点数与训练难度、模型精度相关，设置时可以综合模型精度与训练难度进行设置。
在本实施例中，由于该质量预测模型中设置有多个高斯层和全连接层，因而可以根据第一矩阵向量与第一质量预测值之间的非线性数据关系，构建多个高斯层进行非线性拟合，同时通过全连接层进行信息综合和向量换算，使得通过该质量预测模型得到的预测结构更加准确。
进一步地，上述步骤101、获取第一矩阵向量，包括：
采集目标因素的当前参数值；
对目标因素的当前参数值进行归一化处理；
根据目标因素中各因素的权重比，确定第一矩阵向量，权重比用于表征目标因素中各因素在轮毂低压铸造环节对轮毂质量的影响程度。
在一实施例中，可以采集目标因素的当前参数值，并对目标因素的当前参数值进行归一化处理。此处的归一化处理的就是将当前参数值换算成0-100的数值。再根据目标因素中各因素的权重比，确定第一矩阵向量。假如随机选三个质量近似的轮毂进行4个目标因素评价，那么这4个目标因素的权重比的确定方式如下：
步骤1：首先计算三个轮毂的轮毂质量值(Product quality value，简称PQV)，选取三个PQV值近似的轮毂，接着采集三个轮毂对应的目标因素的参数值，并对目标因素的参数值进行归一化处理，将目标因素的参数值换算成0--100的值；
步骤2：根据目标因素的参数值，构建矩阵表，如表一所示：
表一
| 目标因素 | 轮毂1 | 轮毂2 | 轮毂3 | 参数值均值 |
| 浇注温度 | 30 | 40 | 20 | 30 |
| 结晶压力 | 20 | 20 | 40 | 26.67 |
| 充型压力 | 40 | 10 | 20 | 23.33 |
| 合金液化学成分评估分值 | 10 | 30 | 20 | 20 |
步骤3：根据表一中的每个目标因素的参数值均值，确定每个目标因素的权重，如浇注温度的权重为30/100=0.30；结晶压力的权重为26.67/100=0.27；充型压力的权重为23.33/100=0.23；合金液化学成分评估分值的权重为20/100=0.2。从而可以根据每个目标因素的权重，得到各目标因素的权重比。
在本实施例中，通过对目标因素的当前参数值进行归一化处理，构建第一矩阵向量，从而方便后续使用质量预测模型对目标因素的当前参数值进行预测。
进一步地，目标因素包括浇注工艺参数、轮毂结构合理性评估分值和合金液化学成分评估分值；
其中，浇注工艺参数包括如下至少一项：充型压力、充型速度、结晶压力、保压时间、浇注温度和模具温度；
轮毂结构合理性评估分值是基于目标评估指标的实际值和预设参考值计算得到，目标评估指标包括如下至少一项：轮辋与轮辐连接处的厚度、轮辋尺寸、轮辐数量、中心圆盘尺寸和中心圆盘的厚度；
合金液化学成分评估分值是基于目标金属成份的实际值和预设参考值计算得到，目标金属成份包括如下至少一项：硅、镁、锰和铁。
具体地，浇注工艺参数可以包括但不限于：充型压力、充型速度、结晶压力、保压时间、浇注温度和模具温度等。合金液在作用于其液面上的气体压力下沿升液管上升至浇口，再继续进入型腔直至充满为止，这一阶段称为充型阶段，此阶段的所得的压力称为充型压力。充型压力的大小与坩埚中合金液面的高低有关。其中，可以根据如下公式确定充型压力的大小：
其中，P充表示充型压力，单位为kg/cm2；h表示合金液从液面上升到轮毂顶部的总高度，单位为cm；r表示合金液的比重，单位为g/cm3；u表示充型阻力系数，u与轮毂壁厚、高度，铸型材料、排气条件、浇注温度以及合金液成分等因素有关，一般取值为 1.0-1.5。
在充型阶段的气压增加的速度反映了相应的充型速度，两者具有正相关性。充型速度的大小影响型腔中合金液的流动状态和温度分布，这对轮毂质量影响极大。若升液管出口截面积不变，作用于合金液表面的气压增加的速度就决定了充型速度（又称为加压速度）。充型速度可以根据气压增加的速度反映。合金液充满型腔后，压力继续升高到某一固定值不变，轮毂在此压力下进行结晶凝固，此时的压力称为结晶压力，一般应高于充型压力。当型腔压力增加到结晶压力后，再结晶压力下保持一段时间直至轮毂完全凝固，这段时间称为保压时间。选择合适的浇注温度和模具温度，将直接影响轮毂的成形质量和结晶组织致密程度。在低压铸造中，合金液的充填条件较重力铸造要好，在保证轮毂能够成形的条件下，浇注温度应越低越好，一般比重力铸造浇注温度低 10-20℃。
轮毂结构合理性评估分值是基于目标评估指标的实际值和预设参考值计算得到，其中，目标评估指标可以包括但不限于：轮辋与轮辐连接处的厚度、轮辋尺寸、轮辐数量、中心圆盘尺寸和中心圆盘的厚度等。由于轮毂的轮辋与轮辐的连接处、中心圆盘处都是相对厚大部位，不利于液态金属在凝固过程中补缩，易产生缩孔、缩松等缺陷。为了减少或消除缩孔、缩松的产生，加快厚大部位的凝固速度，抑制液态孤岛的产生，可在厚大部位安置冷却管道，加速厚大部位的冷却速度。轮毂结构合理性评估分值是针对轮辋与轮辐连接处的厚度、轮辋尺寸、轮辐数量、中心圆盘尺寸和中心圆盘的厚度等进行评估计算。该轮毂结构合理性评估分值的计算公式如下：
其中，PV表示轮毂结构合理性评估分值，K表示目标评估指标的总数目，
表示第i个目标评估指标的实际值，
表示第i个目标评估指标的预设参考值。
合金液化学成分评估分值是基于目标金属成份的实际值和预设参考值计算得到，目标金属成份包括如下至少一项：硅、镁、锰和铁。由于铝合金轮毂的合金元素在标准要求范围内成分起伏会对轮毂力学性能产生一定影响，从而进一步影响轮毂的使用。A356 合金中 Si、Mg、Mn 以及杂质元素 Fe 的含量多少对合金力学性能产生一定的影响。本发明基于化学成分分析，计算合金液化学成分评估分值，该合金液化学成分评估分值的计算公式下：
其中，CV表示合金液化学成分评估分值，M表示目标金属成份的总数目，
表示第i个目标金属成份的实际值，
表示第i个目标金属成份的预设参考值。
进一步地，在上述步骤102、将第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量之前，该轮毂低压铸造的质量监控方法还包括：
获取训练样本数据，训练样本数据包括目标因素的历史参数值和与目标因素的历史参数值对应的质量真实值；
将训练样本数据输入至待训练的深度学习模型进行训练，得到质量预测模型；
其中，待训练的深度学习模型包括输入层、隐藏层和输出层；隐藏层包括全连接层和多个高斯层；输入层和输出层的节点数为一个，全连接层和每个高斯层的节点数为多个。
在一实施例中，在使用质量预测模型对目标因素的当前参数值进行预测前，需要对待训练的深度学习模型进行训练，得到质量预测模型。具体而言，该深度学习模型的模型结构与上述质量预测模型的结构相同，均包括输入层、隐藏层和输出层；隐藏层包括全连接层和多个高斯层；输入层和输出层的节点数为一个，全连接层和每个高斯层的节点数为多个，具体地，该深度学习模型的模型结构可以如图3所示。在创建深度学习模型之后，可以采集目标因素的历史参数值和与目标因素的历史参数值对应的质量真实值，并将目标因素的历史参数值作为深度学习模型的训练数据输入，将目标因素的历史参数值对应的质量真实值作为深度学习模型的训练数据输出。再对深度学习模型中的激活函数、优化器等参数进行设置，基于设置后的模型进行训练，得到质量预测模型。在一实施例中，该深度学习模型中的需要设置的参数可以如下表二所示：
表二
在本实施例中，可以先对待训练的深度学习模型进行训练，得到质量预测模型，再使用质量预测模型进行预测，从而更快、更准确地实现对轮毂低压铸造环节的质量监控。
进一步地，上述步骤、将训练样本数据输入至待训练的深度学习模型进行训练，得到质量预测模型，包括：
将训练样本数据输入至待训练的深度学习模型进行训练，得到第二质量预测值；
根据预设损失函数，计算质量真实值与第二质量预测值之间的损失值；
在损失值小于第二预设阈值的情况下，对待训练的深度学习模型进行收敛，得到质量预测模型。
具体地，上述预设损失函数为用于计算质量真实值与第二质量预测值之间的损失值的任意函数，可以是计算质量真实值与第二质量预测值之间的均值的差值，也可以是计算质量真实值与第二质量预测值之间方差等等。当质量真实值与第二质量预测值之间的损失值小于第二预设阈值时，表示第二质量预测值已经接近质量真实值，可以对待训练的深度学习模型进行收敛，得到质量预测模型。当质量真实值与第二质量预测值之间的损失值大于或等于第二预设阈值时，表示第二质量预测值与质量真实值存在较大偏差，可以对待训练的深度学习模型继续进行训练。这样，可以通过预设损失函数判断模型的训练程度，使模型达到较好地预测效果。
进一步地，预设损失函数的计算公式如下：
其中，
，loss表示质量真实值与第二质量预测值之间的损失值，T表示训练样本数据的总数目，PQV1i表示第i个训练样本数据的质量真实值，PQV2i表示第i个训练样本数据的第二质量预测值，N表示轮毂低压铸造环节中缺陷的总数目，
表示第i个缺陷的实际值，
表示第i个缺陷的预设参考值。
具体地，轮毂低压铸造环节中缺陷常见的有夹渣、裂纹、气孔、缩孔、缩松等，因而可以基于夹渣、裂纹、气孔、缩孔、缩松等缺陷的个数以及面积的实际值和预设参考值，采用上述预设损失函数进行计算，得到训练样本数据的质量真实值和第二质量预测值之间的方差，作为质量真实值和第二质量预测值的损失值。通过这种方式，可以训练得到质量预测模型，从而更快、更准确地实现对轮毂低压铸造环节的质量监控。
参见图4，图4为本申请实施例提供的轮毂低压铸造的质量监控装置的结构示意图。该轮毂低压铸造的质量监控装置400包括：
第一获取模块401，用于获取第一矩阵向量，第一矩阵向量是基于轮毂低压铸造环节对应的目标因素的当前参数值确定得到；
预测模块402，用于将第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量，第二矩阵向量用于表征轮毂低压铸造环节中缺陷的概率分布；
确定模块403，用于根据第二矩阵向量，确定目标因素的当前参数值对应的第一质量预测值；
生成模块404，用于在第一质量预测值高于第一预设阈值的情况下，生成提示信息，提示信息用于提示用户对目标因素的当前参数值进行调整。
可选地，质量预测模型包括输入层、隐藏层和输出层，其中，隐藏层包括全连接层和多个高斯层；输入层和输出层的节点数为一个，全连接层和每个高斯层的节点数为多个；预测模块402包括：
第一计算子模块，用于通过输入层将第一矩阵向量分别输入至高斯层的各节点中进行非线性计算，得到多个第一中间矩阵向量，多个高斯层的当前层的每个节点的输入为上一层所有节点的输出，当前层的每个节点的输出为下一层所有节点的输入；
维度变换子模块，用于将多个第一中间矩阵向量输入至全连接层进行维度变换，得到多个第二中间矩阵向量；
合并子模块，用于将多个第二中间矩阵向量通过输出层进行合并，得到第二矩阵向量。
可选地，第一获取模块401包括：
采集子模块，用于采集目标因素的当前参数值；
归一化处理子模块，用于对目标因素的当前参数值进行归一化处理；
确定子模块，用于根据目标因素中各因素的权重比，确定第一矩阵向量，权重比用于表征目标因素中各因素在轮毂低压铸造环节对轮毂质量的影响程度。
可选地，目标因素包括浇注工艺参数、轮毂结构合理性评估分值和合金液化学成分评估分值；
其中，浇注工艺参数包括如下至少一项：充型压力、充型速度、结晶压力、保压时间、浇注温度和模具温度；
轮毂结构合理性评估分值是基于目标评估指标的实际值和预设参考值计算得到，目标评估指标包括如下至少一项：轮辋与轮辐连接处的厚度、轮辋尺寸、轮辐数量、中心圆盘尺寸和中心圆盘的厚度；
合金液化学成分评估分值是基于目标金属成份的实际值和预设参考值计算得到，目标金属成份包括如下至少一项：硅、镁、锰和铁。
可选地，该轮毂低压铸造的质量监控装置400还包括：
第二获取模块，用于获取训练样本数据，训练样本数据包括目标因素的历史参数值和与目标因素的历史参数值对应的质量真实值；
训练模块，用于将训练样本数据输入至待训练的深度学习模型进行训练，得到质量预测模型；
其中，待训练的深度学习模型包括输入层、隐藏层和输出层；隐藏层包括全连接层和多个高斯层；输入层和输出层的节点数为一个，全连接层和每个高斯层的节点数为多个。
可选地，训练模块包括：
训练子模块，用于将训练样本数据输入至待训练的深度学习模型进行训练，得到第二质量预测值；
第二计算子模块，用于根据预设损失函数，计算质量真实值与第二质量预测值之间的损失值；
收敛子模块，用于在损失值小于第二预设阈值的情况下，对待训练的深度学习模型进行收敛，得到质量预测模型。
可选地，预设损失函数的计算公式如下：
其中，
，loss表示质量真实值与第二质量预测值之间的损失值，T表示训练样本数据的总数目，PQV1i表示第i个训练样本数据的质量真实值，PQV2i表示第i个训练样本数据的第二质量预测值，N表示轮毂低压铸造环节中缺陷的总数目，
表示第i个缺陷的实际值，
表示第i个缺陷的预设参考值。
参见图5，图5为本申请实施例提供的电子设备的结构示意图。该电子设备包括处理器511、通信接口512、存储器513和通信总线514，其中，处理器511，通信接口512，存储器513通过通信总线514完成相互间的通信，
存储器513，用于存放计算机程序；
在本申请一个实施例中，处理器511，用于执行存储器513上所存放的程序时，实现前述任意一个方法实施例提供的轮毂低压铸造的质量监控方法，包括：
获取第一矩阵向量，第一矩阵向量是基于轮毂低压铸造环节对应的目标因素的当前参数值确定得到；
将第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量，第二矩阵向量用于表征轮毂低压铸造环节中缺陷的概率分布；
根据第二矩阵向量，确定目标因素的当前参数值对应的第一质量预测值；
在第一质量预测值高于第一预设阈值的情况下，生成提示信息，提示信息用于提示用户对目标因素的当前参数值进行调整。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如前述任意一个方法实施例提供的轮毂低压铸造的质量监控方法的步骤。
本发明得有益效果如下：
第一、基于多个目标因素综合判断思想，对低压铸造环节的浇注温度、模具温度、充型压力、充型速度、结晶压力、轮毂结构合理性评估分值、合金液化学成分评估分值等相关数据进行了综合评估，预测轮毂质量。
第二、基于矩阵数据集思想，对低压铸造环节的浇注温度、模具温度、充型压力、充型速度、结晶压力、轮毂结构合理性评估分值、合金液化学成分评估分值等相关数据进行了归一化处理，构建矩阵向量，方便模型分析预测。
第三、构建了低压铸造质量预测算法（Low pressure casting qualityprediction algorithm，简称LPCQPA）,该算法中引入了高斯层网络结构，实现多个目标因素的缺陷特征提取。
第四、采用上述低压铸造质量预测算法的质量预测模型的达到的准确率高达88%。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种轮毂低压铸造的质量监控方法，其特征在于，所述方法包括:
获取第一矩阵向量，所述第一矩阵向量是基于轮毂低压铸造环节对应的目标因素的当前参数值确定得到；
将所述第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量，所述第二矩阵向量用于表征所述轮毂低压铸造环节中缺陷的概率分布；
根据所述第二矩阵向量，确定所述目标因素的当前参数值对应的第一质量预测值；
在所述第一质量预测值高于第一预设阈值的情况下，生成提示信息，所述提示信息用于提示用户对所述目标因素的当前参数值进行调整。
2.根据权利要求1所述的方法，其特征在于，所述质量预测模型包括输入层、隐藏层和输出层，其中，所述隐藏层包括全连接层和多个高斯层；所述输入层和所述输出层的节点数为一个，所述全连接层和每个所述高斯层的节点数为多个；
所述将所述第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量，包括：
通过所述输入层将所述第一矩阵向量分别输入至所述高斯层的各节点中进行非线性计算，得到多个第一中间矩阵向量，所述多个高斯层的当前层的每个节点的输入为上一层所有节点的输出，所述当前层的每个节点的输出为下一层所有节点的输入；
将所述多个第一中间矩阵向量输入至所述全连接层进行维度变换，得到多个第二中间矩阵向量；
将所述多个第二中间矩阵向量通过所述输出层进行合并，得到所述第二矩阵向量。
3.根据权利要求1所述的方法，其特征在于，所述获取第一矩阵向量，包括：
采集所述目标因素的当前参数值；
对所述目标因素的当前参数值进行归一化处理；
根据所述目标因素中各因素的权重比，确定所述第一矩阵向量，所述权重比用于表征所述目标因素中各因素在所述轮毂低压铸造环节对轮毂质量的影响程度。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述目标因素包括浇注工艺参数、轮毂结构合理性评估分值和合金液化学成分评估分值；
其中，所述浇注工艺参数包括如下至少一项：充型压力、充型速度、结晶压力、保压时间、浇注温度和模具温度；
所述轮毂结构合理性评估分值是基于目标评估指标的实际值和预设参考值计算得到，所述目标评估指标包括如下至少一项：轮辋与轮辐连接处的厚度、轮辋尺寸、轮辐数量、中心圆盘尺寸和中心圆盘的厚度；
所述合金液化学成分评估分值是基于目标金属成份的实际值和预设参考值计算得到，所述目标金属成份包括如下至少一项：硅、镁、锰和铁。
5.根据权利要求1所述的方法，其特征在于，在所述将所述第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量之前，所述方法还包括：
获取训练样本数据，所述训练样本数据包括所述目标因素的历史参数值和与所述目标因素的历史参数值对应的质量真实值；
将所述训练样本数据输入至待训练的深度学习模型进行训练，得到所述质量预测模型；
其中，所述待训练的深度学习模型包括输入层、隐藏层和输出层；所述隐藏层包括全连接层和多个高斯层；所述输入层和所述输出层的节点数为一个，所述全连接层和每个所述高斯层的节点数为多个。
6.根据权利要求5所述的方法，其特征在于，所述将所述训练样本数据输入至待训练的深度学习模型进行训练，得到所述质量预测模型，包括：
将所述训练样本数据输入至待训练的深度学习模型进行训练，得到第二质量预测值；
根据预设损失函数，计算所述质量真实值与所述第二质量预测值之间的损失值；
在所述损失值小于第二预设阈值的情况下，对所述待训练的深度学习模型进行收敛，得到所述质量预测模型。
7.根据权利要求6所述的方法，其特征在于，所述预设损失函数的计算公式如下：
其中，
，loss表示质量真实值与第二质量预测值之间的损失值，T表示训练样本数据的总数目，PQV1i表示第i个训练样本数据的质量真实值，PQV2i表示第i个训练样本数据的第二质量预测值，N表示轮毂低压铸造环节中缺陷的总数目，
表示第i个缺陷的实际值，
表示第i个缺陷的预设参考值。
8.一种轮毂低压铸造的质量监控装置，其特征在于，所述装置包括:
第一获取模块，用于获取第一矩阵向量，所述第一矩阵向量是基于轮毂低压铸造环节对应的目标因素的当前参数值确定得到；
预测模块，用于将所述第一矩阵向量输入预先训练的质量预测模型进行预测，得到第二矩阵向量，所述第二矩阵向量用于表征所述轮毂低压铸造环节中缺陷的概率分布；
确定模块，用于根据所述第二矩阵向量，确定所述目标因素的当前参数值对应的第一质量预测值；
生成模块，用于在所述第一质量预测值高于第一预设阈值的情况下，生成提示信息，所述提示信息用于提示用户对所述目标因素的当前参数值进行调整。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一项所述的轮毂低压铸造的质量监控方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1-7任一项所述的轮毂低压铸造的质量监控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111073529.2A CN113510234B (zh) | 2021-09-14 | 2021-09-14 | 轮毂低压铸造的质量监控方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111073529.2A CN113510234B (zh) | 2021-09-14 | 2021-09-14 | 轮毂低压铸造的质量监控方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113510234A true CN113510234A (zh) | 2021-10-19 |
| CN113510234B CN113510234B (zh) | 2022-01-07 |
Family
ID=78063198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111073529.2A Active CN113510234B (zh) | 2021-09-14 | 2021-09-14 | 轮毂低压铸造的质量监控方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113510234B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115630722A (zh) * | 2022-06-24 | 2023-01-20 | 华院计算技术(上海)股份有限公司 | 一种改进的自适应连铸质量预判数字化模型参数生成方法、系统、设备及存储介质 |
| CN117094605A (zh) * | 2023-10-18 | 2023-11-21 | 南通钢安机械制造有限公司 | 一种铸件质量控制方法及系统 |
| CN118180356A (zh) * | 2024-05-20 | 2024-06-14 | 北京航空航天大学宁波创新研究院 | 基于工艺数据挖掘和控制规律设计的模具温度闭环控制方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060277004A1 (en) * | 2005-06-01 | 2006-12-07 | Qigui Wang | Casting design optimization system (CDOS) for shape castings |
| DE102008028481A1 (de) * | 2008-06-13 | 2009-12-17 | Sms Siemag Aktiengesellschaft | Verfahren zur Vorhersage der Entstehung von Längsrissen beim Stranggießen |
| US20100035084A1 (en) * | 2006-06-27 | 2010-02-11 | Rene Jabado | Method for producing a cast piece |
| CN103886218A (zh) * | 2014-04-08 | 2014-06-25 | 北京工商大学 | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 |
| CN107527540A (zh) * | 2017-08-16 | 2017-12-29 | 清华大学苏州汽车研究院（吴江） | 新能源汽车轮毂电机在线实时演示系统 |
| CN108053085A (zh) * | 2018-01-19 | 2018-05-18 | 山东大陆计量科技有限公司 | 生产质量控制方法及装置 |
| CN110705807A (zh) * | 2019-10-23 | 2020-01-17 | 哈工大机器人（合肥）国际创新研究院 | 基于现场数据的半导体生产质量预测方法及系统 |
| CN110705785A (zh) * | 2019-09-29 | 2020-01-17 | 首钢集团有限公司 | 一种连铸机结晶器热状态的监测方法及装置 |
| CN110852558A (zh) * | 2019-09-24 | 2020-02-28 | 连云港耀科铝业有限公司 | 一种车轮彀生产数据的计算机辅助质量控制方法 |
| CN112655004A (zh) * | 2018-09-05 | 2021-04-13 | 赛多利斯司特蒂姆数据分析公司 | 用于异常检测和/或预测性维护的计算机实现的方法、计算机程序产品以及系统 |
| CN112950560A (zh) * | 2021-02-20 | 2021-06-11 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 电子元器件缺陷检测方法、装置及系统 |
| JP2021094562A (ja) * | 2019-12-13 | 2021-06-24 | トヨタ自動車株式会社 | 鋳造品の鋳巣発生予測方法 |
-
2021
- 2021-09-14 CN CN202111073529.2A patent/CN113510234B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060277004A1 (en) * | 2005-06-01 | 2006-12-07 | Qigui Wang | Casting design optimization system (CDOS) for shape castings |
| US20100035084A1 (en) * | 2006-06-27 | 2010-02-11 | Rene Jabado | Method for producing a cast piece |
| DE102008028481A1 (de) * | 2008-06-13 | 2009-12-17 | Sms Siemag Aktiengesellschaft | Verfahren zur Vorhersage der Entstehung von Längsrissen beim Stranggießen |
| CN103886218A (zh) * | 2014-04-08 | 2014-06-25 | 北京工商大学 | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 |
| CN107527540A (zh) * | 2017-08-16 | 2017-12-29 | 清华大学苏州汽车研究院（吴江） | 新能源汽车轮毂电机在线实时演示系统 |
| CN108053085A (zh) * | 2018-01-19 | 2018-05-18 | 山东大陆计量科技有限公司 | 生产质量控制方法及装置 |
| CN112655004A (zh) * | 2018-09-05 | 2021-04-13 | 赛多利斯司特蒂姆数据分析公司 | 用于异常检测和/或预测性维护的计算机实现的方法、计算机程序产品以及系统 |
| CN110852558A (zh) * | 2019-09-24 | 2020-02-28 | 连云港耀科铝业有限公司 | 一种车轮彀生产数据的计算机辅助质量控制方法 |
| CN110705785A (zh) * | 2019-09-29 | 2020-01-17 | 首钢集团有限公司 | 一种连铸机结晶器热状态的监测方法及装置 |
| CN110705807A (zh) * | 2019-10-23 | 2020-01-17 | 哈工大机器人（合肥）国际创新研究院 | 基于现场数据的半导体生产质量预测方法及系统 |
| JP2021094562A (ja) * | 2019-12-13 | 2021-06-24 | トヨタ自動車株式会社 | 鋳造品の鋳巣発生予測方法 |
| CN112950560A (zh) * | 2021-02-20 | 2021-06-11 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 电子元器件缺陷检测方法、装置及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘金: "人工神经网络在材料加工中的应用", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115630722A (zh) * | 2022-06-24 | 2023-01-20 | 华院计算技术(上海)股份有限公司 | 一种改进的自适应连铸质量预判数字化模型参数生成方法、系统、设备及存储介质 |
| CN115630722B (zh) * | 2022-06-24 | 2023-06-20 | 华院计算技术(上海)股份有限公司 | 一种改进的自适应连铸质量预判数字化模型参数生成方法、系统、设备及存储介质 |
| CN117094605A (zh) * | 2023-10-18 | 2023-11-21 | 南通钢安机械制造有限公司 | 一种铸件质量控制方法及系统 |
| CN117094605B (zh) * | 2023-10-18 | 2023-12-22 | 南通钢安机械制造有限公司 | 一种铸件质量控制方法及系统 |
| CN118180356A (zh) * | 2024-05-20 | 2024-06-14 | 北京航空航天大学宁波创新研究院 | 基于工艺数据挖掘和控制规律设计的模具温度闭环控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113510234B (zh) | 2022-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113510234B (zh) | 轮毂低压铸造的质量监控方法、装置及电子设备 | |
| CN108676955A (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
| CN104657777B (zh) | 基于混沌小波神经网络的车用电线挤塑工艺参数优化方法 | |
| CN1979496A (zh) | 铜合金管材铸轧工艺参数设计及优化的方法 | |
| CN105363794B (zh) | 一种基于力学性能预报和轧制能耗模型的精轧节能控制方法 | |
| US20230321706A1 (en) | Steel strip and method of producing same | |
| Apparao et al. | QFD-Taguchi based hybrid approach in die casting process optimization | |
| Cica et al. | Intelligent process modeling and optimization of porosity formation in high-pressure die casting | |
| Wen et al. | Machine learning-assisted constitutive modeling of a novel powder metallurgy superalloy | |
| JP3966115B2 (ja) | 設計支援装置、設計支援方法、及び設計支援プログラム | |
| CN112749508B (zh) | 一种基于gmm和bp神经网络的路感模拟方法 | |
| CN112989687B (zh) | 一种基于冶金原理的连铸坯角横裂缺陷的预报方法 | |
| CN117150937A (zh) | 一种模具温度预测方法、装置、设备及存储介质 | |
| JP4627371B2 (ja) | Ａｌ合金板の材質予測方法 | |
| CN109884548B (zh) | 一种基于gasvm-aukf算法的锂电池剩余寿命预测方法 | |
| CN116913404A (zh) | 一种基于机器学习的一体化压铸免热处理铝合金成分设计方法 | |
| CN114818192A (zh) | 铰链梁锻造工艺参数及中间坯结构设计的双层优化方法 | |
| JP7044211B2 (ja) | 製品情報決定方法、製造方法、システム、及び製品情報決定装置 | |
| JP2018062006A (ja) | 球状黒鉛鋳鉄鋳物の硬度を予測する方法 | |
| Maheta et al. | Systematic development of cumulative complexity index for investment casting | |
| Forouzan et al. | Prediction of effect of thermo-mechanical parameters on mechanical properties and anisotropy of aluminum alloy AA3004 using artificial neural network | |
| CN118180356B (zh) | 基于工艺数据挖掘和控制规律设计的模具温度闭环控制方法 | |
| 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 | |
| CN219881304U (zh) | 一种龙筋板智能化成型生产线 | |
| CN118298984B (zh) | 一种连铸过程中铸坯温度场的预测方法及系统 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231229 Address after: 518000 block a, Jingji 100 building, Caiwuwei, No. 5016, Shennan East Road, laowei community, Guiyuan street, Luohu District, Shenzhen, Guangdong, 2001-06 Patentee after: Shenzhen Xinrun Fulian Digital Technology Co.,Ltd. Patentee after: CITIC Corporation of China Patentee after: CITIC Dicastal Co.,Ltd. Address before: 518000 block a, Jingji 100 building, Caiwuwei, No. 5016, Shennan East Road, laowei community, Guiyuan street, Luohu District, Shenzhen, Guangdong, 2001-06 Patentee before: Shenzhen Xinrun Fulian Digital Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |