CN115423218B - 一种针对于锻件缺陷消除工艺的预测方法及系统 - Google Patents
一种针对于锻件缺陷消除工艺的预测方法及系统 Download PDFInfo
- Publication number
- CN115423218B CN115423218B CN202211364702.9A CN202211364702A CN115423218B CN 115423218 B CN115423218 B CN 115423218B CN 202211364702 A CN202211364702 A CN 202211364702A CN 115423218 B CN115423218 B CN 115423218B
- Authority
- CN
- China
- Prior art keywords
- forging
- solution treatment
- defect elimination
- deformation
- probability
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 238
- 230000007547 defect Effects 0.000 title claims abstract description 130
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 102
- 238000005242 forging Methods 0.000 claims abstract description 279
- 238000012545 processing Methods 0.000 claims abstract description 101
- 230000008030 elimination Effects 0.000 claims abstract description 49
- 238000012797 qualification Methods 0.000 claims abstract description 26
- 238000003754 machining Methods 0.000 claims abstract description 9
- 239000000243 solution Substances 0.000 claims description 118
- 238000003825 pressing Methods 0.000 claims description 23
- 239000006104 solid solution Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 14
- 150000001875 compounds Chemical class 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000013058 risk prediction model Methods 0.000 claims description 3
- 239000012086 standard solution Substances 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 229910000831 Steel Inorganic materials 0.000 description 16
- 239000010959 steel Substances 0.000 description 16
- 239000002994 raw material Substances 0.000 description 15
- 238000007477 logistic regression Methods 0.000 description 6
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 238000000465 moulding Methods 0.000 description 3
- 238000004321 preservation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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"
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
- C21D8/005—Modifying the physical properties by deformation combined with, or followed by, heat treatment of ferrous alloys
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Materials Engineering (AREA)
- Operations Research (AREA)
- Thermal Sciences (AREA)
- Educational Administration (AREA)
- Crystallography & Structural Chemistry (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Forging (AREA)
Abstract
本发明公开了一种针对于锻件缺陷消除工艺的预测方法及系统,涉及锻件智能化加工技术领域,包括:确定锻件缺陷消除工艺的加工需求;确定锻件的锻压形变工艺参数;建立锻件缺陷消除工艺合格预测模型;实时检测锻件的锻压形变工艺中的单次锻压变形量和锻压温度;计算实时锻压形变工艺的加工质量指标;计算固溶处理工艺质量指标需求;计算锻件缺陷消除合格概率;判断锻件缺陷消除合格概率是否大于预设值,并依据判断结果输出指令信号。本发明的优点在于:提出一种锻件缺陷消除预测方法,可根据已完成的锻压形变工艺的情况下,进行固溶处理前进行加工预测,依据预测结果进行指导后续的成型加工,可有效的降低加工资源的浪费,保证锻件缺陷消除效果。
Description
技术领域
本发明涉及锻件智能化加工技术领域,具体是涉及一种针对于锻件缺陷消除工艺的预测方法及系统。
背景技术
锻件原料钢锭经浇注成型后,在中部和头部以及晶界等地方,常有一些宏观或微观的收缩孔洞,这样在后续的加工过程中在收缩孔洞的部位往往会出现分层的现象,这样不但无法改善其组织结构和力学性能,反而会造成锻件的性能不合格甚至于报废。
因此,请参阅图5所示,在实际加工过程中,常用压缩变形加固溶处理的方式进行锻件原料钢锭的缺陷消除,通过该方法处理的钢锭可以在很大程度上消除原本存在的疏松、缩孔等体积性缺陷,避免在锻打过程中造成锻件分层而导致报废的情况,在锻件缺陷消除的工序中,压缩变形和热处理工序为分步进行,压缩变形工序的完成质量直接决定着锻件原料钢锭的缺陷消除合格与否,然而现有技术缺乏针对于已完成的压缩变形工序的完成质量进行预测锻件原料钢锭能否经过固溶处理后达到缺陷消除合格与否的技术方案,因此极易造成压缩变形工序的完成质量较低的锻件原料钢锭,进入固溶处理步骤,造成加工资源的浪费。
发明内容
为解决上述技术问题,提供一种针对于锻件缺陷消除工艺的预测方法及系统,本技术方案解决了上述的现有技术缺乏针对于已完成的压缩变形工序的完成质量进行预测锻件原料钢锭能否经过固溶处理后达到缺陷消除合格与否的技术方案,因此极易造成压缩变形工序的完成质量较低的锻件原料钢锭,进入固溶处理步骤,造成加工资源的浪费的问题。
为达到以上目的,本发明采用的技术方案为:
一种针对于锻件缺陷消除工艺的预测方法,包括:
确定锻件缺陷消除工艺的加工需求,所述加工需求包括总锻压形变量、固溶处理温度和固溶处理时间;
根据总锻压形变量进行计算,确定锻件的锻压形变工艺参数,所述锻压形变工艺参数包括单次锻压变形量和锻压温度;
建立锻件缺陷消除工艺合格预测模型,所述锻件缺陷消除工艺合格预测模型以锻压形变工艺的加工质量指标作为输出,输出固溶处理工艺质量指标需求;
实时检测锻件的锻压形变工艺中的单次锻压变形量和锻压温度,获得实时锻压变形数据和实时锻压温度数据;
根据实时锻压变形数据和实时锻压温度数据进行计算实时锻压形变工艺的加工质量指标;
将实时锻压形变工艺的加工质量指标输入锻件缺陷消除工艺合格预测模型,获得固溶处理工艺质量指标需求;
获取固溶处理历史数据,根据固溶处理历史数据判断固溶处理工艺可以满足固溶处理工艺质量指标需求的概率,作为锻件缺陷消除合格概率;
判断锻件缺陷消除合格概率是否大于预设值,若是,则判定为合格概率高,继续正常固溶处理步骤,若否,则判定为合格概率低,中止后续的固溶处理步骤,并对锻件进行回收处理。
优选的,所述单次锻压变形量的计算方法为:
n为锻压形变次数。
优选的,所述锻压形变工艺的加工质量指标的计算方式为:
优选的,所述固溶处理工艺质量指标的计算方法为:
按照设定的时间间隔,对固溶处理阶段的锻件进行实时温度采集,获得多个实时温度数据;
根据多个实时温度数据进行固溶处理工艺质量指标;
Q为实时温度数据的个数;
优选的,所述建立锻件缺陷消除工艺合格预测模型具体包括如下步骤:
获取锻件缺陷消除工艺的历史加工数据;
根据锻件缺陷消除是否合格对锻件缺陷消除工艺的历史加工数据进行分类,获得若干组合格历史加工数据和不合格历史加工数据;
根据历史加工数据计算,获得锻压形变工艺的历史加工质量指标和固溶处理工艺质量指标;
建立锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型;
根据合格历史加工数据和不合格历史加工数据对锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型中的参数进行最大似然法估计,获得模型回归系数;
检验模型回归系数对锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型的参数的显著性,判断模型回归系数是否满足显著性要求;
完成模型求解。
优选的,所述锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型具体为:
p为概率预测模型的预测概率;
优选的,所述固溶处理工艺质量指标需求计算步骤为:
设定一预设风险概率;
结合已完成的锻件的锻压形变工艺加工质量指标,根据锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型计算满足
优选的,所述锻件缺陷消除合格概率的计算步骤为:
获取历史固溶处理工艺质量指标;
统计出历史固溶处理工艺质量指标中满足固溶处理工艺质量指标需求的情况数量和不满足固溶处理工艺质量指标需求的情况数量,获得历史统计数据;
根据历史统计数据,计算出历史固溶处理工艺中的固溶处理工艺质量指标需求的情况出现频率,作为锻件缺陷消除合格概率。
进一步的,提出一种针对于锻件缺陷消除工艺的预测系统,用于实现如上述的针对于锻件缺陷消除工艺的预测方法,包括:
处理器,处理器用于进行锻件缺陷消除工艺中的数据处理计算;
成型检测模块,成型检测模块与所述处理器电性连接,成型检测模块用于进行实时检测锻件的锻压形变工艺中的单次锻压变形量和锻压温度;
存储模块,存储模块与所述处理器电性连接,存储模块用于进行存储锻件缺陷消除工艺的历史加工数据;
数据判断模块,数据判断模块与所述处理器电性连接,数据判断模块用于进行判断锻件缺陷消除合格概率是否大于预设值,并输出判断结果;
信号输出模块,信号输出模块与数据判断模块电性连接,信号输出模块用于根据数据判断模块的判断结果输出指示信号。
可选的,所述处理器内部集成有:
第一处理模块,所述第一处理模块用于进行根据总锻压形变量进行计算,确定锻件的锻压形变工艺参数;
模型计算模块,所述第二处理模块用于进行建立锻件缺陷消除工艺合格预测模型;
第二处理模块,所述第二处理模块用于进行锻压形变工艺的加工质量指标和固溶处理工艺质量指标计算;
第三处理模块,所述第三处理模块结合已完成的锻件的锻压形变工艺加工质量指标,根据锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型计算固溶处理工艺质量指标需求;
第四处理模块,所述第四处理模块用于进行锻件缺陷消除合格概率计算。
与现有技术相比,本发明的有益效果在于:
本发明提出一种针对于已完成的压缩变形工序的完成质量进行预测锻件原料钢锭的最终的缺陷消除合格概率的方法,依据基于Logistic回归模型原理,建立锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型,并将锻压形变工艺的工艺成型质量和固溶处理工艺成型质量进行数值化,通过已完成的锻压形变工艺的工艺成型质量以及锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型进行固溶处理工艺成型质量需求计算,并根据固溶处理的历史数据判断,后续的固溶处理中能达到固溶处理工艺成型质量需求的可能性,依据可能性大小来指导锻件原料钢锭后续是否进行固溶处理,通过此方式,可在进行固溶处理前进行加工预测,依据预测结果进行指导后续的成型加工,可有效的降低加工资源的浪费,保证锻件缺陷消除效果。
附图说明
图1为本方案提出的锻件缺陷消除工艺的预测方法流程图;
图2为本方案中的锻件缺陷消除工艺合格预测模型建立方法流程图;
图3为本方案中的锻件缺陷消除合格概率的确定方法流程图;
图4为本方案提出的锻件缺陷消除工艺的预测系统结构框图;
图5为本方案中的锻件缺陷消除工艺的流程图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。
参照图4所示,一种针对于锻件缺陷消除工艺的预测系统,包括:
处理器,处理器用于进行锻件缺陷消除工艺中的数据处理计算;
成型检测模块,成型检测模块与所述处理器电性连接,成型检测模块用于进行实时检测锻件的锻压形变工艺中的单次锻压变形量和锻压温度;
存储模块,存储模块与所述处理器电性连接,存储模块用于进行存储锻件缺陷消除工艺的历史加工数据;
数据判断模块,数据判断模块与所述处理器电性连接,数据判断模块用于进行判断锻件缺陷消除合格概率是否大于预设值,并输出判断结果;
信号输出模块,信号输出模块与数据判断模块电性连接,信号输出模块用于根据数据判断模块的判断结果输出指示信号。
其中,处理器内部集成有:
第一处理模块,所述第一处理模块用于进行根据总锻压形变量进行计算,确定锻件的锻压形变工艺参数;
模型计算模块,所述第二处理模块用于进行建立锻件缺陷消除工艺合格预测模型;
第二处理模块,所述第二处理模块用于进行锻压形变工艺的加工质量指标和固溶处理工艺质量指标计算;
第三处理模块,所述第三处理模块结合已完成的锻件的锻压形变工艺加工质量指标,根据锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型计算固溶处理工艺质量指标需求;
第四处理模块,所述第四处理模块用于进行锻件缺陷消除合格概率计算。
上述预测系统的工作步骤具体为:
步骤一:模型计算模块从存储模块种调取历史加工数据,并根据历史加工数据进行锻件缺陷消除工艺合格预测模型的计算,同时第一处理模块根据总锻压形变量进行计算,确定锻件的锻压形变工艺参数;
步骤二:成型检测模块实时检测在进行锻压形变工艺过程中的每次锻压变形量以及每次锻压变形时的温度值;
步骤三:第二处理模块根据成型检测模块检测获得的每次锻压变形量以及每次锻压变形时的温度值,进行计算锻压形变工艺的加工质量指标;
步骤四:第三处理模块根据已完成的锻压形变工艺的加工质量指标和锻件缺陷消除工艺合格预测模型,计算当前在已完成的锻压形变工艺状态下,缺陷消除工艺合格概率满足预设概率值时,后续固溶处理所需要达到的加工质量指标要求;
步骤五:第四处理模块结合历史加工数据,判断固溶处理加工质量指标达到固溶处理所需要达到的加工质量指标要求的概率;
步骤六:数据判断模块根据判断锻件缺陷消除合格概率是否大于预设值,并输出判断结果;
步骤七:信号输出模块根据判断结果输出预测指示信号,并以声、光等可见信号形式输出指示信号。
请参阅图1所示,为进一步的说明本方案,以下结合上述锻件缺陷消除工艺的预测系统提出一种锻件缺陷消除工艺的预测方法,包括:
确定锻件缺陷消除工艺的加工需求,所述加工需求包括总锻压形变量、固溶处理温度和固溶处理时间;
根据总锻压形变量进行计算,确定锻件的锻压形变工艺参数,所述锻压形变工艺参数包括单次锻压变形量和锻压温度;
建立锻件缺陷消除工艺合格预测模型,所述锻件缺陷消除工艺合格预测模型以锻压形变工艺的加工质量指标作为输出,输出固溶处理工艺质量指标需求;
实时检测锻件的锻压形变工艺中的单次锻压变形量和锻压温度,获得实时锻压变形数据和实时锻压温度数据;
根据实时锻压变形数据和实时锻压温度数据进行计算实时锻压形变工艺的加工质量指标;
将实时锻压形变工艺的加工质量指标输入锻件缺陷消除工艺合格预测模型,获得固溶处理工艺质量指标需求;
获取固溶处理历史数据,根据固溶处理历史数据判断固溶处理工艺可以满足固溶处理工艺质量指标需求的概率,作为锻件缺陷消除合格概率;
判断锻件缺陷消除合格概率是否大于预设值,若是,则判定为合格概率高,继续正常固溶处理步骤,若否,则判定为合格概率低,中止后续的固溶处理步骤,并对锻件进行回收处理。
本方案提出一种针对于已完成的压缩变形工序的完成质量进行预测锻件原料钢锭的最终的缺陷消除合格概率的方法,通过已完成的锻压形变工艺的工艺成型质量以及锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型进行固溶处理工艺成型质量需求计算,并根据固溶处理的历史数据判断,后续的固溶处理中能达到固溶处理工艺成型质量需求的可能性,依据可能性大小来指导锻件原料钢锭后续是否进行固溶处理,通过此方法可有效的避免出现压缩变形工序的完成质量较低的锻件原料钢锭,进入固溶处理步骤的情况发生,进而有效的降低了加工资源的浪费。
所述单次锻压变形量的计算方法为:
n为锻压形变次数。
在进行锻件原料钢锭的单次形变量的计算时,由于首次形变的大小决定了锻件原料钢锭中的疏松、缩孔等体积性缺陷的消除质量,具体表现为,首次形变越大,其内部的疏松、缩孔等体积性缺陷的消除率越高,因此首次形变的大小通常需要达到总变形量的;
由于在实际的锻压变形过程中,锻件原料钢锭的温度在不断下降,同时随着加工应力的累积,其自身的加工性能也在逐渐下降,因此在进行单次锻压变形量的设计中需要满足前一次的锻压变形量大于后一次的锻压变形量,同时满足所有单次锻压变形量之和等于锻件原料钢锭的总锻压形变量。
所述锻压形变工艺的加工质量指标的计算方式为:
在锻压变形过程中,锻压变形量以及锻压变形时的温度为决定锻压变形质量的因素,具体的,单次锻压变形量太小易导致内部的疏松、缩孔等体积性缺陷难以被压缩消除,单次锻压变形量太大,易导致锻件原料钢锭表面出现开裂等宏观缺陷;锻压变形时的温度过低影响锻件原料钢锭加工性能,进而影响锻压变形内部组织的流动性能,易造成内部组织难以填满疏松、缩孔等体积性缺陷。
因此,本方案中结合在进行锻压变形时的变形量和变形温度与标准值之间的差异最为衡量变形量和变形温度的指标,并通过多次锻压变形的变形量和变形温度的指标进行累乘得到锻压形变工艺的加工质量指标。
所述固溶处理工艺质量指标的计算方法为:
按照设定的时间间隔,对固溶处理阶段的锻件进行实时温度采集,获得多个实时温度数据;
根据多个实时温度数据进行固溶处理工艺质量指标;
Q为实时温度数据的个数;
本方案中,固溶处理过程为一持续过程,在进行保温温度的采集过程中,对固溶处理阶段过程中按照设定的时间间隔进行连续化温度采集,之后通过对多个实时温度数据结合保温时间来进行固溶处理工艺质量指标的计算。
请参阅图2所示,所述建立锻件缺陷消除工艺合格预测模型具体包括如下步骤:
获取锻件缺陷消除工艺的历史加工数据;
根据锻件缺陷消除是否合格对锻件缺陷消除工艺的历史加工数据进行分类,获得若干组合格历史加工数据和不合格历史加工数据;
根据历史加工数据计算,获得锻压形变工艺的历史加工质量指标和固溶处理工艺质量指标;
建立锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型;
根据合格历史加工数据和不合格历史加工数据对锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型中的参数进行最大似然法估计,获得模型回归系数;
检验模型回归系数对锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型的参数的显著性,判断模型回归系数是否满足显著性要求;
完成模型求解。
所述锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型具体为:
p为概率预测模型的预测概率;
本方案基于Logistic回归模型原理,建立锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型,Logistic回归模型是一种广义的线性回归分析模型,常用于数据挖掘,结果预测等领域。所述固溶处理工艺质量指标需求计算步骤为:
设定一预设概率值;
结合已完成的锻件的锻压形变工艺加工质量指标,根据锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型计算满足
在本方案中,建立锻件缺陷消除合格概率与锻压形变工艺的加工质量指标和固溶处理工艺质量指标之间的Logistic回归模型,并实现针对于Logistic回归模型的逆运用,根据已完成的锻压形变工艺的工艺成型质量以及Logistic回归模型进行固溶处理工艺成型质量需求计算,
具体的,设定一预设概率值,判定在已完成的锻压形变工艺的工艺成型质量的情况下,若要使锻件缺陷消除合格的预测概率大于预设概率值的情况下,固溶处理工艺所需达到的工艺质量指标需求。
请参阅图3所示,所述锻件缺陷消除合格概率的计算步骤为:
获取历史固溶处理工艺质量指标;
统计出历史固溶处理工艺质量指标中满足固溶处理工艺质量指标需求的情况数量和不满足固溶处理工艺质量指标需求的情况数量,获得历史统计数据;
根据历史统计数据,计算出历史固溶处理工艺中的满足固溶处理工艺质量指标需求的情况出现频率,作为锻件缺陷消除合格概率。
具体的,结合历史统计数据和固溶处理工艺所需达到的工艺质量指标需求,判断历史数据中达到固溶处理工艺所需达到的工艺质量指标需求的频率,并以此频率作为在已完成的锻压形变工艺的工艺成型质量的情况下的锻件缺陷消除合格概率。
综上所述,本发明的优点在于:提出一种锻件缺陷消除预测方法,可根据已完成的锻压形变工艺的情况下,进行固溶处理前进行加工预测,依据预测结果进行指导后续的成型加工,可有效的降低加工资源的浪费,保证锻件缺陷消除效果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种针对于锻件缺陷消除工艺的预测方法,其特征在于,包括:
确定锻件缺陷消除工艺的加工需求,所述加工需求包括总锻压形变量、固溶处理温度和固溶处理时间;
根据总锻压形变量进行计算,确定锻件的锻压形变工艺参数,所述锻压形变工艺参数包括单次锻压变形量和锻压温度;
建立锻件缺陷消除工艺合格预测模型,所述锻件缺陷消除工艺合格预测模型以锻压形变工艺的加工质量指标作为输入,输出固溶处理工艺质量指标需求;
实时检测锻件的锻压形变工艺中的单次锻压变形量和锻压温度,获得实时锻压变形数据和实时锻压温度数据;
根据实时锻压变形数据和实时锻压温度数据进行计算实时锻压形变工艺的加工质量指标;
将实时锻压形变工艺的加工质量指标输入锻件缺陷消除工艺合格预测模型,获得固溶处理工艺质量指标需求;
获取固溶处理历史数据,根据固溶处理历史数据判断固溶处理工艺可以满足固溶处理工艺质量指标需求的概率,作为锻件缺陷消除合格概率;
判断锻件缺陷消除合格概率是否大于预设值,若是,则判定为合格概率高,继续正常固溶处理步骤,若否,则判定为合格概率低,中止后续的固溶处理步骤,并对锻件进行回收处理。
5.根据权利要求4所述一种针对于锻件缺陷消除工艺的预测方法,其特征在于,所述建立锻件缺陷消除工艺合格预测模型具体包括如下步骤:
获取锻件缺陷消除工艺的历史加工数据;
根据锻件缺陷消除是否合格对锻件缺陷消除工艺的历史加工数据进行分类,获得若干组合格历史加工数据和不合格历史加工数据;
根据历史加工数据计算,获得锻压形变工艺的历史加工质量指标和固溶处理工艺质量指标;
建立锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型;
根据合格历史加工数据和不合格历史加工数据对锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型中的参数进行最大似然法估计,获得模型回归系数;
检验模型回归系数对锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型的参数的显著性,判断模型回归系数是否满足显著性要求;
完成模型求解。
8.根据权利要求7所述一种针对于锻件缺陷消除工艺的预测方法,其特征在于,所述锻件缺陷消除合格概率的计算步骤为:
获取历史固溶处理工艺质量指标;
统计出历史固溶处理工艺质量指标中满足固溶处理工艺质量指标需求的情况数量和不满足固溶处理工艺质量指标需求的情况数量,获得历史统计数据;
根据历史统计数据,计算出历史固溶处理工艺中的满足固溶处理工艺质量指标需求的情况出现频率,作为锻件缺陷消除合格概率。
9.一种针对于锻件缺陷消除工艺的预测系统,用于实现如权利要求1-8任一项所述的针对于锻件缺陷消除工艺的预测方法,其特征在于,包括:
处理器,处理器用于进行锻件缺陷消除工艺中的数据处理计算;
成型检测模块,成型检测模块与所述处理器电性连接,成型检测模块用于进行实时检测锻件的锻压形变工艺中的单次锻压变形量和锻压温度;
存储模块,存储模块与所述处理器电性连接,存储模块用于进行存储锻件缺陷消除工艺的历史加工数据;
数据判断模块,数据判断模块与所述处理器电性连接,数据判断模块用于进行判断锻件缺陷消除合格概率是否大于预设值,并输出判断结果;
信号输出模块,信号输出模块与数据判断模块电性连接,信号输出模块用于根据数据判断模块的判断结果输出指示信号。
10.根据权利要求9所述一种针对于锻件缺陷消除工艺的预测系统,其特征在于,所述处理器内部集成有:
第一处理模块,所述第一处理模块用于进行根据总锻压形变量进行计算,确定锻件的锻压形变工艺参数;
模型计算模块,所述模型计算模块用于进行建立锻件缺陷消除工艺合格预测模型;
第二处理模块,所述第二处理模块用于进行锻压形变工艺的加工质量指标和固溶处理工艺质量指标计算;
第三处理模块,所述第三处理模块结合已完成的锻件的锻压形变工艺加工质量指标,根据锻件缺陷消除合格-锻压形变工艺、固溶处理工艺概率预测模型计算固溶处理工艺质量指标需求;
第四处理模块,所述第四处理模块用于进行锻件缺陷消除合格概率计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211364702.9A CN115423218B (zh) | 2022-11-02 | 2022-11-02 | 一种针对于锻件缺陷消除工艺的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211364702.9A CN115423218B (zh) | 2022-11-02 | 2022-11-02 | 一种针对于锻件缺陷消除工艺的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115423218A CN115423218A (zh) | 2022-12-02 |
CN115423218B true CN115423218B (zh) | 2023-03-24 |
Family
ID=84207191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211364702.9A Active CN115423218B (zh) | 2022-11-02 | 2022-11-02 | 一种针对于锻件缺陷消除工艺的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423218B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115630847B (zh) * | 2022-12-07 | 2023-03-28 | 四川省华盾防务科技股份有限公司 | 一种基于数据预测的收发组件检测方法、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN113486457A (zh) * | 2021-06-04 | 2021-10-08 | 宁波海天金属成型设备有限公司 | 一种压铸件缺陷预测及诊断系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3958707B2 (ja) * | 2003-04-25 | 2007-08-15 | トヨタ自動車株式会社 | 金型温度の予測方法 |
CN108977741B (zh) * | 2018-06-01 | 2020-05-05 | 燕山大学 | 针对钛合金模锻件网篮组织分布的预测方法 |
CN112507567B (zh) * | 2020-12-22 | 2022-08-05 | 重庆科技学院 | 一种钛合金锻件锻造微观组织失稳缺陷预测方法 |
-
2022
- 2022-11-02 CN CN202211364702.9A patent/CN115423218B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN113486457A (zh) * | 2021-06-04 | 2021-10-08 | 宁波海天金属成型设备有限公司 | 一种压铸件缺陷预测及诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115423218A (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | In-process tool condition forecasting based on a deep learning method | |
CN115423218B (zh) | 一种针对于锻件缺陷消除工艺的预测方法及系统 | |
CN113486457A (zh) | 一种压铸件缺陷预测及诊断系统 | |
CN116307289A (zh) | 一种纺织品加工工序参数检测预测方法、系统及存储介质 | |
CN116167236A (zh) | 一种铝合金压铸件成型工艺的智能优化方法及系统 | |
CN115289971B (zh) | 一种锻坯尺寸监测方法及监测装置 | |
CN113378433B (zh) | 一种复合铝板成形工艺参数确定方法、装置、设备及介质 | |
CN111080835B (zh) | 基于灰色综合关联度的热轧带钢楔形缺陷诊断方法及系统 | |
CN115319014B (zh) | 一种核岛用棘齿盘的锻造质量控制方法 | |
CN116228766A (zh) | 一种等离子加工设备的智能调控方法及系统 | |
CN115582522A (zh) | 一种高精度铬合金连续铸造成型监测方法及系统 | |
CN115618751A (zh) | 一种钢板力学性能预测方法 | |
CN115345434A (zh) | 改进的面向连铸质量判定模型的动态数据挖掘方法及装置 | |
CN104197858B (zh) | 一种定量描述品种钢连铸坯凝固组织形貌特征的方法 | |
CN117753942B (zh) | 一种一体化压铸模具的温度控制系统及方法 | |
Schreyer et al. | Data Analysis of Production Data for Continuous Casting of Aluminum Rolling Ingots | |
Tschimpke et al. | Statistical Methods for Predicting of the Quality of Aluminum Ingots | |
CN117034176B (zh) | 一种定向凝固过程铸件异常预测系统 | |
CN115439021B (zh) | 一种金属强化处理质量分析方法及系统 | |
CN115213735B (zh) | 一种铣削加工过程刀具状态监测系统及方法 | |
CN117900981B (zh) | 应用于tc4卷带加工下的生产工艺优化方法及系统 | |
CN117196400A (zh) | 高品质轻合金铸件检测数据处理方法及装置 | |
CN116944446B (zh) | 一种水平连铸铜管坯工艺参数异常监测方法 | |
CN113536898B (zh) | 全面特征捕捉型时间卷积网络、视频动作分割方法、计算机系统和介质 | |
CN114701135B (zh) | 基于虚拟量测模型的注塑工件尺寸预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |