CN115796396A - 一种通过相关参数对锻材损耗预测的方法及系统 - Google Patents

Abstract

本发明提供了一种通过相关参数对锻材损耗预测的方法及系统，涉及智能制造技术领域。本发明通过合理的多元相关参数设计，将锻件损耗与相关参数进行关联：通过对影响锻材损耗的相关因素进行分析，得到了截断损耗、氧化损耗、加工损耗和锻件损耗四大损耗因素；对损耗因素进行参数化，便能得到能反应锻件损耗的相关参数；本发明通过锻材损耗预测模型实现预测，能快速、准确得到预测结果：通过对大量的历史数据进行标记，得到训练数据集；将训练数据集用于预测模型训练，便能得到锻材损耗预测模型；不依赖个人经验，仅需填写对应的相关参数值便能进行预测，使其实用性大大加强并具备一定的推广价值。

Description

一种通过相关参数对锻材损耗预测的方法及系统

技术领域

本发明涉及智能制造技术领域，尤其涉及一种通过相关参数对锻材损耗预测的方法及系统。

背景技术

锻造是一种利用锻压机械对金属坯料施加压力，使其产生塑性变形以获得具有一定机械性能、一定形状和尺寸锻件的加工方法，锻压（锻造与冲压）的两大组成部分之一。通过锻造能消除金属在冶炼过程中产生的铸态疏松等缺陷，优化微观组织结构，同时由于保存了完整的金属流线，锻件的机械性能一般优于同样材料的铸件。

算料是提高锻件材料利用率的重要环节之一。锻造厂在生产锻件前，需要对锻件原材料进行预算，合理的计算可以有效的节约原材料，同时也能控制生产成本。过多的材料会造成浪费，加剧模膛磨损，增加能量消耗。材料不足，未预留足够的毛坯余量，则会增加工艺调整难度，增加废品率。

在进行算料时，会考虑锻造过程中的锻材的材料损耗；材料损耗量往往是相关人员根据其丰富的经验进行判断；但是这样的方式过度依赖相关人员的判断直觉，现有技术缺乏辅助相关人员进行锻材损耗预测的方法或系统。

因此，有必要提供一种通过相关参数对锻材损耗预测的方法及系统来解决上述技术问题。

发明内容

为解决上述之一技术问题，本发明提供的一种通过相关参数对锻材损耗预测的方法，将与锻材损耗的相关的截断损耗、氧化损耗、加工损耗和锻件损耗进行参数化处理，得到锻材损耗预测的相关参数；通过相关参数能对历史数据进行标记，进而得到训练数据集；将训练数据集用于预测模型训练，便能得到锻材损耗预测模型；通过对拟生产锻件的相关参数进行设置，并输入锻材损耗预测模型，便能得到锻材损耗预测值；

具体步骤包括：参数化处理步骤、相关参数标记步骤、预测模型建立步骤和锻材损耗模型预测。

作为更进一步的解决方案，相关参数包括：下料工艺参数、加热工艺参数、锻造工艺参数、锻件相关参数和锻材类型参数；其中：

下料工艺参数，用于描述锻材的下料方式，与截断损耗相关；

加热工艺参数，用于描述锻材的加热方式，与氧化损耗相关；

锻造工艺参数，用于描述锻材的加工方式，与加工损耗相关；

锻件相关参数，用于描述锻件的相关参数，与锻件损耗相关；

锻材类型参数，用于描述锻材的具体类型，与截断损耗、氧化损耗和加工损耗相关。

作为更进一步的解决方案，下料工艺参数包括：下料方式参数和下料设备参数；其中，下料方式参数包括：剪切下料、冷折下料、切削下料、熔割下料和锤上下料；下料设备参数包括：剪断机、冲剪机、压力机、锯床机、切割机、摩擦锯和下料锤。

作为更进一步的解决方案，加热工艺参数包括：热炉类型参数、加热次数参数和加热温度参数；其中，热炉类型参数包括：箱式加热炉、立管加热炉、螺旋管加热炉、U型管加热炉、蒸汽加热炉和裂解加热炉。

作为更进一步的解决方案，锻造工艺参数包括：锻造人员参数、锻造设备参数和锻造类型参数；其中，锻造设备参数包括：锻锤机、机械压力机、液压机、螺旋压力机和平锻机；锻造类型参数包括：自由锻、模锻、碾环和特种锻造；锻造人员参数为操作人员对应编号。

作为更进一步的解决方案，锻件相关参数包括：锻件数量参数、锻件质量参数、锻件精度和锻件复杂度；其中，锻件精度包括：Ⅰ级、Ⅱ级、Ⅲ级和Ⅳ级；锻件复杂度的计算公式为：

S=V/Vb

其中，S为锻件复杂度；V为锻件的体积；Vb为锻件外廓包容积的体积。

作为更进一步的解决方案，相关参数标记步骤：通过相关参数对已生产锻件进行标注，得到历史标注序列；将历史标注序列和已生产锻件的锻材损耗值进行绑定，得到一条训练数据并加入至训练数据集中；

锻材损耗模型预测：通过相关参数对拟生产锻件进行标注，得到预测标注序列；将预测标注序列输入锻材损耗模型进行预测，得到锻材损耗预测值；若锻材损耗预测值在置信范围内，则进行输出；否则进行舍弃。

作为更进一步的解决方案，预测模型建立步骤：采用神经网络预测模型作为预测模型，将训练数据集中历史标注序列作为输入数据，对应已生产锻件的锻材损耗值作为目标数据；通过输入数据和目标数据对预测模型进行训练、验证和负反馈调整，并将满足预测准确度的预测模型进行输出，得到锻材损耗预测模型。

作为更进一步的解决方案，一种通过相关参数对锻材损耗预测的系统，部署在智能运算设备上，包括输入端、计算单元和输出端；其中，输入端用于相关参数的输入；计算单元运用如上任一项所述的一种通过相关参数对锻材损耗预测的方法进行锻材损耗的预测；输出端用于显示预测结果。

作为更进一步的解决方案，还设置有锻件测试件参数和锻件良品率参数，并根据锻件测试件参数和锻件良品率参数对预测结果进行调整；调整公式：

F ^` =[(N+K)/P]*F

其中，F为原始的锻材损耗预测值；F ^` 为调整后的锻材损耗预测值；N为锻件数量参数；K为锻件测试件参数；P为锻件良品率参数，若未设置锻件良品率参数，则默认为1。

与相关技术相比较，本发明提供的一种通过相关参数对锻材损耗预测的方法及系统具有如下有益效果：

本发明通过合理的多元相关参数设计，将锻件损耗与相关参数进行关联：通过对影响锻材损耗的相关因素进行分析，得到了截断损耗、氧化损耗、加工损耗和锻件损耗四大损耗因素；对损耗因素进行参数化，便能得到能反应锻件损耗的相关参数；

本发明通过锻材损耗预测模型实现预测，能快速、准确得到预测结果：通过对大量的历史数据进行标记，得到训练数据集；将训练数据集用于预测模型训练，便能得到锻材损耗预测模型；不依赖个人经验，仅需填写对应的相关参数值便能进行预测，使其实用性大大加强并具备一定的推广价值。

附图说明

图1为本发明提供的一种通过相关参数对锻材损耗预测的方法的较佳流程示意图；

图2为本发明提供的一种通过相关参数对锻材损耗预测的系统的较佳系统示意图。

具体实施方式

下面结合附图和实施方式对本发明作进一步说明。

如图1所示，本实施例提供的一种通过相关参数对锻材损耗预测的方法，将与锻材损耗的相关的截断损耗、氧化损耗、加工损耗和锻件损耗进行参数化处理，得到锻材损耗预测的相关参数；通过相关参数能对历史数据进行标记，进而得到训练数据集；将训练数据集用于预测模型训练，便能得到锻材损耗预测模型；通过对拟生产锻件的相关参数进行设置，并输入锻材损耗预测模型，便能得到锻材损耗预测值；

具体步骤包括：参数化处理步骤、相关参数标记步骤、预测模型建立步骤和锻材损耗模型预测。

需要说明的是：现有的对锻材损耗预测的方法往往是基于经验判断，这样的方法预测稳定性不足，存在严重的个体偏差问题。为了解决该问题，本实施例通过对影响锻材损耗的相关因素进行分析，得到了截断损耗、氧化损耗、加工损耗和锻件损耗四大损耗因素；对损耗因素进行参数化，便能得到能反应锻件损耗的相关参数；但是相关参数和锻件损耗之间存在复杂的函数关系，依靠解析函数来对其进行表示是及其困难的；因此，本实施例通过训练预测模型来实现锻材损耗的准确预测，通过对大量的历史数据进行标记，得到训练数据集；将训练数据集用于预测模型训练，便能得到锻材损耗预测模型；

该方法相较于现有技术具备：合理的多元相关参数设计，将锻件损耗与相关参数进行关联，并通过锻材损耗预测模型实现预测，能快速、准确得到预测结果；不依赖个人经验，仅需填写对应的相关参数值便能进行预测，使其实用性大大加强并具备一定的推广价值。

作为更进一步的解决方案，相关参数包括：下料工艺参数、加热工艺参数、锻造工艺参数、锻件相关参数和锻材类型参数；其中：

下料工艺参数，用于描述锻材的下料方式，与截断损耗相关；

加热工艺参数，用于描述锻材的加热方式，与氧化损耗相关；

锻造工艺参数，用于描述锻材的加工方式，与加工损耗相关；

锻件相关参数，用于描述锻件的相关参数，与锻件损耗相关；

锻材类型参数，用于描述锻材的具体类型，与截断损耗、氧化损耗和加工损耗相关。

作为更进一步的解决方案，下料工艺参数包括：下料方式参数和下料设备参数；其中，下料方式参数包括：剪切下料、冷折下料、切削下料、熔割下料和锤上下料；下料设备参数包括：剪断机、冲剪机、压力机、锯床机、切割机、摩擦锯和下料锤。

需要说明的是：锻工车间所用原材料，多数为型材，少数大型锻件采用钢锭，在进行锻造前必须把型材切断成所需长度的坯料，称为下料，下料工艺和设备有很多种；不同的下料工艺和设备具有不同的材料利用率，会对锻材损耗产生影响。在锻造生产中原材料费用一般占锻件生产成本的50%~70%，节约原材料是降低锻件生产成本的主要手段。尽可能由切削下料改为剪切或精密剪切下料:研制新的精密剪切工艺和设备;推广带锯床。研制新的采用高速钢圆锯片或含硬质合金锯齿的双金属刃口圆锯片的高速圆锯床，来替换一些老式圆锯床，这是提高下料生产率，降低下料损耗和节约原材料的主要措施之一。

作为更进一步的解决方案，加热工艺参数包括：热炉类型参数、加热次数参数和加热温度参数；其中，热炉类型参数包括：箱式加热炉、立管加热炉、螺旋管加热炉、U型管加热炉、蒸汽加热炉和裂解加热炉。

需要说明的是：加热炉是将物料或工件加热到轧制成锻造温度的工业生产设备，普遍应用于石油、化工、冶金、机械、热处理、表面处理等诸多行业，经过多年发展，加热炉的节能作用及热效率都有所提高，并且诞生了许多新的种类。不同形式的加热炉在设计、形制以及用途方面也有较大的差异，并且会对锻材损耗产生影响；此外，加热次数和加热温度同样会影响锻材损耗；如：钢料在火焰炉中的首次加热的损失为锻件质量的2%-3%，以后每次加热的损失为1.5%-2%。

作为更进一步的解决方案，锻造工艺参数包括：锻造人员参数、锻造设备参数和锻造类型参数；其中，锻造设备参数包括：锻锤机、机械压力机、液压机、螺旋压力机和平锻机；锻造类型参数包括：自由锻、模锻、碾环和特种锻造；锻造人员参数为操作人员对应编号。

需要说明的是：根据成形机理，锻造可分为自由锻、模锻、碾环、特殊锻造。不同的锻造类型具备不同的材料利用率；其中，自由锻：指用简单的通用性工具，或在锻造设备的上、下砧铁之间直接对坯料施加外力,使坯料产生变形而获得所需的几何形状及内部质量的锻件的加工方法。材料利用率较低。模锻：金属坯料在具有一定形状的锻模膛内受压变形而获得锻件。由于没有飞边，材料的利用率就高。碾环：碾环是指通过专用设备碾环机生产不同直径的环形零件，也用来生产汽车轮毂、火车车轮等轮形零件。材料利用率中等；特种锻造包括辊锻、楔横轧、径向锻造、液态模锻等锻造方式，这些方式都比较适用于生产某些特殊形状的零件；因此具备不同的材料利用率。

作为更进一步的解决方案，锻件相关参数包括：锻件数量参数、锻件质量参数、锻件精度和锻件复杂度；其中，锻件精度包括：Ⅰ级、Ⅱ级、Ⅲ级和Ⅳ级；锻件复杂度的计算公式为：

S=V/Vb

其中，S为锻件复杂度；V为锻件的体积；Vb为锻件外廓包容积的体积。

需要说明的是：锻件数量参数、锻件质量参数是影响锻材损耗的基数；锻件精度和锻件复杂度是影响锻材损耗的系数；锻件精度越高，锻材损耗系数越低；锻件复杂度越高，锻材损耗系数越高。

作为更进一步的解决方案，相关参数标记步骤：通过相关参数对已生产锻件进行标注，得到历史标注序列；将历史标注序列和已生产锻件的锻材损耗值进行绑定，得到一条训练数据并加入至训练数据集中；

锻材损耗模型预测：通过相关参数对拟生产锻件进行标注，得到预测标注序列；将预测标注序列输入锻材损耗模型进行预测，得到锻材损耗预测值；若锻材损耗预测值在置信范围内，则进行输出；否则进行舍弃。

作为更进一步的解决方案，预测模型建立步骤：采用神经网络预测模型作为预测模型，将训练数据集中历史标注序列作为输入数据，对应已生产锻件的锻材损耗值作为目标数据；通过输入数据和目标数据对预测模型进行训练、验证和负反馈调整，并将满足预测准确度的预测模型进行输出，得到锻材损耗预测模型。

作为更进一步的解决方案，如图2所示，一种通过相关参数对锻材损耗预测的系统，部署在智能运算设备上，包括输入端、计算单元和输出端；其中，输入端用于相关参数的输入；计算单元运用如上任一项所述的一种通过相关参数对锻材损耗预测的方法进行锻材损耗的预测；输出端用于显示预测结果。

作为更进一步的解决方案，还设置有锻件测试件参数和锻件良品率参数，并根据锻件测试件参数和锻件良品率参数对预测结果进行调整；调整公式：

F ^` =[(N+K)/P]*F

其中，F为原始的锻材损耗预测值；F ^` 为调整后的锻材损耗预测值；N为锻件数量参数；K为锻件测试件参数；P为锻件良品率参数，若未设置锻件良品率参数，则默认为1。

需要说明的是：合格率是指合格品与全部加工品（包括合格品和废品）的比值。按规定需要对每批锻件抽样进行破坏性检验，用于检验的锻件称为试验件。锻件试验件损耗是指这部分试验件的材料损耗；本实施例考虑了锻件测试件参数和锻件良品率参数，并对预测结果进行对应调整，得到更加准确的调整预测数值。

以上仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种通过相关参数对锻材损耗预测的方法，其特征在于，将与锻材损耗的相关的截断损耗、氧化损耗、加工损耗和锻件损耗进行参数化处理，得到锻材损耗预测的相关参数；通过相关参数能对历史数据进行标记，进而得到训练数据集；将训练数据集用于预测模型训练，便能得到锻材损耗预测模型；通过对拟生产锻件的相关参数进行设置，并输入锻材损耗预测模型，便能得到锻材损耗预测值；具体步骤包括：参数化处理步骤、相关参数标记步骤、预测模型建立步骤和锻材损耗模型预测。

2.根据权利要求1所述的一种通过相关参数对锻材损耗预测的方法，其特征在于，相关参数包括：下料工艺参数、加热工艺参数、锻造工艺参数、锻件相关参数和锻材类型参数；其中：

下料工艺参数，用于描述锻材的下料方式，与截断损耗相关；

加热工艺参数，用于描述锻材的加热方式，与氧化损耗相关；

锻造工艺参数，用于描述锻材的加工方式，与加工损耗相关；

锻件相关参数，用于描述锻件的相关参数，与锻件损耗相关；

锻材类型参数，用于描述锻材的具体类型，与截断损耗、氧化损耗和加工损耗相关。

3.根据权利要求2所述的一种通过相关参数对锻材损耗预测的方法，其特征在于，下料工艺参数包括：下料方式参数和下料设备参数；其中，下料方式参数包括：剪切下料、冷折下料、切削下料、熔割下料和锤上下料；下料设备参数包括：剪断机、冲剪机、压力机、锯床机、切割机、摩擦锯和下料锤。

4.根据权利要求2所述的一种通过相关参数对锻材损耗预测的方法，其特征在于，加热工艺参数包括：热炉类型参数、加热次数参数和加热温度参数；其中，热炉类型参数包括：箱式加热炉、立管加热炉、螺旋管加热炉、U型管加热炉、蒸汽加热炉和裂解加热炉。

5.根据权利要求2所述的一种通过相关参数对锻材损耗预测的方法，其特征在于，锻造工艺参数包括：锻造人员参数、锻造设备参数和锻造类型参数；其中，锻造设备参数包括：锻锤机、机械压力机、液压机、螺旋压力机和平锻机；锻造类型参数包括：自由锻、模锻、碾环和特种锻造；锻造人员参数为操作人员对应编号。

6.根据权利要求2所述的一种通过相关参数对锻材损耗预测的方法，其特征在于，锻件相关参数包括：锻件数量参数、锻件质量参数、锻件精度和锻件复杂度；其中，锻件精度包括：Ⅰ级、Ⅱ级、Ⅲ级和Ⅳ级；锻件复杂度的计算公式为：

S=V/Vb

其中，S为锻件复杂度；V为锻件的体积；Vb为锻件外廓包容积的体积。

7.根据权利要求1所述的一种通过相关参数对锻材损耗预测的方法，其特征在于，相关参数标记步骤：通过相关参数对已生产锻件进行标注，得到历史标注序列；将历史标注序列和已生产锻件的锻材损耗值进行绑定，得到一条训练数据并加入至训练数据集中；

锻材损耗模型预测：通过相关参数对拟生产锻件进行标注，得到预测标注序列；将预测标注序列输入锻材损耗模型进行预测，得到锻材损耗预测值；若锻材损耗预测值在置信范围内，则进行输出；否则进行舍弃。

8.根据权利要求7所述的一种通过相关参数对锻材损耗预测的方法，其特征在于，预测模型建立步骤：采用神经网络预测模型作为预测模型，将训练数据集中历史标注序列作为输入数据，对应已生产锻件的锻材损耗值作为目标数据；通过输入数据和目标数据对预测模型进行训练、验证和负反馈调整，并将满足预测准确度的预测模型进行输出，得到锻材损耗预测模型。

9.一种通过相关参数对锻材损耗预测的系统，其特征在于，部署在智能运算设备上，包括输入端、计算单元和输出端；其中，输入端用于相关参数的输入；计算单元运用如权利要求1至权利要求8任一项所述的一种通过相关参数对锻材损耗预测的方法进行锻材损耗的预测；输出端用于显示预测结果。

10.根据权利要求9所述的一种通过相关参数对锻材损耗预测的系统，其特征在于，还设置有锻件测试件参数和锻件良品率参数，并根据锻件测试件参数和锻件良品率参数对预测结果进行调整；调整公式：

F ^` =[(N+K)/P]*F

其中，F为原始的锻材损耗预测值；F ^` 为调整后的锻材损耗预测值；N为锻件数量参数；K为锻件测试件参数；P为锻件良品率参数，若未设置锻件良品率参数，则默认为1。

Images