CN116502943A - 一种熔模铸造产品质量追溯方法 - Google Patents
一种熔模铸造产品质量追溯方法 Download PDFInfo
- Publication number
- CN116502943A CN116502943A CN202310351948.0A CN202310351948A CN116502943A CN 116502943 A CN116502943 A CN 116502943A CN 202310351948 A CN202310351948 A CN 202310351948A CN 116502943 A CN116502943 A CN 116502943A
- Authority
- CN
- China
- Prior art keywords
- data
- casting
- defect
- quality
- defects
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000005495 investment casting Methods 0.000 title claims abstract description 51
- 230000007547 defect Effects 0.000 claims abstract description 128
- 238000005266 casting Methods 0.000 claims abstract description 96
- 238000004519 manufacturing process Methods 0.000 claims abstract description 69
- 230000008569 process Effects 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000007689 inspection Methods 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims abstract description 9
- 238000000556 factor analysis Methods 0.000 claims abstract description 8
- 238000012098 association analyses Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 238000002347 injection Methods 0.000 claims description 10
- 239000007924 injection Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000003723 Smelting Methods 0.000 claims description 3
- 238000009960 carding Methods 0.000 claims description 3
- 239000004570 mortar (masonry) Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract 1
- 238000004451 qualitative analysis Methods 0.000 abstract 1
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/06—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Systems or methods specially adapted for 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
Abstract
本发明公开了一种熔模铸造产品质量追溯方法,解决了熔模铸造生产过程中有关铸件缺陷的质量追溯问题。实现包括:收集熔模铸造各车间生产过程工艺参数数据和质检数据;对数据集进行数据清洗及结构化处理;针对不同铸件缺陷确定关键影响因素,利用随机森林算法构建基于影响因素分析的质量问题定性追溯模型,提取出影响指定铸件缺陷的关键影响因素,实现铸件缺陷影响因素的定性分析;结合所做铸件缺陷以及提取出的关键影响因素,利用Apriori关联规则挖掘算法构建基于关联分析的质量定量追溯模型,得到与铸件缺陷相关工艺指标的参数区间范围,实现铸件缺陷影响因素的工艺参数与铸件缺陷的定量分析。
Description
技术领域
本发明属于工业大数据技术领域,涉及熔模铸造产生的质量问题,具体是一种熔模铸造产品质量追溯方法,可用于熔模铸造生产过程中的车间生产指导和质量逆向追溯。
背景技术
铸件质量追溯能力不高是我国铸造企业目前存在的一个重要问题,该问题主要体现在缺乏实用有效的铸件质量追溯方法,当产品出现质量问题时,如何快速找到问题的源头,控制缺陷产品的扩散,对生产来说是非常重要的。在工业大数据时代,随着数据项以及数据量的爆发式增长,传统的质量追溯方法效率低,不能适应大数据的分析和处理;而且由于产品的生产环境复杂多变、影响因素错综复杂,产品的相关信息数据复杂多样,导致质量追溯的范围广而且信息量大。
熔模铸造作为一种被广泛应用于航空航天、国防、汽车零部件生产中的重要铸件成型方法,整体铸造产线复杂,生产过程中的车间生产工艺参数种类多、数量多,任意一个环节的把控不当都容易使最终铸件产生质量问题,从而使产品无法满足出厂要求,造成资源浪费,生产效率和质量水平低下。
目前,熔模铸造企业产品质量追溯的方式主要还是依靠人工,缺乏系统性的质量追溯方法,使得问题产品、潜在缺陷产品得不到及时追溯与处理,有关工艺、材料、生产等问题得不到及时纠正与预防。大多数的产品质量追溯,只是针对目前出现的质量问题进行简单的解决,而且追溯结果的准确性差,另外没有深入挖掘减少质量问题的改进措施,很难对整体铸造产线的生产提供有利的指导。
同时,目前熔模铸造企业对于铸件质量追溯的思路均为正向追溯,即在质检环节发现铸件缺陷后再确定原因,调整下一步环节并在下一次生产时予以防止措施,正向追溯的方法往往存在一定的滞后性,在缺陷产生后的调整可能并不能满足现实生产需要,无法更高效地提高生产效率,提高生产质量水平。
发明内容
针对背景技术所阐述的问题和现有技术的不足,本发明提出一种熔模铸造产品质量追溯方法,解决熔模铸造产品缺陷与车间工艺参数缺乏关联、质量追溯能力不足等问题。
为达到上述目的,本发明提出的一种熔模铸造产品质量追溯方法,实现熔模铸造质量问题追溯过程包括有如下步骤:
S1、收集熔模铸造生产过程中的车间工艺参数数据和质量检测缺陷数据:车间工艺参数数据包括射蜡车间、制壳车间、熔铸车间和热处理车间的相关工艺参数:射蜡温度、保压压力、熔炼温度、砂浆粘度、脱蜡温度、脱蜡压力、环境温度、环境风速等;质量检测缺陷数据包括缺陷编号、生产时间、检测时间、缺陷类型、缺陷次数统计。
S2、对已有数据集进行数据清洗及结构化处理:数据清洗包括数据一致性、处理无效值和缺失值,利用生产过程中的铸件编号作为主标签,铸件生产时间为副标签,对应各车间生产过程数据;基于总体检测数据计算铸件缺陷总量,对于单个缺陷类型数量小于缺陷总量的30%的缺陷,认为其数据量不足以支撑数据分析,铸件个体影响较大,剔除相应的缺陷类型,同时对于包含多个铸件缺陷类型的少数铸件,认为其质量严重不合格,影响因素众多,予以剔除;结构化处理包括对质检数据进行数据整理与分类,对于非结构化缺陷数据,根据图片检测结果确定缺陷类型、按生产过程及相应的规则对缺陷进行分类梳理。
S3、通过随机森林算法构建基于影响因素分析的铸件质量定性追溯模型:对数据集中的数据样本进行有放回的随机抽样,划分训练集与测试集;对数据集中的工艺参数特征进行随机抽样,构建随机森林回归树;每棵回归树不进行任何修剪,使其完全增长,通过设定回归树的数量作为回归树的终止条件;计算工艺参数特征的重要度分数并排序,得到关键影响因素。
S4、通过Apriori算法构建基于关联分析的铸件质量定量追溯模型:质量定量追溯模型的输入为质量定性模型结果提取的关键影响因素及其对应的工艺参数数据子集,模型的输出为根据支持度和置信度筛选的关键影响因素和参数区间范围;通过K-means算法将关键影响因素的工艺参数数据子集首先进行离散化区间处理,将每个参数划为K个离散区间;根据离散化的各参数区间构成频繁项集,计算当前频繁项的所有并集,得到所有频繁项候选集;对得到的所有频繁项候选集进行支持项和支持度的计算;设置最小支持度阈值,使用阈值过滤掉不符合要求的频繁项,剩下的成为新频繁项集;利用大于或等于最小支持度的新频繁项集生成所需要的关联规则,设定最小置信度阈值,使用阈值过滤掉不符合要求的关联规则,最终筛选出强关联规则,从而确定指定缺陷的关键影响因素参数区间范围。
S5、通过模型训练得到指定铸件缺陷的的关键影响因素和相关参数区间范围,建立工艺参数数据与缺陷数据的定性定量关联;选择不同类型的铸件缺陷,重复建模并应用训练可得到铸件缺陷与关键工艺参数指标的结果集,实现熔模铸造铸件缺陷的质量追溯。本发明与现有技术相比具有以下优点:
(1)传统的熔模铸造铸件质量追溯大多依靠人工经验,缺乏系统性、指导性的有效质量追溯方法,潜在缺陷产品得不到及时追溯与处理,追溯结果的准确性较差。本发明利用机器学习相关算法针对熔模铸造生产过程中的指定铸件缺陷和其对应的生产过程车间工艺参数数据进行建模分析,能够对熔模铸造的铸件质量追溯提供一种有效的质量控制方法,提高生产效率和铸件生产质量水平。
(2)熔模铸造生产现场管理时,铸件质量追溯的思路主要为正向追溯,在质检环节发现铸件缺陷后再确定原因,这种方法往往存在一定的滞后性,无法在生产过程中提供有效的防止措施。本发明针对生产过程车间工艺参数数据与铸件缺陷建立定性和定量的关联,得到相应缺陷的参数区间范围,可用于指导车间生产指导,提前把控铸件质量。
(3)本发明的熔模铸造产品质量追溯方法是基于实际生产过程中的大量数据,其追溯方法依赖于现实工厂数据,获得的结果能够很好地反应当前铸造产线的铸件质量缺陷关键点,与过度依赖人工经验的质量追溯方法,在铸件数据量增加、铸造产线复杂时有更好的优势,同时可为整体铸造产线的质量信息化管理、生产高效管理提供帮助。
附图说明
图1是本发明的熔模铸造产品质量追溯方法的流程图;
图2是本发明中基于影响因素分析的铸件质量定性追溯模型的流程图;
图3是本发明中基于关联分析的铸件质量定量追溯模型的流程图;
图4是本发明中实例验证时蜡膜飞翅缺陷的随机森林特征重要度排序结果图;
图5是本发明中实例验证时欠注缺陷的随机森林特征重要度排序结果图;
具体实施方式
下面结合附图对本发明进行详细说明,
实施例1
针对现有熔模铸造产品缺陷与车间工艺参数缺乏关联、质量追溯能力不足等存在的问题,本发明利用机器学习相关算法构建基于影响因素分析的质量定性追溯模型和基于关联分析的质量定量追溯模型,建立熔模铸造生产过程车间工艺参数与铸件生产质量的定性定量关联,得到铸件缺陷的关键影响因素及相应的参数区间范围,可用于指导熔模铸造铸件生产过程,为铸件的高质高量生产提供借鉴,提高生产效率,保证生产质量。
本发明提供一种熔模铸造产品质量追溯方法,图1所示为熔模铸造产品质量追溯方法流程图,参见图1,包括以下步骤:
(1)收集熔模铸造生产过程中的车间工艺参数数据和质量检测缺陷数据;
(2)对已有数据集进行数据清洗及结构化处理;
(3)通过随机森林算法构建基于影响因素分析的铸件质量定性追溯模型;
(4)通过Apriori算法构建基于关联分析的铸件质量定量追溯模型;
(5)通过模型训练得到不同缺陷的关键影响因素和相关参数区间范围,建立工艺参数数据与缺陷数据的定性定量关联,实现熔模铸造铸件缺陷的质量追溯。
实施例2
熔模铸造缺陷知识图谱构建方法同实施例1,从熔模铸造生产过程中收集车间工艺参数数据和质量检测缺陷数据;车间工艺参数数据包括射蜡车间、制壳车间、熔铸车间和热处理车间的相关工艺参数:射蜡温度、保压压力、熔炼温度、砂浆粘度、脱蜡温度、脱蜡压力、环境温度、环境风速等;质量检测缺陷数据包括缺陷编号、生产时间、检测时间、缺陷类型、缺陷次数统计。
实施例3
熔模铸造缺陷知识图谱构建方法同实施例1,对缺陷数据进行数据清洗及结构化处理。数据清洗包括数据一致性、处理无效值和缺失值。为保持数据一致性利用生产过程中的铸件编号作为主标签,铸件生产环节时间为副标签,对应各车间生产过程数据;基于总体检测数据计算铸件缺陷总量,对于单个缺陷类型数量小于缺陷总量的30%的缺陷,认为其数据量不足以支撑数据分析,铸件个体影响较大,剔除相应的缺陷类型,同时对于包含多个铸件缺陷类型的少数铸件,认为其质量严重不合格,影响因素众多,同样予以剔除。
数据来源分为结构化数据和非结构化数据,结构化数据包括Excel表格、关系型数据库和面向对象的数据库等,非结构化缺陷数据包括质检环节缺陷检测图片数据、现场管理文档以及其他非结构化的文本数据,针对这部分数据,根据图片检测结果确定缺陷类型、按生产过程及相应的规则对缺陷进行分类梳理,按相应的规则,通过人工方式修改补全相应的数据信息,确保缺陷数据可以结构化存储。
实施例4
熔模铸造缺陷知识图谱构建方法同实施例1,参见图2,通过随机森林算法构建基于影响因素分析的质量定性追溯模型,具体步骤包括:
(3.1)对数据集中的数据样本进行有放回的随机抽样,划分训练集与测试集。根据数据清洗后的工艺参数数据集,随机抽取部分样本,抽取多次,构成多个训练样本集,用于构建多棵回归树,训练样本集简称为训练集;每次未被抽取的数据则为袋外测试数据,构成对应回归树的测试样本集,测试样本集简称为测试集;
(3.2)对数据集中的工艺参数特征进行随机抽样,构建随机森林回归树。给定训练样本集,随机抽取部分工艺参数作为回归树的特征,以缺陷数据作为目标变量构建回归树;
(3.3)每棵回归树不进行任何修剪,使其完全增长,通过设定回归树的数量作为回归树的终止条件;
(3.4)计算工艺参数特征的重要度分数并排序,得到关键影响因素。当依次移除每个工艺参数特征时,通过计算随机森林回归模型泛化误差,即计算回归树在各测试集上的均方误差的百分比,得到被移除的工艺参数特征重要度分数;对各工艺参数特征重要度分数进行排序,重要度分数越高,表明该工艺参数对目标变量即指定铸件缺陷的影响程度越大;根据重要度分数排序结果,得到指定铸件缺陷类型的关键影响因素。
实施例5
熔模铸造缺陷知识图谱构建方法同实施例1,参见图3,通过Apriori算法构建基于关联分析的质量定量追溯模型,模型的输入为质量定性追溯模型结果提取的关键影响因素及其对应的工艺参数数据子集,模型的输出为根据支持度和置信度筛选的关键影响因素和参数区间范围,具体步骤为:通过K-means算法将关键影响因素的工艺参数数据子集首先进行离散化区间处理,将每个参数划为K个离散区间;根据离散化的各参数区间构成频繁项集,计算当前频繁项的所有并集,得到所有频繁项候选集;对得到的所有频繁项候选集进行支持项和支持度的计算;设置最小支持度阈值,使用阈值过滤掉不符合要求的频繁项,剩下的成为新频繁项集;利用大于或等于最小支持度的新频繁项集生成所需要的关联规则,设定最小置信度阈值,使用阈值过滤掉不符合要求的关联规则,最终筛选出强关联规则,从而确定指定缺陷的关键影响因素参数区间范围。
实施例6
熔模铸造缺陷知识图谱构建方法同实施例1,通过模型训练得到指定铸件缺陷的的关键影响因素和相关参数区间范围,建立工艺参数数据与缺陷数据的定性定量关联;选择不同类型的铸件缺陷,重复建模并应用训练可得到铸件缺陷与关键工艺参数指标的结果集,实现熔模铸造铸件缺陷的质量追溯。
实例验证
现以某工厂的熔模铸造收集的生产过程车间工艺参数数据和产品质检缺陷数据为研究对象,利用机器学习相关算法构建铸件质量定性追溯模型和铸件质量定量追溯模型,建立车间工艺参数与产品缺陷的定性定量关联,实现熔模铸造产品的质量追溯。
首先从熔模铸造生产过程中收集车间工艺参数数据和质量检测缺陷数据,生产车间过程数据包括射蜡车间、制壳车间、熔铸车间和热处理车间的相关工艺参数和生产设备运行状态数据,共18个属性;质量检测缺陷数据包括缺陷编号、生产时间、检测时间、缺陷类型、缺陷次数统计;其次对集成的数据集进行数据预处理操作,包括工艺参数数据、设备数据与产品缺陷数据的一致性、处理无效数据和补充缺失的数据。利用生产过程中的铸件编号作为主标签,铸件生产时间为副标签,对应各车间生产过程数据;基于总体检测数据计算铸件缺陷总量,对于单个缺陷类型数量小于缺陷总量的30%的缺陷,认为其数据量不足以支撑数据分析,铸件个体影响较大,剔除相应的缺陷类型,同时对于包含3个铸件缺陷类型及以上的少数铸件,认为其质量严重不合格,影响因素众多,同样予以剔除。对于非结构化缺陷数据,根据质检环节的产品缺陷图片检测结果确定缺陷类型、按生产过程及相应的规则对缺陷进行分类梳理。
数据集中的各属性因素信息表如表1所示,具体样本数据示例如表2所示。
表1数据信息表
表2样本数据示例
SL_temp | SL_time | BY_time | VISC | … | RL_temp | RCL_temp | DfType |
45 | 5 | 5 | 52 | 1000 | 500 | 蜡膜飞翅 | |
46 | 10 | 10 | 50 | 1200 | 500 | 蜡膜飞翅 | |
47 | 5 | 5 | 60 | 1200 | 500 | 蜡膜飞翅 | |
… | … | … | … | … | … | … | … |
如图2所示,通过随机森林算法构建基于影响因素分析的质量定性追溯模型,计算影响因素的重要度分数并排序,得到关键影响因素。当依次移除每个工艺参数特征时,通过计算随机森林回归模型泛化误差,得到被移除的工艺参数特征重要度分数;对各工艺参数特征重要度分数进行排序,得到指定铸件缺陷类型的关键影响因素。随机森林特征重要度排序结果示例如图4所示。
如图3所示,通过Apriori算法构建基于关联分析的质量定量追溯模型,选取质量定性追溯模型结果中的影响因素作为关键影响因素,通过K-means算法将影响因素的工艺参数数据子集首先进行离散化区间处理,将每个参数划分为了2个离散区间;根据离散化的各参数区间构成频繁项集,计算频繁项集的支持度和置信度,设置最小支持度为0.25,最小置信度为0.7,筛选出相应的关联规则,从而确定指定缺陷的关键影响因素参数区间范围。关联分析结果示例如表3、表4所示。
表3质量定量追溯结果示例
表3参数指标区间示例
指标值 | 参考区间 |
SL_temp2 | (56.0,58.5) |
GD_press2 | (0.77,0.79) |
SL_T2 | (21.36,24.0) |
SL_H2 | (52.5,55) |
通过上述模型构建和训练得到了蜡膜飞翅的的关键影响因素为射腊温度、管道压力、射腊环境温度和射腊环境湿度,并获得了相应的参数区间范围,建立了工艺参数数据与缺陷数据的定性定量关联。利用相同的方法,选择不同类型的铸件缺陷,重复建模并应用训练可得到铸件缺陷与关键工艺参数指标的结果集,实现熔模铸造铸件缺陷的质量追溯。对于欠注的缺陷类型,随机森林算法特征重要度排序结果如图5所示。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
需要要说明的是,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。
Claims (7)
1.一种熔模铸造产品质量追溯方法,其特征在于,包括有如下步骤:
S1、收集熔模铸造生产过程中的车间工艺参数数据和质量检测缺陷数据;
S2、对已有数据集进行数据清洗及结构化处理;
S3、通过随机森林算法构建基于影响因素分析的铸件质量定性追溯模型;
S4、通过Apriori算法构建基于关联分析的铸件质量定量追溯模型;
S5、通过模型训练得到不同缺陷的关键影响因素和相关参数区间范围,建立工艺参数数据与缺陷数据的定性定量关联,实现熔模铸造铸件缺陷的质量追溯。
2.根据权利要求1所述的一种熔模铸造产品质量追溯方法,其特征在于,所述步骤S1中,车间工艺参数数据包括射蜡车间、制壳车间、熔铸车间和热处理车间的相关工艺参数:射蜡温度、保压压力、熔炼温度、砂浆粘度、脱蜡温度、脱蜡压力、环境温度、环境风速;
质量检测缺陷数据包括缺陷编号、生产时间、检测时间、缺陷类型、缺陷次数统计。
3.根据权利要求1所述的一种熔模铸造产品质量追溯方法,其特征在于,所述步骤S2中,数据清洗包括数据一致性、处理无效值和缺失值,其中,为保持数据一致性,利用生产过程中的铸件编号作为主标签,铸件生产时间为副标签,对应各车间生产过程数据;基于总体检测数据计算铸件缺陷总量,对于单个缺陷类型数量小于缺陷总量的30%的缺陷,认为其数据量不足以支撑数据分析,铸件个体影响较大,剔除相应的缺陷类型,同时对于包含多个铸件缺陷类型的少数铸件,认为其质量严重不合格,影响因素众多,同样予以剔除。
4.根据权利要求1所述的一种熔模铸造产品质量追溯方法,其特征在于,所述步骤S2中,结构化处理包括对质检数据进行数据整理与分类,对于非结构化缺陷数据,根据图片检测结果确定缺陷类型、按生产过程及相应的规则对缺陷进行分类梳理。
5.根据权利要求1所述的一种熔模铸造产品质量追溯方法,其特征在于,所述步骤S3中,通过随机森林算法构建质量定性追溯模型,具体步骤包括:
S3.1、对数据集中的数据样本进行有放回的随机抽样,划分训练集与测试集:根据数据清洗后的工艺参数数据集,随机抽取部分样本,抽取多次,构成多个训练样本集,用于构建多棵回归树,训练样本集简称为训练集;每次未被抽取的数据则为袋外测试数据,构成对应回归树的测试样本集,测试样本集简称为测试集;
S3.2、对数据集中的工艺参数特征进行随机抽样,构建随机森林回归树:给定训练样本集,随机抽取部分工艺参数作为回归树的特征,以缺陷数据作为目标变量构建回归树;
S3.3、每棵回归树不进行任何修剪,使其完全增长,通过设定回归树的数量作为回归树的终止条件;
S3.4、计算工艺参数特征的重要度分数并排序,得到关键影响因素:当依次移除每个工艺参数特征时,通过计算随机森林回归模型泛化误差,即计算回归树在各测试集上的均方误差的百分比,得到被移除的工艺参数特征重要度分数;对各工艺参数特征重要度分数进行排序,重要度分数越高,表明该工艺参数对目标变量即指定铸件缺陷的影响程度越大;根据重要度分数排序结果,得到指定铸件缺陷类型的关键影响因素。
6.根据权利要求5所述的一种熔模铸造产品质量追溯方法,其特征在于,所述步骤S4中,通过Apriori算法构建基于关联分析的质量定量追溯模型,模型的输入为所述步骤S3中提取的关键影响因素及其对应的工艺参数数据子集,模型的输出为根据支持度和置信度筛选的关键影响因素和参数区间范围,具体步骤为:通过K-means算法将关键影响因素的工艺参数数据子集首先进行离散化区间处理,将每个参数划为K个离散区间;根据离散化的各参数区间构成频繁项集,计算当前频繁项的所有并集,得到所有频繁项候选集;对得到的所有频繁项候选集进行支持项和支持度的计算;设置最小支持度阈值,使用阈值过滤掉不符合要求的频繁项,剩下的成为新频繁项集;利用大于或等于最小支持度的新频繁项集生成所需要的关联规则,设定最小置信度阈值,使用阈值过滤掉不符合要求的关联规则,最终筛选出强关联规则,从而确定指定缺陷的关键影响因素参数区间范围。
7.根据权利要求1所述的一种熔模铸造产品质量追溯方法,其特征在于,所述步骤S5中,通过模型训练得到指定铸件缺陷的的关键影响因素和相关参数区间范围,建立工艺参数数据与缺陷数据的定性定量关联;选择不同类型的铸件缺陷,重复建模并应用训练可得到铸件缺陷与关键工艺参数指标的结果集,实现熔模铸造铸件缺陷的质量追溯。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310351948.0A CN116502943A (zh) | 2023-04-04 | 2023-04-04 | 一种熔模铸造产品质量追溯方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310351948.0A CN116502943A (zh) | 2023-04-04 | 2023-04-04 | 一种熔模铸造产品质量追溯方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116502943A true CN116502943A (zh) | 2023-07-28 |
Family
ID=87327603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310351948.0A Pending CN116502943A (zh) | 2023-04-04 | 2023-04-04 | 一种熔模铸造产品质量追溯方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502943A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664021A (zh) * | 2023-08-01 | 2023-08-29 | 应急管理部天津消防研究所 | 一种基于移动端的工厂检查辅助决策系统及方法 |
-
2023
- 2023-04-04 CN CN202310351948.0A patent/CN116502943A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664021A (zh) * | 2023-08-01 | 2023-08-29 | 应急管理部天津消防研究所 | 一种基于移动端的工厂检查辅助决策系统及方法 |
CN116664021B (zh) * | 2023-08-01 | 2023-10-27 | 应急管理部天津消防研究所 | 一种基于移动端的工厂检查辅助决策系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106528528A (zh) | 文本情感分析的方法及装置 | |
CN101414183B (zh) | 基于灰色关联分析的卷烟工序质量综合评价系统及其方法 | |
CN111090579B (zh) | 基于皮尔森相关性加权关联分类规则的软件缺陷预测方法 | |
CN107957929B (zh) | 一种基于主题模型的软件缺陷报告修复人员分配方法 | |
CN108733003B (zh) | 基于kmeans聚类算法的回转类零件工序工时预测方法及系统 | |
CN106951565B (zh) | 文本分类方法及获得的文本分类器 | |
US20220327398A1 (en) | Technology maturity judgment method and system based on science and technology data | |
WO2022134586A1 (zh) | 基于元学习的目标分类方法、装置、设备和存储介质 | |
CN111914159B (zh) | 一种信息推荐方法及终端 | |
CN110737805B (zh) | 图模型数据的处理方法、装置和终端设备 | |
CN116502943A (zh) | 一种熔模铸造产品质量追溯方法 | |
CN110647678A (zh) | 一种基于用户性格标签的推荐方法 | |
CN106529580A (zh) | 结合edsvm的软件缺陷数据关联分类方法 | |
CN110705283A (zh) | 基于文本法律法规与司法解释匹配的深度学习方法和系统 | |
CN115794803B (zh) | 一种基于大数据ai技术的工程审计问题监测方法与系统 | |
Salim et al. | Time series prediction on college graduation using kNN algorithm | |
CN111860981B (zh) | 一种基于lstm深度学习的企业国民行业类别预测方法及系统 | |
Gerhana et al. | Comparison of naive Bayes classifier and C4. 5 algorithms in predicting student study period | |
CN110188196A (zh) | 一种基于随机森林的文本增量降维方法 | |
CN109063983A (zh) | 一种基于社交媒体数据的自然灾害损失实时评估方法 | |
CN109670695B (zh) | 基于离群数据挖掘的机械产品加工工序异常并行检测方法 | |
CN110728140A (zh) | 基于情感分析与主题特征的突发事件舆情演化分析方法 | |
CN111105041B (zh) | 一种用于智慧数据碰撞的机器学习方法及装置 | |
CN113032367A (zh) | 面向动态负载场景的大数据系统跨层配置参数协同调优方法和系统 | |
CN111522945A (zh) | 一种基于卡方检验的诗词风格分析方法 |
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 |