CN117034176B - 一种定向凝固过程铸件异常预测系统 - Google Patents
一种定向凝固过程铸件异常预测系统 Download PDFInfo
- Publication number
- CN117034176B CN117034176B CN202311286701.1A CN202311286701A CN117034176B CN 117034176 B CN117034176 B CN 117034176B CN 202311286701 A CN202311286701 A CN 202311286701A CN 117034176 B CN117034176 B CN 117034176B
- Authority
- CN
- China
- Prior art keywords
- directional solidification
- solidification process
- similarity
- predicted
- temperature
- 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 315
- 238000007711 solidification Methods 0.000 title claims abstract description 255
- 230000008023 solidification Effects 0.000 title claims abstract description 255
- 238000005266 casting Methods 0.000 title claims abstract description 33
- 230000005856 abnormality Effects 0.000 title claims abstract description 27
- 238000005058 metal casting Methods 0.000 claims abstract description 155
- 238000009826 distribution Methods 0.000 claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 8
- 239000002184 metal Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005495 investment casting Methods 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 229910000601 superalloy Inorganic materials 0.000 description 2
- 241000935974 Paralichthys dentatus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D27/00—Treating the metal in the mould while it is molten or ductile ; Pressure or vacuum casting
- B22D27/04—Influencing the temperature of the metal, e.g. by heating or cooling the mould
- B22D27/045—Directionally solidified castings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种定向凝固过程铸件异常预测系统，包括：采集温度场数据分级模块、温度场相似特征获取模块和异常预测模块，获取待预测金属铸件的温度场数据以及历史数据中的温度场数据，并对温度场数据进行层次分级；根据层次结构得到金属铸件的结构层次相似性；根据截面平均体素环得到温度梯度相似性；根据温度梯度相似性得到结构层次温度变化相似性；根据截面平均体素环得到温度分布相似性；根据温度分布相似性得到结构层次温度分布相似性；根据结构层次相似性、结构层次温度变化相似性以及结构层次温度分布相似性得到异常概率，并进行异常预测。本发明根据不同进程时刻给出不同的预测结果，使预测结果更合理。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种定向凝固过程铸件异常预测系统。
背景技术
定向凝固是指在金属铸造生产的凝固过程中采用强制手段，在未凝固金属熔体中建立起沿特定方向的温度梯度，从而使熔体按所要求的结晶取向进行凝固的技术。其一般应用于诸如航空发动机叶片生产的高温合金铸造领域。由定向凝固技术生产出的金属铸件具有较致密的内部结构以及更高的纵向力学性能，因此定向凝固技术的生产过程是一种精密铸造工艺，对定向凝固过程中发生的异常情况进行预测就成为保证铸件生产质量的重要手段。
为了对金属铸件的定向凝固过程中的异常情况进行预测，现有技术一般对铸坯温度场进行特征提取，利用铸坯表面温度与内部温度的分布特征如温度分布的均匀性等特征作为预测模型的输入特征训练预测模型，实时监测温度场的数据并将监测数据输入训练好的预测模型中进行异常情况的识别分析。但这种方式需要大量的历史数据作为支撑，且最重要的是这种方式训练出的预检模型无法适应不同铸造过程中的变化。一旦铸造过程发生改变，原来的异常预测模型就需要进行重新训练。
发明内容
本发明提供一种定向凝固过程铸件异常预测系统，以解决现有的问题。
本发明的一种定向凝固过程铸件异常预测系统采用如下技术方案：
本发明一个实施例提供了一种定向凝固过程铸件异常预测系统，该系统包括以下模块：
采集温度场数据分级模块，用于获取待预测金属铸件的定向凝固过程中每个进程时刻的温度场数据以及历史定向凝固过程中每个进程时刻的温度场数据，并将温度场数据根据定向凝固方向以及铸件结构进行层次分级；
温度场相似特征获取模块，用于根据待预测金属铸件的层次结构得到待预测金属铸件与历史定向凝固过程中金属铸件的结构层次相似性；根据截面平均体素环以及距离度量得到温度梯度相似性；根据温度梯度相似性以及层次结构得到待预测金属铸件定向凝固过程中每个进程时刻温度场数据与历史定向凝固过程中每个进程时刻温度场数据的结构层次温度变化相似性；根据截面平均体素环以及距离度量得到温度分布相似性；根据温度分布相似性以及层次结构得到待预测金属铸件定向凝固过程中每个进程时刻温度场数据与历史定向凝固过程中每个进程时刻温度场数据的结构层次温度分布相似性；
异常预测模块，用于根据结构层次相似性、结构层次温度变化相似性以及结构层次温度分布相似性得到每个待预测金属铸件定向凝固进程时刻的异常概率，根据异常概率对定向凝固进程时刻进行异常预测。
优选的，所述铸件结构进行层次分级的具体过程如下：
将整个金属铸件沿着定向凝固方向等分为十份，每一份记为一个级别，且级别的高低沿定向凝固方向而提高，每个级别中包含多个体素；同时，将整个金属铸件依据自外向内的方向等分为十份，每一份记为一个级别，且级别的高低沿着自外向内的方向而提高；整个金属铸件上的每个体素对应一个温度场数据、一个定向凝固级别以及一个内外层数的级别。
优选的，所述结构层次相似性的获取方法如下：
根据层次分级获取二维离散概率，确定任意两个二维离散概率分布对应的JS距离；以表示待预测的定向凝固进程与第/>个历史定向凝固进程时刻对应的金属铸件间的结构层次距离度量；以/>表示待预测的金属铸件与第/>个历史定向凝固进程时刻所对应的金属铸件的结构层次相似性。
优选的，所述截面平均体素环以及距离度量的获取方法如下：
将相同定向凝固级别a且相同内外层数级别b的体素作为同级别（a，b）的体素，记为截面平均体素环；
遍历错位计算两个截面平均体素环的线性归一化DTW距离，将其中归一化DTW距离最小的距离记为二者间的距离度量。
优选的，所述温度梯度相似性的获取表达式如下：
；
其中 表示待预测金属铸件的定向凝固过程在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度梯度幅值序列/>与第/>个历史定向凝固过程/>在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度梯度幅值序列/>之间的距离度量；/>表示待预测金属铸件的定向凝固过程在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度梯度方向序列/>与第/>个历史定向凝固过程/>在进程时刻/>对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度梯度方向序列/>之间的距离度量；/>表示待预测金属铸件的定向凝固过程在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环与第/>个历史定向凝固过程/>在进程时刻/>对应的温度场数据中级别为（a，b）的截面平均体素环之间的温度梯度相似性。
优选的，所述结构层次温度变化相似性的获取表达式如下：
；
其中A表示定向凝固级别的数量；a表示第a个定向凝固级别；B表示内外层数级别的数量；b表示第b 个内外层数级别；表示待预测金属铸件的定向凝固过程以及第个历史定向凝固过程在进程时刻/>时级别（a，b）下对应体素的温度梯度相似性；/>表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度变化相似性。
优选的，所述温度分布相似性的获取方法如下：
将待预测金属铸件的定向凝固过程在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度值序列与第/>个历史定向凝固过程/>在进程时刻/>对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度值序列/>之间的距离度量记为/>；将1减去/>的差值结果记为待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻/>时级别（a，b）下对应体素的温度分布相似性即/>。
优选的，所述结构层次温度分布相似性的获取表达式如下：
；
其中A表示定向凝固级别的数量；a表示第a个定向凝固级别；B表示内外层数级别的数量；b表示第b 个内外层数级别；表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时级别（a，b）下对应体素的温度分布相似性；/>表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度分布相似性。
优选的，所述每个待预测金属铸件定向凝固进程时刻的异常概率的获取表达式如下：
；
其中，N为历史定向凝固过程的个数；表示第/>个历史定向凝固过程；/>表示预测的第r个进程时刻；r表示预测的进程时刻的序号；/>表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度分布相似性；/>表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度变化相似性；/>表示预测时刻/>时待预测金属铸件的定向凝固过程的异常概率。
本发明的技术方案的有益效果是：根据待预测金属铸件在定向凝固过程中不同进程时刻的温度场数据与历史定向凝固过程中对应进程时刻的温度场数据进行比较，根据二者相似性特征以及历史定向凝固过程的结果是否异常来评估待检金属铸件在当前定向凝固过程进程时刻对应的异常概率，即在计算异常概率时包含了对不同定向凝固过程的适应性，根据不同进程时刻给出不同的预测结果，使预测结果更合理。
附图说明
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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种定向凝固过程铸件异常预测系统的结构框图；
图2为本发明的分级方式示意图；
图3为本发明的数据结构示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种定向凝固过程铸件异常预测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种定向凝固过程铸件异常预测系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种定向凝固过程铸件异常预测系统的结构框图，该系统包括以下模块：
采集温度场数据分级模块101，获取待预测金属铸件的定向凝固过程中各进程时刻的温度场数据以及历史定向凝固过程中各进程时刻的温度场数据，并将温度场数据根据定向凝固方向以及铸件结构进行层次分级。
需要说明的是，定向凝固是指在金属铸造生产的凝固过程中采用强制手段，在未凝固金属熔体中建立起沿特定方向的温度梯度，从而使熔体按所要求的结晶取向进行凝固的技术。其一般应用于诸如航空发动机叶片生产的高温合金铸造领域。由定向凝固技术生产出的金属铸件具有较致密的内部结构以及更高的纵向力学性能，因此定向凝固技术的生产过程是一种精密铸造工艺，对定向凝固过程中发生的异常情况进行预测就成为保证铸件生产质量的重要手段。为了对金属铸件的定向凝固过程中的异常情况进行预测，现有技术一般对铸坯温度场进行特征提取，利用铸坯表面温度与内部温度的分布特征如温度分布的均匀性等特征作为预测模型的输入特征训练预测模型，实时监测温度场的数据并将监测数据输入训练好的预测模型中进行异常情况的识别分析。但这种方式需要大量的历史数据作为支撑，且最重要的是这种方式训练出的预检模型无法适应不同铸造过程中的变化。一旦铸造过程发生改变，原来的异常预测模型就需要进行重新训练。
而在进行的异常预测的过程中，首先需要采集金属铸件温度场数据，本实施例并不针对某一种金属铸件，以体积为5立方米的正方体金属铸件为待预测金属铸件进行叙述。
具体的，对待预测金属铸件开始进行以自上至下的凝固顺序的定向凝固处理，同时使用型号为Fluke 62 MAX的红外线温度计对待预测金属铸件开始以每隔1秒为一个定向凝固进程采集一次温度场数据，将采集的温度场数据传输到数据处理软件上。然后在数据处理软件上导出所有N个历史定向凝固过程对应进行时刻的温度场数据。
至此，通过上述采集流程可以得到待预测金属铸件的定向凝固过程中各进程时刻的温度场数据以及所有历史定向凝固过程中各进程时刻的温度场数据。
上述需要说明的是，本实施例采集待预测金属铸件采集时长为100秒，则待预测金属铸件定向凝固过程中进程时刻数量为100/1=100；其中本实施例以N=40为例进行叙述，本实施例不进行具体限定，其中N可根据具体实施情况而定。
进一步需要说明的是，定向凝固过程是指在熔融状态下的金属铸件的温度场数据冷却至预设温度场数据的过程。而定向凝固过程是一个进程，在定向凝固过程的不同进程时刻，金属铸件的温度场数据是不同的，即一个预测时刻对应着一个定向凝固进程时刻，在这个定向凝固进程时刻存在着一个温度场数据，其中所述温度场数据是指金属铸件在模具中各个位置处的温度值的集合。
由于定向凝固过程为从上至下的方式进行，对于金属铸件来说，其定向凝固的方向是确定的，而金属铸件的冷却顺序又是自外向内的，因此，按照金属铸件的凝固方向以及冷却顺序，将整个金属铸件的体素分级。
需要补充说明的是，本实施所述的体素是体积元素的简称，是三维空间中预测的最小单位，也是温度预测传感器的最小体积分辨范围，所以获取的每个预测时刻的金属铸件的温度场数据中每个金属铸件的每一个体素对应一个温度值。
而由于金属铸件是顺着定向凝固方向且最外层部分的体素开始产生凝固结晶，所以可以将所有金属铸件体素按照凝固顺序与自外而内的位置关系进行分级，请参阅图2，其示出了分级方式。
在图2中，将整个金属铸件沿着定向凝固方向等分为十份，每一份记为一个级别，且级别的高低沿定向凝固方向而提高，每个级别中包含多个体素，级别越低的体素的凝固速度越快；同时，将整个金属铸件依据自外向内的方向等分为十份，每一份记为一个级别，且级别的高低沿着自外向内的方向而提高。因此，对于整个金属铸件上的任意一个体素来说，除了对应一个温度场数据外，还对应着一个定向凝固级别以及内外层数的级别。其中，温度场数据由体素所在位置以及温度值构成。
至此，通过上述方式得到待预测金属铸件的定向凝固过程中各进程时刻的温度场数据、历史定向凝固过程中各进程时刻的温度场数据以及所有的金属铸件温度场数据的级别。
温度场相似特征获取模块102，计算待预测金属铸件与历史定向凝固过程中金属铸件的结构层次相似性，并根据待预测金属铸件定向凝固过程中各进程时刻温度场数据与历史定向凝固过程中各进程时刻温度场数据得到二者各结构层次的温度场相似特征。
1.计算待预测金属铸件与历史定向凝固过程中金属铸件的结构层次相似性。
需要说明的是，对于一个待预测的金属铸件来说，其与历史定向凝固过程中的金属铸件的结构层次越相似，说明该金属铸件的历史定向凝固过程对于当前的待预测金属铸件的定向凝固过程越具有参考性，而计算二者结构层次的相似性，实际上是计算两个金属铸件的体素集合中是否具有相同数量比例的层次分级方式，也是判断组成二者的体素分布在各级别的数量比例是否较为相似。由于单个金属铸件上的任意一个体素都对应着一个定向凝固级别以及内外层数级别，所以整个金属铸件上的体素存在一种级别分布。其中，级别分布是一个二维离散概率分布。因此计算待预测金属铸件与历史定向凝固过程中金属铸件的结构层次相似性就是计算两个二维离散概率分布的相似性。
具体的，根据模块101得到的级别，通过级别分布，得到二维离散概率分布，从而获取所有二维离散概率分布。将任意两个二维离散概率分布通过JS距离预测得到JS距离(Jensen-Shamnon距离)，该JS距离表示当前这两个二维离散概率分布的相似性，JS距离的数值越趋近于0则说明当前两个二维离散概率分布越相似。以表示待预测的定向凝固进程与第/>个历史定向凝固进程时刻对应的金属铸件间的结构层次距离度量。以/>表示待预测的金属铸件与第/>个历史定向凝固进程时刻所对应的金属铸件的结构层次相似性，该值越大，则对应的结构层次相似性越大。其中JS距离是现有技术，本实施例不再叙述。
至此，通过上述方法可以获得待预测的金属铸件与所有历史定向凝固进程时刻所对应的金属铸件的结构层次相似性，即待预测金属铸件与历史定向凝固过程中金属铸件的结构层次相似性。
2.计算待预测金属铸件定向凝固过程中各进程时刻温度场数据与历史定向凝固过程中各进程时刻温度场数据的结构层次温度变化相似性。
需要说明的是，对于待预测金属铸件的定向凝固过程，其所在的进程时刻对应的温度场数据降至标准温度场数据的体素数量所占全部体素个数的比例为T，获取待预测金属铸件的定向凝固过程从进程开始到正在进行的进程时刻对应的所有温度场数据，请参阅图3，其示出了数据结构。
在图3中，每个进程时刻对应一个金属铸件的温度场数据。对于待预测金属铸件的定向凝固进程来说，在对待预测金属铸件进行异常预测时，需要对待预测金属铸件从进行开始时刻到当前进程时刻对应的温度场数据进行评价，评价方式则是将待预测金属铸件从进行开始时刻到当前进程时刻对应的温度场数据与历史定向凝固过程对应各进程时刻的温度场数据进行结构层次温度变化的相似性评判。
具体的，对于待预测金属铸件的定向凝固过程，获取其进程时刻为t时的温度场数据，获取第个历史定向凝固过程中进程时刻为t时的温度场数据。对于二者来说，计算两个温度场数据的结构层次温度变化相似性就是计算对应的温度场数据的各个结构层次对应温度场数据变化的相似性。而各个结构层次中对应的每个体素对应一个温度场数据，将对应的温度场变化的数据作为该体素与其相邻体素间的温度变化梯度。所述温度变化梯度对应一个梯度方向以及梯度幅值，其中计算温度变化梯度为现有技术，本实施例不再叙述。
获取待预测定向凝固进程时刻t中以及第个历史定向凝固进程时刻t中金属铸件各体素对应的温度梯度后，将相同定向凝固级别a且相同内外层数级别b的体素记为同级别（a，b）的体素，根据当前两个进程时刻中属于同级别的体素对应的温度梯度，进行结构层次温度变化相似性的计算。
上述需要说明的是，处于同级别的体素在同一个定向凝固进程中，由于相同定向凝固级别的体素分布在相同的金属铸件高度水平，而相同内外层数级别的体素表示这些体素处在相同的内外层，因此说明同级别的体素在同一个定向凝固过程中是呈环状分布的，将对应呈环状分布的体素记为截面平均体素环，其中构成截面平均体素环的每个体素记为截面平均体素。
而对于待预测金属铸件的定向凝固过程以及历史定向凝固过程来说，其上同级别的体素为环状分布，则计算二者在级别（a，b）对应的环状分布的体素的温度变化相似性过程如下：
进一步，经过上述描述后，由于级别（a，b）对应的体素环是由多个截面平均体素构成的环,所以两个体素环对应的温度梯度幅值可以构成两个环状温度梯度幅值序列；两个体素环对应的温度梯度方向也可以构成两个环状温度梯度方向序列。
对于待预测金属铸件的定向凝固过程在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度梯度幅值数据、梯度方向数据，以/>、表示。对于第/>个历史定向凝固过程/>在进程时刻/>对应的温度场数据中级别为/>的截面平均体素环对应的温度梯度幅值序列、梯度方向序列，以/>、表示。
对于上述获取的两个环状温度梯度幅值序列为和/>构成的环形序列，遍历错位计算两个环形序列的线性归一化DTW距离，将其中归一化DTW距离最小的距离作为二者间的距离度量记为/>；两个环状温度梯度方向序列为/>和/>构成的环形序列，遍历错位计算两个环形序列的线性归一化DTW距离，将其中归一化DTW距离最小的距离作为二者间的距离度量记为/>。
具体的，对于待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程，计算二者在进程时刻/>时级别/>下对应体素的温度梯度相似性/>的计算公式如下：
；
其中 表示待预测金属铸件的定向凝固过程在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度梯度幅值序列/>与第/>个历史定向凝固过程/>在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度梯度幅值序列/>之间的距离度量；/>表示待预测金属铸件的定向凝固过程在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度梯度方向序列/>与第/>个历史定向凝固过程/>在进程时刻/>对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度梯度方向序列/>之间的距离度量；/>表示待预测金属铸件的定向凝固过程在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环与第/>个历史定向凝固过程/>在进程时刻/>对应的温度场数据中级别为（a，b）的截面平均体素环之间的温度梯度相似性，即待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻/>时级别（a，b）下对应体素的温度梯度相似性。
至此，通过上述温度梯度相似性公式得到待预测金属铸件的定向凝固过程与每个历史定向凝固过程在每个进程时刻所有级别对应体素的温度梯度相似性。
进一步，计算待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻/>时的结构层次温度变化相似性/>方式如下：
；
其中A表示定向凝固级别的数量；a表示第a个定向凝固级别；B表示内外层数级别的数量；b表示第b 个内外层数级别；表示待预测金属铸件的定向凝固过程以及第个历史定向凝固过程在进程时刻/>时级别（a，b）下对应体素的温度梯度相似性；/>表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度变化相似性，其数值越大，则说明待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度变化越相似。
至此，通过上述结构层次温度变化相似性公式可以得到待预测金属铸件的定向凝固过程以及每个历史定向凝固过程在每个进程时刻的结构层次温度变化相似性。
3.计算待预测金属铸件定向凝固过程中各进程时刻温度场数据与历史定向凝固过程中各进程时刻温度场数据的结构层次温度分布相似性。
具体的，对于待预测金属铸件的定向凝固过程在进程时刻/>对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度值序列，以/>表示；对于第/>个历史定向凝固过程/>在进程时刻t对应的温度场数据中级别为/>的截面平均体素环对应的温度值序列，以/>表示。
对于上述获取的两个温度值序列为和/>构成的环形序列，遍历错位计算两个环形序列的归一化DTW距离，选择其中归一化DTW距离最小的距离作为二者间的距离度量记为/>。
进一步，待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程/>，计算二者在进程时刻t时级别（a，b）下对应体素的温度分布相似性/>的计算公式如下：
；
其中表示待预测金属铸件的定向凝固过程在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度值序列/>与第/>个历史定向凝固过程/>在进程时刻/>对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度值序列/>之间的距离度量；/>表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻/>时级别（a，b）下对应体素的温度分布相似性。
至此，通过上述温度分布相似性得到待预测金属铸件的定向凝固过程与每个历史定向凝固过程在每个进程时刻所有级别对应体素的温度分布相似性。
进一步，计算待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度分布相似性/>方式如下：
；
其中A表示定向凝固级别的数量；a表示第a个定向凝固级别；B表示内外层数级别的数量；b表示第b 个内外层数级别；表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻/>时级别（a，b）下对应体素的温度分布相似性；/>表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度分布相似性，其数值越大，则说明待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度分布越相似。
至此，通过上述结构层次温度分布相似性公式可以得到待预测金属铸件的定向凝固过程以及每个历史定向凝固过程在每个进程时刻的结构层次温度分布相似性。
异常预测模块103，根据计算出的温度场相似特征预测待预测金属铸件定向凝固进程时刻的异常概率。
需要说明的是，经模块102描述，对于一个定向凝固进程时刻t可获取待预测金属铸件的定向凝固过程与第/>个历史定向凝固过程/>的结构层次温度变化相似性/>以及结构层次温度分布相似性/>；进而根据计算出的温度场相似特征预测待预测金属铸件定向凝固进程时刻的异常概率。
具体的，进行预测的进程时刻为 计算进行预测时刻/>时待预测定向凝固过程的异常概率/>的方式如下：
；
其中，N为历史定向凝固过程的个数；表示第/>个历史定向凝固过程；/>表示待预测的金属铸件与第/>个历史定向凝固过程时刻所对应的金属铸件的结构层次相似性；/>表示预测的第r个进程时刻；r表示预测的进程时刻的序号；/>表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度分布相似性；/>表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度变化相似性；/>表示预测时刻/>时待预测金属铸件的定向凝固过程的异常概率，即待预测金属铸件定向凝固进程时刻/>时的异常概率。
至此，通过上述异常程度公式可以得到所有待预测金属铸件定向凝固进程时刻时的异常概率。
预设一个异常程度阈值T1，其中本实施例以T1=0.7为例进行叙述，本实施例不进行具体限定，其中T1可根据具体实施情况而定。若异常程度大于阈值T1，则认为当前进程时刻的待预测定向凝固进程产生异常；若异常程度小于或等于阈值T1，则认为当前进程时刻的待预测金属铸件的定向凝固过程无异常。
至此，通过对异常程度的判定，得到所有进程时刻中存在异常情况的进程时刻，实现金属铸件的定向凝固过程的异常预测。
至此，本实施例完成。
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、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种定向凝固过程铸件异常预测系统，其特征在于，该系统包括以下模块：
采集温度场数据分级模块，用于获取待预测金属铸件的定向凝固过程中每个进程时刻的温度场数据以及历史定向凝固过程中每个进程时刻的温度场数据，并将温度场数据根据定向凝固方向以及铸件结构进行层次分级；
温度场相似特征获取模块，用于根据待预测金属铸件的层次结构得到待预测金属铸件与历史定向凝固过程中金属铸件的结构层次相似性；根据截面平均体素环以及距离度量得到温度梯度相似性；根据温度梯度相似性以及层次结构得到待预测金属铸件定向凝固过程中每个进程时刻温度场数据与历史定向凝固过程中每个进程时刻温度场数据的结构层次温度变化相似性；根据截面平均体素环以及距离度量得到温度分布相似性；根据温度分布相似性以及层次结构得到待预测金属铸件定向凝固过程中每个进程时刻温度场数据与历史定向凝固过程中每个进程时刻温度场数据的结构层次温度分布相似性；
异常预测模块，用于根据结构层次相似性、结构层次温度变化相似性以及结构层次温度分布相似性得到每个待预测金属铸件定向凝固进程时刻的异常概率，根据异常概率对定向凝固进程时刻进行异常预测；
所述铸件结构进行层次分级的具体过程如下：
将整个金属铸件沿着定向凝固方向等分为十份，每一份记为一个级别，且级别的高低沿定向凝固方向而提高，每个级别中包含多个体素；同时，将整个金属铸件依据自外向内的方向等分为十份，每一份记为一个级别，且级别的高低沿着自外向内的方向而提高；整个金属铸件上的每个体素对应一个温度场数据、一个定向凝固级别以及一个内外层数的级别；
所述截面平均体素环以及距离度量的获取方法如下：
将相同定向凝固级别a且相同内外层数级别b的体素作为同级别（a，b）的体素，记为截面平均体素环；
遍历错位计算两个截面平均体素环的线性归一化DTW距离，将其中归一化DTW距离最小的距离记为二者间的距离度量；
所述结构层次温度变化相似性的获取表达式如下：
；
其中A表示定向凝固级别的数量；a表示第a个定向凝固级别；B表示内外层数级别的数量；b表示第b 个内外层数级别；表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻/>时级别（a，b）下对应体素的温度梯度相似性；/>表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度变化相似性；
所述结构层次温度分布相似性的获取表达式如下：
；
其中A表示定向凝固级别的数量；a表示第a个定向凝固级别；B表示内外层数级别的数量；b表示第b 个内外层数级别；表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时级别（a，b）下对应体素的温度分布相似性；/>表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度分布相似性。
2.根据权利要求1所述一种定向凝固过程铸件异常预测系统，其特征在于，所述结构层次相似性的获取方法如下：
根据层次分级获取二维离散概率，确定任意两个二维离散概率分布对应的JS距离；以表示待预测的定向凝固进程与第/>个历史定向凝固进程时刻对应的金属铸件间的结构层次距离度量；以/>表示待预测的金属铸件与第/>个历史定向凝固进程时刻所对应的金属铸件的结构层次相似性。
3.根据权利要求1所述一种定向凝固过程铸件异常预测系统，其特征在于，所述温度梯度相似性的获取表达式如下：
；
其中表示待预测金属铸件的定向凝固过程在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度梯度幅值序列/>与第/>个历史定向凝固过程/>在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度梯度幅值序列/>之间的距离度量；/>表示待预测金属铸件的定向凝固过程在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度梯度方向序列/>与第/>个历史定向凝固过程/>在进程时刻/>对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度梯度方向序列/>之间的距离度量；/>表示待预测金属铸件的定向凝固过程在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环与第/>个历史定向凝固过程/>在进程时刻/>对应的温度场数据中级别为（a，b）的截面平均体素环之间的温度梯度相似性。
4.根据权利要求1所述一种定向凝固过程铸件异常预测系统，其特征在于，所述温度分布相似性的获取方法如下：
将待预测金属铸件的定向凝固过程在进程时刻t对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度值序列与第/>个历史定向凝固过程/>在进程时刻对应的温度场数据中级别为（a，b）的截面平均体素环对应的温度值序列/>之间的距离度量记为/>；将1减去/>的差值结果记为待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻/>时级别（a，b）下对应体素的温度分布相似性即/>。
5.根据权利要求1所述一种定向凝固过程铸件异常预测系统，其特征在于，所述每个待预测金属铸件定向凝固进程时刻的异常概率的获取表达式如下：
；
其中，N为历史定向凝固过程的个数；表示第/>个历史定向凝固过程；/>表示预测的第r个进程时刻；r表示预测的进程时刻的序号；/>表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度分布相似性；/>表示待预测金属铸件的定向凝固过程以及第/>个历史定向凝固过程在进程时刻t时的结构层次温度变化相似性；/>表示预测时刻/>时待预测金属铸件的定向凝固过程的异常概率；/>表示待预测的定向凝固进程与第/>个历史定向凝固进程时刻对应的金属铸件间的结构层次距离度量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311286701.1A CN117034176B (zh) | 2023-10-08 | 2023-10-08 | 一种定向凝固过程铸件异常预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311286701.1A CN117034176B (zh) | 2023-10-08 | 2023-10-08 | 一种定向凝固过程铸件异常预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117034176A CN117034176A (zh) | 2023-11-10 |
| CN117034176B true CN117034176B (zh) | 2024-01-09 |
Family
ID=88632186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311286701.1A Active CN117034176B (zh) | 2023-10-08 | 2023-10-08 | 一种定向凝固过程铸件异常预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117034176B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010158685A (ja) * | 2009-01-06 | 2010-07-22 | Toyota Motor Corp | 凝固欠陥予測解析の精度検証方法 |
| CN102117358A (zh) * | 2009-12-16 | 2011-07-06 | 通用汽车环球科技运作有限责任公司 | 用于对铸件中的铸件缺陷和微结构进行仿真的方法 |
| JP2014138950A (ja) * | 2013-01-21 | 2014-07-31 | Toshiba Corp | 鋳造シミュレーション装置及び鋳造シミュレーション方法 |
| CN108897967A (zh) * | 2018-07-11 | 2018-11-27 | 哈尔滨理工大学 | 一种定向凝固过程铸件雀斑缺陷数值预测方法 |
| CN109063322A (zh) * | 2018-07-27 | 2018-12-21 | 哈尔滨理工大学 | 一种铸件缩松缺陷数值预测的方法 |
| CN109783873A (zh) * | 2018-12-18 | 2019-05-21 | 风脉能源（武汉）股份有限公司 | 轴温异常状态的预测方法和装置 |
| CN112417583A (zh) * | 2020-08-28 | 2021-02-26 | 上海交通大学 | 一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法 |
| CN116011686A (zh) * | 2023-03-28 | 2023-04-25 | 山东创宇环保科技有限公司 | 基于多数据融合的充电棚光伏发电储量预测方法 |
-
2023
- 2023-10-08 CN CN202311286701.1A patent/CN117034176B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010158685A (ja) * | 2009-01-06 | 2010-07-22 | Toyota Motor Corp | 凝固欠陥予測解析の精度検証方法 |
| CN102117358A (zh) * | 2009-12-16 | 2011-07-06 | 通用汽车环球科技运作有限责任公司 | 用于对铸件中的铸件缺陷和微结构进行仿真的方法 |
| JP2014138950A (ja) * | 2013-01-21 | 2014-07-31 | Toshiba Corp | 鋳造シミュレーション装置及び鋳造シミュレーション方法 |
| CN108897967A (zh) * | 2018-07-11 | 2018-11-27 | 哈尔滨理工大学 | 一种定向凝固过程铸件雀斑缺陷数值预测方法 |
| CN109063322A (zh) * | 2018-07-27 | 2018-12-21 | 哈尔滨理工大学 | 一种铸件缩松缺陷数值预测的方法 |
| CN109783873A (zh) * | 2018-12-18 | 2019-05-21 | 风脉能源（武汉）股份有限公司 | 轴温异常状态的预测方法和装置 |
| CN112417583A (zh) * | 2020-08-28 | 2021-02-26 | 上海交通大学 | 一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法 |
| CN116011686A (zh) * | 2023-03-28 | 2023-04-25 | 山东创宇环保科技有限公司 | 基于多数据融合的充电棚光伏发电储量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| The Stray Grains from Fragments in the Rejoined Platforms of Ni-Based Single-Crystal Superalloy;Miao Huo 等;《metals》;第1-10页 * |
| 涡轮叶片冷却气膜孔及涂层缺陷检测技术研究进展;夏凯龙 等;《航空制造技术》;第65卷(第13期);第92-104页 * |
| 镍基单晶高温合金对接平台内缩松缺陷的形成机制研究;霍苗 等;《精密成形工程》;第15卷(第9期);第152-158页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117034176A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | Mold breakout prediction in slab continuous casting based on combined method of GA-BP neural network and logic rules | |
| CN109492940A (zh) | 一种用于造型浇注生产线的铸件炉包箱质量跟踪方法 | |
| JP5169096B2 (ja) | 品質予測装置、品質予測方法及び製品の製造方法 | |
| CN104181196B (zh) | 一种连铸坯表面纵裂纹在线检测方法 | |
| Uyan et al. | Industry 4.0 foundry data management and supervised machine learning in low-pressure die casting quality improvement | |
| Pastor-López et al. | Machine-learning-based surface defect detection and categorisation in high-precision foundry | |
| CN114708935B (zh) | 一种基于导热性能评估的结晶器铜板质量优化方法及系统 | |
| JP2009070235A (ja) | 品質予測装置、品質予測方法及び製造方法 | |
| CN112241970B (zh) | 基于纹影成像的气液两相中气流场速度测量方法和系统 | |
| CN102343427A (zh) | 基于拉坯阻力的板坯连铸结晶器漏钢预报方法 | |
| CN117034176B (zh) | 一种定向凝固过程铸件异常预测系统 | |
| Duan et al. | Integrated approach to density-based spatial clustering of applications with noise and dynamic time warping for breakout prediction in slab continuous casting | |
| Zhou et al. | Online abnormal interval detection and classification of industrial time series data based on multi-scale deep learning | |
| Cho et al. | Quality-discriminative localization of multisensor signals for root cause analysis | |
| Santos et al. | Machine-learning-based mechanical properties prediction in foundry production | |
| CN115423218B (zh) | 一种针对于锻件缺陷消除工艺的预测方法及系统 | |
| KR102098023B1 (ko) | 연속 주조기의 온도 설정 장치 | |
| CN116543535A (zh) | 基于深度神经网络的环水口区域报警方法 | |
| CN114653914B (zh) | 基于形态重构的结晶器漏钢预警方法及电子装置 | |
| KR102308480B1 (ko) | 선박의 프로펠러 주조 공정 관리 시스템 | |
| Pellegrini et al. | Successful use case applications of artificial intelligence in the steel industry | |
| US20220397892A1 (en) | Prediction system, prediction method, and non-transitory storage medium | |
| KR20220059691A (ko) | 제조업 시계열 데이터 딥러닝 분석을 위한 공간 충전 곡선 변환 방법 및 시스템 | |
| Gutiérrez et al. | Statistical study to evaluate the effect of processing variables on shrinkage incidence during solidification of nodular cast irons | |
| WO2019189455A1 (ja) | 製造方法、情報処理装置、関係式算出装置、および、製造システム |
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 |