CN117245075A - 一种基于机器学习的轮毂低压铸造模具温度场自适应调整方法 - Google Patents
一种基于机器学习的轮毂低压铸造模具温度场自适应调整方法 Download PDFInfo
- Publication number
- CN117245075A CN117245075A CN202310877740.2A CN202310877740A CN117245075A CN 117245075 A CN117245075 A CN 117245075A CN 202310877740 A CN202310877740 A CN 202310877740A CN 117245075 A CN117245075 A CN 117245075A
- Authority
- CN
- China
- Prior art keywords
- temperature
- water cooling
- die
- parameters
- neural network
- 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 114
- 238000005266 casting Methods 0.000 title claims abstract description 75
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000001816 cooling Methods 0.000 claims abstract description 86
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 80
- 238000004512 die casting Methods 0.000 claims abstract description 60
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 89
- 238000013528 artificial neural network Methods 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 20
- 239000007788 liquid Substances 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 229910000838 Al alloy Inorganic materials 0.000 claims description 11
- 229910052782 aluminium Inorganic materials 0.000 claims description 8
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 230000001276 controlling effect Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 12
- 238000004088 simulation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012797 qualification Methods 0.000 description 5
- 239000011248 coating agent Substances 0.000 description 4
- 238000000576 coating method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000000078 claw Anatomy 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005058 metal casting Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
- G05D23/22—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature the sensing element being a thermocouple
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Molds, Cores, And Manufacturing Methods Thereof (AREA)
Abstract
本发明公开了一种基于机器学习的轮毂低压铸造模具温度场自适应调整方法,通过机器学习获得每处风水冷与模具不同位置温度变化的对应关系,再通过计算的方法得出将实测温度曲线修正至合格温度曲线时,风水冷参数需要做出的调整,然后通过PLC控制程序调控压铸机的风水冷参数。该发明还可应用于其他铸件低压铸造的生产中。本发明让低压铸造压铸机—计算机—热电偶完成数据的交互,利用机器学习的方法得到在不同压铸机工况下需要的风冷水冷参数调整方案,通过计算机控制压铸机进行参数调整,实现模具温度场的自适应调整,同时提高低压铸造的成品率。
Description
技术领域
本发明涉及一种轮毂低压铸造模具的温度场自适应调整方法,特别涉及一种基于机器学习的轮毂低压铸造模具温度场自适应调整方法。
背景技术
低压铸造是一种常见的金属铸造工艺,用于制造高质量和复杂形状的金属零件。它是一种相对较新的铸造方法,具有充型平稳,成本低,铸件成型质量好等特点,被广泛用于轮毂等汽车零部件的生产。
低压铸造在企业中的生产流程如图3,如302,仿真部门获得一个新的轮毂模型后,会通过仿真获得一版能够使仿真模型合格的工艺参数(包括压力参数和风水冷参数)。如303,仿真与实际结果并不吻合,仿真合格的工艺参数在实际生产中并不能获得合格的铸件。所以在获得仿真参数后,需要将仿真参数应用得到试制车间的压铸机上,通过在试制车间的试制过程中调整工艺参数,直至铸件合格,获得一版合格的实际铸造工艺。如304,当需要对该轮型进行大量铸造时,将合格的试制工艺应用到生产车间的大量压铸机上,然后分别在压铸过程中调整工艺参数,直至每台压铸机能够生产出合格的轮毂。如306,在生产过程中,每台压铸机都会因为工作时间过长而产生工况的变化(在低压铸造前,模具内表面需要喷保温涂料,模具使用时间过长会导致涂料减少,影响模具温度场),此时需要返回流程305,重新进行工艺参数调整。当涂料消耗较大时,需要停机补喷涂料,此时模具温度场会因为停机发生变化,也需要返回流程305,重新调整工艺参数。
模具温度场对低压铸造铝合金轮毂质量的影响:在低压铸造过程中,模具温度场直接影响到了铸件的凝固过程,进而影响到孔隙和夹杂缺陷的产生,铸件的晶粒大小和力学性能。在低压铸造生产过程中,需要先获得每个轮型的第一版合格工艺,然后应用于不同的压铸机,进行批量生产。然而,每台压铸机的工况不同,导致在相同工艺参数的情况下,每台压铸机低压铸造时的模具温度场不同,温度场在很大程度上能够反应反映出此次铸造得到铸件是否存在缺陷,温度场的偏差会使得铸造出的轮毂存在缺陷。对于模具温度场的调控,如果模具温度场低于合格工艺对应的模具温度场,则需要降低保压时间,使用铝液来加热模具。如果模具温度场高于合格工艺对应的模具温度场,则需要在第一版合格工艺的基础上对每台压铸机的风冷水冷参数进行不同的调整。同时在调整好参数进入稳定生产后,以及在停机补喷涂料后,还会因为模具工况的变化影响到温度场,产生缺陷,此时就需要工人重新进行风水冷工艺参数调整。
低压铸造的批量生产环节中,在每台压铸机第一次压铸新轮型以及压铸过程中模具温度场发生变化时都需要进行风水冷工艺参数的调整。目前在企业中,这些调整都是由人工手动完成的,人工的调整都是基于工人经验,每个人的经验不同,调整方式不同,得到的结果也不同,有的工人调整得快,有的工人调整得慢,一般情况下,最快也需要两小时尝试,浪费了大量的时间。过程中产生的废品铸件也需要重新回炉熔化为铝液,消耗了大量能源。且通过人工调整就需要每台压铸机至少有一个工人实时看护,根据每次铸件缺陷的大小和位置实时调整风水冷工艺参数,浪费了大量人力资源,大幅提高了企业的生产成本,降低了企业利润。
现有技术中发明CN109242192A公开了一种低压铸造生产数据处理与工艺优化方法。根据生产过程中产生的大量数据,选择充型温度、模具温度、充型时间、生产循环数,采用收集、处理、分析训练等流程结合机器学习的方法,分析了各参数之间与产品成品率之间的关系,找到了主要的影响因素,并对工艺进行了一定的优化。但该方法并不是适用于低压铸造铝合金轮毂。更没有反映模具温度场,也不涉及低压铸造过程中提取风水冷工艺参数,更无从谈起每处风水冷与模具不同位置温度变化的对应关系。
综上现有低压铸造铝合金轮毂的方案存在以下缺陷:
(1)在大批量生产时调整时间过长,过程浪费了大量时间和资源。
(2)需要人工手动调整,每台压铸机都需要一个员工看护调整,人工成本过高。
(3)对员工的经验有一定要求,对于新员工,需要更多的时间才能调出让轮毂质量合格的工艺参数。
(4)每个员工经验不同,对参数的调整方法也不同,最后得到的轮毂虽然符合质量要求,但仍有质量差别,无法使每个轮毂达到最佳质量。
发明内容
低压铸造模具温度场实际在很大程度上反应反映了铸件成形后的质量,但人工调整风水冷工艺参数都是基于个人经验,每个人的调节方式不同,需要耗费的时间也不同。本发明旨在解决需要花费大量人力物力和时间调整风冷水冷参数的问题。
本发明提供了一种结合机器学习实现对低压铸造铝合金轮毂模具温度场调整的方法,本方法通过在模具上不同位置布置的热电偶的温度—时间曲线来反应反映模具的温度场。
如401,在仿真获得新轮型的仿真工艺后,需要试制得到第一版合格工艺。按照本发明方法,将计算机与热电偶信号输出端,压铸机相连。热电偶用于采集模具不同位置处的温度—时间曲线,用于反应反映模具温度场,采集到数据后,数据将通过数据线传输到计算机并保存。压铸机通过数据线将每次的工艺参数设置传输到电脑,与对应的热电偶温度曲线一起保存。同时计算机通过PLC程序控制压铸机的工艺参数调整,在人工神经网络模型输出风水冷工艺参数时,将该风水冷工艺参数应用到压铸机上。热电偶的数量和分布基于轮毂的结构,能够表征模具温度场即可。在低压铸造过程中提取每次调整后的风水冷工艺参数(风水冷的流量在生产过程中一般不进行改动,本文中风水冷参数均指代每处风水冷开启时间与关闭时间)以及对应工艺下每个热电偶的温度变化曲线。
如402,每次低压铸造的风水冷工艺参数与其铸造过程中所有热电偶采集的温度—时间变化曲线作为一个数据。将每个工艺参数下对应的所有热电偶的温度曲线作为人工神经网络模型的输入。将风水冷工艺参数用区间形式表示,例:某处水冷开启时间为压铸开始后第20s,关闭时间为压铸开始后第100s,此处的水冷即表示为(20,100),将合格时的风水冷参数也用该方法表示。用合格时的风水冷参数减去其他工艺下对应位置的风水冷参数来表征想要得到合格温度曲线时,该位置处的风水冷的调整方案。例:某工艺下某处水冷工艺参数为(20,100),温度曲线合格时此处水冷工艺参数为(10,110),作差:[(10,110)-(20,100)]=(-10,10),即想要得到合格温度曲线,则此处水冷开启时间应提前10s,关闭时间应延后10s。一个工艺下所有风水冷参数进行该处理后组成一个数据集,即为一个输出。
如403,将所有数据分成两组,一组占比1/4,作为测试组;一组占比3/4,作为训练组。训练组的数据用于训练人工神经网络模型,测试组的数据用于人工神经网络模型精准度的验证,同时调整人工神经网络模型的参数,使其预测精度达到最高。
如404,使用训练组数据的输入和输出训练人工神经网络模型(ArtificialNeural Network),训练完成后输入测试组的输入,输出预测结果。同时通过测试组输入后人工神经网络模型的预测结果与实际测试组的工艺参数对比调整人工神经网络模型的参数,使其预测精度达到最高(如图5)。这些需要调整的参数包括神经元数目,初始权值和允许误差等。通过使用不同的参数对测试集进行预测,对比不同参数下预测结果与实际工艺参数的误差得到较为理想的人工神经网络模型参数。
如405,当得到第一版合格工艺后会将其应用在其他压铸机上,在其他压铸机使用该工艺生产过程中,计算机自动采集每个热电偶的温度曲线,并将这些温度曲线传输到计算机进行判断。
如406,计算机判断模具在开始铸造时的温度是否达到初始温度需求,如低于初始温度要求,则进行流程407;如果达到了初始温度需求则进行流程408。
如407,如果模具在开始铸造时的温度低于初始温度需求,计算机会调低压铸机保压时间,使用铝液的温度加热模具,直至模具温度升高到需要的初始温度后回调保压时间至原始状态并进行流程408。
如408,如果模具在开始铸造时的温度达到了初始温度需求,计算机会采集铸造时的温度曲线作为人工神经网络的输入,通过人工神经网络模型的计算得出风水冷参数调整方案。
如409,人工神经网络模型通过输入的实测的温度曲线,计算出能够在这台压铸机上达到合格温度曲线的风水冷参数调整方案,并通过对压铸机的PLC程序控制实现自动调节(如图6),同时在任意时刻也可进行人工干预调整。
如410,由于长时间生产会影响模具的工况,导致同样风水冷工艺参数条件下获得的模具温度场不同。所以在稳定生产过程中,计算机会保持对温度曲线的采集,当温度曲线出现较大波动(与合格温度曲线最大温差达到5℃)时,重复406及以下流程。通过这样的循环使得压铸机实现自适应调整,使模具温度场始终在保持在合格区间内。通过仿真可知,温度场在5℃范围内波动能确保铸件质量和缺陷不会出现明显变化。
本发明的本质是通过机器学习获得每处风水冷与模具不同位置温度变化的对应关系,再通过计算的方法得出将实测温度曲线修正至合格温度曲线时,风水冷参数需要做出的调整,然后通过PLC控制程序调控压铸机的风水冷参数。该发明还可应用于其他铸件低压铸造的生产中。
本发明让低压铸造压铸机—计算机—热电偶完成数据的交互,利用机器学习的方法得到在不同压铸机工况下需要的风冷水冷参数调整方案,通过计算机控制压铸机进行参数调整,实现模具温度场的自适应调整,同时提高低压铸造的成品率。
术语解释
低压铸造铝合金轮毂:如图1,在铸造开始前,会提前将700℃的铝液加入模具下方的保温炉。铸造开始时,模具闭合,密封后通过进气阀向容器内打入干燥的压缩空气,在铝液上方空气压力下使铝液沿着升液管向上移动,充满模具型腔,并在压力作用下凝固。当铝合金液体凝固至浇口时,炉膛内开始卸压,未凝固的铝合金液体沿着升液管流回至保温炉内,为下一次充型做准备。卸压完成后,模具开启,通过机械爪将轮毂放入冷却水箱,等待人工的表面缺陷检查。
机器学习:机器学习是指机器通过统计学算法,对大量历史数据进行学习,进而利用生成的经验模型指导业务。它是一门多领域交叉学科,专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
人工神经网络(Artificial Neural Network):人工神经网络是一种对外部信息进行处理的网络结构,其设计原型是生物学中的人脑神经网络。在神经网络结构内部,构造了大量的人工神经元作为节点排列,这些神经元非常复杂且相互关联,并通过添加函数在一定程度上实现了非线性的映射输出,由于ANN具有自适应、自学习及自组织的能力,网络通过训练,学会对输入向量分析和推理从而实现对海量信息的处理。由于神经网络中存在大量复杂且相关联的神经元,人工神经网络能够对外部源源不断产生的大量复杂且冗余的信息进行高效处理,并学习出数据信息之间存在的关联性,以用于新数据中。如图2,其结构分为输入层,隐含层和输出层。其中,,m =(1,2,3...m)表示神经元的输入值,,i =(1,2,3...i)表示输入隐含层的神经元,其数量越多,结构越复杂。,j=(1,2,3...j)表示神经元的输出。
人工神经网络的优点:
(1)并行分布性处理:人工神经网络中的神经元排列并不是杂乱无章的,往往是分层或以一种有规律的序列排列,信号可以同时到达一批神经元的输入端,这种结构非常适合并行计算。同时如果将每一个神经元看作是一个小的处理单元,则整个系统可以是一个分布式计算系统,避免了匹配冲突,计算速度快。
(2)可学习性:一个相对很小的人工神经网络可存储大量的知识,并且能根据学习算法,或者利用样本指导系统来模拟现实环境,或者对输入进行自适应学习,不断地自动学习,完善知识的储备。
(3)泛化能力:人工神经网络是一类大规模的非线形系统,它能充分逼近复杂的非线形关系。当输入发生较小变化,其输出能够与原输入产生的输出保持相当小的差距。
(4)通用性:具有统一的内部知识表示形式,任何知识规则都可以通过对范例的学习存储于同一个神经网络的各连接权值中,便于知识库的组织管理。
因此对于本发明中内部关系复杂,数量庞大的数据,人工神经网络机器学习方法有很大的优势。
附图说明
图1 为低压铸造铝合金轮毂结构示意图;
图2 为神经网络结构示意图;
图3 为低压铸造流程图;
图4为结合机器学习实现对低压铸造铝合金轮毂模具温度场调整的方法流程图;
图5 为人工神经网络模型的搭建示意图;
图6为使用机器学习自适应调整风水冷工艺参数示意图;
图7为热电偶1处三次温度曲线的对比图;
图8为第一次铸造轮毂的X光图;
图9为经过风水冷参数调整后铸造轮毂的X光图;
图10为第一次压铸所得轮毂得到的拉伸结果图;
图11为第二次压铸所得轮毂得到的拉伸结果图;
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
一种结合机器学习实现对低压铸造铝合金轮毂模具温度场调整的方法,其流程图如图4。本方法通过在模具上不同位置布置的热电偶的温度—时间曲线来反应反映模具的温度场。
如401,在仿真获得新轮型的仿真工艺后,需要试制得到第一版合格工艺。按照本发明方法,将计算机与热电偶信号输出端,压铸机相连。热电偶用于采集模具不同位置处的温度—时间曲线,用于反应反映模具温度场,采集到数据后,数据将通过数据线传输到计算机并保存。压铸机通过数据线将每次的工艺参数设置传输到电脑,与对应的热电偶温度曲线一起保存。同时计算机通过PLC程序控制压铸机的工艺参数调整,在人工神经网络模型输出风水冷工艺参数时,将该风水冷工艺参数应用到压铸机上。热电偶的数量和分布基于轮毂的结构,能够表征模具温度场即可。在低压铸造过程中提取每次调整后的风水冷工艺参数(风水冷的流量在生产过程中一般不进行改动,本文中风水冷参数均指代每处风水冷开启时间与关闭时间)以及对应工艺下每个热电偶的温度变化曲线。
如402,每次低压铸造的风水冷工艺参数与其铸造过程中所有热电偶采集的温度—时间变化曲线作为一个数据。将每个工艺参数下对应的所有热电偶的温度曲线作为人工神经网络模型的输入。将风水冷工艺参数用区间形式表示,例:某处水冷开启时间为压铸开始后第20s,关闭时间为压铸开始后第100s,此处的水冷即表示为(20,100),将合格时的风水冷参数也用该方法表示。用合格时的风水冷参数减去其他工艺下对应位置的风水冷参数来表征想要得到合格温度曲线时,该位置处的风水冷的调整方案。例:某工艺下某处水冷工艺参数为(20,100),温度曲线合格时此处水冷工艺参数为(10,110),作差:[(10,110)-(20,100)]=(-10,10),即想要得到合格温度曲线,则此处水冷开启时间应提前10s,关闭时间应延后10s。一个工艺下所有风水冷参数进行该处理后组成一个数据集,即为一个输出。
如403,将所有数据分成两组,一组占比1/4,作为测试组;一组占比3/4,作为训练组。训练组的数据用于训练人工神经网络模型,测试组的数据用于人工神经网络模型精准度的验证,同时调整人工神经网络模型的参数,使其预测精度达到最高。
如404,使用训练组数据的输入和输出训练人工神经网络模型(ArtificialNeural Network),训练完成后输入测试组的输入,输出预测结果。同时通过测试组输入后人工神经网络模型的预测结果与实际测试组的工艺参数对比调整人工神经网络模型的参数,使其预测精度达到最高(如图5)。这些需要调整的参数包括神经元数目,初始权值和允许误差。通过使用不同的参数对测试集进行预测,对比不同参数下预测结果与实际工艺参数的误差得到较为理想的人工神经网络模型参数。
如405,当得到第一版合格工艺后会将其应用在其他压铸机上,在其他压铸机使用该工艺生产过程中,计算机自动采集每个热电偶的温度曲线,并将这些温度曲线传输到计算机进行判断。
如406,计算机判断模具在开始铸造时的温度是否达到初始温度需求,如低于初始温度要求,则进行流程407;如果达到了初始温度需求则进行流程408。
如407,如果模具在开始铸造时的温度低于初始温度需求,计算机会调低压铸机保压时间,使用铝液的温度加热模具,直至模具温度升高到需要的初始温度回调保压时间至原始状态并进行流程408。
如408,如果模具在开始铸造时的温度达到了初始温度需求,计算机会采集铸造时的温度曲线作为人工神经网络的输入,通过人工神经网络模型的计算得出风水冷参数调整方案。
如409,人工神经网络模型通过输入的实测的温度曲线,计算出能够在这台压铸机上达到合格温度曲线的风水冷参数调整方案,并通过对压铸机的PLC程序控制实现自动调节(如图6),同时在任意时刻也可进行人工干预调整。
如410,由于长时间生产会影响模具的工况,导致同样风水冷工艺参数条件下获得的模具温度场不同。所以在稳定生产过程中,计算机会保持对温度曲线的采集,当温度曲线出现较大波动(与合格温度曲线最大温差达到5℃)时,重复406及以下流程。通过这样的循环使得压铸机实现自适应调整,使模具温度场始终在保持在合格区间内。通过仿真可知,温度场在5℃范围内波动能确保铸件质量和缺陷出现明显变化。
试验结论:如图7,在其他压铸机上使用第一版合格工艺时(铸造已稳定),热电偶1位置处的温度曲线与合格时的温度曲线最大相差约10℃,通过计算机采集到实测温度曲线,计算后输出并修改压铸机的风水冷工艺参数,再次进行铸造时,新的温度曲线与合格时的温度曲线各点的差值都小于3℃。经人工检查,两次铸造的轮毂表面都无缺陷,但经X光检验,第一次铸造出的轮毂在轮辐处有明显缩松(如图8),通过人工神经网络计算得出风水冷参数修改方案并修改后铸造出的轮毂成功消除了缺陷(如图9)。根据GB/T228-2002分别取两次压铸得到轮毂的轮心,轮辐和轮辋拉伸试样进行拉伸测试,第一次压铸所得轮毂得到的拉伸结果如图10,轮心,轮辐,轮辋三个位置处试样的抗拉强度分别为249MPa,200MPa,214MPa。第二次压铸所得轮毂得到的拉伸结果如图11,轮心,轮辐和轮辋三个位置的抗拉强度分别为267MPa,230MPa,230MPa,相较于调整前,三个位置的抗拉强度均有提升,尤其是轮辐位置,由于消除了缺陷,抗拉强度有很大提升。人工调整风水冷达到此效果至少需要两小时,报废数十个轮毂。对于需要大量低压铸造压铸机同时工作的企业,此发明能够节约大量的资源成本和人工费用。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
应当理解,以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种结合机器学习实现对低压铸造铝合金轮毂模具温度场调整的方法,其特征在于,步骤包括:
(1)将计算机与热电偶信号输出端,压铸机相连;热电偶用于采集模具不同位置处的温度时间曲线,用于反应反映模具温度场,采集到数据后,数据传输到计算机并保存;压铸机将每次的工艺参数设置传输到电脑,与对应的热电偶温度曲线一起保存;同时计算机通过PLC程序控制压铸机的工艺参数调整,在人工神经网络模型输出风水冷工艺参数时,将该风水冷工艺参数应用到压铸机上;热电偶的数量和分布基于轮毂的结构,表征模具温度场;在低压铸造过程中提取每次调整后的风水冷工艺参数以及对应工艺下每个热电偶的温度变化曲线;
(2)每次低压铸造的风水冷工艺参数与铸造过程中所有热电偶采集的温度时间变化曲线作为一个数据;将每个工艺参数下对应的所有热电偶的温度曲线作为人工神经网络模型的输入;将风水冷工艺参数用区间形式表示,将合格时的风水冷参数也用区间形式表示;用合格时的风水冷参数减去其他工艺下对应位置的风水冷参数来表征想要得到合格温度曲线时,该位置处的风水冷的调整方案;一个工艺下所有风水冷参数进行该处理后组成一个数据集,即为一个输出;
(3)将所有数据分成两组,一组作为测试组;一组作为训练组;训练组的数据用于训练人工神经网络模型,测试组的数据用于人工神经网络模型精准度的验证,同时调整人工神经网络模型的参数,使其预测精度达到最高;
(4)使用训练组数据的输入和输出训练人工神经网络模型,训练完成后输入测试组的输入,输出预测结果;同时通过测试组输入后人工神经网络模型的预测结果与实际测试组的工艺参数对比调整人工神经网络模型的参数,使其预测精度达到最高;通过使用不同的参数对测试集进行预测,对比不同参数下预测结果与实际工艺参数的误差得到人工神经网络模型参数;
(5)当得到第一版合格工艺后会将其应用在其他压铸机上,在其他压铸机使用该工艺生产过程中,计算机自动采集每个热电偶的温度曲线,并将这些温度曲线传输到计算机进行判断;
(6)计算机判断模具在开始铸造时的温度是否达到初始温度需求,如果低于初始温度要求,则进行进行步骤(7);如果达到了初始温度需求则进行步骤(8);
(7)如果模具在开始铸造时的温度低于初始温度需求,计算机会调低压铸机保压时间,使用铝液的温度加热模具,直至模具温度升高到需要的初始温度后回调保压时间至原始状态并进行步骤(8);
(8)如果模具在开始铸造时的温度达到了初始温度需求,计算机会采集铸造时的温度曲线作为人工神经网络的输入,通过人工神经网络模型的计算得出风水冷参数调整方案;
(9)人工神经网络模型通过输入的实测的温度曲线,计算出能够在这台压铸机上达到合格温度曲线的风水冷参数调整方案,并通过对压铸机的PLC程序控制实现自动调节,同时在任意时刻也进行人工干预调整;
(10)在稳定生产过程中,计算机会保持对温度曲线的采集,当温度曲线出现较大波动时,重复步骤(6)及以下步骤。
2.根据权利要求1所述的方法,其特征在于,步骤(1)中风水冷的流量在生产过程中不进行改动,风水冷参数为每处风水冷开启时间与关闭时间。
3.根据权利要求1所述的方法,其特征在于,步骤(3)中将所有数据分成两组,一组占比1/4,作为测试组;一组占比3/4,作为训练组。
4.根据权利要求1所述的方法,其特征在于,步骤(4)中需要调整的参数包括神经元数目,初始权值和允许误差。
5.根据权利要求1所述的方法,其特征在于,步骤(10)中较大波动为与合格温度曲线最大温差达到5℃。
6.根据权利要求1所述的方法,其特征在于,步骤(9),对压铸机的PLC程序控制实现自动调节的同时,在任意时刻也进行人工干预调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310877740.2A CN117245075A (zh) | 2023-07-17 | 2023-07-17 | 一种基于机器学习的轮毂低压铸造模具温度场自适应调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310877740.2A CN117245075A (zh) | 2023-07-17 | 2023-07-17 | 一种基于机器学习的轮毂低压铸造模具温度场自适应调整方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117245075A true CN117245075A (zh) | 2023-12-19 |
Family
ID=89133893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310877740.2A Pending CN117245075A (zh) | 2023-07-17 | 2023-07-17 | 一种基于机器学习的轮毂低压铸造模具温度场自适应调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117245075A (zh) |
-
2023
- 2023-07-17 CN CN202310877740.2A patent/CN117245075A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460890B (zh) | 一种基于强化学习与控制性能监测的智能自愈方法 | |
CN115230067B (zh) | 一种注塑成型工艺参数智能化确定方法和系统 | |
US9580345B2 (en) | Closed loop blank mold temperature control system and method | |
CN104874767B (zh) | 多管道低压、差压铸造工艺及其设备 | |
CN103978190B (zh) | 一种提高铝合金件铸造质量的温度实时控制系统及方法 | |
CN106682346A (zh) | 一种基于cfd软件对复杂构件气淬系统的优化方法 | |
CN113642121A (zh) | 一种基于响应面设计和多目标进化算法的铝合金制动钳铸造工艺参数优化方法 | |
CN112418538A (zh) | 一种基于随机森林分类的连铸坯夹杂预测方法 | |
CN113118417A (zh) | 一种铸造铝合金轮毂的温控辅助系统 | |
CN106649986A (zh) | 一种基于procast仿真平台对铜管水平连铸参数最优化匹配方法 | |
CN110449587A (zh) | 基于3d打印和msc仿真的义齿热处理工艺方法 | |
CN117245075A (zh) | 一种基于机器学习的轮毂低压铸造模具温度场自适应调整方法 | |
CN113579223B (zh) | 一种基于体系热平衡技术的模具温度控制方法 | |
Hahn et al. | Autonomous optimization of casting processes and designs | |
CN106202686B (zh) | 一种涡轮盘等温模锻预成形坯料的多目标设计方法 | |
CN116629062A (zh) | 一种模温平衡评估方法、系统、计算机设备及存储介质 | |
CN108943637A (zh) | 一种注塑工艺 | |
CN112613145A (zh) | 一种伺服热冲压工艺设计方法 | |
CN116461066A (zh) | 一种基于科学试模的注塑工艺参数智能设定方法 | |
CN116823054A (zh) | 一种基于数据挖掘的铝合金铸件制造质量实时预测方法 | |
CN116252447A (zh) | 齿轮注塑成型调控方法 | |
CN115630522B (zh) | 一种超大型一体化压铸产品尺寸控制方法 | |
CN109158569A (zh) | 水冷型球墨铸管离心机及其控制系统 | |
CN103958092A (zh) | 铸造装置的控制方法 | |
Aneiba et al. | Smart die casting: a new approach |
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 |