CN117634324A - 一种基于卷积神经网络的铸造模具温度快速预测方法 - Google Patents
一种基于卷积神经网络的铸造模具温度快速预测方法 Download PDFInfo
- Publication number
- CN117634324A CN117634324A CN202410108578.2A CN202410108578A CN117634324A CN 117634324 A CN117634324 A CN 117634324A CN 202410108578 A CN202410108578 A CN 202410108578A CN 117634324 A CN117634324 A CN 117634324A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- casting
- model
- 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.)
- Granted
Links
- 238000005266 casting Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000004088 simulation Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012512 characterization method Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 38
- 238000011176 pooling Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013506 data mapping Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 238000001816 cooling Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical group [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- 229910052782 aluminium Inorganic materials 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种基于卷积神经网络的铸造模具温度快速预测方法，涉及智能铸造技术的技术领域。其方法包括：获取历史铸造仿真数据以及历史模具位置温度数据；对所述历史铸造仿真数据以及所述历史模具位置温度数据进行整合处理，以得到第一历史数据，并基于所述第一历史数据构建第一数据库；对所述第一历史数据进行特征化处理，以得到第一特征数据；通过所述第一特征数据以及所述第一历史数据对待训练的卷积神经网络模型对进行学习训练，以得到目标模型；通过所述目标模型对待预测的第一铸造工艺进行温度预测，以得到所述第一铸造工艺中第一模具的目标温度。通过本发明，解决了模具温度预测精度低的问题，进而达到了提高模具温度预测精度和效率的效果。
Description
技术领域
本发明实施例涉及智能铸造技术领域，具体而言，涉及一种基于卷积神经网络的铸造模具温度快速预测方法。
背景技术
在模具制作领域，相比于铁制零部件，铝制零部件铸造温度低，在铸造过程中容易产生缺陷，且铝制零部件韧性不好、容易变形、硬度差，所以对其铸造工艺要求更加严苛。
模具温度作为影响铸造质量的关键因素，如何设计铸造工艺获得理想的模具温度是铝制零部件生产制造过程中的关键步骤，目前，行业内主要通过铸造仿真模拟铸造过程，进而获得铸造过程模具温度，实现生产前的模具温度预测。但是由于模拟环境与实际铸造环境的差异，导致通过铸造仿真获得的模具温度与实际生产时模具温度存在差异，无法铸造出理想的铸件。此外，铸造仿真需要经历建模、仿真的过程，需要大量的时间进行参数优化。
基于以上原因，目前铝制零部件行业缺乏一种快速精准预测模具温度的有效手段。
发明内容
本发明实施例提供了一种基于卷积神经网络的铸造模具温度快速预测方法及装置，以至少解决相关技术中模具温度检测不准确的问题。
根据本发明的一个实施例，提供了一种基于卷积神经网络的铸造模具温度快速预测方法，包括：
获取历史铸造仿真数据以及历史模具位置温度数据，其中，所述历史铸造仿真数据包括铸造工艺的历史仿真工艺数据。所述历史模具位置温度数据包括实际生产过程中目标模具的目标位置的历史温度数据，所述历史模具位置温度数据与所述历史铸造仿真数据一一对应；
对所述历史铸造仿真数据以及所述历史模具位置温度数据进行整合处理，以得到第一历史数据，并基于所述第一历史数据构建第一数据库；
对所述第一历史数据进行特征化处理，以得到第一特征数据；
通过所述第一特征数据以及所述第一历史数据对待训练的卷积神经网络模型对进行学习训练，以得到目标模型；
通过所述目标模型对待预测的第一铸造工艺进行温度预测，以得到所述第一铸造工艺中第一模具的目标温度，其中，所述目标模具包括所述第一模具。
在一个示例性实施例中，所述对所述第一历史数据进行特征化处理，以得到第一特征数据包括：
按照预设规则对所述第一历史数据进行时序数据图谱化处理，以得到第一数据；
通过预设的标准差归一化算法对所述第一数据进行归一化处理，以得到第二数据；
通过预设的滞后特征算法对所述第二数据进行时序特征化处理，以得到第一特征数据。
在一个示例性实施例中，所述对所述第一历史数据进行时序数据图谱化处理，以得到第一数据包括：
对所述第一历史数据进行分组处理，并按照所述预设规则对分组处理结果进行图谱构建，以得到所述第一数据。
在一个示例性实施例中，所述通过所述第一特征数据以及所述第一历史数据对待训练的卷积神经网络模型对进行学习训练，以得到目标模型包括：
构建包含2层卷积层-2层池化层 的初始模型，所述初始模型的激活函数包括修正线性单元函数Relu，所述待训练的卷积神经网络模型包括所述初始模型，所述初始模型至少包括所述卷积层、池化层以及全连接层；
通过所述第一特征数据以及所述第一历史数据对所述初始模型进行学习训练，并基于所述学习训练结果对所述卷积层、池化层以及全连接层的组合进行调整，以得到所述目标模型。
根据本发明的另一个实施例，提供了一种基于卷积神经网络的铸造模具温度快速预测装置，包括：
历史数据采集模块，用于获取历史铸造仿真数据以及历史模具位置温度数据，其中，所述历史铸造仿真数据包括铸造工艺的历史仿真工艺数据。所述历史模具位置温度数据包括实际生产过程中目标模具的目标位置的历史温度数据，所述历史模具位置温度数据与所述历史铸造仿真数据一一对应；
整合模块，用于对所述历史铸造仿真数据以及所述历史模具位置温度数据进行整合处理，以得到第一历史数据；
特征提取模块，用于对所述第一历史数据进行特征化处理，以得到第一特征数据；
模型训练模块，用于通过所述第一特征数据以及所述第一历史数据对待训练的卷积神经网络模型对进行学习训练，以得到目标模型；
温度预测模块，用于通过所述目标模型对待预测的第一铸造工艺进行温度预测，以得到所述第一铸造工艺中第一模具的目标温度，其中，所述目标模具包括所述第一模具。
在一个示例性实施例中，所述特征提取模块包括：
图谱处理单元，用于按照预设规则对所述第一历史数据进行时序数据图谱化处理，以得到第一数据；
归一化单元，用于通过预设的标准差归一化算法对所述第一数据进行归一化处理，以得到第二数据；
特征提取单元，用于通过预设的滞后特征算法对所述第二数据进行时序特征化处理，以得到第一特征数据。
在一个示例性实施例中，所述对所述第一历史数据进行时序数据图谱化处理，以得到第一数据包括：
对所述第一历史数据进行分组处理，并按照所述预设规则对分组处理结果进行图谱构建，以得到所述第一数据。
在一个示例性实施例中，所述模型训练模块包括：
初始模型构建单元，用于构建包含2层卷积层-2层池化层 的初始模型，所述初始模型的激活函数包括修正线性单元函数Relu，所述待训练的卷积神经网络模型包括所述初始模型，所述初始模型至少包括所述卷积层、池化层以及全连接层；
模型调整单元，用于通过所述第一特征数据以及所述第一历史数据对所述初始模型进行学习训练，并基于所述学习训练结果对所述卷积层、池化层以及全连接层的组合进行调整，以得到所述目标模型。
根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，由于通过建立铸造仿真工艺与实际生产时模具温度之间的关系模型，能够快速精准的预测实际生产时模具温度，因此，可以解决模具温度检测不准确问题，达到提高模具温度检测效率和精度的效果。
附图说明
图1是根据本发明实施例的一种基于卷积神经网络的铸造模具温度快速预测方法的流程图；
图2是根据本发明具体实施例的原理示意图一；
图3是根据本发明具体实施例的原理示意图二；
图4是根据本发明具体实施例的模型训练示意图；
图5是根据本发明实施例的一种基于卷积神经网络的铸造模具温度快速预测装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
以下，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
此外，本申请中，“上”、“下”、“左”、“右”等方位术语可以包括但不限于相对附图中的部件示意置放的方位来定义的，应当理解到，这些方向性术语可以是相对的概念，它们用于相对于的描述和澄清，其可以根据附图中部件附图所放置的方位的变化而相应地发生变化。
在本申请中，除非另有明确的规定和限定，术语“连接”应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连。此外，术语“耦接”可以是实现信号传输的电性连接的方式。
如本文所使用的那样，“约”、“大致”或“近似”包括所阐述的值以及处于特定值的可接受偏差范围内的平均值，其中所述可接受偏差范围如由本领域普通技术人员考虑到正在讨论的测量以及与特定量的测量相关的误差(即，测量系统的局限性)所确定。
在本实施例中提供了一种基于卷积神经网络的铸造模具温度快速预测方法，图1是根据本发明实施例的一种基于卷积神经网络的铸造模具温度快速预测的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取历史铸造仿真数据以及历史模具位置温度数据，其中，所述历史铸造仿真数据包括铸造工艺的历史仿真工艺数据。所述历史模具位置温度数据包括实际生产过程中目标模具的目标位置的历史温度数据，所述历史模具位置温度数据与所述历史铸造仿真数据一一对应；
在本实施例中，获取历史数据以用于对模型进行训练，从而得到能够用于实际温度预测的标准模型。
其中，历史仿真工艺数据包括（但不限于）充型时间、充型压力、保压时间、保压压力、泄压时间、开模时间、铸造节拍、冷却开启时间、冷却关闭时间、冷却流量等工艺流程的仿真数据，对应的，目标模具的目标位置的历史温度数据即为工艺流程中模具的关键位置的历史温度变化数据，目标位置所指示的关键位置包括（但不限于）底模冒口、顶模法兰、底模轮辐、顶模轮辐、边模外轮缘、边模内轮缘等关键位置；由于不同工艺流程所需要的温度不同，因而不同工艺流程的模具关键位置的温度也会发生变化，因而将历史模具位置温度数据与历史铸造仿真数据一一对应可以用于分析仿真结果与实际生产结果之间的关系。
步骤S102，对所述历史铸造仿真数据以及所述历史模具位置温度数据进行整合处理，以得到第一历史数据，并基于所述第一历史数据构建第一数据库；
在本实施例中，建立第一数据库方便后续对相关数据进行溯源分析，同时也方便利用数据库进行数据计算。其中，本实施例中的铸造工艺为设定工艺，相关数据为点数据（类似折线图中的数据点），温度数据为1s1个的时序数据，在实际处理过程中需要将两部分数据统一，将工艺数据统一至温度数据的形式，称为整合，具体的整合过程包括（但不限于）对数据进行数据清洗筛选、格式转换、数据集成等处理；需要说明的是，出于数据量以及存储的考虑，还可以基于第一历史数据构建数据库，相比于excel等方法，构建数据库能够方便数据集的积累，同时还有便于数据样本扩展，增加模型的准确度。
其中数据集成可以是将数据集成为矩阵形式进行后续处理。
例如，在铝车轮铸造领域，将整合后的数据建立包含铝车轮铸造仿真工艺与实际生产时模具关键位置模具温度的数据库，其中引入铸造仿真工艺ID并将其作为依据，对每个铸造仿真工艺对应的数据进行分组组合；需要说明的是，除了铝车轮铸造领域，其他领域也适用于本方法，此处只是作为示例性说明，所举事例并不作为对本方法的限定。
步骤S103，对所述第一历史数据进行特征化处理，以得到第一特征数据；
在本实施例中，对第一历史数据进行特征提取，以方便利用特征数据进行后续的模型训练，提高模型训练效果。
步骤S104，通过所述第一特征数据以及所述第一历史数据对待训练的卷积神经网络模型对进行学习训练，以得到目标模型；
在本实施例中，将第一数据特征作为待训练的模型的输入，将第一历史数据中包括的历史模具位置温度数据作为模型输出来对模型进行训练，从而构建能够用于进行温度预测的目标模型。
步骤S105，通过所述目标模型对待预测的第一铸造工艺进行温度预测，以得到所述第一铸造工艺中第一模具的目标温度，其中，所述目标模具包括所述第一模具。
在本实施例中，在得到目标模型后，通过该目标模型对需要执行的新工艺或其他工艺进行温度预测，从而方便对工艺流程或工艺设备进行调整，提高加工精度和效率。
通过上述步骤，由于通过建立铸造仿真工艺与实际生产时模具温度之间的关系模型，能够快速精准的预测实际生产时模具温度，解决了温度预测，提高了温度检测精度和效率。
其中，上述步骤的执行主体可以为单机计算机、服务器等等，但不限于此。
在一个可选的实施例中，所述对所述第一历史数据进行特征化处理，以得到第一特征数据包括：
步骤S1031，按照预设规则对所述第一历史数据进行时序数据图谱化处理，以得到第一数据；
在本实施例中，每一个工艺都包含多个流程时序，每个时序都会有对应的数据生成（例如温湿度、压力、应力、气压、模具尺寸、时间等），这些数据与时序共同构成二维向量，由此在二维空间形成一个个时序坐标点，这些时序坐标点相互关联组成时序图谱（如图2所示），在正常情况下，工艺与数据图谱的关系固定，由此可以通过对时序图谱的特征进行相关识别处理即可得到工艺的相关数据关系，另外此时也通过分析时序图谱是否符合要求来判断历史工艺数据是否正常。
例如，如图2所示，A-F为工艺1中的温度数据，A’-F’为工艺1中的气压数据（需要说明的是，此处的气压数据铸造工艺不仅包含炉体压力，还包含冷却介质的冷却参数（时间、流量），还包含设备开合模具的动作时间等），在正常情况下，A-F以及A’-F’均为工艺1的时序图谱，此时可以分别对温度数据以及气压数据的数据特征进行分析，同时也对温度数据以及气压数据的时序分布、数据变化（例如A-B的斜率、A-A’之间的差值）等数据差值和数据分布来判断历史数据是否正确，例如图2中D’的工艺数值大于D则说明此处的数据存在异常，以此类推。
需要说明的是，图2中的坐标轴以及时序坐标点之间的连线均是为方便进行表述进行的可视化处理，在实际处理过程中，相关线段可以不标记，只得到A-F或A’-F’的若干点，此时通过判断A-F或A’-F’的坐标分布、数据变化以及坐标点组成的图像值大小（面积、尺寸、长度等数值大小）等图像特征即可进行相关分析判断。
例如，如图3所示，图3中A-F所围成的图形的面积在正常情况下为20，当发生异常时，A’-F’的数值发生变化，从而变成A’-F’所围成的图形，其面积为26，此时图形的形状以及图形的面积均发生较大变化，由此判断相关历史数据存在异常。
步骤S1032，通过预设的标准差归一化算法对所述第一数据进行归一化处理，以得到第二数据；
在本实施例中，进行归一化是为了减少数据计算量，从而方便对数据关系进行分析。
其中，标准差归一化算法可以是如公式1所示：
公式（1）
式中，y为归一化后的数据，x为归一化前的数据，为第i个未归一化数据，/>为未归一化时数据的均值，/>用于计算标准差，需要进行归一化的数据包括（但不限于）铸造过程的充型时间、充型压力、保压时间、保压压力、泄压时间、开模时间、铸造节拍、冷却开启时间、冷却关闭时间、冷却流量等数据。
步骤S1033，通过预设的滞后特征算法对所述第二数据进行时序特征化处理，以得到第一特征数据。
在本实施例中，通过滞后特征算法（Lag Features）提取第二数据中铸造压力工艺、铸造冷却工艺、铸造时间等数据的时序特征，以方便进行后续训练。
在一个可选的实施例中，所述对所述第一历史数据进行时序数据图谱化处理，以得到第一数据包括：
步骤S10311，对所述第一历史数据进行分组处理，并按照所述预设规则对分组处理结果进行图谱构建，以得到所述第一数据。
在本实施例中，分组处理包括按照分组规则将第一历史数据进行分类，该过程可以通过聚类算法自动实现。例如将铸造工艺-模具温度数据库以铸造工艺ID进行分组，将同一铸造工艺ID的数据视为图像式的数据图谱。
在一个可选的实施例中，所述通过所述第一特征数据以及所述第一历史数据对待训练的卷积神经网络模型对进行学习训练，以得到目标模型包括：
步骤S1041，构建包含2层卷积层-2层池化层 的初始模型，所述初始模型的激活函数包括修正线性单元函数Relu，所述待训练的卷积神经网络模型包括所述初始模型，所述初始模型至少包括所述卷积层、池化层以及全连接层；
步骤S1042，通过所述第一特征数据以及所述第一历史数据对所述初始模型进行学习训练，并基于所述学习训练结果对所述卷积层、池化层以及全连接层的组合进行调整，以得到所述目标模型。
在本实施例中，以卷积神经网络将前述第一特征数据为输入，对应的模具关键位置的温度数据为输出进行训练，建立模具温度预测模型，使得初始模型根据loss函数自动进行的卷积核参数优化；其中：初始模型的卷积层数和池化层均为2层，卷积核大小为512，训练次数设置为3500，神经网络目标检测回归损失函数为MAE，结构如图4所示。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
在本实施例中还提供了一种基于卷积神经网络的铸造模具温度快速预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的一种基于卷积神经网络的铸造模具温度快速预测装置的结构框图，如图5所示，该装置包括：
历史数据采集模块51，用于获取历史铸造仿真数据以及历史模具位置温度数据，其中，所述历史铸造仿真数据包括铸造工艺的历史仿真工艺数据。所述历史模具位置温度数据包括实际生产过程中目标模具的目标位置的历史温度数据，所述历史模具位置温度数据与所述历史铸造仿真数据一一对应；
整合模块52，用于对所述历史铸造仿真数据以及所述历史模具位置温度数据进行整合处理，以得到第一历史数据，并基于所述第一历史数据构建第一数据库；
特征提取模块53，用于对所述第一历史数据进行特征化处理，以得到第一特征数据；
模型训练模块54，用于通过所述第一特征数据以及所述第一历史数据对待训练的卷积神经网络模型对进行学习训练，以得到目标模型；
温度预测模块55，用于通过所述目标模型对待预测的第一铸造工艺进行温度预测，以得到所述第一铸造工艺中第一模具的目标温度，其中，所述目标模具包括所述第一模具。
在一个可选的实施例中，所述特征提取模块53包括：
图谱处理单元，用于按照预设规则对所述第一历史数据进行时序数据图谱化处理，以得到第一数据；
归一化单元，用于通过预设的标准差归一化算法对所述第一数据进行归一化处理，以得到第二数据；
特征提取单元，用于通过预设的滞后特征算法对所述第二数据进行时序特征化处理，以得到第一特征数据。
在一个可选的实施例中，所述对所述第一历史数据进行时序数据图谱化处理，以得到第一数据包括：
对所述第一历史数据进行分组处理，并按照所述预设规则对分组处理结果进行图谱构建，以得到所述第一数据。
在一个可选的实施例中，所述模型训练模块54包括：
初始模型构建单元，用于构建包含2层卷积层-2层池化层 的初始模型，所述初始模型的激活函数包括修正线性单元函数Relu，所述待训练的卷积神经网络模型包括所述初始模型，所述初始模型至少包括所述卷积层、池化层以及全连接层；
模型调整单元，用于通过所述第一特征数据以及所述第一历史数据对所述初始模型进行学习训练，并基于所述学习训练结果对所述卷积层、池化层以及全连接层的组合进行调整，以得到所述目标模型。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
通过以上实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备（可以是单片机，芯片等）或处理器（processor）执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于卷积神经网络的铸造模具温度快速预测方法，其特征在于，包括：
获取历史铸造仿真数据以及历史模具位置温度数据，其中，所述历史铸造仿真数据包括铸造工艺的历史仿真工艺数据；所述历史模具位置温度数据包括实际生产过程中目标模具的目标位置的历史温度数据，所述历史模具位置温度数据与所述历史铸造仿真数据一一对应；
对所述历史铸造仿真数据以及所述历史模具位置温度数据进行整合处理，以得到第一历史数据，并基于所述第一历史数据构建第一数据库；
对所述第一历史数据进行特征化处理，以得到第一特征数据；
通过所述第一特征数据以及所述第一历史数据对待训练的卷积神经网络模型对进行学习训练，以得到目标模型；
通过所述目标模型对待预测的第一铸造工艺进行温度预测，以得到所述第一铸造工艺中第一模具的目标温度，其中，所述目标模具包括所述第一模具。
2.根据权利要求1所述的方法，其特征在于，所述对所述第一历史数据进行特征化处理，以得到第一特征数据包括：
按照预设规则对所述第一历史数据进行时序数据图谱化处理，以得到第一数据；
通过预设的标准差归一化算法对所述第一数据进行归一化处理，以得到第二数据；
通过预设的滞后特征算法对所述第二数据进行时序特征化处理，以得到第一特征数据。
3.根据权利要求2所述的方法，其特征在于，所述对所述第一历史数据进行时序数据图谱化处理，以得到第一数据包括：
对所述第一历史数据进行分组处理，并按照所述预设规则对分组处理结果进行图谱构建，以得到所述第一数据。
4.根据权利要求1所述的方法，其特征在于，所述通过所述第一特征数据以及所述第一历史数据对待训练的卷积神经网络模型对进行学习训练，以得到目标模型包括：
构建包含2层卷积层-2层池化层 的初始模型，所述初始模型的激活函数包括修正线性单元函数Relu，所述待训练的卷积神经网络模型包括所述初始模型，所述初始模型至少包括所述卷积层、池化层以及全连接层；
通过所述第一特征数据以及所述第一历史数据对所述初始模型进行学习训练，并基于所述学习训练结果对所述卷积层、池化层以及全连接层的组合进行调整，以得到所述目标模型。
5.一种基于卷积神经网络的铸造模具温度快速预测装置，其特征在于，包括：
历史数据采集模块，用于获取历史铸造仿真数据以及历史模具位置温度数据，其中，所述历史铸造仿真数据包括铸造工艺的历史仿真工艺数据，所述历史模具位置温度数据包括实际生产过程中目标模具的目标位置的历史温度数据，所述历史模具位置温度数据与所述历史铸造仿真数据一一对应；
整合模块，用于对所述历史铸造仿真数据以及所述历史模具位置温度数据进行整合处理，以得到第一历史数据；
特征提取模块，用于对所述第一历史数据进行特征化处理，以得到第一特征数据；
模型训练模块，用于通过所述第一特征数据以及所述第一历史数据对待训练的卷积神经网络模型对进行学习训练，以得到目标模型；
温度预测模块，用于通过所述目标模型对待预测的第一铸造工艺进行温度预测，以得到所述第一铸造工艺中第一模具的目标温度，其中，所述目标模具包括所述第一模具。
6.根据权利要求5所述的装置，其特征在于，所述特征提取模块包括：
图谱处理单元，用于按照预设规则对所述第一历史数据进行时序数据图谱化处理，以得到第一数据；
归一化单元，用于通过预设的标准差归一化算法对所述第一数据进行归一化处理，以得到第二数据；
特征提取单元，用于通过预设的滞后特征算法对所述第二数据进行时序特征化处理，以得到第一特征数据。
7.根据权利要求6所述的装置，其特征在于，所述对所述第一历史数据进行时序数据图谱化处理，以得到第一数据包括：
对所述第一历史数据进行分组处理，并按照所述预设规则对分组处理结果进行图谱构建，以得到所述第一数据。
8.根据权利要求5所述的装置，其特征在于，所述模型训练模块包括：
初始模型构建单元，用于构建包含2层卷积层-2层池化层 的初始模型，所述初始模型的激活函数包括修正线性单元函数Relu，所述待训练的卷积神经网络模型包括所述初始模型，所述初始模型至少包括所述卷积层、池化层以及全连接层；
模型调整单元，用于通过所述第一特征数据以及所述第一历史数据对所述初始模型进行学习训练，并基于所述学习训练结果对所述卷积层、池化层以及全连接层的组合进行调整，以得到所述目标模型。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至4任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至4任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410108578.2A CN117634324B (zh) | 2024-01-26 | 2024-01-26 | 一种基于卷积神经网络的铸造模具温度快速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410108578.2A CN117634324B (zh) | 2024-01-26 | 2024-01-26 | 一种基于卷积神经网络的铸造模具温度快速预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117634324A true CN117634324A (zh) | 2024-03-01 |
| CN117634324B CN117634324B (zh) | 2024-04-09 |
Family
ID=90035997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410108578.2A Active CN117634324B (zh) | 2024-01-26 | 2024-01-26 | 一种基于卷积神经网络的铸造模具温度快速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117634324B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09248661A (ja) * | 1996-03-16 | 1997-09-22 | Nippon Steel Corp | 連続鋳造の異物噛み込み性ブレークアウト予知方法 |
| CN101797634A (zh) * | 2010-03-25 | 2010-08-11 | 清华大学 | 一种压铸模具多点精确控温系统及方法 |
| CN102341355A (zh) * | 2009-12-15 | 2012-02-01 | 日本超精石英株式会社 | 坩埚的温度分布计算方法 |
| CN110991605A (zh) * | 2019-10-25 | 2020-04-10 | 燕山大学 | 多变量时间序列深度信念网络的低压铸造模温预测方法 |
| CN111916159A (zh) * | 2020-06-29 | 2020-11-10 | 烟台南山学院 | 一种铝合金型材在线挤压淬火力学性能预测的方法 |
| CN112149335A (zh) * | 2020-10-28 | 2020-12-29 | 浙江大学 | 基于机器学习的多层电弧增材制造过程热历史预测方法 |
| CN216050757U (zh) * | 2021-09-03 | 2022-03-15 | 中信戴卡股份有限公司 | 一种用于模具冷却试验的装置 |
| CN116629062A (zh) * | 2023-05-25 | 2023-08-22 | 重庆长安汽车股份有限公司 | 一种模温平衡评估方法、系统、计算机设备及存储介质 |
| CN117348525A (zh) * | 2023-12-05 | 2024-01-05 | 深圳市常丰激光刀模有限公司 | 一种基于ug软件的模具2d加工评估方法及系统 |
-
2024
- 2024-01-26 CN CN202410108578.2A patent/CN117634324B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09248661A (ja) * | 1996-03-16 | 1997-09-22 | Nippon Steel Corp | 連続鋳造の異物噛み込み性ブレークアウト予知方法 |
| CN102341355A (zh) * | 2009-12-15 | 2012-02-01 | 日本超精石英株式会社 | 坩埚的温度分布计算方法 |
| CN101797634A (zh) * | 2010-03-25 | 2010-08-11 | 清华大学 | 一种压铸模具多点精确控温系统及方法 |
| CN110991605A (zh) * | 2019-10-25 | 2020-04-10 | 燕山大学 | 多变量时间序列深度信念网络的低压铸造模温预测方法 |
| CN111916159A (zh) * | 2020-06-29 | 2020-11-10 | 烟台南山学院 | 一种铝合金型材在线挤压淬火力学性能预测的方法 |
| CN112149335A (zh) * | 2020-10-28 | 2020-12-29 | 浙江大学 | 基于机器学习的多层电弧增材制造过程热历史预测方法 |
| CN216050757U (zh) * | 2021-09-03 | 2022-03-15 | 中信戴卡股份有限公司 | 一种用于模具冷却试验的装置 |
| CN116629062A (zh) * | 2023-05-25 | 2023-08-22 | 重庆长安汽车股份有限公司 | 一种模温平衡评估方法、系统、计算机设备及存储介质 |
| CN117348525A (zh) * | 2023-12-05 | 2024-01-05 | 深圳市常丰激光刀模有限公司 | 一种基于ug软件的模具2d加工评估方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 栗子豪: ""基于循环神经网络的模温预测模型研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, 15 March 2022 (2022-03-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117634324B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6817426B2 (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
| CN112384924A (zh) | 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 | |
| CN109978403B (zh) | 一种产品装配过程的质量管控方法、装置及设备 | |
| CN104952753B (zh) | 测量抽样方法 | |
| CN116757546B (zh) | 一种基于工业互联网的生产监测预警系统 | |
| CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| CN105675038B (zh) | 一种仪表的故障预测装置 | |
| CN113393211B (zh) | 一种智能化提高自动化生产效率的方法及系统 | |
| CN113655768B (zh) | 装配良率控制方法、设备及计算机可读存储介质 | |
| CN108508865A (zh) | 一种基于分散式osc-pls回归模型的故障检测方法 | |
| CN117274259A (zh) | 一种基于物联网的键盘生产设备管理方法及系统 | |
| CN115310343A (zh) | 样本数据库系统、训练及检验打印参数的方法、计算机 | |
| CN117634324B (zh) | 一种基于卷积神经网络的铸造模具温度快速预测方法 | |
| CN113255222B (zh) | 一种腔体滤波器的智能辅助调试方法及装置 | |
| CN117763879A (zh) | 基于多层堆叠学习器的结构力学响应场数字孪生方法 | |
| CN112241832B (zh) | 一种产品质量分级评价标准设计方法及系统 | |
| CN111639715B (zh) | 基于ls-svm的汽车仪表组装质量预测方法与系统 | |
| CN116307405B (zh) | 一种基于生产数据的二极管性能预测方法及系统 | |
| CN116956189A (zh) | 一种电流异常检测系统、方法、电子设备及介质 | |
| CN108490912B (zh) | 一种基于主元相似性分析的多模态过程模态辨识方法 | |
| CN113780356B (zh) | 基于集成学习模型的水质预测方法及系统 | |
| CN107291065A (zh) | 改进的基于决策树的制造过程多元质量诊断分类器 | |
| CN113393023A (zh) | 模具质量评估方法、装置、设备及存储介质 | |
| CN108415372B (zh) | 精密机床热误差补偿方法 | |
| CN111210877A (zh) | 一种推断物性参数的方法及装置 |
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 |