CN117689256A - 一种铝合金熔铸产品质量溯源方法 - Google Patents
一种铝合金熔铸产品质量溯源方法 Download PDFInfo
- Publication number
- CN117689256A CN117689256A CN202311695967.1A CN202311695967A CN117689256A CN 117689256 A CN117689256 A CN 117689256A CN 202311695967 A CN202311695967 A CN 202311695967A CN 117689256 A CN117689256 A CN 117689256A
- Authority
- CN
- China
- Prior art keywords
- data
- aluminum alloy
- quality
- alloy casting
- model
- 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
- 238000005266 casting Methods 0.000 title claims abstract description 172
- 229910000838 Al alloy Inorganic materials 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 138
- 230000008569 process Effects 0.000 claims abstract description 90
- 238000004519 manufacturing process Methods 0.000 claims abstract description 59
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 238000005065 mining Methods 0.000 claims abstract description 5
- 238000003723 Smelting Methods 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000004321 preservation Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 13
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 7
- 229910052786 argon Inorganic materials 0.000 claims description 6
- 239000007789 gas Substances 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000012827 research and development Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000007872 degassing Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000002844 melting Methods 0.000 claims description 4
- 230000008018 melting Effects 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 239000000047 product Substances 0.000 description 70
- 230000006872 improvement Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 4
- 239000000956 alloy Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000001257 hydrogen Substances 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 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
- General Factory Administration (AREA)
Abstract
本发明提供一种铝合金熔铸产品质量溯源方法,包括:对铝合金熔铸过程进行数据源采集与分析、数据挖掘和离散,得到可用于表征铝合金熔铸生产工序的特征数据,构建铝合金熔铸过程工艺历史数据库;再基于Petri网对其质量溯源过程建模分析,建立铝合金熔铸制造产品的Petri网质量溯源模型;然后依据获得的Petri网质量溯源模型,结合贝叶斯网络有向无环图,构建基于贝叶斯网络的铝合金熔铸制造产品质量溯源模型;最后采用TAN网络对所述模型进行优化,获得基于TAN网络的铝合金熔铸制造产品质量溯源模型;将新数据输入到优化后的模型,所述模型输出质量相关变量的后验概率分布;本发明能够对铝合金熔铸产品有效质量溯源,提高成品率。
Description
技术领域
本发明涉及铝合金熔铸产品数据管理技术领域,尤其涉及一种铝合金熔铸产品质量溯源方法。
背景技术
铝合金是一种重要的合金材料,在航天航空、铁路、汽车等领域逐渐取代钢铁材料,成为应用越来越广泛的金属材料。铝合金的生产离不开铝合金熔铸制造过程。
铝合金熔铸制造过程包括熔炼、保温、除气、过滤、铸造等过程,每个工序由一台或者多台设备组成,其生产制造信息具有数据多源异构,数据变量多,变量之间关联耦合关系复杂,制造产品离散等特点。目前铝合金熔铸产品工艺提升依托于机理理论研究与制造专家的经验,无法针对某个具体的生产线,某个具体的生产工艺从数据的角度对其熔铸过程进行量化描述。在熔铸生产制造实际中,熔铸生产工序多,单个工序涉及工艺参数数据属性多,不同工艺之间,单个工序的不同工艺参数之间,存在一定的关联性,在一定程度上影响最终产品的质量。基于此复杂的制造数据关系,仅依靠理想化的理论模型与层次不齐的专家经验无法有效实现对产品的有效质量溯源与高效的工艺优化目的,不便提高产品质量和产品成品率。
因此,亟需一种铝合金熔铸产品质量方法,能够实现对铝合金熔铸产品质量溯源及熔铸次品关键敏感工艺分析,能够对新高性能铝合金材料熔铸工艺的研发提供数据基础分析,提高产品质量与成品率。
发明内容
本发明的目的是提供一种铝合金熔铸产品质量溯源方法,旨在解决传统的专家经验无法有效实现对铝合金熔铸产品的有效质量溯源,以及无法高效优化的铝合金熔铸产品制造工艺的技术问题。
为实现上述目的,本发明提供一种铝合金熔铸产品质量溯源方法,其步骤包括:
S1:对铝合金熔铸过程进行数据源采集与分析、数据挖掘和离散,得到可用于表征铝合金熔铸生产工序的特征数据,构建铝合金熔铸过程工艺历史数据库;
S2:针对数据源的信息流过程,基于Petri网对其质量溯源过程建模分析,建立铝合金熔铸制造产品的Petri网质量溯源模型;
S3:基于所述铝合金熔铸过程工艺历史数据库,依据步骤S2获得的Petri网质量溯源模型,并结合贝叶斯网络有向无环图,构建基于贝叶斯网络的铝合金熔铸制造产品质量溯源模型;
然后基于树扩展朴素贝叶斯网络(TAN网络)对所述模型进行优化,获得基于TAN网络的铝合金熔铸制造产品质量溯源模型;
S4:将获得的新数据输入到所述基于TAN网络的铝合金熔铸制造产品质量溯源模型,所述模型输出质量相关变量的后验概率分布,实现铝合金熔铸产品质量溯源。
作为上述方案进一步的改进,在步骤S1中,构建铝合金熔铸过程工艺历史数据库的方法具体如下:
S11:从人、机、物三个维度对铝合金熔铸制造过程进行数据信息源分析;
S12:构建设备局部局域网,通过通讯协议对设备的实时数据信息进行数据采集与数据交互,并将收集交互的数据进行数据存储;
S13:基于数据挖掘,对数据进行预处理,识别剔除错点数据;
S14:再对预处理后实时采集数据进行离散化数据表征;
S15:将获得的离散数据进行数据分类编码,构建铝合金熔铸过程工艺历史数据库。
作为上述方案进一步的改进,在步骤S11中,从人、机、物三个维度进行数据信息源分析时,其中,
人的维度为熔铸过程中的所有参与人员信息,包括工艺线操作人员、工艺研发人员、质检员、管理人员、电气工程师等;
机的维度为在熔铸过程中的所有参与设备信息,包括熔炼炉、保温炉、铸造机等;
物的维度为在熔铸过程关联中的所有物质信息,包括原材料、产品、工艺文件、质量文件等。
作为上述方案进一步的改进,在步骤S12中,对设备的实时数据信息进行数据采集时,
采集的工艺包括熔炼工艺、保温工艺、过滤工艺、除气工艺、铸造工艺等工艺;
采集的关键工艺参数包括熔炼温度、熔时长、熔炼转炉温度、熔炼转炉时间、保温温度、保温时长、保温转炉温度、熔炼炉压、氩气供应压力、流槽液位、氩气流转子转速、反应器内温度、铸造速度、主水流温度、主水流流量、热端温度、冷端温度、水压等参数。
作为上述方案进一步的改进,在步骤S12中,对设备的实时数据信息进行数据采集时,还包括通过质量检测系统获取历史工艺中的质量评价数据Y=y1,y2,y3…yn等,其中yn表示每一道工序的质量评价数据。
作为上述方案进一步的优化,在步骤S12中,对设备的实时数据信息进行数据交互,具体为与MES系统交互,交互的流程数据包括铝合金熔铸制造过程中的铝合金牌号、铝合金熔次号、铝合金生产型号、铝合金生产尺寸、铝合金生产日期、工序开始时间、工序结束时间等。
作为上述方案进一步的改进,在步骤S13中,对数据进行预处理,识别剔除错点数据的方法具体如下:
先对最新的数据行进行定位,判断是否在温度区间内,若不在温度区间内,则判定数据异常;
若在温度区间内,则遍历是否所有数据为零或空,若为零或空,则判定数据异常;然后计算当前最新数据与前序数据的变化率,若变化率是否在预设区间,若超出预设区间则判定数据异常,
若判定为异常数据,直接丢失删除该数据。
作为上述方案进一步的改进,在步骤S14中,基于K-Means聚类分析的方法对实时采集数据进行离散化处理,其处理步骤包括:
根据数据进行字段的聚类类别差异性分析;
根据聚类汇总分析各聚类类别的频数;
根据数据集聚类标注获得每一个样本数据被分到哪个类别;
使用聚类中心坐标来计算每个样本数据与所属聚类中心之间的距离;
聚类结果输出。
作为上述方案进一步的改进,在步骤S2中,通过对产品制造工艺流程与质量缺陷分析,建立铝合金熔铸制造产品质量溯源流程,
然后将铝合金熔铸制造产品质量溯源流程中的动态关系简化抽象,基于Petri网对其进行溯源信息动态模型建模,建立铝合金熔铸制造产品的Petri网质量溯源模型。
作为上述方案进一步的改进,在步骤S3中,建立基于TAN网络的铝合金熔铸制造产品质量溯源模型的方法步骤具体如下:
S31、确定变量和数据集:确定要构建质量溯源模型的变量,并收集包含这些变量的训练数据集;
S31、数据预处理:对收集到的训练数据集进行预处理,包括缺失值处理、异常值处理和数据标准化等;
S32、计算变量之间的互信息:使用互信息(Mutual Information)来度量变量之间的依赖性;然后计算所有变量之间的互信息,并根据各个变量互信息的值来选择有关系的变量对;
S33、构建初始网络结构:基于选择的有关系的变量对,构建初始的贝叶斯网络结构;并在TAN网络中,引入一个树结构来增强Naive Bayes模型;
S34、估计参数:使用训练数据来估计贝叶斯网络的参数;
根据构建的贝叶斯网络结构,计算每个节点的条件概率表(CPT)。
作为上述方案进一步的改进,在步骤S3中,获得基于TAN网络的铝合金熔铸制造产品质量溯源模型后,对所述模型进行样本数据学习和验证分析。
由于本发明采用了以上技术方案,使本申请具备的有益效果在于:
本发明提供的一种铝合金熔铸产品质量溯源方法,首先对铝合金熔铸过程进行数据源采集与分析、数据挖掘和离散,得到可用于表征铝合金熔铸生产工序的特征数据,构建铝合金熔铸过程工艺历史数据库;在针对数据源的信息流过程,基于Petri网对其质量溯源过程建模分析,建立铝合金熔铸制造产品的Petri网质量溯源模型;然后基于所述铝合金熔铸过程工艺历史数据库,依据获得的Petri网质量溯源模型,并结合贝叶斯网络有向无环图,构建基于贝叶斯网络的铝合金熔铸制造产品质量溯源模型;再基于树扩展朴素贝叶斯网络(TAN网络)对所述模型进行优化,获得基于TAN网络的铝合金熔铸制造产品质量溯源模型;最后将获得的新数据输入到所述基于TAN网络的铝合金熔铸制造产品质量溯源模型,所述模型输出质量相关变量的后验概率分布,实现铝合金熔铸产品质量溯源;本发明基于贝叶斯网络算法,针对铝合金熔铸过程产品质量溯源问题,进行铝合金熔铸过程相关数据的源分析、采集、预处理、离散、评价与编码,并构建了工艺历史数据库,在工艺历史数据库的基础上通过Petri网构建质量溯源模型,再结合贝叶斯网络和TAN网络获得基于TAN网络的铝合金熔铸制造产品质量溯源模型;
由于在熔铸制造过程中,各个变量之间的关系并未完全独立的,相互之间存在弱关联性,如保温炉静置温度与铸造起铸温度之间存在一定的关联。而贝叶斯网络存在条件独立性的假设,其假设认为网络中的节点与其本身的非父子节点相互独立,该特性无法贴切的描述铝合金的熔铸制造的质量溯源与预测过程;基于TAN网络能够对其节点条件独立性假设进行处理,通过构造最大权重生成树包含所有非类节点,从而放松独立性假设;从而使得通过基于TAN网络的铝合金熔铸制造产品质量溯源模型实现对铝合金熔铸产品的质量溯源及熔铸次品关键敏感工艺分析,提升高性能铝合金熔铸成品率;且便于对新高性能铝合金材料熔铸工艺的研发提供数据基础分析,进一步提高产品质量与成品率。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式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方式,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示出的结构获得其他的附图。
图1是本发明公开的一种铝合金熔铸产品质量溯源方法框架图;
图2是本发明公开的基于人、机、物三个维度对铝合金熔铸过程信息源划分示意图;
图3是本发明公开的铝合金熔铸制造产品质量溯源流程图;
图4是本发明公开的铝合金熔铸制造产品的Petri网质量溯源模型;
图5是本发明公开的样本数据熔炼温度分布直方图;
图6是本发明公开的聚类数对比图(肘部法则);
图7是本发明公开的铝合金熔铸制造简化贝叶斯网络模型示意图;
图8是本发明公开的铝合金熔铸过程贝叶斯网络模型示意图;
图9是本发明公开的使用Netica软件可视化的铝合金熔铸贝叶斯网络模型;
图10是本发明公开的熔铸制造过程全模型概率(CPT)学习示意图;
图11是本发明公开的树扩展(TAN)朴素贝叶斯网络模型图。
本发明目的的实现、功能特点及优点将结合实施方式,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明的一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
需要说明,本发明实施方式中所有方向性指示(诸如上、下……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
并且,本发明各个实施方式之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参见图1,本发明提供一种铝合金熔铸产品质量溯源方法,其步骤包括:
S1:对铝合金熔铸过程进行数据源采集与分析、数据挖掘和离散,得到可用于表征铝合金熔铸生产工序的特征数据,构建铝合金熔铸过程工艺历史数据库;
S2:针对数据源的信息流过程,基于Petri网对其质量溯源过程建模分析,建立铝合金熔铸制造产品的Petri网质量溯源模型;
S3:基于所述铝合金熔铸过程工艺历史数据库,依据步骤S2获得的Petri网质量溯源模型,并结合贝叶斯网络有向无环图,构建基于贝叶斯网络的铝合金熔铸制造产品质量溯源模型;
然后基于树扩展朴素贝叶斯网络(TAN网络)对所述模型进行优化,获得基于TAN网络的铝合金熔铸制造产品质量溯源模型,然后对所述模型进行样本数据学习与验证分析;
S4:将获得的新数据输入到所述基于TAN网络的铝合金熔铸制造产品质量溯源模型,所述模型输出质量相关变量的后验概率分布,实现铝合金熔铸产品质量溯源;
本发明基于贝叶斯网络算法,针对铝合金熔铸过程产品质量溯源问题,进行铝合金熔铸过程相关数据的源分析、采集、预处理、离散、评价与编码,并构建了工艺历史数据库,在工艺历史数据库的基础上通过Petri网构建质量溯源模型,再结合贝叶斯网络和TAN网络获得基于TAN网络的铝合金熔铸制造产品质量溯源模型;由于在熔铸制造过程中,各个变量之间的关系并未完全独立的,相互之间存在弱关联性,如保温炉静置温度与铸造起铸温度之间存在一定的关联。而贝叶斯网络存在条件独立性的假设,其假设认为网络中的节点与其本身的非父子节点相互独立,该特性无法贴切的描述铝合金的熔铸制造的质量溯源与预测过程;基于TAN网络能够对其节点条件独立性假设进行处理,通过构造最大权重生成树包含所有非类节点,从而放松独立性假设;从而使得通过基于TAN网络的铝合金熔铸制造产品质量溯源模型实现对铝合金熔铸产品的质量溯源及熔铸次品关键敏感工艺分析,提升高性能铝合金熔铸成品率;且便于对新高性能铝合金材料熔铸工艺的研发提供数据基础分析,进一步提高产品质量与成品率。
作为优选的实施例,在步骤S1中,构建铝合金熔铸过程工艺历史数据库的方法具体如下:
S11:从人、机、物三个维度对铝合金熔铸制造过程进行数据信息源分析;
具体的,参见图2,人的维度为熔铸过程的所有参与人员信息;包括工艺线操作人员、工艺研发人员、质检员、管理人员、电气工程师等;产生信息多为纸质表、倒班记录等结构化数据与管理记录等非结构化数据。
机的维度为熔铸过程的所有参与设备信息;包括固定设备如熔炼炉、保温炉、铸造机等,以及移动设备叉车、手持超声探伤设备等;产生数据包括设备运行数据信息、检测报告信息等结构化数据和音视频监控等非结构化信息。
物的维度为熔铸过程关联的所有物质信息;包括原材料、产品、回炉料、工艺文件、质量文件等;产生信息包括仓储信息、工艺规程等结构化数据。
在铝合金熔铸制造过程中,信息数据多源异构,且信息与信息之间不存在直接联通,存在信息孤岛,对铝合金熔铸过程的数据采集与质量溯源造成很大的困难,而从人、机、物三个维度铝合金熔铸制造过程进行数据信息源分析相对容易,包括工艺数据、厂区环境数据、设备数据、仓储数据、运营管理数据等;数据的分析、采集、整合处理、关联分类是数据关联应用的前提和基础;
S12:构建设备局部局域网,通过通讯协议对设备的实时数据信息进行数据采集与数据交互,并将收集交互的数据进行数据存储;
具体的,对设备的实时数据信息进行数据采集时,
采集的工艺包括熔炼工艺、保温工艺、过滤工艺、除气工艺、铸造工艺等工艺;
采集的关键工艺参数包括熔炼温度、熔时长、熔炼转炉温度、熔炼转炉时间、保温温度、保温时长、保温转炉温度、熔炼炉压、氩气供应压力、流槽液位、氩气流转子转速、反应器内温度、铸造速度、主水流温度、主水流流量、热端温度、冷端温度、水压等参数;
对设备的实时数据信息进行数据采集时,还包括通过质量检测系统获取历史工艺中的质量评价数据Y=y1,y2,y3…yn等,其中yn表示每一道工序的质量评价数据;
对设备的实时数据信息进行数据交互,具体为与MES系统交互,交互的流程数据包括铝合金熔铸制造过程中的铝合金牌号、铝合金熔次号、铝合金生产型号、铝合金生产尺寸、铝合金生产日期、工序开始时间、工序结束时间等;
S13:基于数据挖掘,对数据进行预处理,识别剔除错点数据;
S14:再对预处理后实时采集数据进行离散化数据表征,具体的,在数据库错点筛选后,通过离散程序对实时数据库和历史数据中的每个工艺过程,根据每个工艺过程的开始时间节点、结束时间节点进行离散化;在离散化过程中,把源数据通过预定映射规则,将同类、同区间数据用相同值进行表征,不同类不同区间数据用不同值进行表征,实现将连续随机的源数据映射为少数几个分组的离散数据;离散化数据表征有助于简化贝叶斯网络的参数估计过程,并降低计算复杂性;它还可以减少数据存储和处理的要求,并提高模型的可解释性;
S15:将获得的离散数据进行数据分类编码,构建铝合金熔铸过程工艺历史数据库。
作为优选的实施例,在步骤S13中,对数据进行预处理,由于是对数据进行实时采集,采集频率高,且物理状态量变化连续,通过对其进行平滑处理和错点筛选,得到连续有效工艺数据。由于数据采集频率较高,对于错点数据,采取直接丢失删除的方式进行筛选;识别剔除错点数据的方法具体如下:
先对最新的数据行进行定位,判断是否在温度区间内,若不在温度区间内,则判定数据异常;
若在温度区间内,则遍历是否所有数据为零或空,若为零或空,则判定数据异常;然后计算当前最新数据与前序数据的变化率,若变化率是否在预设区间,若超出预设区间则判定数据异常,
若判定为异常数据,直接丢失删除该数据。
作为优选的实施例,在步骤S14中,基于K-Means聚类分析的方法对实时采集数据进行离散化数据表征,其步骤包括:
根据数据进行字段的聚类类别进行差异性分析,在K-means算法中,需要选择用于聚类的特征,通常要考虑特征之间的差异性和相关性,选择能够有效区分样本的特征;
根据聚类汇总分析各聚类类别的频数,也即对于每个聚类类别,计算该类别中样本的频数或占比,以了解每个类别的大小和分布情况;
根据数据集聚类标注获得每一个样本数据被分到哪个类别,通过计算每个数据点与聚类中心之间的距离,将每个数据点分配到最近的聚类中心,便可确定每个样本数据属于哪个聚类类别;
使用聚类中心坐标来计算每个样本数据与所属聚类中心之间的距离,聚类中心坐标代表每个聚类的中心点位置,使用聚类中心坐标来计算每个样本数据与所属聚类中心之间的距离,可以衡量样本与中心点之间的相似性或差异性;
聚类结果输出,输出结果包含每个样本所属聚类类别的结果,也可以是其他聚类相关的统计指标或可视化图形;
以熔炼温度为例说明基于K-Means聚类分析的方法对实时采集数据进行离散化数据表征,
在数据样本中,取组距为2,在范围[740-760]熔炼温度分布直方图如图5所示,横坐标为熔炼温度(℃),纵坐标为出现频数(次);
使用“手肘法”确定K-Means聚类分析前需其聚类目标维度-K值。
其聚类数对比图如图6所示,横坐标是聚类个数,纵坐标是K均值聚类的损失函数是所有样本到类别中心的距离平方和,也就是误差平方和(值越小说明聚类效果越好)。可以确定当聚类目标个数大于4时,聚类目标各个数据距离平方和趋于稳定,表示聚类目标维度可有效反应数据聚类情况。故选取聚类目标维度K为4。
表1聚类字段性差异结果
对比表1与图5可知,其聚类结果四类中心点为742、745、750、756基本与直方图5的频率峰值相对应,表明聚类结果的可行性。
作为优选的实施例,在步骤S2中,通过对产品制造工艺流程与质量缺陷分析,建立如图3所示的铝合金熔铸制造产品质量溯源流程,
铝合金熔铸产品质量溯源过程为一个并发的动态模型,根据图3溯源流程图,然后将铝合金熔铸制造产品质量溯源流程中的动态关系简化抽象,基于Petri网对其进行溯源信息动态模型建模,建立铝合金熔铸制造产品的Petri网质量溯源模型,如图4所示;
根据图4的Petri网质量溯源模型中各状态与变迁集内容如表2所示。
表2质量溯源模型状态表
通过Petri网建模,描述在离散制造与溯源过程中,各个工序信息元素协同完成离散制造与溯源的动态行为过程,从而验证复杂离散制造系统的质量标定、信息协同、质量溯源过程中信息动态行为的可靠性与有效性,为进一步分析其离散制造动态行为和有效进行质量溯源奠定基础。
作为优选的实施例,在步骤S3中,建立基于TAN网络的铝合金熔铸制造产品质量溯源模型的方法步骤具体如下:
S31、确定变量和数据集:确定要构建质量溯源模型的变量,并收集包含这些变量的训练数据集,在本实施例中,所述变量为与质量溯源相关的特征、参数、环境因素等;
S31、数据预处理:对收集到的训练数据集进行预处理,包括缺失值处理、异常值处理和数据标准化等,确保数据的质量和可靠性;
S32、计算变量之间的互信息:由于互信息可以揭示变量之间的条件依赖关系,使用互信息(Mutual Information)来度量变量之间的依赖性;然后计算所有变量之间的互信息,并根据各个变量互信息的值来选择有关系的变量对,具体的,选择一个合适的根节点,并将其余的变量作为子节点连接到根节点;
S33、构建初始网络结构:基于选择的有关系的变量对,构建初始的贝叶斯网络结构;并在TAN网络中,引入一个树结构来增强Naive Bayes模型;
S34、估计参数:使用训练数据来估计贝叶斯网络的参数;
根据构建的贝叶斯网络结构,计算每个节点的条件概率表(CPT),CPT表示每个节点在给定父节点值的条件下的概率分布,通过统计方法或机器学习算法,根据训练数据来估计这些概率分布。
具体的,首先基于Petri网质量溯源模型,结合贝叶斯网络有向无环图(DAG)的特点,进行贝叶斯网络简化建模;
其模型如图7所示,铝合金熔铸制造产品质量影响因素可分为原材料因素(Material)、人员因素(Human)、熔炼因素(Ronglian)、保温因素(Baowen)、除气因素(Chuqi)、铸造因素(Zhuzao)、工艺因素(Gongyi),其输出端为熔炼产品质量(RL_quality)。
然后根据铝合金熔铸过程各个节点变量之间的关系,构建铝合金熔铸过程贝叶斯网络模型;
如图8所示,整体工艺关系呈现一定的先后时间逻辑关系;
熔炼过程关键工艺参数为熔炼温度与熔炼时长,熔炼之后倒炉进行保温过程。保温过程主要有保温温度、保温时长、保温静置温度、保温静置时长。保温过程是熔炼的后续过程,各个参数之间存在先后顺序逻辑关系。铝合金熔液中氢气含量过高会导致铝合金铸造产品产生气孔、疏松等缺陷。故要求降低铸造钱铝合金熔液中的氢含量。其主要影响过程为熔炼时长、保温静置过程的温度和时长。铸造过程三个关键参数相互影响,对铝合金铸锭的铸造结晶过程起关键影响,是成品铝合金晶粒度质量的直接保证;
根据建立的铝合金熔铸过程贝叶斯网络模型,使用贝叶斯网络可视化Netica软件进行建模与验证,其模型如图9所示。
以表3中某牌号铝合金实际生产数据为数据集对铝合金熔铸过程贝叶斯网络模型进行网络参数学习得到熔铸制造过程全模型概率(CPT)学习图,如图10所示。
表3熔铸关键工艺参数特征参数表
表3中节点1、3等温度表征设置High表示温度在可允许范围内偏高,Low表示偏低,Mid表示温度适中,Out表示温度与设定温度偏差较大。节点2、4等时长设置有Long、Mid、Short、Out三个状态;Long表示时长偏长,Short时间偏短,Out表示时间低于设定时长。节点7表示在线测量含氢量High、Mid、Low分别表示含氢测量质量高、中、低。节点9设置有Fast、Moderate、Slow;表征速度是否过快、合适、偏慢。
根据实际生产的数据集训练模型后反映出熔铸产品质量和各个关键工艺参数之间的概率因果关系。
在熔铸制造过程中,各个变量之间的关系并未完全独立的,相互之间存在弱关联性,如保温炉静置温度与铸造起铸温度之间存在一定的关联。而贝叶斯网络存在条件独立性的假设,其假设认为网络中的节点与其本身的非父子节点相互独立。该特性无法贴切的描述铝合金的熔铸制造的质量溯源与预测过程。TAN网络对其节点条件独立性假设进行了处理,通过构造最大权重生成树包含所有非类节点,从而放松独立性假设。使用TAN网络对贝叶斯网络模型进优化后结果如图11所示。
通过TAN网络对其进行推理优化,优化后的树扩展朴素贝叶斯网络模型结果显示,Quality-High占比56.3%;Quality-Mid占比27.6%;Quality-Low占比16.1%。其中Quality-High与Quality-Mid均为合格,两者占比83.9%。贝叶斯网络(BN)、树扩展朴素贝叶斯网络(TAN)、统计概率结果如表4所示。对比表中网络概率值,TAN比BN网络结构更加接近实际数据集统计先验值。TAN网络模型的Error rate比BN网络模型低,预测更准确。
表4不同模型质量溯源结果表
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围。
Claims (10)
1.一种铝合金熔铸产品质量溯源方法,其特征在于,其步骤包括:
S1:对铝合金熔铸过程进行数据源采集与分析、数据挖掘和离散,得到可用于表征铝合金熔铸生产工序的特征数据,构建铝合金熔铸过程工艺历史数据库;
S2:针对数据源的信息流过程,基于Petri网对其质量溯源过程建模分析,建立铝合金熔铸制造产品的Petri网质量溯源模型;
S3:基于所述铝合金熔铸过程工艺历史数据库,依据步骤S2获得的Petri网质量溯源模型,并结合贝叶斯网络有向无环图,构建基于贝叶斯网络的铝合金熔铸制造产品质量溯源模型;
然后基于TAN网络对所述模型进行优化,获得基于TAN网络的铝合金熔铸制造产品质量溯源模型;
S4:将获得的新数据输入到所述基于TAN网络的铝合金熔铸制造产品质量溯源模型,所述模型输出质量相关变量的后验概率分布,实现铝合金熔铸产品质量溯源。
2.根据权利要求1所述的一种铝合金熔铸产品质量溯源方法,其特征在于,在步骤S1中,构建铝合金熔铸过程工艺历史数据库的方法具体如下:
S11:从人、机、物三个维度对铝合金熔铸制造过程进行数据信息源分析;
S12:构建设备局部局域网,对设备的实时数据信息进行数据采集与数据交互,并将收集交互的数据进行数据存储;
S13:基于数据挖掘,对数据进行预处理,识别剔除错点数据;
S14:再对预处理后实时采集数据进行离散化数据表征;
S15:将获得的离散数据进行数据分类编码,构建铝合金熔铸过程工艺历史数据库。
3.根据权利要求2所述的一种铝合金熔铸产品质量溯源方法,其特征在于,在步骤S11中,从人、机、物三个维度进行数据信息源分析时,其中,
人的维度为熔铸过程中的所有参与人员信息,包括工艺线操作人员、工艺研发人员、质检员、管理人员、电气工程师;
机的维度为在熔铸过程中的所有参与设备信息,包括熔炼炉、保温炉、铸造机;
物的维度为在熔铸过程关联中的所有物质信息,包括原材料、产品、工艺文件、质量文件。
4.根据权利要求2或3所述的一种铝合金熔铸产品质量溯源方法,其特征在于,在步骤S12中,对设备的实时数据信息进行数据采集时,
采集的工艺包括熔炼工艺、保温工艺、过滤工艺、除气工艺、铸造工艺中的一种或几种;
采集的关键工艺参数包括熔炼温度、熔时长、熔炼转炉温度、熔炼转炉时间、保温温度、保温时长、保温转炉温度、熔炼炉压、氩气供应压力、流槽液位、氩气流转子转速、反应器内温度、铸造速度、主水流温度、主水流流量、热端温度、冷端温度、水压中的一种或几种。
5.根据权利要求2或3所述的一种铝合金熔铸产品质量溯源方法,其特征在于,在步骤S12中,对设备的实时数据信息进行数据采集时,还包括通过质量检测系统获取历史工艺中的质量评价数据Y=y1,y2,y3…yn,其中yn表示每一道工序的质量评价数据;
对设备的实时数据信息进行数据交互,具体为与MES系统交互,交互的流程数据包括铝合金熔铸制造过程中的铝合金牌号、铝合金熔次号、铝合金生产型号、铝合金生产尺寸、铝合金生产日期、工序开始时间、工序结束时间。
6.根据权利要求2或3所述的一种铝合金熔铸产品质量溯源方法,其特征在于,在步骤S13中,对数据进行预处理,识别剔除错点数据的方法具体如下:
先对最新的数据行进行定位,然后判断是否在温度区间内,若不在温度区间内,则判定为数据异常;
若在温度区间内,则遍历是否所有数据为零或空,若为零或空,则判定为数据异常;
若不为零或不为空,则计算当前最新数据与前序数据的变化率,并判断变化率是否在预设区间,若超出预设区间则判定为数据异常,
若判定为异常数据,直接丢失删除该数据。
7.根据权利要求2或3所述的一种铝合金熔铸产品质量溯源方法,其特征在于,在步骤S14中,基于K-Means聚类分析的方法对实时采集数据进行离散化处理,其步骤包括:
根据数据进行字段的聚类类别差异性分析;
根据聚类汇总分析各聚类类别的频数;
根据数据集聚类标注获得每一个样本数据被分到哪个类别;
使用聚类中心坐标来计算每个样本数据与所属聚类中心之间的距离;
聚类结果输出。
8.根据权利要求1-3任意一项所述的一种铝合金熔铸产品质量溯源方法,其特征在于,在步骤S2中,通过对产品制造工艺流程与质量缺陷分析,建立铝合金熔铸制造产品质量溯源流程,
然后将铝合金熔铸制造产品质量溯源流程中的动态关系简化抽象,基于Petri网对其进行溯源信息动态模型建模,建立铝合金熔铸制造产品的Petri网质量溯源模型。
9.根据权利要求1-3任意一项所述的一种铝合金熔铸产品质量溯源方法,其特征在于,在步骤S3中,建立基于TAN网络的铝合金熔铸制造产品质量溯源模型的方法步骤具体如下:
S31、确定变量和数据集:确定要构建质量溯源模型的变量,并收集包含所述变量的训练数据集;
S31、数据预处理:对收集到的训练数据集进行预处理,包括缺失值处理、异常值处理和数据标准化;
S32、计算所述变量之间的互信息:计算所有变量之间的互信息,并根据各个变量互信息的值来选择有关系的变量对;
S33、构建初始网络结构:基于选择的有关系的变量对,构建初始的贝叶斯网络结构;并在TAN网络中,引入一个树结构来增强Naive Bayes模型;
S34、估计参数:使用训练数据来估计贝叶斯网络的参数;根据构建的贝叶斯网络结构,计算每个节点的条件概率表。
10.根据权利要求1-3任意一项所述的一种铝合金熔铸产品质量溯源方法,其特征在于,在步骤S3中,获得基于TAN网络的铝合金熔铸制造产品质量溯源模型后,对所述模型进行样本数据学习和验证分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311695967.1A CN117689256A (zh) | 2023-12-12 | 2023-12-12 | 一种铝合金熔铸产品质量溯源方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311695967.1A CN117689256A (zh) | 2023-12-12 | 2023-12-12 | 一种铝合金熔铸产品质量溯源方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117689256A true CN117689256A (zh) | 2024-03-12 |
Family
ID=90129620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311695967.1A Pending CN117689256A (zh) | 2023-12-12 | 2023-12-12 | 一种铝合金熔铸产品质量溯源方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689256A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974167A (zh) * | 2024-03-28 | 2024-05-03 | 江苏省卫生健康发展研究中心 | 三维铜基金属有机框架的合成数据处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5691895A (en) * | 1995-12-18 | 1997-11-25 | International Business Machines Corporation | Mechanism and architecture for manufacturing control and optimization |
CN108537301A (zh) * | 2018-03-21 | 2018-09-14 | 广东鸿图科技股份有限公司 | 一种铝合金压铸产品全工序精准追溯方法 |
AU2020100708A4 (en) * | 2020-05-05 | 2020-06-18 | Li, Wenjun Miss | A prediction method of defaulters of bank loans based on big data mining |
CN114036857A (zh) * | 2021-11-26 | 2022-02-11 | 天津大学 | 一种基于量化分析和概率推理的柔性立管风险评价方法 |
CN114626673A (zh) * | 2022-02-08 | 2022-06-14 | 南京钢铁股份有限公司 | 一种基于贝叶斯网络的连铸坯质量预报方法 |
WO2023197892A1 (zh) * | 2022-04-15 | 2023-10-19 | 中铝智能科技发展有限公司 | 一种铝与铝合金化检验样品自动化制样系统 |
-
2023
- 2023-12-12 CN CN202311695967.1A patent/CN117689256A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5691895A (en) * | 1995-12-18 | 1997-11-25 | International Business Machines Corporation | Mechanism and architecture for manufacturing control and optimization |
CN108537301A (zh) * | 2018-03-21 | 2018-09-14 | 广东鸿图科技股份有限公司 | 一种铝合金压铸产品全工序精准追溯方法 |
AU2020100708A4 (en) * | 2020-05-05 | 2020-06-18 | Li, Wenjun Miss | A prediction method of defaulters of bank loans based on big data mining |
CN114036857A (zh) * | 2021-11-26 | 2022-02-11 | 天津大学 | 一种基于量化分析和概率推理的柔性立管风险评价方法 |
CN114626673A (zh) * | 2022-02-08 | 2022-06-14 | 南京钢铁股份有限公司 | 一种基于贝叶斯网络的连铸坯质量预报方法 |
WO2023197892A1 (zh) * | 2022-04-15 | 2023-10-19 | 中铝智能科技发展有限公司 | 一种铝与铝合金化检验样品自动化制样系统 |
Non-Patent Citations (2)
Title |
---|
左晓娜;刘冀伟;王志良;: "基于TAN贝叶斯网络分类器的测井岩性预测", 微计算机信息, no. 25, 10 September 2006 (2006-09-10), pages 284 - 286 * |
杨联萍;韦申;张其林;: "铝合金空间网格结构研究现状及关键问题", 建筑结构学报, no. 02, 5 February 2013 (2013-02-05), pages 1 - 19 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974167A (zh) * | 2024-03-28 | 2024-05-03 | 江苏省卫生健康发展研究中心 | 三维铜基金属有机框架的合成数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220137612A1 (en) | Transformer fault diagnosis and positioning system based on digital twin | |
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 | |
CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
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 | |
CN114118224B (zh) | 一种基于神经网络的全系统遥测参数异常检测系统 | |
CN114626615B (zh) | 一种生产过程监控管理方法及系统 | |
CN106161138A (zh) | 一种智能自动计量方法及装置 | |
CN117689256A (zh) | 一种铝合金熔铸产品质量溯源方法 | |
CN116129366A (zh) | 基于数字孪生的园区监测方法及相关装置 | |
CN114815759B (zh) | 一种虚实融合的柔性产线可变控制方法及系统 | |
CN109902931A (zh) | 一种基于运行数据融合的多态制造系统运行风险建模方法 | |
CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
JP7442001B1 (ja) | 水力発電ユニットの故障総合診断方法 | |
CN117393076B (zh) | 耐热环氧树脂生产过程智能监测方法及系统 | |
Ungermann et al. | Data analytics for manufacturing systems–a data-driven approach for process optimization | |
CN117196159A (zh) | 基于互联网大数据分析的智慧水务分区计量系统 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
CN111077876B (zh) | 一种电站设备状态智能评价和预警方法、装置及系统 | |
CN111985852A (zh) | 一种基于工业大数据的多业务协同质量管控系统构架方法 | |
CN117194919A (zh) | 一种生产数据分析系统 | |
CN116822353A (zh) | 一种制造工艺过程的数字孪生模型快速构建方法 | |
CN106054832B (zh) | 基于多变量的间歇化工生产过程动态在线监测方法与装置 | |
Takalo-Mattila et al. | Explainable Steel Quality Prediction System Based on Gradient Boosting Decision Trees | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 |
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 |