CN117787507B - 卷带轧制工艺全链条优化方法和装置 - Google Patents
卷带轧制工艺全链条优化方法和装置 Download PDFInfo
- Publication number
- CN117787507B CN117787507B CN202410199541.5A CN202410199541A CN117787507B CN 117787507 B CN117787507 B CN 117787507B CN 202410199541 A CN202410199541 A CN 202410199541A CN 117787507 B CN117787507 B CN 117787507B
- Authority
- CN
- China
- Prior art keywords
- production
- product
- parameters
- standard
- research
- 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 61
- 238000005096 rolling process Methods 0.000 title claims abstract description 39
- 238000004519 manufacturing process Methods 0.000 claims abstract description 284
- 238000012545 processing Methods 0.000 claims abstract description 85
- 238000012827 research and development Methods 0.000 claims abstract description 71
- 238000005457 optimization Methods 0.000 claims abstract description 68
- 238000012544 monitoring process Methods 0.000 claims abstract description 61
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 229910001069 Ti alloy Inorganic materials 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 23
- 238000011160 research Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000002994 raw material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 7
- 230000018109 developmental process Effects 0.000 claims description 7
- 238000003723 Smelting Methods 0.000 claims description 5
- 238000003801 milling Methods 0.000 claims description 5
- 238000000137 annealing Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000005498 polishing Methods 0.000 claims description 4
- 238000013386 optimize process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 3
- 239000010936 titanium Substances 0.000 description 3
- 229910052719 titanium Inorganic materials 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000012356 Product development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910001092 metal group alloy Inorganic materials 0.000 description 1
- 238000012805 post-processing 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
卷带轧制工艺全链条优化方法和装置,基于新产品研发流程开展新产品研发,生成初始化参数;基于试生产结果,对初始化参数进行调整,得到标准生产参数;基于标准生产参数,开展产品生产,并对产品生产过程进行监控,得到监控结果;基于监控结果,对异常流程进行实时预警,对标准生产文档进行优化调整;利用工艺优化神经网络模型完成轧制工艺的全链条优化,能够对钛合金加工的工艺参数和操作规范进行优化调整,提升钛合金产品性能。
Description
技术领域
本发明涉及钛合金卷带轧制领域,特别涉及卷带轧制工艺流程的优化和监控。
背景技术
钛作为一种新兴的结构金属,其与铝、铁等其他元素组成的钛合金,凭借着在耐热性、强度、塑性、韧性等方面的良好表现,从而在航空航天、医疗器械等领域得到了广泛的应用。钛带卷加工是对钛合金材料进行加工制造的过程,其加工工艺、加工流程对最终的钛合金成品性能和质量有着至关重要的影响。
而在现有的带卷加工过程中,针对钛合金原材料配比、熔炼、铣面、轧制以及后期加工工艺等的参数,通常是预先设定好相应的参数和流程,由加工人员按照预先设定的操作规范来完成加工操作。在这种操作模式下,由于产品工艺研发与产品加工过程属于相对独立的两个流程,产品加工过程中新发现的产品质量问题无法及时的反馈到产品工艺研发过程,同时产品加工过程存在的操作不规范等问题也无法得到及时的监督和纠正,容易造成产品性能不达标或者良品率的下降。
因此需要一种对钛合金板材卷带轧制工艺进行全流程优化和监控的方法,以提高钛合金产品性能,实现钛合金产品的稳定量产。
发明内容
本发明的目的在于提供一种卷带轧制工艺全链条优化方法和装置,以提高钛合金产品性能,实现钛合金产品的稳定量产。
本发明提供一种卷带轧制工艺全链条优化方法,包括以下步骤:
1、基于新产品研发流程开展新产品研发,生成板材轧制工艺的初始化参数。
初始化参数包括钛合金板材的初始加工工艺参数以及加工过程的初始操作规范。具体的,研发工程师基于客户对产品的机械和/或力学性能要求,以及新产品研发流程,开展新产品研发工作,基于研发结果生成初始加工工艺参数和初始操作规范。其中,加工工艺参数包括钛合金原材料配比、板材厚度、卷取参数、退火参数、磨抛参数、熔炼参数、铣面参数、轧制参数等;操作规范包括安全生产规范、原材料使用规范、设备操作规范、生产流程规范等,本发明对此不做限制。基于所述初始化参数,生成并保存初始生产文档。
2、基于试生产结果,对初始化参数进行调整,生成标准生产参数。
新产品研发流程结束后,基于所述初始生产文档,开展产品试生产工作,基于试生产结果,对初始化参数进行调整,得到标准生产参数。具体的,研发工程师与生产工程师共同参与产品试生产,基于研发过程所生成的初始加工工艺参数和初始操作规范开展产品试生产,实时记录试生产过程生成的反馈参数,对试生产产品性能进行测量,记录测量结果。基于所述反馈参数和测量结果,对初始化参数进行调整,生成标准生产参数,包括标准加工工艺参数和标准操作规范。试生产过程能够使产品研发工艺得到及时的调整和优化,使新产品能够得到稳定的量产。基于所述标准生产参数,生成并保存标准生产文档,作为产品生产基准和监控结果对比基准。
3、基于标准生产参数,开展产品生产,并对产品生产过程进行监控,得到监控结果。
具体的,生产工程师基于试生产过程形成的标准加工工艺参数和标准操作规范,完成钛合金板材生产加工。在加工生产线布置传感器和摄像头等数据采集设备,对产品生产过程进行监控,得到监控结果。其中,传感器包括温度传感器、卷取速度传感器等,用于采集并传输产品生产过程中产生的产品状态参数、设备状态参数等;摄像头采集并传输产品生产过程中产生的产品图像、工程师操作图像,将产品状态参数、设备状态参数、产品图像、工程师操作图像等作为监控结果用于异常识别。同时,记录并保存所述监控结果,生成生产过程文档。
4、基于监控结果,对异常流程进行实时预警,和/或对标准生产文档进行优化调整。
基于得到的监控结果,与标准生产文档进行比对,基于比对结果执行后续处理。具体的,若比对结果为生产工程师的操作不符合标准加工工艺参数和标准操作规范而可能导致产品性能不达标,则对研发工程师和生产工程师进行实时预警;若比对结果为需要对标准生产文档进行进一步调整,则对研发工程师和生产工程师进行实时预警,同时返回步骤2。
5、基于研发和/或生产过程采集的数据,生成并保存产品生产文档。
具体的,利用所述初始生产文档、标准生产文档、生产过程文档,生成产品研发、生产的产品生产文档,将产品生产文档保存在经验数据库中。研发工程师可以利用所述产品生产文档作为后续新产品研发的参考和依据。
进一步的,还可以利用所述产品生产文档作为输入,对神经网络进行训练,得到工艺优化神经网络模型;利用所述工艺优化神经网络模型完成新产品研发、生成标准生产参数、监控结果比对等过程。
对应卷带轧制工艺全链条优化方法,本发明还提供一种卷带轧制工艺全链条优化装置,包括:
初始化模块,用于基于新产品研发流程开展新产品研发,生成板材轧制工艺的初始化参数。
试生产模块,用于基于试生产结果,对初始化参数进行调整,得到标准生产参数。
标准生产模块,用于基于标准生产参数,开展产品生产,并对产品生产过程进行监控,得到监控结果。
监控分析模块,用于基于监控结果,对异常流程进行实时预警,和/或对标准生产文档进行优化调整。
数据库模块,用于基于研发和/或生产过程采集的数据,生成并保存产品生产文档。
本发明还提供一种装置,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序实现如上所述的卷带轧制工艺全链条优化方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的卷带轧制工艺全链条优化方法的步骤。
本发明提供的卷带轧制工艺全链条优化方法和装置,通过基于新产品研发流程开展新产品研发,生成板材轧制工艺的初始化参数;基于试生产结果,对初始化参数进行调整,得到标准生产参数;基于标准生产参数,开展产品生产,并对产品生产过程进行监控,得到监控结果;基于监控结果,对异常流程进行实时预警,和/或对标准生产文档进行优化调整;还可以利用工艺优化神经网络模型完成轧制工艺的全链条优化,能够及时对钛合金加工的工艺参数和操作规范进行优化调整,研发人员和生产人员共同参与产品工艺参数和操作规范的制定,并及时将产品生产过程的异常行为预警反馈给研发端和生产端以进行后续处理,能够有效提升钛合金产品性能,满足客户需求,提高产品的良品率,实现钛合金产品的稳定量产。
附图说明
图1为卷带轧制工艺全链条优化流程图;
图2为卷带轧制工艺全链条优化装置的框图。
具体实施方式
下面结合实施例对本发明做进一步说明。
提供一种卷带轧制工艺全链条优化方法和装置,以提高钛合金产品性能,实现钛合金产品的稳定量产。
如图1所示,一种卷带轧制工艺全链条优化方法,包括如下步骤:
1、基于新产品研发流程开展新产品研发,生成板材轧制工艺的初始化参数。
初始化参数包括钛合金板材的初始加工工艺参数以及加工过程的初始操作规范。具体的,研发工程师基于客户对产品的机械和/或力学性能要求,以及新产品研发流程,开展新产品研发工作,基于研发结果生成初始加工工艺参数和初始操作规范。其中,加工工艺参数包括钛合金原材料配比、板材厚度、卷取参数、退火参数、磨抛参数、熔炼参数、铣面参数、轧制参数等;操作规范包括安全生产规范、原材料使用规范、设备操作规范、生产流程规范等,本发明对此不做限制。基于所述初始化参数,生成并保存初始生产文档。
进一步的,研发工程师利用客户对产品的机械和/或力学性能要求以及新产品研发流程作为输入,输入到工艺优化神经网络模型的初始化参数部中,所述工艺优化神经网络模型的初始化参数部输出初始加工工艺参数和初始操作规范,所述加工工艺参数和操作规范对应于所需的产品性能要求。所述工艺优化神经网络模型是利用历史产品研发和生产过程中所形成的文档作为输入对神经网络进行训练而得到的。所述工艺优化神经网络模型包括初始化参数部、标准生产参数部、监控比对部,所述初始化参数部、标准生产参数部、监控比对部分别基于全连接神经网络、BP神经网络、卷积神经网络、图神经网络等常规模型或其组合构建,本发明对此不做限制。
2、基于试生产结果,对初始化参数进行调整,生成标准生产参数。
新产品研发流程结束后,基于所述初始生产文档,开展产品试生产工作,基于试生产结果,对初始化参数进行调整,得到标准生产参数。
具体的,研发工程师与生产工程师共同参与产品试生产,基于研发过程所生成的初始加工工艺参数和初始操作规范开展产品试生产,实时记录试生产过程生成的反馈参数,对试生产产品性能进行测量,记录测量结果。基于所述反馈参数和测量结果,对初始化参数进行调整,生成标准生产参数,所述标准生产参数包括标准加工工艺参数和标准操作规范。
若所述测量结果和反馈参数均满足要求,则将所述初始加工工艺参数和初始操作规范输出作为标准加工工艺参数和标准操作规范;若测量结果和/或反馈参数需要调整,则将所述初始加工工艺参数和初始操作规范、所述反馈参数与所述测量结果输入到工艺优化神经网络模型的标准生产参数部中,同时输入研发工程师与生产工程师设定的约束目标,所述约束目标包括迭代次数约束(迭代次数可以根据经验设定,例如,设定N=5);所述工艺优化神经网络模型的标准生产参数部输出调整结果,所述调整结果为符合产品性能要求的结果,当所述工艺优化神经网络模型运行达到迭代次数并未能生成符合产品性能要求的调整结果时,停止所述工艺优化神经网络模型的运行,并将最后一次的运行结果作为调整结果进行输出;研发工程师与生产工程师对调整结果修改核实后,再次完成产品试生产流程,直至测量结果和反馈参数均满足要求,输出标准生产参数,所述标准生产参数包括标准加工工艺参数和标准操作规范。
基于所述标准生产参数,生成并保存标准生产文档,作为产品生产基准和监控结果对比基准。
3、基于标准生产参数,开展产品生产,并对产品生产过程进行监控,得到监控结果。
具体的,生产工程师基于试生产过程形成的标准加工工艺参数和标准操作规范,完成钛合金板材生产加工。在加工生产线布置传感器和摄像头等数据采集设备,对产品生产过程进行监控,得到监控结果。其中,传感器包括温度传感器、卷取速度传感器等,用于采集并传输产品生产过程中产生的产品状态参数、设备状态参数等;摄像头采集并传输产品生产过程中产生的产品图像、工程师操作图像,将产品状态参数、设备状态参数、产品图像、工程师操作图像等作为监控结果用于异常识别。同时,记录并保存所述监控结果,生成生产过程文档。
4、基于监控结果,对异常流程进行实时预警,和/或对标准生产文档进行优化调整。
基于得到的监控结果,与标准生产文档进行比对,基于比对结果执行后续处理。具体的,识别并分析所述产品状态参数、设备状态参数、产品图像、工程师操作图像,将所述识别分析的结果与所述标准生产文档共同输入到工艺优化神经网络模型中,利用所述工艺优化神经网络模型的监控比对部对所述识别分析的结果进行比对,分析所述钛合金产品的生产加工流程是否符合标准加工工艺参数和标准操作规范的规定。若比对结果为识别出的生产工程师的操作不符合标准加工工艺参数和标准操作规范而可能导致产品性能不达标,则对研发工程师和生产工程师进行实时预警;若比对结果为需要对标准生产文档进行进一步调整,则对研发工程师和生产工程师进行实时预警,同时暂停产品生产并返回产品试生产的步骤,对标准加工工艺参数和标准操作规范进行进一步的调整。
5、基于研发和/或生产过程采集的数据,生成并保存产品生产文档。
具体的,利用所述初始生产文档、标准生产文档、生产过程文档,生成产品研发、生产的产品生产文档,将所述产品生产文档保存到经验数据库中。利用所述产品生产文档作为神经网络的输入对所述工艺优化神经网络模型进行训练,得到优化后的所述工艺优化神经网络模型,基于所述工艺优化神经网络模型完成后续新产品的工艺全链条优化。
进一步的,所述神经网络模型的训练、输入、输出过程包括:
对产品研发流程、历史产品研发和生产过程中所形成的文档、操作规范等进行语义分割,得到特征关键词;对特征关键词、产品性能要求、加工工艺参数、反馈参数、测量结果等进行预处理,得到输入特征向量;利用所述输入特征向量作为神经网络模型的输入和/或对神经网络模型进行训练;所述神经网络模型生成输出特征向量,对所述输出特征向量进行处理得到输出关键词、输出参数,利用所述输出关键词、输出参数生成加工工艺参数、操作规范、调整结果等输出文档。
本发明提供的卷带轧制工艺全链条优化方法,通过基于新产品研发流程开展新产品研发,生成板材轧制工艺的初始化参数;基于试生产结果,对初始化参数进行调整,得到标准生产参数;基于标准生产参数,开展产品生产,并对产品生产过程进行监控,得到监控结果;基于监控结果,对异常流程进行实时预警,和/或对标准生产文档进行优化调整;还可以利用工艺优化神经网络模型完成轧制工艺的全链条优化,能够及时对钛合金加工的工艺参数和操作规范进行优化调整,研发人员和生产人员共同参与产品工艺参数和操作规范的制定,并及时将产品生产过程的异常行为预警反馈给研发端和生产端以进行后续处理,能够有效提升钛合金产品性能,满足客户需求,提高产品的良品率,实现钛合金产品的稳定量产。
对应于卷带轧制工艺全链条优化方法,如图2所示,本发明还提供一种卷带轧制工艺全链条优化装置,包括:
初始化模块,用于基于新产品研发流程开展新产品研发,生成板材轧制工艺的初始化参数。
试生产模块,用于基于试生产结果,对初始化参数进行调整,得到标准生产参数。
标准生产模块,用于基于标准生产参数,开展产品生产,并对产品生产过程进行监控,得到监控结果。
监控分析模块,用于基于监控结果,对异常流程进行实时预警,和/或对标准生产文档进行优化调整。
数据库模块,用于基于研发和/或生产过程采集的数据,生成并保存产品生产文档。
本发明还提供一种装置,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序实现如上所述的卷带轧制工艺全链条优化方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的卷带轧制工艺全链条优化方法的步骤。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (3)
1.一种卷带轧制工艺全链条优化方法,包括如下步骤:
基于新产品研发流程开展新产品研发,生成板材轧制工艺的初始化参数;包括:初始化参数包括钛合金板材的初始加工工艺参数以及加工过程的初始操作规范;研发工程师基于客户对产品的机械和力学性能要求,以及新产品研发流程,开展新产品研发工作,基于研发结果生成初始加工工艺参数和初始操作规范;其中,加工工艺参数包括钛合金原材料配比、板材厚度、卷取参数、退火参数、磨抛参数、熔炼参数、铣面参数、轧制参数;操作规范包括安全生产规范、原材料使用规范、设备操作规范、生产流程规范;基于所述初始化参数,生成并保存初始生产文档;研发工程师利用客户对产品的机械和力学性能要求以及新产品研发流程作为输入,输入到工艺优化神经网络模型的初始化参数部中,所述工艺优化神经网络模型的初始化参数部输出初始加工工艺参数和初始操作规范,所述加工工艺参数和操作规范对应于所需的产品性能要求;所述工艺优化神经网络模型是利用历史产品研发和生产过程中所形成的文档作为输入对神经网络进行训练得到,所述工艺优化神经网络模型包括初始化参数部、标准生产参数部、监控比对部;
研发工程师与生产工程师共同参与产品试生产,基于试生产结果,对初始化参数进行调整,得到标准生产参数,包括:新产品研发流程结束后,基于所述初始生产文档,开展产品试生产工作,基于试生产结果,对初始化参数进行调整,得到标准生产参数;研发工程师与生产工程师共同参与产品试生产,基于研发过程所生成的初始加工工艺参数和初始操作规范开展产品试生产,实时记录试生产过程生成的反馈参数,对试生产产品性能进行测量,记录测量结果;基于所述反馈参数和测量结果,对初始化参数进行调整,生成标准生产参数,所述标准生产参数包括标准加工工艺参数和标准操作规范;若所述测量结果和反馈参数均满足要求,则将所述初始加工工艺参数和初始操作规范输出作为标准加工工艺参数和标准操作规范;若测量结果和反馈参数需要调整,则将所述初始加工工艺参数和初始操作规范、所述反馈参数与所述测量结果输入到工艺优化神经网络模型的标准生产参数部中,同时输入研发工程师与生产工程师设定的约束目标,所述约束目标包括迭代次数约束;所述工艺优化神经网络模型的标准生产参数部输出调整结果,所述调整结果为符合产品性能要求的结果,当所述工艺优化神经网络模型运行达到迭代次数并未能生成符合产品性能要求的调整结果时,停止所述工艺优化神经网络模型的运行,并将最后一次的运行结果作为调整结果进行输出;研发工程师与生产工程师对调整结果修改核实后,再次完成产品试生产流程,直至测量结果和反馈参数均满足要求,输出标准生产参数,所述标准生产参数包括标准加工工艺参数和标准操作规范;
基于标准生产参数,开展产品生产,并对产品生产过程进行监控,得到监控结果,包括:生产工程师基于试生产过程形成的标准加工工艺参数和标准操作规范,完成钛合金板材生产加工;在加工生产线布置数据采集设备,数据采集设备包括传感器和摄像头,对产品生产过程进行监控,得到监控结果;其中,传感器包括温度传感器、卷取速度传感器,用于采集并传输产品生产过程中产生的产品状态参数、设备状态参数;摄像头采集并传输产品生产过程中产生的产品图像、工程师操作图像,将产品状态参数、设备状态参数、产品图像、工程师操作图像作为监控结果用于异常识别;记录并保存所述监控结果,生成生产过程文档;
基于监控结果,对异常流程进行实时预警,对标准生产文档进行优化调整,包括:基于得到的监控结果,与标准生产文档进行比对,基于比对结果执行后续处理;识别并分析所述产品状态参数、设备状态参数、产品图像、工程师操作图像,将识别分析的结果与所述标准生产文档共同输入到工艺优化神经网络模型中,利用所述工艺优化神经网络模型的监控比对部对所述识别分析的结果进行比对,分析钛合金产品的生产加工流程是否符合标准加工工艺参数和标准操作规范的规定;若比对结果为识别出的生产工程师的操作不符合标准加工工艺参数和标准操作规范而可能导致产品性能不达标,则对研发工程师和生产工程师进行实时预警;若比对结果为需要对标准生产文档进行进一步调整,则对研发工程师和生产工程师进行实时预警,同时暂停产品生产并返回产品试生产的步骤,对标准加工工艺参数和标准操作规范进行进一步的调整;
基于研发和生产过程采集的数据,生成并保存产品生产文档,包括:利用所述初始生产文档、标准生产文档、生产过程文档,生成产品研发、生产的产品生产文档,将所述产品生产文档保存到经验数据库中;利用所述产品生产文档作为神经网络的输入对所述工艺优化神经网络模型进行训练,得到优化后的所述工艺优化神经网络模型,基于所述工艺优化神经网络模型完成后续新产品的工艺全链条优化;
所述神经网络模型的训练、输入、输出过程包括:对产品研发流程、历史产品研发和生产过程中所形成的文档、操作规范进行语义分割,得到特征关键词;对特征关键词、产品性能要求、加工工艺参数、反馈参数、测量结果进行预处理,得到输入特征向量;利用所述输入特征向量作为神经网络模型的输入和对神经网络模型进行训练;所述神经网络模型生成输出特征向量,对所述输出特征向量进行处理得到输出关键词、输出参数,利用所述输出关键词、输出参数生成输出文档,输出文档包括加工工艺参数、操作规范、调整结果。
2.一种卷带轧制工艺全链条优化装置,包括:
初始化模块,用于基于新产品研发流程开展新产品研发,生成板材轧制工艺的初始化参数;初始化参数包括钛合金板材的初始加工工艺参数以及加工过程的初始操作规范;研发工程师基于客户对产品的机械和力学性能要求,以及新产品研发流程,开展新产品研发工作,基于研发结果生成初始加工工艺参数和初始操作规范;其中,加工工艺参数包括钛合金原材料配比、板材厚度、卷取参数、退火参数、磨抛参数、熔炼参数、铣面参数、轧制参数;操作规范包括安全生产规范、原材料使用规范、设备操作规范、生产流程规范;基于所述初始化参数,生成并保存初始生产文档;研发工程师利用客户对产品的机械和力学性能要求以及新产品研发流程作为输入,输入到工艺优化神经网络模型的初始化参数部中,所述工艺优化神经网络模型的初始化参数部输出初始加工工艺参数和初始操作规范,所述加工工艺参数和操作规范对应于所需的产品性能要求;所述工艺优化神经网络模型是利用历史产品研发和生产过程中所形成的文档作为输入对神经网络进行训练得到,所述工艺优化神经网络模型包括初始化参数部、标准生产参数部、监控比对部;
试生产模块,用于研发工程师与生产工程师共同参与产品试生产,基于试生产结果,对初始化参数进行调整,得到标准生产参数;新产品研发流程结束后,基于所述初始生产文档,开展产品试生产工作,基于试生产结果,对初始化参数进行调整,得到标准生产参数;研发工程师与生产工程师共同参与产品试生产,基于研发过程所生成的初始加工工艺参数和初始操作规范开展产品试生产,实时记录试生产过程生成的反馈参数,对试生产产品性能进行测量,记录测量结果;基于所述反馈参数和测量结果,对初始化参数进行调整,生成标准生产参数,所述标准生产参数包括标准加工工艺参数和标准操作规范;若所述测量结果和反馈参数均满足要求,则将所述初始加工工艺参数和初始操作规范输出作为标准加工工艺参数和标准操作规范;若测量结果和反馈参数需要调整,则将所述初始加工工艺参数和初始操作规范、所述反馈参数与所述测量结果输入到工艺优化神经网络模型的标准生产参数部中,同时输入研发工程师与生产工程师设定的约束目标,所述约束目标包括迭代次数约束;所述工艺优化神经网络模型的标准生产参数部输出调整结果,所述调整结果为符合产品性能要求的结果,当所述工艺优化神经网络模型运行达到迭代次数并未能生成符合产品性能要求的调整结果时,停止所述工艺优化神经网络模型的运行,并将最后一次的运行结果作为调整结果进行输出;研发工程师与生产工程师对调整结果修改核实后,再次完成产品试生产流程,直至测量结果和反馈参数均满足要求,输出标准生产参数,所述标准生产参数包括标准加工工艺参数和标准操作规范;
标准生产模块,用于基于标准生产参数,开展产品生产,并对产品生产过程进行监控,得到监控结果;生产工程师基于试生产过程形成的标准加工工艺参数和标准操作规范,完成钛合金板材生产加工;在加工生产线布置数据采集设备,数据采集设备包括传感器和摄像头,对产品生产过程进行监控,得到监控结果;其中,传感器包括温度传感器、卷取速度传感器,用于采集并传输产品生产过程中产生的产品状态参数、设备状态参数;摄像头采集并传输产品生产过程中产生的产品图像、工程师操作图像,将产品状态参数、设备状态参数、产品图像、工程师操作图像作为监控结果用于异常识别;记录并保存所述监控结果,生成生产过程文档;
监控分析模块,用于基于监控结果,对异常流程进行实时预警,对标准生产文档进行优化调整;基于得到的监控结果,与标准生产文档进行比对,基于比对结果执行后续处理;识别并分析所述产品状态参数、设备状态参数、产品图像、工程师操作图像,将识别分析的结果与所述标准生产文档共同输入到工艺优化神经网络模型中,利用所述工艺优化神经网络模型的监控比对部对所述识别分析的结果进行比对,分析钛合金产品的生产加工流程是否符合标准加工工艺参数和标准操作规范的规定;若比对结果为识别出的生产工程师的操作不符合标准加工工艺参数和标准操作规范而可能导致产品性能不达标,则对研发工程师和生产工程师进行实时预警;若比对结果为需要对标准生产文档进行进一步调整,则对研发工程师和生产工程师进行实时预警,同时暂停产品生产并返回产品试生产的步骤,对标准加工工艺参数和标准操作规范进行进一步的调整;
数据库模块,用于基于研发和生产过程采集的数据,生成并保存产品生产文档;利用所述初始生产文档、标准生产文档、生产过程文档,生成产品研发、生产的产品生产文档,将所述产品生产文档保存到经验数据库中;利用所述产品生产文档作为神经网络的输入对所述工艺优化神经网络模型进行训练,得到优化后的所述工艺优化神经网络模型,基于所述工艺优化神经网络模型完成后续新产品的工艺全链条优化;
所述神经网络模型的训练、输入、输出过程包括:对产品研发流程、历史产品研发和生产过程中所形成的文档、操作规范进行语义分割,得到特征关键词;对特征关键词、产品性能要求、加工工艺参数、反馈参数、测量结果进行预处理,得到输入特征向量;利用所述输入特征向量作为神经网络模型的输入和对神经网络模型进行训练;所述神经网络模型生成输出特征向量,对所述输出特征向量进行处理得到输出关键词、输出参数,利用所述输出关键词、输出参数生成输出文档,输出文档包括加工工艺参数、操作规范、调整结果。
3.一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410199541.5A CN117787507B (zh) | 2024-02-23 | 2024-02-23 | 卷带轧制工艺全链条优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410199541.5A CN117787507B (zh) | 2024-02-23 | 2024-02-23 | 卷带轧制工艺全链条优化方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117787507A CN117787507A (zh) | 2024-03-29 |
CN117787507B true CN117787507B (zh) | 2024-05-03 |
Family
ID=90401949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410199541.5A Active CN117787507B (zh) | 2024-02-23 | 2024-02-23 | 卷带轧制工艺全链条优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787507B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782771A (zh) * | 2010-03-17 | 2010-07-21 | 东华大学 | 基于免疫神经网络的纺丝工艺智能优化设计方法 |
CN111014285A (zh) * | 2019-11-29 | 2020-04-17 | 攀钢集团攀枝花钢钒有限公司 | 钢轨规格尺寸在线自动调整系统 |
CN111047225A (zh) * | 2020-01-10 | 2020-04-21 | 惠州光弘科技股份有限公司 | 一种基于边缘侧模型处理的smt表面组装组件焊点的质量评定方法 |
CN113537791A (zh) * | 2021-03-01 | 2021-10-22 | 广东耀东华装饰材料科技有限公司 | 一种单一工序多工艺多组合的饰面人造板柔性排产系统 |
CN115815345A (zh) * | 2022-11-16 | 2023-03-21 | 天铁热轧板有限公司 | 预测全流程热轧带钢力学性能的机理协同预报方法及系统 |
CN116187731A (zh) * | 2022-12-21 | 2023-05-30 | 中冶武汉冶金建筑研究院有限公司 | 一种基于神经网络的透水砖压制成型产线的动态优化方法 |
CN116259379A (zh) * | 2023-01-03 | 2023-06-13 | 天铁热轧板有限公司 | 一种热轧带钢形变性能的在线智能预测方法及预测系统 |
CN116344355A (zh) * | 2023-04-03 | 2023-06-27 | 上海美维科技有限公司 | 封装基板的制作方法 |
CN116449790A (zh) * | 2023-06-16 | 2023-07-18 | 江苏省沙钢钢铁研究院有限公司 | 宽厚板的生产控制方法 |
CN116822380A (zh) * | 2023-08-29 | 2023-09-29 | 昆明理工大学 | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 |
CN117270483A (zh) * | 2023-11-22 | 2023-12-22 | 中控技术股份有限公司 | 化工生产装置全流程动态优化控制方法、装置、电子设备 |
CN117348558A (zh) * | 2023-10-27 | 2024-01-05 | 鞍钢集团矿业有限公司 | 基于大数据分析的压滤生产闭环建模和优化控制方法 |
CN117391641A (zh) * | 2023-12-12 | 2024-01-12 | 珠海行知生物科技有限公司 | 一种生发剂生产流程管理方法及系统 |
CN117473833A (zh) * | 2023-11-10 | 2024-01-30 | 山西太钢不锈钢股份有限公司 | 基于有限元和神经网络的棒线材轧制力预测方法及装置 |
CN117574721A (zh) * | 2023-11-20 | 2024-02-20 | 华中科技大学 | 一种工艺参数概率模型优化方法 |
-
2024
- 2024-02-23 CN CN202410199541.5A patent/CN117787507B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782771A (zh) * | 2010-03-17 | 2010-07-21 | 东华大学 | 基于免疫神经网络的纺丝工艺智能优化设计方法 |
CN111014285A (zh) * | 2019-11-29 | 2020-04-17 | 攀钢集团攀枝花钢钒有限公司 | 钢轨规格尺寸在线自动调整系统 |
CN111047225A (zh) * | 2020-01-10 | 2020-04-21 | 惠州光弘科技股份有限公司 | 一种基于边缘侧模型处理的smt表面组装组件焊点的质量评定方法 |
CN113537791A (zh) * | 2021-03-01 | 2021-10-22 | 广东耀东华装饰材料科技有限公司 | 一种单一工序多工艺多组合的饰面人造板柔性排产系统 |
CN115815345A (zh) * | 2022-11-16 | 2023-03-21 | 天铁热轧板有限公司 | 预测全流程热轧带钢力学性能的机理协同预报方法及系统 |
CN116187731A (zh) * | 2022-12-21 | 2023-05-30 | 中冶武汉冶金建筑研究院有限公司 | 一种基于神经网络的透水砖压制成型产线的动态优化方法 |
CN116259379A (zh) * | 2023-01-03 | 2023-06-13 | 天铁热轧板有限公司 | 一种热轧带钢形变性能的在线智能预测方法及预测系统 |
CN116344355A (zh) * | 2023-04-03 | 2023-06-27 | 上海美维科技有限公司 | 封装基板的制作方法 |
CN116449790A (zh) * | 2023-06-16 | 2023-07-18 | 江苏省沙钢钢铁研究院有限公司 | 宽厚板的生产控制方法 |
CN116822380A (zh) * | 2023-08-29 | 2023-09-29 | 昆明理工大学 | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 |
CN117348558A (zh) * | 2023-10-27 | 2024-01-05 | 鞍钢集团矿业有限公司 | 基于大数据分析的压滤生产闭环建模和优化控制方法 |
CN117473833A (zh) * | 2023-11-10 | 2024-01-30 | 山西太钢不锈钢股份有限公司 | 基于有限元和神经网络的棒线材轧制力预测方法及装置 |
CN117574721A (zh) * | 2023-11-20 | 2024-02-20 | 华中科技大学 | 一种工艺参数概率模型优化方法 |
CN117270483A (zh) * | 2023-11-22 | 2023-12-22 | 中控技术股份有限公司 | 化工生产装置全流程动态优化控制方法、装置、电子设备 |
CN117391641A (zh) * | 2023-12-12 | 2024-01-12 | 珠海行知生物科技有限公司 | 一种生发剂生产流程管理方法及系统 |
Non-Patent Citations (2)
Title |
---|
双机架平整机轧制力智能模型研究;何海涛;李兴东;蒋岳峰;;中国机械工程;20060930(第18期);全文 * |
基于卷取温度预测的层流冷却优化控制模型;彭熹;吴敏;曹卫华;冯春;;计算机测量与控制;20070225(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117787507A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
CN104700200B (zh) | 一种面向数字化车间的产品多元质量监控方法 | |
Peng et al. | Quality-related prediction and monitoring of multi-mode processes using multiple PLS with application to an industrial hot strip mill | |
Wells et al. | Statistical process monitoring approach for high-density point clouds | |
Ma et al. | A novel hierarchical detection and isolation framework for quality-related multiple faults in large-scale processes | |
JP5516390B2 (ja) | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 | |
CN109675935B (zh) | 一种变控制限的ipca轧制过程在线故障诊断方法 | |
CN101911272A (zh) | 用于超声波键合的方法和设备 | |
JP6439780B2 (ja) | 電磁鋼板の磁気特性予測装置及び磁気特性制御装置 | |
Garg et al. | A two-phase approach for reliability and maintainability analysis of an industrial system | |
JP5962290B2 (ja) | 鋼材の熱伝達係数予測装置及び冷却制御方法 | |
CN110096036A (zh) | 一种设备状态的确定方法、装置及设备 | |
CN111950577A (zh) | 一种点检方法及装置 | |
CN117787507B (zh) | 卷带轧制工艺全链条优化方法和装置 | |
Takami et al. | Multivariable data analysis of a cold rolling control system to minimise defects | |
Li et al. | CNN-GRU network-based force prediction approach for variable working condition milling clamping points of deformable parts | |
Wang et al. | Research on tool remaining life prediction method based on CNN-LSTM-PSO | |
Li et al. | Partial Domain Adaptation in Remaining Useful Life Prediction With Incomplete Target Data | |
CN109948746A (zh) | 一种基于传感器的钢坯信息追溯方法 | |
JPWO2019016892A1 (ja) | 品質分析装置及び品質分析方法 | |
Kraft et al. | Novel concept for measurement of global blank draw-in when deep drawing outer skin automotive components | |
CN111160464B (zh) | 基于多隐层加权动态模型的工业高阶动态过程软测量方法 | |
JP2022508735A (ja) | 金属ワークピースの製造方法 | |
Zhang et al. | Unit-level modelling for KPI of batch hot strip mill process using dynamic partial least squares | |
Tang et al. | Monitoring and fault diagnosis using fisher discrimnant analysis |
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 |