一种挤压铸造工艺温度参数设计方法技术

本发明专利技术提供一种挤压铸造工艺温度参数设计方法，属于挤压铸造技术领域，工艺参数设计方法首先基于KNN算法参考相近材料铸件的温度工艺参数从材料成分层面对浇注温度和模具预热温度进行初始设计。然后结合铸型参数和广义回归神经网络(GRNN)对设计误差较大的模具预热温度进行修正，建立了误差修正模型。该设计方法基于已有的研究数据，充分参考利用了现有的相关研究成果，无需进行繁琐的实验研究且工艺参数的设计精度较高。相比于现有的工艺参数设计方法，节省了大量的时间成本和实验成本。该方法具有普适性，不仅适用于挤压铸造工艺参数的设计，对于其它类似领域的参数设计同样适用。用。

【技术实现步骤摘要】
一种挤压铸造工艺温度参数设计方法


[0001]本专利技术涉及挤压铸造
，尤其涉及一种挤压铸造工艺温度参数设计方法。

技术介绍

[0002]挤压铸造工艺参数直接影响着铸件的力学性能和微观组织结构，合理的工艺参数是生产具有上述优势的挤压铸件的前提和关键。其中温度参数(浇注温度和模具预热温度)是最重要的参数之一，合理温度下铸件才能顺利凝固，产出成形完整的高质量铸件。不合适的温度会造成金属液流动性不足，导致浇不足或过早凝固，凝固区域分布不均匀，产生缩孔、缩松等缺陷，影响挤压铸件的力学性能。
[0003]现有的挤压铸造工艺参数设计方法主要有完全基于实验研究获取工艺参参数、基于实验数据建模优化获取工艺参数和理论计算三种。完全基于实验研究获取工艺参数方法和基于实验数据建模优化获取工艺参数的方法都需要进行实验，依赖于实验数据，且每次只能针对单一材料和铸件进行实验，而材料成分组成和铸件几何形状多种多样，因此其适应性和柔性差(即使是数值模拟，更换铸件需要重新建模、设计模具，迭代，耗时长)；且成本较高，获取工艺参数的时间较长。而对第三种方法，当前只有部分工艺参数设计公式，也多针对某一具有统一特性的一类铸件，局限性较大会，忽略了工艺参数之间的耦合作用，鲜有兼顾工艺参数间的相互作用，导致理论和实际存在较大误差。可见，现有工艺参数设计方法均有各自的缺点，难以满足挤压铸造工艺参数快速发展和评级应用的需求。
[0004]随着大数据时代的来临，数据成为一种生产资料，迫切需要加强对已有挤压铸造工艺数据的应用，及参考已有工艺参数数据构建数据驱动的工艺参数设计方法，以提高挤压铸造工艺参数的设计效率、降低成本。

技术实现思路

[0005]本专利技术的目的在于提供一种挤压铸造工艺温度参数设计方法，解决现有挤压铸造工艺计效率低和成本高的技术问题。
[0006]该温度工艺参数设计方法首先基于KNN算法参考相近材料铸件的温度工艺参数从材料成分层面对浇注温度和模具预热温度进行初始设计。然后结合铸型参数和广义回归神经网络(GRNN)对设计误差较大的模具预热温度进行修正，建立了误差修正模型。该设计方法基于已有的研究数据，充分参考利用了现有的相关研究成果，无需进行繁琐的实验研究且工艺参数的设计精度较高。相比于现有的工艺参数设计方法，节省了大量的时间成本和实验成本。该方法具有普适性，不仅适用于挤压铸造工艺参数的设计，对于其它类似领域的参数设计同样适用。
[0007]根据本专利技术的挤压铸造工艺参数设计方法，综合考虑了挤压铸造工艺参数的影响因素及其权重，实现了浇注温度和模具预热温度的工艺参数设计。
[0008]该方法结合了K
‑
Nearest Neighbor(KNN)算法和广义回归神经网络(GRNN)。前者初步设计挤压铸造温度参数的初始值，后者修正初始设计值误差较大工艺参数，最终求解
所需的工艺参数。所提出的温度工艺参数设计方法，无需进行繁琐的实验研究，降低了工艺参数的获取成本，达到快速设计工艺参数的目的。不仅适用于挤压铸造领域的工艺参数设计，对于其它类似领域的工艺参数设计同样适用，具有普适性。此外，该方法有助于加强对现有数据的应用，符合大数据时代背景下强调数据利用的时代潮流，有助于制造领域的数字化、智能化制造。
[0009]为了实现上述目的，本专利技术采用的技术方案如下：
[0010]一种挤压铸造工艺温度参数设计方法，所述方法包括如下步骤：
[0011]步骤1：挤压铸造工艺数据的表示，对于已有挤压铸造工艺参数数据集DB，表示为DB＝{S
i
|i＝1,2,
…
,m}，m为数据样本的个数；
[0012]步骤2：基于KNN算法的工艺参数初始设计，将DB中的已有数据样本作为参考对象，利用KNN算找出与设计铸件材料成分相近的K个邻样本，并根据K个近邻样本与设计铸件的材料成分的距离来确定影响权重，然后将K个近邻样本的对应温度工艺参数加权回归值作为设计铸件的温度工艺参数的设计初值，设第i个样本的浇注温度和模具预热温度分别为y
i1
和y
i2
，设目标铸件为O，对应材料成分为{o1,o2,
…
,o
θ
}，浇注温度和模具预热温度分别为y
o1
和y
o2
。
[0013]步骤3：基于GRNN算法的温度参数修正，基于KNN算法预测的浇注温度误差小，可直接应用，而模具预热温度预测值误差大，平均设计误差在12
‑
14％，因为模具预热温度的选择与合金的凝固温度、铸件尺寸形状都有关，为此以下只对模具预热温度进行修正，首先设法基于数据库DB中的数据分析出除材料成分外的影响因素，得到基于GRNN的模具预热温度的修正模型结构，其为有导师型网络，通过样本训练可得到误差修正模型，将模型拟合的误差修正量与模具预热温度初始值求和完成工艺参数的设计。
[0014]进一步地，步骤1的具体过程为：每个样本数据包含挤压铸造的工艺参数、材料成分数据和形状特征数据的属性变量，按照性质将样本属性划分为工艺参数的影响因素X
k
，k＝1，2，...，t，t表示工艺影响因素的个数，工艺参数Y
j
，j＝1，2，...，n，n表示工艺参数的个数，数据样本S
i
的对应属性数据分别为x
ik
和y
ij
，工艺参数包括挤压压力、浇注温度和模具预热温度。
[0015]进一步地，步骤2的具体过程为：
[0016]步骤2.1：对数据进行预处理，利用数据归一化方法消除不同相关属性之间不同纲量的影响：
[0017][0018]式中，max(k)和min(k)分别表示工艺参数数据库中第k列数据的最大值和最小值；
[0019]步骤2.2：计算样本间的距离，通过计算欧氏距离衡量特征空间内样本之间的距离，并根据距离的大小取K个与目标样本近邻的样本，样本距离计算如下所示：
[0020][0021]步骤2.3：根据距离d
i
的大小，按从小到大顺序，取K个与O材料成分距离最小的样本，即近邻聚类样本集CS，CS＝{S
i
′
|i
′
＝1,2
…
,K}，并根据距离关系确定各聚类样本的权重ω
i
′
，表征与O的相近程度，样本权重计算如下式所示：
[0022][0023]ω
i
′
是第i
′
个聚类样本的权重，d
i'
是第i
′
个聚类样本与目标案例的计算距离；
[0024]步骤2.4：根据步骤2.3所得样本权重，对所求的工艺参数进行加权求和，得到目标案例所需的工艺参数，目标案例工艺参数计算如下式所示：
[0025][0026][0027]为提高准确性，基于KNN算法求取最优K值，以构建最优聚类规模，经过寻优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种挤压铸造工艺温度参数设计方法，其特征在于，所述方法包括如下步骤：步骤1：挤压铸造工艺数据的表示，对于已有挤压铸造工艺参数数据集DB，表示为DB＝{S
i
|i＝1,2,
…
,m}，m为数据样本的个数；步骤2：基于KNN算法的工艺参数初始设计，将DB中的已有数据样本作为参考对象，利用KNN算找出与设计铸件材料成分相近的K个邻样本，并根据K个近邻样本与设计铸件的材料成分的距离来确定影响权重，然后将K个近邻样本的对应温度工艺参数加权回归值作为设计铸件的温度工艺参数的设计初值，设第i个样本的浇注温度和模具预热温度分别为y
i1
和y
i2
，设目标铸件为O，对应材料成分为{o1,o2,
…
,o
θ
}，浇注温度和模具预热温度分别为y
o1
和y
o2
；步骤3：基于GRNN算法的温度参数修正，基于KNN算法预测的浇注温度误差小，可直接应用，而模具预热温度预测值误差大，平均设计误差在12
‑
14％，因为模具预热温度的选择与合金的凝固温度、铸件尺寸形状都有关，为此以下只对模具预热温度进行修正，首先设法基于数据库DB中的数据分析出除材料成分外的影响因素，得到基于GRNN的模具预热温度的修正模型结构，其为有导师型网络，通过样本训练可得到误差修正模型，将模型拟合的误差修正量与模具预热温度初始值求和完成工艺参数的设计。2.根据权利要求1所述的一种挤压铸造工艺温度参数设计方法，其特征在于：步骤1的具体过程为：每个样本数据包含挤压铸造的工艺参数、材料成分数据和形状特征数据的属性变量，按照性质将样本属性划分为工艺参数的影响因素X
k
，k＝1，2，...，t，t表示工艺影响因素的个数，工艺参数Y
j
，j＝1，2，...，n，n表示工艺参数的个数，数据样本S
i
的对应属性数据分别为x
ik
和y
ij
，工艺参数包括挤压压力、浇注温度和模具预热温度。3.根据权利要求1所述的一种挤压铸造工艺温度参数设计方法，其特征在于：步骤2的具体过程为：步骤2.1：对数据进行预处理，利用数据归一化方法消除不同相关属性之间不同纲量的影响：式中，max(k)和min(k)分别表示工艺参数数据库中第k列数据的最大值和最小值；步骤2.2：计算样本间的距离，通过计算欧氏距离衡量特征空间内样本之间的距离，并根据距离的大小取K个与目标样本近邻的样本，样本距离计算如下所示：步骤2.3：根据距离d
i
的大小，按从小到大顺序，取K个与O材料成分距离最小的样本，即近邻聚类样本集CS，CS＝{S
i
′
|i
′
＝1,2
…
,K}，并根据距离关系确定各聚类样本的权重ω
i
′
，表征与O的相近程度，样本权重计算如下式所示：ω
i
′
是第i
′
个聚类样本的权重，d

【专利技术属性】
技术研发人员：邓建新，刘光明，谢彬，黄海宾，刘港，贺德强，王令，李先旺，吴秀松，
申请(专利权)人：广西大学，
类型：发明
国别省市：