CN113343568B - 一种水平连续铸造生产工艺优化方法及*** - Google Patents
一种水平连续铸造生产工艺优化方法及*** Download PDFInfo
- Publication number
- CN113343568B CN113343568B CN202110608714.0A CN202110608714A CN113343568B CN 113343568 B CN113343568 B CN 113343568B CN 202110608714 A CN202110608714 A CN 202110608714A CN 113343568 B CN113343568 B CN 113343568B
- Authority
- CN
- China
- Prior art keywords
- production process
- oxygen content
- elongation
- process parameter
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/16—Controlling or regulating processes or operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种水平连续铸造生产工艺优化方法及***,方法包括:按照水平连铸金属杆的产品批号分别采集生产工艺参数数据和核心质量指标检测数据;采用逐步回归方法对各个产品批号的生产工艺参数数据与核心质量指标检测数据进行关联分析,得到关联数据集;根据核心质量指标检测数据的检验临界值对关联数据集中各个产品批号的水平连铸金属杆进行质量标记,得到标记数据集;采用神经网络分类法对标记数据集进行分类训练,得到分类模型;按照标记数据集中的生产工艺参数的类别,将备选的生产工艺参数设定值代入到分类模型中进行验证;根据输出结果确定选用的生产工艺参数设定值,得到优化后的准确、可靠的生产工艺参数设定值。
Description
技术领域
本发明涉及生产工艺参数优化领域,特别是涉及一种水平连续铸造生产工艺优化方法及***。
背景技术
水平连续铸造简称为水平连铸,在水平连铸生产过程中,熔炼温度、熔炼时间、保温炉温度、真空室气压、结晶器冷却水温度、结晶器冷却水流速和水平连铸速度等是需要技术人员或设备操作人员提前设定的关键生产工艺参数,这些生产工艺参数设定值的合理与否,直接影响生产出来的水平连铸金属杆成品的质量及性能。
目前,在水平连铸生产过程中,主要根据技术人员和生产人员的个人经验确定及调整上述生产工艺参数,缺乏生产工艺参数调整标准,使加工精度降低,水平连铸金属杆成品的质量参差不齐,经常因生产工艺参数调整不当产生批量不合格品,难以实现产品性能优化的目标。
因此,目前亟需一种水平连续铸造生产工艺优化方法及***,以解决现有技术中存在的上述技术问题。
发明内容
本发明的目的是提供一种水平连续铸造生产工艺优化方法及***,可用于真空水平连铸生产中的工艺参数的设置和调整,得到优化的生产工艺参数设定值,可有效提升加工精度,提高产品质量。
为实现上述目的,本发明提供了如下方案:
一种水平连续铸造生产工艺优化方法,包括:
按照水平连铸金属杆的产品批号分别采集生产工艺参数数据和核心质量指标检测数据;
采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述核心质量指标检测数据进行关联分析,得到关联数据集;
根据所述核心质量指标检测数据的检验临界值对所述关联数据集中各个产品批号的水平连铸金属杆进行质量标记,得到标记数据集;
采用神经网络分类法对所述标记数据集进行分类训练,得到分类模型;
按照所述标记数据集中的生产工艺参数的类别,将备选的生产工艺参数设定值代入到所述分类模型中进行验证,得到输出结果;
根据所述输出结果确定选用的所述生产工艺参数设定值,得到优化后的生产工艺参数设定值。
可选的,当所述核心质量检测数据包括氧含量检测数据和延伸率检测数据时,所述水平连续铸造生产工艺优化方法具体包括:
采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述氧含量检测数据和所述延伸率检测数据进行关联分析,得到氧含量关联数据集和延伸率关联数据集;
根据氧含量和延伸率的检验临界值,分别对所述氧含量关联数据集和所述延伸率关联数据集中各个产品批号的水平连铸金属杆进行质量标记,得到氧含量标记数据集和延伸率标记数据集;
采用神经网络分类法分别对所述氧含量标记数据集和所述延伸率标记数据集进行分类训练,得到氧含量分类模型和延伸率分类模型;
按照所述氧含量标记数据集和所述延伸率标记数据集中的生产工艺参数的类别,将备选的氧含量生产工艺参数设定值和延伸率生产工艺参数设定值分别对应代入到所述氧含量分类模型和所述延伸率分类模型中进行验证,得到输出结果;
根据所述输出结果确定选用的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值,得到优化后的生产工艺参数设定值。
可选的,所述按照水平连铸金属杆的产品批号分别采集生产工艺参数数据和核心质量指标检测数据,具体包括:
根据水平连铸金属杆的产品批号,采集加工所述产品批号的水平连铸金属杆的加工设备上存储的所述生产工艺参数数据,得到按照产品批号分类的多组所述生产工艺参数数据;
根据所述产品批号,采集各个所述产品批号的水平连铸金属杆的所述核心质量指标检测数据,得到按照产品批号分类且与多组所述生产工艺参数数据分别对应的多组所述核心质量指标检测数据。
可选的,所述采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述氧含量检测数据和所述延伸率检测数据进行关联分析,得到氧含量关联数据集和延伸率关联数据集,具体包括:
采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述氧含量检测数据进行显著性关联分析,剔除所述生产工艺参数数据中与氧含量不具有显著性关联的参数,得到所述氧含量关联数据集;所述与氧含量不具有显著性关联的参数为对氧含量检测结果不会造成直接影响的参数,包括结晶器冷却水温度、结晶器冷却水流速和水平连铸速度;所述氧含量关联数据集包括熔炼温度、熔炼时间、保温炉温度和真空室气压的参数数据以及所述氧含量检测数据;
采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述延伸率检测数据进行显著性关联分析,剔除所述生产工艺参数数据中与延伸率不具有显著性关联的参数,得到所述延伸率关联数据集;所述与延伸率不具有显著性关联的参数为对延伸率检测结果不会造成直接影响的参数,包括熔炼温度、熔炼时间和真空室气压;所述延伸率关联数据集包括保温炉温度、结晶器冷却水温度、结晶器冷却水流速和水平连铸速度的参数数据以及所述延伸率检测数据。
可选的,所述根据氧含量和延伸率的检验临界值,分别对所述氧含量关联数据集和所述延伸率关联数据集中各个产品批号的水平连铸金属杆进行质量标记,得到氧含量标记数据集和延伸率标记数据集,具体包括:
根据氧含量的检验临界值,对所述氧含量关联数据集中各个产品批号的所述氧含量检测数据进行判断,确定所述氧含量检测数据是否合格;
对所述氧含量检测数据的合格情况进行标记,合格标记为1,不合格标记为0,得到所述氧含量标记数据集;
根据延伸率的检验临界值,对所述延伸率关联数据集中各个产品批号的所述延伸率检测数据进行判断,确定所述延伸率检测数据是否合格;
对所述延伸率检测数据的合格情况进行标记,合格标记为1,不合格标记为0,得到所述延伸率标记数据集。
可选的,当所述氧含量检测数据小于所述氧含量的检验临界值时,判断所述氧含量检测数据合格,当所述氧含量检测数据大于等于所述氧含量的检验临界值时,判断所述氧含量检测数据不合格;
当所述延伸率检测数据大于所述延伸率的检验临界值时,判断所述延伸率检测数据合格,当所述延伸率检测数据小于等于所述延伸率的检验临界值时,判断所述延伸率检测数据不合格。
可选的,所述按照所述氧含量标记数据集和所述延伸率标记数据集中的生产工艺参数的类别,将备选的氧含量生产工艺参数设定值和延伸率生产工艺参数设定值分别对应代入到所述氧含量分类模型和所述延伸率分类模型中进行验证,得到输出结果,具体包括:
根据所述氧含量标记数据集中的生产工艺参数的类别,将备选的一组或多组所述氧含量生产工艺参数设定值代入到所述氧含量分类模型中进行验证,得到氧含量输出结果;所述氧含量标记数据集中的生产工艺参数的类别包括熔炼温度、熔炼时间、保温炉温度和真空室气压,所述氧含量生产工艺参数设定值包括熔炼温度、熔炼时间、保温炉温度和真空室气压的参数设定值;
根据所述延伸率标记数据集中的生产工艺参数的类别,将备选的一组或多组所述延伸率生产工艺参数设定值代入到所述延伸率分类模型中进行验证,得到延伸率输出结果;所述延伸率标记数据集中的生产工艺参数的类别包括保温炉温度、结晶器冷却水温度、结晶器冷却水流速和水平连铸速度,所述延伸率生产工艺参数设定值包括保温炉温度、结晶器冷却水温度、结晶器冷却水流速和水平连铸速度的参数设定值。
可选的,所述根据所述输出结果确定选用的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值,得到优化后的生产工艺参数设定值,具体包括:
根据所述氧含量输出结果判断是否选用所述氧含量生产工艺参数设定值,包括:
当所述氧含量输出结果为1时,表示所述氧含量生产工艺参数设定值为优化的氧含量生产工艺参数设定值,选用所述优化的氧含量生产工艺参数设定值;
当所述氧含量输出结果为0时,表示所述氧含量生产工艺参数设定值为非优化的氧含量生产工艺参数设定值,弃用所述非优化的氧含量生产工艺参数设定值;
根据所述延伸率输出结果判断是否选用所述延伸率生产工艺参数设定值,包括:
当所述延伸率输出结果为1时,表示所述延伸率生产工艺参数设定值为优化的延伸率生产工艺参数设定值,选用所述优化的延伸率生产工艺参数设定值;
当所述延伸率输出结果为0时,表示所述延伸率生产工艺参数设定值为非优化的延伸率生产工艺参数设定值,弃用所述非优化的延伸率生产工艺参数设定值;
当同一组备选的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值均被选用时,直接将该组的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值进行叠加组合,作为一组所述优化后的生产工艺参数设定值;
当同一组备选的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值其中一个被选用时,将被选用的所述氧含量生产工艺参数设定值或者所述延伸率生产工艺参数设定值与其他组中被选用的所述延伸率生产工艺参数设定值或者所述氧含量生产工艺参数设定值进行互补组合,作为一组所述优化后的生产工艺参数设定值;
当同一组备选的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值均被弃用时,直接弃用该组的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值,将其他组的被选用的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值作为所述优化后的生产工艺参数设定值。
可选的,在所述采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述核心质量指标检测数据进行关联分析,得到关联数据集之前,还包括:
将各个产品批号的所述生产工艺参数数据和所述核心质量指标检测数据进行结合,得到数据总集。
一种水平连续铸造生产工艺优化***,包括:
数据采集模块,用于按照水平连铸金属杆的产品批号分别采集生产工艺参数数据和核心质量指标检测数据;
关联数据集获取模块,用于采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述核心质量指标检测数据进行关联分析,得到关联数据集;
标记数据集获取模块,用于根据所述核心质量指标检测数据的检验临界值对所述关联数据集中各个产品批号的水平连铸金属杆进行质量标记,得到标记数据集;
分类模型建立模块,用于采用神经网络分类法对所述标记数据集进行分类训练,得到分类模型;
备选参数验证模块,用于按照所述标记数据集中的生产工艺参数的类别,将备选的生产工艺参数设定值代入到所述分类模型中进行验证,得到输出结果;
优化参数获取模块,用于根据所述输出结果确定选用的所述生产工艺参数设定值,得到优化后的生产工艺参数设定值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种水平连续铸造生产工艺优化方法及***,可用于真空水平连铸生产过程中的工艺参数设置和调整,通过按批次采集生产工艺参数和产品质量检测数据,并将生产工艺参数数据分别与氧含量和延伸率这两个核心质量检测指标进行显著性关联分析,确定生产工艺参数数据中分别与氧含量和延伸率有直接关联的生产工艺参数,并利用神经网络分类法分别建立氧含量分类模型和延伸率分类模型,将预设好的备选工艺参数代入到分类模型中进行验证,确定各个工艺参数加工出来的产品是否满足氧含量和延伸率这两个核心质量检测指标的要求,是否在合格范围内,从而得到优化后的生产工艺参数设定值。通过本发明的方法代替传统的完全凭借个人经验以及主观意识设置工艺参数的方式,可提前得到准确的、优化后的生产工艺参数,将其直接设置到加工设备中,可有效提升加工精度,提高产品质量,解决了现有技术中完全凭借人工经验设置工艺参数造成的加工精度低、产品质量差的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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例,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获得其他的附图。
图1为本发明实施例1提供的水平连续铸造生产工艺优化方法的流程示意图;
图2为本发明实施例2提供的水平连续铸造生产工艺优化***的结构框图。
附图标记说明:
1-数据采集模块,2-关联数据集获取模块,3-标记数据集获取模块,4-分类模型建立模块,5-备选参数验证模块,6-优化参数获取模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种水平连续铸造生产工艺优化方法及***,用于真空水平连铸生产中的工艺参数的设置和调整,可得到优化的生产工艺参数设定值,有效提升加工精度,提高产品质量。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本实施例提出了一种水平连续铸造生产工艺优化方法,具体包括以下步骤:
步骤S1、按照水平连铸金属杆的产品批号分别采集生产工艺参数数据和核心质量指标检测数据;具体包括:
根据水平连铸金属杆的产品批号,采集加工所述产品批号的水平连铸金属杆的加工设备上存储的所述生产工艺参数数据,得到按照产品批号分类的多组所述生产工艺参数数据;
根据所述产品批号,采集各个所述产品批号的水平连铸金属杆的所述核心质量指标检测数据,得到按照产品批号分类且与多组所述生产工艺参数数据分别对应的多组所述核心质量指标检测数据。
步骤S2、采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述核心质量指标检测数据进行关联分析,得到关联数据集;
步骤S3、根据所述核心质量指标检测数据的检验临界值对所述关联数据集中各个产品批号的水平连铸金属杆进行质量标记,得到标记数据集;
步骤S4、采用神经网络分类法对所述标记数据集进行分类训练,得到分类模型;
步骤S5、按照所述标记数据集中的生产工艺参数的类别,将备选的生产工艺参数设定值代入到所述分类模型中进行验证,得到输出结果;
步骤S6、根据所述输出结果确定选用的所述生产工艺参数设定值,得到优化后的生产工艺参数设定值。
水平连续铸造即水平连铸,指的是钢水由水平方向注入水平放置的结晶器内,铸坯凝固过程和在铸机内运动直至到达冷床均呈水平状态的连续铸钢类型。在水平连铸生产过程中,涉及到的生产工艺参数一般包括熔炼温度、熔炼时间、保温炉温度、真空室气压、结晶器冷却水温度、结晶器冷却水流速和水平连铸速度等,产品检测指标一般包括氧含量和延伸率等。
在本实施例中,所述生产工艺参数数据包括熔炼温度、熔炼时间、保温炉温度、真空室气压、结晶器冷却水温度、结晶器冷却水流速和水平连铸速度的参数数据。所述核心质量检测数据包括氧含量检测数据和延伸率检测数据。
应说明的是,在水平连铸生产过程中,除了本实施例采用的熔炼温度、熔炼时间、保温炉温度、真空室气压、结晶器冷却水温度、结晶器冷却水流速和水平连铸速度等生产工艺参数,实际上还有拉坯速度、结晶器冷却时间等多种生产工艺参数,核心质量检测数据除了氧含量检测数据和延伸率检测数据以外,还有硬度、长度和直径等多种检测数据。因此,本实施例所选用的生产工艺参数数据和核心质量检测数据,仅仅是加工过程中影响制件加工质量最主要的参数数据,是为了更好地了解本发明的工艺参数优化方法的具体过程而作出的举例说明,实际上还有其他多种其他的生产工艺参数数据和质量检测数据。因此,本发明不对生产工艺参数数据和核心质量检测数据的具体种类作出限定,生产工艺参数数据和核心质量检测数据可视具体生产过程自行设定,不应作为对本发明的保护范围的限定。
本实施例中,当核心质量检测数据包括氧含量检测数据和延伸率检测数据时,即检测指标包括氧含量和延伸率(氧含量和延伸率是评价水平连铸金属杆的质量好坏的最主要的检测指标)时,则所述水平连续铸造生产工艺优化方法,具体包括以下步骤:
步骤S1.1、按照水平连铸金属杆的产品批号分别采集生产工艺参数数据和核心质量指标检测数据;具体包括:
步骤S1.1.1、根据水平连铸金属杆的产品批号,采集加工所述产品批号的水平连铸金属杆的加工设备上存储的所述生产工艺参数数据,得到按照产品批号分类的多组所述生产工艺参数数据;所述生产工艺参数数据包括熔炼温度、熔炼时间、保温炉温度、真空室气压、结晶器冷却水温度、结晶器冷却水流速和水平连铸速度的参数数据;得到的多组生产工艺参数数据请参见表1:
表1按照水平连铸金属杆的产品批号采集的生产工艺参数数据
步骤S1.1.2、根据所述产品批号,采集各个所述产品批号的水平连铸金属杆的所述核心质量指标检测数据,得到按照产品批号分类且与多组所述生产工艺参数数据分别对应的多组所述核心质量指标检测数据;所述核心质量检测数据包括氧含量检测数据和延伸率检测数据。得到的多组所述核心质量指标检测数据请参见表2:
表2按照水平连铸金属杆的产品批号采集的核心质量指标检测数据
应说明的是,在步骤S1.1之后,步骤S2.1之前,还可以具有步骤:将各个产品批号的所述生产工艺参数数据和所述核心质量指标检测数据进行结合,得到数据总集。简单来说,就是将生产工艺参数数据和核心质量指标检测数据结合至一个表格中,形成数据总集,数据总集中显示出各个产品批号的成品的生产工艺参数和检测数据,对这些数据操作起来更加直观,更加方便。数据总集如表3所示:
表3生产工艺参数数据和核心质量指标检测数据结合后的数据总集
步骤S2.1、采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述氧含量检测数据和所述延伸率检测数据进行关联分析,得到氧含量关联数据集和延伸率关联数据集;具体包括:
步骤S2.1.1、采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述氧含量检测数据进行显著性关联分析,剔除所述生产工艺参数数据中与氧含量不具有显著性关联的参数,得到所述氧含量关联数据集。其中,所述与氧含量不具有显著性关联的参数为对氧含量检测结果不会造成直接影响的参数,包括结晶器冷却水温度、结晶器冷却水流速和水平连铸速度;所述氧含量关联数据集包括熔炼温度、熔炼时间、保温炉温度和真空室气压的参数数据以及所述氧含量检测数据。
逐步回归方法的基本思想是:将自变量逐个引人,引入的条件是其偏回归平方和经检验后是显著的。同时,每引人一个新的自变量后,要对旧的自变量逐个检验,剔除偏回归平方和不显著的自变量。这样一直边引入边剔除,直到既无新变量引人也无旧变量删除为止。它的实质是建立“最优”的多元线性回归方程。依据上述思想,可利用逐步回归筛选并剔除引起多重共线性的变量,首先用被解释变量对每一个所考虑的解释变量做简单回归,然后以对被解释变量贡献最大的解释变量所对应的回归方程为基础,再逐步引入其余解释变量。经过逐步回归,使得最后保留在模型中的解释变量既是重要的,又没有严重多重共线性,通过最少的自变量最大限度地在线性关系的范围内,描述因变量的变化规律。
逐步回归方法的实施过程是:每一步都要对已引入回归方程的变量计算其偏回归平方和,然后选一个偏回归平方和最小的变量,在预先给定的水平下进行显著性检验,若显著则该变量不必从回归方程中剔除,这时方程中其他几个变量也都不需要剔除(因为其他几个变量的偏回归平方和都大于最小的一个更不需要剔除)。相反,如果不显著,则该变量需要剔除,然后按偏回归平方和由小到大地依次对方程中其他变量进行检验。将对影响不显著的变量全部剔除,保留的都是显著的。接着再对未引入回归方程中的变量分别计算其偏回归平方和,并选其中偏回归方程和最大的一个变量,同样在给定水平下作显著性检验,如果显著则将该变量引入回归方程,这一过程一直持续下去,直到在回归方程中的变量都不能剔除而又无新变量可以引入时为止,这时逐步回归过程结束。
在此步骤中得到的氧含量关联数据集请参见表4:
表4氧含量关联数据集
步骤S2.1.2、采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述延伸率检测数据进行显著性关联分析,剔除所述生产工艺参数数据中与延伸率不具有显著性关联的参数,得到所述延伸率关联数据集。其中,所述与延伸率不具有显著性关联的参数为对延伸率检测结果不会造成直接影响的参数,包括熔炼温度、熔炼时间和真空室气压;所述延伸率关联数据集包括保温炉温度、结晶器冷却水温度、结晶器冷却水流速和水平连铸速度的参数数据以及所述延伸率检测数据。
在此步骤中得到的延伸率关联数据集请参见表5:
表5延伸率关联数据集
本实施例中,利用逐步回归方法将各个产品批号的生产工艺参数数据分别与氧含量检测数据、延伸率检测数据进行显著性关联分析,剔除了生产工艺参数数据中分别与氧含量、延伸率不具有显著性关联的参数,最终得到氧含量关联数据集和延伸率关联数据集,实现了不具显著性关联参数的自动剔除,留下分别与氧含量和延伸率这两个检测指标最相关的生产工艺参数。
步骤S3.1、根据氧含量和延伸率的检验临界值,分别对所述氧含量关联数据集和所述延伸率关联数据集中各个产品批号的水平连铸金属杆进行质量标记,得到氧含量标记数据集和延伸率标记数据集;具体包括:
步骤S3.1.1、根据氧含量的检验临界值,对所述氧含量关联数据集中各个产品批号的所述氧含量检测数据进行判断,确定所述氧含量检测数据是否合格;
步骤S3.1.2、对所述氧含量检测数据的合格情况进行标记,合格标记为1,不合格标记为0,得到所述氧含量标记数据集;如表6所示:
表6氧含量标记数据集
步骤S3.1.3、根据延伸率的检验临界值,对所述延伸率关联数据集中各个产品批号的所述延伸率检测数据进行判断,确定所述延伸率检测数据是否合格;
步骤S3.1.4、对所述延伸率检测数据的合格情况进行标记,合格标记为1,不合格标记为0,得到所述延伸率标记数据集。如表7所示:
表7延伸率标记数据集
本实施例中,当所述氧含量检测数据小于所述氧含量的检验临界值时,判断所述氧含量检测数据合格,当所述氧含量检测数据大于等于所述氧含量的检验临界值时,判断所述氧含量检测数据不合格;
当所述延伸率检测数据大于所述延伸率的检验临界值时,判断所述延伸率检测数据合格,当所述延伸率检测数据小于等于所述延伸率的检验临界值时,判断所述延伸率检测数据不合格。
本实施例中,所述氧含量的检验临界值设置为0.005%,所述延伸率的检验临界值设置为38%。那么,当氧含量检测数据<0.005%,判断氧含量检测数据合格,并标记“1”,表示对应的制件成品在氧含量方面为优等性能产品。当氧含量检测数据≥0.005%时,则判断氧含量检测数据不合格,并标记“0”,表示对应的制件成品在氧含量方面为非优等性能产品。当延伸率检测数据大于38%时,判断延伸率检测数据合格,并标记“1”,表示对应的制件成品在延伸率方面为优等性能产品。当延伸率检测数据≤38%时,则判断延伸率检测数据不合格,标记“0”,表示对应的制件成品在延伸率方面为非优等性能产品。
需要说明的是,本实施例中氧含量的检验临界值0.005%,以及延伸率的检验临界值38%,仅仅是为了举例说明而选择的一个优选值。由于生产制件的加工要求不同,检测方式、检测标准也就会存在差异,因此,实际上氧含量和延伸率的检验临界值并不是固定的、唯一的,不应作为对本发明的保护范围的限定,可根据实际情况自行设定。例如,氧含量的检验临界值还可以是0.01%,或者还可以是0.008%等等,延伸率的检验临界值还可以是40%,或者50%,还可以是42%等等数值,这取决于制件成品的加工工艺需求和尺寸要求。一般情况下,采购方向生产商订购不同标准、不同尺寸需求的制件,那么制件的检测标准必然会不同,合格标准也会不同。因此,本实施例中选择的氧含量的检验临界值0.005%,以及延伸率的检验临界值38%这组数值,仅仅是为了更好理解本发明方案所列举的例子,本发明不对氧含量和延伸率的具体检验临界值作出限定,其具体数值应视具体生产要求而定。
还需要说明的是,本实施例不对产品批号的格式以及具体数值进行限定,表1-表7中的产品批号并不是固定的、唯一的,可以是其他各种格式或数值,应根据实际生产情况记录可追溯到相应制件产品的真实的产品批号,产品批号的形式以及例如生产日期等数值,需要视具体情况自行设置。同样的,因生产任务和制件需求不同,表1-表7中各个参数的数值也不是固定的数值,均应视实际情况记录真实数据。
步骤S4.1、采用神经网络分类法分别对所述氧含量标记数据集和所述延伸率标记数据集进行分类训练,得到氧含量分类模型和延伸率分类模型;
本实施例中,采用BP神经网络分类方法建立分类模型,此外,还可以采用Hopfield神经网络、Kohonen神经网络等人工神经网络分类法,或者还可以采用支持向量机等其他分类算法。
需要说明的是,本发明不对具体的神经网络分类方法进行限定,这些神经网络分类方法并不是固定的、唯一的。并且,上述各种神经网络分类方法的具体过程是现有技术,此处不再赘述。
步骤S5.1、按照所述氧含量标记数据集和所述延伸率标记数据集中的生产工艺参数的类别,将备选的氧含量生产工艺参数设定值和延伸率生产工艺参数设定值分别对应代入到所述氧含量分类模型和所述延伸率分类模型中进行验证,得到输出结果;具体包括:
步骤S5.1.1、根据所述氧含量标记数据集中的生产工艺参数的类别,将备选的一组或多组所述氧含量生产工艺参数设定值代入到所述氧含量分类模型中进行验证,得到氧含量输出结果;所述氧含量标记数据集中的生产工艺参数的类别包括熔炼温度、熔炼时间、保温炉温度和真空室气压,所述氧含量生产工艺参数设定值包括熔炼温度、熔炼时间、保温炉温度和真空室气压的参数设定值;
步骤S5.1.2、根据所述延伸率标记数据集中的生产工艺参数的类别,将备选的一组或多组所述延伸率生产工艺参数设定值代入到所述延伸率分类模型中进行验证,得到延伸率输出结果;所述延伸率标记数据集中的生产工艺参数的类别包括保温炉温度、结晶器冷却水温度、结晶器冷却水流速和水平连铸速度,所述延伸率生产工艺参数设定值包括保温炉温度、结晶器冷却水温度、结晶器冷却水流速和水平连铸速度的参数设定值。
步骤S6.1、根据所述输出结果确定选用的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值,得到优化后的生产工艺参数设定值。具体包括:
步骤S6.1.1、根据所述氧含量输出结果判断是否选用所述氧含量生产工艺参数设定值,包括:
当所述氧含量输出结果为1时,表示所述氧含量生产工艺参数设定值为优化的氧含量生产工艺参数设定值,选用所述优化的氧含量生产工艺参数设定值;
当所述氧含量输出结果为0时,表示所述氧含量生产工艺参数设定值为非优化的氧含量生产工艺参数设定值,弃用所述非优化的氧含量生产工艺参数设定值;
步骤S6.1.2、根据所述延伸率输出结果判断是否选用所述延伸率生产工艺参数设定值,包括:
当所述延伸率输出结果为1时,表示所述延伸率生产工艺参数设定值为优化的延伸率生产工艺参数设定值,选用所述优化的延伸率生产工艺参数设定值;
当所述延伸率输出结果为0时,表示所述延伸率生产工艺参数设定值为非优化的延伸率生产工艺参数设定值,弃用所述非优化的延伸率生产工艺参数设定值。
当同一组备选的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值均被选用时,直接将该组的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值进行叠加组合,作为一组所述优化后的生产工艺参数设定值;
当同一组备选的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值其中一个被选用时,将被选用的所述氧含量生产工艺参数设定值或者所述延伸率生产工艺参数设定值与其他组中被选用的所述延伸率生产工艺参数设定值或者所述氧含量生产工艺参数设定值进行互补组合,作为一组所述优化后的生产工艺参数设定值;
当同一组备选的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值均被弃用时,直接弃用该组的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值,将其他组的被选用的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值作为所述优化后的生产工艺参数设定值。
本实施例中,可预设一组或多组备选的生产工艺参数设定值,生产工艺参数设定值主要包括氧含量生产工艺参数设定值和延伸率生产工艺参数设定值,分别对应代入到氧含量分类模型和延伸率分类模型进行验证,如果输出验证结果为1,则表示该参数为优化参数,可直接选用,如果输出验证结果为0,则表示该参数为未优化参数,不可选用,否则按照这个参数生产出来的制件成品不符合氧含量或延伸率的合格要求。并且,由于生产工艺参数设定值是由氧含量生产工艺参数设定值和延伸率生产工艺参数设定值两部分组成,则会存在氧含量生产工艺参数设定值或者延伸率生产工艺参数设定值的其中一个优化、另一个未优化的情况,则将优化的一部分按照上述组合方式与其他优化部分进行组合,使得最终构成一组优化的氧含量生产工艺参数设定值和优化的延伸率生产工艺参数设定值的整体参数设定值。
另外,需要说明的是,由于氧含量生产工艺参数设定值和延伸率生产工艺参数设定值中均包括保温炉温度这一种参数,因此,当氧含量生产工艺参数设定值中的保温炉温度和延伸率生产工艺参数设定值中的保温炉温度不一致时,计算两个保温炉温度的平均值,并将保温炉温度的平均值作为最终优化的保温炉温度参数设定值。此外,由于不同的生产需求,需要的制件成品的尺寸也存在差异,因此,本发明不对优化的保温炉温度这一种参数设定值的确定方法作出限定,可根据具体生产需求自行确定。例如,除了将氧含量生产工艺参数设定值和延伸率生产工艺参数设定值中的两个保温炉温度的平均值作为最终优化的保温炉温度参数设定值,还可以根据生产需求和实际生产情况,将氧含量生产工艺参数设定值中的保温炉温度作为最终优化的保温炉温度参数设定值,或者将延伸率生产工艺参数设定值中的保温炉温度作为最终优化的保温炉温度参数设定。
本发明提供了一种水平连续铸造生产工艺优化方法,可用于真空水平连铸生产过程中的工艺参数设置和调整,通过按批次采集生产工艺参数和产品质量检测数据,并将生产工艺参数数据分别与氧含量和延伸率这两个核心质量检测指标进行显著性关联分析,确定生产工艺参数数据中分别与氧含量和延伸率有直接关联的生产工艺参数,并利用神经网络分类法分别建立氧含量分类模型和延伸率分类模型,将预设好的备选工艺参数代入到分类模型中进行验证,确定各个工艺参数加工出来的产品是否满足氧含量和延伸率这两个核心质量检测指标的要求,是否在合格范围内,从而得到优化后的生产工艺参数设定值。通过本发明的方法代替传统的完全凭借个人经验以及主观意识设置工艺参数的方式,可提前得到准确的、优化后的生产工艺参数,将其直接设置到加工设备中,可有效提升加工精度,提高产品质量,解决了现有技术中完全凭借人工经验设置工艺参数造成的加工精度低、产品质量差的问题。
实施例2
如图2所示,本实施例提出了一种水平连续铸造生产工艺优化***,包括:
数据采集模块1,用于按照水平连铸金属杆的产品批号分别采集生产工艺参数数据和核心质量指标检测数据;
关联数据集获取模块2,用于采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述核心质量指标检测数据进行关联分析,得到关联数据集;
标记数据集获取模块3,用于根据所述核心质量指标检测数据的检验临界值对所述关联数据集中各个产品批号的水平连铸金属杆进行质量标记,得到标记数据集;
分类模型建立模块4,用于采用神经网络分类法对所述标记数据集进行分类训练,得到分类模型;
备选参数验证模块5,用于按照所述标记数据集中的生产工艺参数的类别,将备选的生产工艺参数设定值代入到所述分类模型中进行验证,得到输出结果;
优化参数获取模块6,用于根据所述输出结果确定选用的所述生产工艺参数设定值,得到优化后的生产工艺参数设定值。
本说明书中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种水平连续铸造生产工艺优化方法,其特征在于,包括:
按照水平连铸金属杆的产品批号分别采集生产工艺参数数据和核心质量指标检测数据;
采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述核心质量指标检测数据进行关联分析,得到关联数据集;
根据所述核心质量指标检测数据的检验临界值对所述关联数据集中各个产品批号的水平连铸金属杆进行质量标记,得到标记数据集;
采用神经网络分类法对所述标记数据集进行分类训练,得到分类模型;
按照所述标记数据集中的生产工艺参数的类别,将备选的生产工艺参数设定值代入到所述分类模型中进行验证,得到输出结果;
根据所述输出结果确定选用的所述生产工艺参数设定值,得到优化后的生产工艺参数设定值。
2.根据权利要求1所述的水平连续铸造生产工艺优化方法,其特征在于,当所述核心质量检测数据包括氧含量检测数据和延伸率检测数据时,所述水平连续铸造生产工艺优化方法具体包括:
采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述氧含量检测数据和所述延伸率检测数据进行关联分析,得到氧含量关联数据集和延伸率关联数据集;
根据氧含量和延伸率的检验临界值,分别对所述氧含量关联数据集和所述延伸率关联数据集中各个产品批号的水平连铸金属杆进行质量标记,得到氧含量标记数据集和延伸率标记数据集;
采用神经网络分类法分别对所述氧含量标记数据集和所述延伸率标记数据集进行分类训练,得到氧含量分类模型和延伸率分类模型;
按照所述氧含量标记数据集和所述延伸率标记数据集中的生产工艺参数的类别,将备选的氧含量生产工艺参数设定值和延伸率生产工艺参数设定值分别对应代入到所述氧含量分类模型和所述延伸率分类模型中进行验证,得到输出结果;
根据所述输出结果确定选用的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值,得到优化后的生产工艺参数设定值。
3.根据权利要求1所述的水平连续铸造生产工艺优化方法,其特征在于,所述按照水平连铸金属杆的产品批号分别采集生产工艺参数数据和核心质量指标检测数据,具体包括:
根据水平连铸金属杆的产品批号,采集加工所述产品批号的水平连铸金属杆的加工设备上存储的所述生产工艺参数数据,得到按照产品批号分类的多组所述生产工艺参数数据;
根据所述产品批号,采集各个所述产品批号的水平连铸金属杆的所述核心质量指标检测数据,得到按照产品批号分类且与多组所述生产工艺参数数据分别对应的多组所述核心质量指标检测数据。
4.根据权利要求2所述的水平连续铸造生产工艺优化方法,其特征在于,所述采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述氧含量检测数据和所述延伸率检测数据进行关联分析,得到氧含量关联数据集和延伸率关联数据集,具体包括:
采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述氧含量检测数据进行显著性关联分析,剔除所述生产工艺参数数据中与氧含量不具有显著性关联的参数,得到所述氧含量关联数据集;所述与氧含量不具有显著性关联的参数为对氧含量检测结果不会造成直接影响的参数,包括结晶器冷却水温度、结晶器冷却水流速和水平连铸速度;所述氧含量关联数据集包括熔炼温度、熔炼时间、保温炉温度和真空室气压的参数数据以及所述氧含量检测数据;
采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述延伸率检测数据进行显著性关联分析,剔除所述生产工艺参数数据中与延伸率不具有显著性关联的参数,得到所述延伸率关联数据集;所述与延伸率不具有显著性关联的参数为对延伸率检测结果不会造成直接影响的参数,包括熔炼温度、熔炼时间和真空室气压;所述延伸率关联数据集包括保温炉温度、结晶器冷却水温度、结晶器冷却水流速和水平连铸速度的参数数据以及所述延伸率检测数据。
5.根据权利要求2所述的水平连续铸造生产工艺优化方法,其特征在于,所述根据氧含量和延伸率的检验临界值,分别对所述氧含量关联数据集和所述延伸率关联数据集中各个产品批号的水平连铸金属杆进行质量标记,得到氧含量标记数据集和延伸率标记数据集,具体包括:
根据氧含量的检验临界值,对所述氧含量关联数据集中各个产品批号的所述氧含量检测数据进行判断,确定所述氧含量检测数据是否合格;
对所述氧含量检测数据的合格情况进行标记,合格标记为1,不合格标记为0,得到所述氧含量标记数据集;
根据延伸率的检验临界值,对所述延伸率关联数据集中各个产品批号的所述延伸率检测数据进行判断,确定所述延伸率检测数据是否合格;
对所述延伸率检测数据的合格情况进行标记,合格标记为1,不合格标记为0,得到所述延伸率标记数据集。
6.根据权利要求5所述的水平连续铸造生产工艺优化方法,其特征在于,当所述氧含量检测数据小于所述氧含量的检验临界值时,判断所述氧含量检测数据合格,当所述氧含量检测数据大于等于所述氧含量的检验临界值时,判断所述氧含量检测数据不合格;
当所述延伸率检测数据大于所述延伸率的检验临界值时,判断所述延伸率检测数据合格,当所述延伸率检测数据小于等于所述延伸率的检验临界值时,判断所述延伸率检测数据不合格。
7.根据权利要求2所述的水平连续铸造生产工艺优化方法,其特征在于,所述按照所述氧含量标记数据集和所述延伸率标记数据集中的生产工艺参数的类别,将备选的氧含量生产工艺参数设定值和延伸率生产工艺参数设定值分别对应代入到所述氧含量分类模型和所述延伸率分类模型中进行验证,得到输出结果,具体包括:
根据所述氧含量标记数据集中的生产工艺参数的类别,将备选的一组或多组所述氧含量生产工艺参数设定值代入到所述氧含量分类模型中进行验证,得到氧含量输出结果;所述氧含量标记数据集中的生产工艺参数的类别包括熔炼温度、熔炼时间、保温炉温度和真空室气压,所述氧含量生产工艺参数设定值包括熔炼温度、熔炼时间、保温炉温度和真空室气压的参数设定值;
根据所述延伸率标记数据集中的生产工艺参数的类别,将备选的一组或多组所述延伸率生产工艺参数设定值代入到所述延伸率分类模型中进行验证,得到延伸率输出结果;所述延伸率标记数据集中的生产工艺参数的类别包括保温炉温度、结晶器冷却水温度、结晶器冷却水流速和水平连铸速度,所述延伸率生产工艺参数设定值包括保温炉温度、结晶器冷却水温度、结晶器冷却水流速和水平连铸速度的参数设定值。
8.根据权利要求7所述的水平连续铸造生产工艺优化方法,其特征在于,所述根据所述输出结果确定选用的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值,得到优化后的生产工艺参数设定值,具体包括:
根据所述氧含量输出结果判断是否选用所述氧含量生产工艺参数设定值,包括:
当所述氧含量输出结果为1时,表示所述氧含量生产工艺参数设定值为优化的氧含量生产工艺参数设定值,选用所述优化的氧含量生产工艺参数设定值;
当所述氧含量输出结果为0时,表示所述氧含量生产工艺参数设定值为非优化的氧含量生产工艺参数设定值,弃用所述非优化的氧含量生产工艺参数设定值;
根据所述延伸率输出结果判断是否选用所述延伸率生产工艺参数设定值,包括:
当所述延伸率输出结果为1时,表示所述延伸率生产工艺参数设定值为优化的延伸率生产工艺参数设定值,选用所述优化的延伸率生产工艺参数设定值;
当所述延伸率输出结果为0时,表示所述延伸率生产工艺参数设定值为非优化的延伸率生产工艺参数设定值,弃用所述非优化的延伸率生产工艺参数设定值;
当同一组备选的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值均被选用时,直接将该组的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值进行叠加组合,作为一组所述优化后的生产工艺参数设定值;
当同一组备选的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值其中一个被选用时,将被选用的所述氧含量生产工艺参数设定值或者所述延伸率生产工艺参数设定值与其他组中被选用的所述延伸率生产工艺参数设定值或者所述氧含量生产工艺参数设定值进行互补组合,作为一组所述优化后的生产工艺参数设定值;
当同一组备选的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值均被弃用时,直接弃用该组的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值,将其他组的被选用的所述氧含量生产工艺参数设定值和所述延伸率生产工艺参数设定值作为所述优化后的生产工艺参数设定值。
9.根据权利要求1所述的水平连续铸造生产工艺优化方法,其特征在于,在所述采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述核心质量指标检测数据进行关联分析,得到关联数据集之前,还包括:
将各个产品批号的所述生产工艺参数数据和所述核心质量指标检测数据进行结合,得到数据总集。
10.一种水平连续铸造生产工艺优化***,其特征在于,包括:
数据采集模块,用于按照水平连铸金属杆的产品批号分别采集生产工艺参数数据和核心质量指标检测数据;
关联数据集获取模块,用于采用逐步回归方法对各个产品批号的所述生产工艺参数数据与所述核心质量指标检测数据进行关联分析,得到关联数据集;
标记数据集获取模块,用于根据所述核心质量指标检测数据的检验临界值对所述关联数据集中各个产品批号的水平连铸金属杆进行质量标记,得到标记数据集;
分类模型建立模块,用于采用神经网络分类法对所述标记数据集进行分类训练,得到分类模型;
备选参数验证模块,用于按照所述标记数据集中的生产工艺参数的类别,将备选的生产工艺参数设定值代入到所述分类模型中进行验证,得到输出结果;
优化参数获取模块,用于根据所述输出结果确定选用的所述生产工艺参数设定值,得到优化后的生产工艺参数设定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110608714.0A CN113343568B (zh) | 2021-06-01 | 2021-06-01 | 一种水平连续铸造生产工艺优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110608714.0A CN113343568B (zh) | 2021-06-01 | 2021-06-01 | 一种水平连续铸造生产工艺优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343568A CN113343568A (zh) | 2021-09-03 |
CN113343568B true CN113343568B (zh) | 2022-02-08 |
Family
ID=77474095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110608714.0A Active CN113343568B (zh) | 2021-06-01 | 2021-06-01 | 一种水平连续铸造生产工艺优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343568B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004085096A1 (en) * | 2003-03-26 | 2004-10-07 | Showa Denko K.K. | Horizontally continuously cast rod of aluminum alloy and method and equipment for producing the rod. |
WO2014091936A1 (ja) * | 2012-12-10 | 2014-06-19 | 昭和電工株式会社 | ケイ素含有アルミニウム合金鋳塊の製造方法 |
CN106649986A (zh) * | 2016-11-10 | 2017-05-10 | 燕山大学 | 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 |
-
2021
- 2021-06-01 CN CN202110608714.0A patent/CN113343568B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004085096A1 (en) * | 2003-03-26 | 2004-10-07 | Showa Denko K.K. | Horizontally continuously cast rod of aluminum alloy and method and equipment for producing the rod. |
WO2014091936A1 (ja) * | 2012-12-10 | 2014-06-19 | 昭和電工株式会社 | ケイ素含有アルミニウム合金鋳塊の製造方法 |
CN106649986A (zh) * | 2016-11-10 | 2017-05-10 | 燕山大学 | 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 |
Non-Patent Citations (3)
Title |
---|
基于粒子群神经网络的QSn6.5-0.1连铸工艺优化;舒服华等;《特种铸造及有色合金》;20070420(第04期);全文 * |
水平连铸工艺参数优化设置专家***;孙旭霞等;《计算机工程》;20050705(第07期);全文 * |
热型连铸保温炉流场与温度场模拟及其结构优化;赵鸿金等;《特种铸造及有色合金》;20120720(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113343568A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8167022B2 (en) | Die casting process incorporating computerized pattern recognition techniques | |
JP5000694B2 (ja) | プレス成形加工装置、プレス成形加工方法、コンピュータプログラム及び記録媒体 | |
CN104914111A (zh) | 一种带钢表面缺陷在线智能识别检测***及其检测方法 | |
CN111242464A (zh) | 一种基于spc的陶瓷卫浴质量管理方法 | |
CN110989510A (zh) | 一种热镀锌产品全流程质量控制与等级自动判断*** | |
Knyazev et al. | Automated system of control and diagnostics of cast-steel defects in the mass production | |
CN116843323B (zh) | 基于动态图像扫描的螺杆铸造件质量控制监管*** | |
CN116050678A (zh) | 一种基于云计算的压铸产品加工测试***及方法 | |
CN110991495A (zh) | 生产制造过程中产品质量预测方法、***、介质及设备 | |
CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN110163479A (zh) | 一种烟草卷包车间质量异常问题主因模型的建立方法 | |
Pacana et al. | Analysis of the causes of control panel inconsistencies in the gravitational casting process by means of quality management instruments | |
CN113343568B (zh) | 一种水平连续铸造生产工艺优化方法及*** | |
Sika et al. | Demerit control chart as a decision support tool in quality control of ductile cast-iron casting process | |
CN116703254A (zh) | 模具机械零部件生产信息管理*** | |
US6772821B1 (en) | System for manufacturing die castings | |
CN116227149A (zh) | 一种模具制品配合度检测***及方法 | |
CN114841971A (zh) | 金属块凹坑缺陷检测方法、***及装置 | |
WO2024084824A1 (ja) | 欠陥発生要因推定装置、欠陥発生要因推定方法、欠陥発生要因推定モデルの学習方法、操業条件決定方法および鉄鋼製品の製造方法 | |
CN113319125B (zh) | 一种提高铝合金冷轧板带尺寸精度的方法 | |
CN108181315A (zh) | 一种基于图像处理的饼干损伤检测装置及检测方法 | |
Pearce et al. | Improving capability in small Thai manufacturing companies | |
CN101294946A (zh) | 一种混合在线预测定氧加铝的模型建模与优化方法 | |
CN112699534A (zh) | 一种用于生产冷轧产品的方法及装置 | |
NOTRANJIH | Determination of the cause of the formation of transverse internal cracks on a continuously cast slab |
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 |