CN115221944A - 一种基于cnn神经网络模型控制大型铸件热处理的方法 - Google Patents
一种基于cnn神经网络模型控制大型铸件热处理的方法 Download PDFInfo
- Publication number
- CN115221944A CN115221944A CN202210711813.6A CN202210711813A CN115221944A CN 115221944 A CN115221944 A CN 115221944A CN 202210711813 A CN202210711813 A CN 202210711813A CN 115221944 A CN115221944 A CN 115221944A
- Authority
- CN
- China
- Prior art keywords
- neural network
- heat treatment
- network model
- temperature
- control module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000010438 heat treatment Methods 0.000 title claims abstract description 56
- 238000005266 casting Methods 0.000 title claims abstract description 37
- 238000003062 neural network model Methods 0.000 title claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000002347 injection Methods 0.000 claims abstract description 10
- 239000007924 injection Substances 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims abstract description 8
- 238000001816 cooling Methods 0.000 claims abstract description 6
- 239000000463 material Substances 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 7
- 210000002364 input neuron Anatomy 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005485 electric heating Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000004321 preservation Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010791 quenching Methods 0.000 description 3
- 239000002826 coolant Substances 0.000 description 2
- 230000000171 quenching effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 229910001182 Mo alloy Inorganic materials 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 229910001563 bainite Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- VNTLIPZTSJSULJ-UHFFFAOYSA-N chromium molybdenum Chemical compound [Cr].[Mo] VNTLIPZTSJSULJ-UHFFFAOYSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910000734 martensite Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000006104 solid solution Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Mechanical Engineering (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Thermal Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于CNN神经网络模型控制大型铸件热处理的方法，属于铸件加工技术领域。该方法包括步骤：构建CNN神经网络模型，设定热处理***中的铸件特性、注水口位置、水流速度及介质温度数据作为输入层神经元，表面温度梯度作为输出层神经元；收集大型铸件热处理过程中的输入输出对应的温度梯度数据作为神经网络的训练集进行学习训练；训练完成后神经网络模型用于对热处理工艺参数进行预测设定。该装置包括设备控制模块、流速控制模块、介质温度控制模块、温度采集模块、反馈模块、模型数据库模块。该方法结合装置，在热处理过程中可以灵活调节冷速，简化了工艺流程，缩短了生产周期、降低了生产成本，并可有效地实施满足大型铸件相应性能指标的热处理参数。
Description
技术领域
本发明属于铸件加工技术领域，具体涉及一种基于CNN神经网络模型控制大型铸件热处理的方法。
背景技术
长期以来，淬火冷却的精确控制一直是热处理工艺中最关键的问题之一，通过控制热处理工艺来调整铸件的力学性能是生产企业最常用的方式。传统热处理工艺一般由工艺师傅根据工作经验进行操作，导致了材料、能源以及时间的浪费。随着时代和科技的发展，智能化、精准化和可持续性受到工艺流水线设计者的重视，其中通过建立神经网络模型来预测热处理工艺参数已经作为我国和其他许多国家重点研究和应用的方向。
热处理过程作为铸件加工过程的第二道工序，是整个铸件加工生产最重要的关键步骤，同时精确控制热处理工艺参数，保证温度均匀性也对最终铸件产品的力学性能及质量有很大影响。因此，在热处理过程中使材料达到目标力学性能而对所需要的工艺参数进行有效预测并修正，成为各大钢厂加工生产亟待解决的技术问题。
发明内容
本发明的目的在于提供一种基于CNN神经网络模型控制大型铸件热处理的方法，旨在解决对热处理工艺参数的预测并实时修正的技术问题；构建CNN神经网络模型，设定热处理***中的铸件特性、注水口位置、水流速度及介质温度数据作为输入层神经元，表面温度梯度作为输出层神经元；收集大型铸件热处理过程中的输入输出对应的温度梯度数据作为神经网络的训练集进行学习训练；训练完成后神经网络模型用于对热处理工艺参数进行预测设定。
为了达到上述发明目的，本发明采取以下的技术方案：
(1)构建CNN神经网络模型，通过卷积算法，建立多层的神经网络拓扑结构；以热处理***中的铸件特性、注水口位置、水流速度及介质温度作为输入神经元，表面温度梯度作为输出层神经元；基于建立的神经网络拓扑结构，通过SoftMax方法对输入神经元进行修正线性单元分类，采用Max Pooling作为权重构建CNN人工神经网络模型，并用动量-自适应学习率调整算法对网络进行快速学习训练；收集大型铸件热处理过程中的输入输出对应的温度梯度数据作为神经网络的训练集进行学习训练；训练完成后神经网络模型用于对热处理工艺参数进行预测设定。
(2)将步骤(1)所得工艺参数输入到设备控制模块中，所述设备控制模块使用单片机***，分别与流速控制模块和介质温度控制模块连接，所述流速控制模块，通过控制电磁开关闭合程度控制介质流速；介质温度控制模块，通过控制加热线圈加热及单向制冷片冷却的方式控制介质温度，结合神经网络模型的预测参数，通过设备控制***实时控制。
(3)通过温度采集模块(红外热成像仪)对热处理过程中的大型铸件进行温度采集，并将数据即时发送给反馈模块；对温度梯度数据中的热点进行位置确定，实时调整设备控制***，使整体温度梯度呈现均匀化，保证铸件热处理质量；同时将温度梯度数据上传给模型数据库模块，结合对应神经元输入数据处理成训练集，对神经网络模型进一步训练，达到不断优化的效果。
优选的，本发明所述铸件特性包括尺寸规格、主要成分含量、使用的电加热炉型号及保温时间。
优选的，本发明所述反馈模块对温度采集模块收集的温度数据图进行灰度校正，确定热点位置反馈给设备控制***，实时调整工艺参数的设定；误差检验与修正单元，分析材料特性、注水口位置、水流速度及介质温度工艺参数对温度梯度图的影响大小，并将数据上传至模型数据库模块。
优选的，本发明所述模型数据库模块将温度梯度图伴随材料特性、注水口位置、水流速度及介质温度工艺参数变化而出现的不同热点位置，处理成训练集，对神经网络模型进一步训练，达到不断优化的效果。
本发明的有益效果：
(1)本发明所述方法将热处理工艺参数设定及校正、现场生产和神经网络预测模型联结起来，构成闭环***，相互监督和修正，同时为热处理温度模型的设定及调整提供了精确的参考数据和方向，实现了工艺流水线的自主调控。
(2)本发明所述方法经试验检测，该神经网络可以有效的预测不同热处理参数下达到的材料性能，预测准确率较高，能够基于设定的热处理参数使材料一次热处理后满足材料性能要求，相比现有技术简化了工艺流程、缩短了生产周期、降低了生产成本，是一种较为有效的预判技术方案，具有一定实用性。
(3)本发明所述方法包括设备控制模块、流速控制模块、介质温度控制模块、温度采集模块、反馈模块、模型数据库模块。在热处理过程中可以灵活调节冷速，并可有效地实施满足大型铸件相应性能指标的热处理参数。
附图说明
说明书附图用来提供对本发明的进一步理解，本发明的示意性图例及其说明用于解释本发明，并不构成对本发明的不当限定；其中：
图1为本发明的多层神经网络模型的拓扑结构示意图；
图2为本发明的神经网络softmax方法确认权重的计算方法流程示意图；
图3为本发明的神经网络学习的基本流程示意图；
图4为本发明装置运行基本流程示意图；
图5为本发明的装置模块示意图。
图6温度梯度图；
图7调整后的温度梯度图；
图8均匀化的贝马复相组织。
其中1-温度采集模块；2-设备控制模块；3-流速控制模块；4-冷却介质罐；5-介质温度控制模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。因此，以下对本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
本发明所提及热处理，指调质、固溶等方法。
在本发明实施例中，使用卷积算法，建立多层神经网络，多层神经网络模型的拓扑结构如图1所示；它由输入层、隐藏层和输出层组成。
图2为神经网络选用softmax方法对数据进行分类，将多分类的结果以概率的形式展现出来，将转换后的结果进行归一化处理，以便于神经网络模型对设定的输出数据更为快速准确。
收集大型铸件热处理过程中的输入输出对应的温度梯度数据作为神经网络的训练集进行学习训练。图3为神经网络学习的基本流程示意图，设定热处理冷却***中的材料特性、水流速度、注水口位置及介质温度为输入神经元，温度梯度数据为输出神经元，隐藏层以softmax方法筛选特征设定权重对神经网络模型进行训练；收集实际生产中的工艺参数及对应的温度数据建立二次训练集，对神经网络进一步训练优化。
本发明实施例所述方法所用装置如图5所示，包括温度采集模块1、设备控制模块2、流速控制模块3、冷却介质罐4、介质温度控制模块5，温度采集模块1位于淬火水槽的上方，流速控制模块3位于水管一端，介质温度控制模块5位于水管的外面包括加热线圈加热及单向制冷片。设备控制模块2位于水槽一侧，分别与流速控制模块和介质温度控制模块连接。
具体实施应用：
进行热处理工艺的产品为铬钼合金铸造衬板，其成分如下：
| 元素 | C | Si | Mn | Cr | Ni | Mo | S | P |
| 百分百(％) | 0.458 | 0.433 | 0.513 | 3.438 | 0.628 | 0.307 | 0.021 | 0.012 |
收集50个相近成份的衬板热处理温度样本数据，按照热处理时的介质流速及温度划分为5组建立训练集，输入神经网络模型，采用多层映射卷积网络(卷积-激励-池化-全连接)，进行SoftMax归一化处理，并用动量-自适应学习率调整算法对网络模型进行快速学习训练，训练过程中，网络典型参数选取为：学习过程显示频率df＝10，最大训练步数me＝8000步，误差指标eg＝0.02，学习率lr＝0.08。经过852次训练，网络收敛到期望误差0.02，可对工艺参数进行预测。
设定均匀化组织的温度梯度数据，通过训练完成的神经网络模型预测达到目标的工艺参数要求，具体为：水流速度为0.25m/s，介质温度为35℃，注水口打开1/4。
等待水流运行平稳，将铸件衬板从台车式电阻炉(300kw，1600℃)以860℃出炉送入水池，红外线温度采集仪对水池中的铸件衬板进行温度数据摄取，温度梯度图如图6所示。
将温度梯度图传送至反馈模块，对温度梯度数据进行热点定位，将位置反馈给设备控制模块，打开注水口1/2，调整水流速度为0.3m/s。
经过调整后，温度采集仪采集的温度梯度图像如图7所示显示，热点温度明显降低，保证了铸件温度均匀性。
反馈模块传输热点位置的同时将温度梯度数据上传至模型数据库模块，进行10次数据收集后处理为二次训练集，对神经网络再次进行训练，已达到对后批次产品热处理工艺参数更为准确的预测模型，最终得到了均匀的贝马复相组织，如图8所示。
本实施例中通过神经网络预测模型对热处理工艺参数进行预测，通过设备控制模块控制相应设定参数，在工艺过程中经过温度采集及反馈模块对工艺参数进行适时调整，收集到的温度数据对神经网络模型进行二次训练，得到了更为准确的工艺参数，分析经过***应用的铸件产品，组织更为均匀，简化了整个工艺流程，减少了人工操纵，提高了企业生产效率。
Claims (4)
1.一种基于CNN神经网络模型控制大型铸件热处理的方法，其特征在于，包括：
(1)构建CNN神经网络模型，通过卷积算法，建立多层的神经网络拓扑结构；以热处理***中的铸件特性、注水口位置、水流速度及介质温度作为输入神经元，表面温度梯度作为输出层神经元；基于建立的神经网络拓扑结构，通过SoftMax方法对输入神经元进行修正线性单元分类，采用Max Pooling作为权重构建CNN人工神经网络模型，并用动量-自适应学习率调整算法对网络进行快速学习训练；收集大型铸件热处理过程中的输入输出对应的温度梯度数据作为神经网络的训练集进行学习训练；训练完成后神经网络模型用于对热处理工艺参数进行预测设定；
(2)将步骤(1)所得工艺参数输入到设备控制模块中，所述设备控制模块使用单片机***，分别与流速控制模块和介质温度控制模块连接，所述流速控制模块，通过控制电磁开关闭合程度控制介质流速；介质温度控制模块，通过控制加热线圈加热及单向制冷片冷却的方式控制介质温度，结合神经网络模型的预测参数，通过设备控制***实时控制；
(3)通过温度采集模块对热处理过程中的大型铸件进行温度采集，并将数据即时发送给反馈模块；对温度梯度数据中的热点进行位置确定，实时调整设备控制***，使整体温度梯度呈现均匀化，保证铸件热处理质量；同时将温度梯度数据上传给模型数据库模块，结合对应神经元输入数据处理成训练集，对神经网络模型进一步训练，达到不断优化的效果。
2.根据权利要求1所述基于CNN神经网络模型控制大型铸件热处理的方法，其特征在于：所述铸件特性包括尺寸规格、主要成分含量、使用的电加热炉型号及保温时间。
3.根据权利要求1所述基于CNN神经网络模型控制大型铸件热处理的方法，其特征在于：所述反馈模块对温度采集模块收集的温度数据图进行灰度校正，确定热点位置反馈给设备控制***，实时调整工艺参数的设定；误差检验与修正单元，分析材料特性、注水口位置、水流速度及介质温度工艺参数对温度梯度图的影响大小，并将数据上传至模型数据库模块。
4.根据权利要求1所述基于CNN神经网络模型控制大型铸件热处理的方法，其特征在于：所述模型数据库模块将温度梯度图伴随材料特性、注水口位置、水流速度及介质温度工艺参数变化而出现的不同热点位置，处理成训练集，对神经网络模型进一步训练，达到不断优化的效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210711813.6A CN115221944A (zh) | 2022-06-22 | 2022-06-22 | 一种基于cnn神经网络模型控制大型铸件热处理的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210711813.6A CN115221944A (zh) | 2022-06-22 | 2022-06-22 | 一种基于cnn神经网络模型控制大型铸件热处理的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115221944A true CN115221944A (zh) | 2022-10-21 |
Family
ID=83607057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210711813.6A Pending CN115221944A (zh) | 2022-06-22 | 2022-06-22 | 一种基于cnn神经网络模型控制大型铸件热处理的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115221944A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117286327A (zh) * | 2023-11-24 | 2023-12-26 | 张家港Aaa精密制造股份有限公司 | 用于轴承热处理工艺的智能温控方法及*** |
-
2022
- 2022-06-22 CN CN202210711813.6A patent/CN115221944A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117286327A (zh) * | 2023-11-24 | 2023-12-26 | 张家港Aaa精密制造股份有限公司 | 用于轴承热处理工艺的智能温控方法及*** |
| CN117286327B (zh) * | 2023-11-24 | 2024-04-02 | 张家港Aaa精密制造股份有限公司 | 用于轴承热处理工艺的智能温控方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调***能耗预测方法 | |
| Chen et al. | Prediction and control for silicon content in pig iron of blast furnace by integrating artificial neural network with genetic algorithm | |
| CN115221944A (zh) | 一种基于cnn神经网络模型控制大型铸件热处理的方法 | |
| CN108563121B (zh) | 基于历史数据的微波加热温度场智能监控方法 | |
| Wu et al. | An energy efficient decision-making strategy of burden distribution for blast furnace | |
| Liao et al. | Integrated hybrid-PSO and fuzzy-NN decoupling control for temperature of reheating furnace | |
| Martín et al. | Hot metal temperature prediction in blast furnace using advanced model based on fuzzy logic tools | |
| CN109695944A (zh) | 一种基于多模型深度学习的涂装新风空调的控制方法 | |
| CN111832215A (zh) | 一种在线预测钢板组织性能的方法 | |
| CN116694919B (zh) | 一种轴承贝氏体热处理工艺的优化方法及*** | |
| CN115186582A (zh) | 一种基于机器学习模型的轧钢加热炉控制方法 | |
| KR20180073434A (ko) | 연속 소둔라인의 강판 온도 패턴 제어 시스템 및 방법 | |
| CN109492335A (zh) | 一种退火炉炉温预测方法及*** | |
| CN110245398B (zh) | 空气预热器转子热变形量的软测量深度学习方法 | |
| CN113988262A (zh) | 一种冷链物流温度预测方法和温度调控方法 | |
| CN114326639B (zh) | 基于混合注意力卷积神经网络的工业过程性能评估方法 | |
| CN116852665A (zh) | 一种基于混合模型的注塑工艺参数智能调节方法 | |
| CN117195747B (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
| CN110766234B (zh) | 基于信息融合的水泥冷却过程篦下压力预测方法 | |
| CN113222231A (zh) | 一种基于物联网技术的智慧供热*** | |
| CN111411215A (zh) | 一种多钢坯对象的炉温综合决策方法 | |
| CN114925569A (zh) | 一种有限元与神经网络结合的钢板淬火温度预测方法 | |
| CN109598643B (zh) | 一种退火炉分区煤气流量分配方法、设备及存储设备 | |
| Wu et al. | Intelligent optimization and control for reheating furnaces | |
| Yan et al. | Temperature prediction intelligent system based on BP neural network in wireless industrial IoT |
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 |