CN115625317A - 一种用于压铸调控的表面水纹优化处理方法及*** - Google Patents
一种用于压铸调控的表面水纹优化处理方法及*** Download PDFInfo
- Publication number
- CN115625317A CN115625317A CN202211644288.7A CN202211644288A CN115625317A CN 115625317 A CN115625317 A CN 115625317A CN 202211644288 A CN202211644288 A CN 202211644288A CN 115625317 A CN115625317 A CN 115625317A
- Authority
- CN
- China
- Prior art keywords
- information
- optimization
- defect
- water wave
- die
- 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D17/00—Pressure die casting or injection die casting, i.e. casting in which the metal is forced into a mould under high pressure
- B22D17/20—Accessories: Details
- B22D17/32—Controlling equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种用于压铸调控的表面水纹优化处理方法及***,涉及压铸技术领域,获取预设压铸工艺制备获得目标样品,采集样品图像信息,包括水纹图像信息,进行图像分析获得水纹区域大小信息和水纹走向信息,输入缺陷步骤溯源模型,获得缺陷步骤集合和对应的缺陷参数集合;将水纹区域大小信息和缺陷步骤集合输入优化调整幅度分析模型,获得多个优化幅度信息,进行缺陷参数调整优化,并获得优化压铸工艺进行压铸生产,解决了现有技术中当前的压铸调控方法适应性不足,使得工艺参数的调整不够精准,使得压铸精度不足,最终的压铸件存在瑕疵的技术问题,基于压铸样品反向进行工艺缺陷分析,提高参数调整精度,保障压铸件质量。
Description
技术领域
本发明涉及压铸技术领域,具体涉及一种用于压铸调控的表面水纹优化处理方法及***。
背景技术
压铸工艺作为一种无切削的特种铸造方式,可将熔融金属于高压高速下进行模具填充铸型,结晶凝固后形成铸件,由于在充型过程中,熔融金属第一接触型壁过早凝固,使得熔融金属和凝固层不能融合为一,于铸件表面会形成对接堆叠纹,即铸件表面水纹,需进行压铸缺陷规避以保障金属压铸质量,现如今,主要通过压铸金属状态优化、工艺参数调整进行压铸缺陷规避,由于当前技术的局限性,使得压铸工艺的优化较之实际匹配度不足,造成压铸件质量不达标。
现有技术中,当前的压铸调控方法适应性不足,使得工艺参数的调整不够精准,使得压铸精度不足,最终的压铸件存在瑕疵。
发明内容
本申请提供了一种用于压铸调控的表面水纹优化处理方法及***,用于针对解决现有技术中存在的当前的压铸调控方法适应性不足,使得工艺参数的调整不够精准,使得压铸精度不足,最终的压铸件存在瑕疵的技术问题。
鉴于上述问题,本申请提供了一种用于压铸调控的表面水纹优化处理方法及***。
第一方面,本申请提供了一种用于压铸调控的表面水纹优化处理方法,所述方法包括:
获取预设压铸工艺,其中,所述预设压铸工艺包括多个工艺步骤和对应的多个工艺参数;
采用所述预设压铸工艺制备获得目标样品,采集获取所述目标样品的样品图像信息,其中,所述样品图像信息内包括所述目标样品上水纹的水纹图像信息;
对所述水纹图像信息进行图像分析,获得水纹区域大小信息和水纹走向信息;
将所述区域大小信息和水纹走向信息输入缺陷步骤溯源模型,获得缺陷步骤集合和对应的缺陷参数集合;
将所述水纹区域大小信息和缺陷步骤集合输入优化调整幅度分析模型,获得多个优化幅度信息;
采用所述多个优化幅度信息,对所述缺陷参数集合内的缺陷参数进行调整优化,获得优化参数集合,并获得优化压铸工艺,进行压铸生产。
第二方面,本申请提供了一种用于压铸调控的表面水纹优化处理***,所述***包括:
工艺获取模块,所述工艺获取模块用于获取预设压铸工艺,其中,所述预设压铸工艺包括多个工艺步骤和对应的多个工艺参数;
信息采集模块,所述信息采集模块用于采用所述预设压铸工艺制备获得目标样品,采集获取所述目标样品的样品图像信息,其中,所述样品图像信息内包括所述目标样品上水纹的水纹图像信息;
图像分析模块,所述图像分析模块用于对所述水纹图像信息进行图像分析,获得水纹区域大小信息和水纹走向信息;
缺陷获取模块,所述缺陷获取模块用于将所述区域大小信息和水纹走向信息输入缺陷步骤溯源模型,获得缺陷步骤集合和对应的缺陷参数集合;
优化信息获取模块,所述优化信息获取模块用于将所述水纹区域大小信息和缺陷步骤集合输入优化调整幅度分析模型,获得多个优化幅度信息;
工艺优化模块,所述工艺优化模块用于采用所述多个优化幅度信息,对所述缺陷参数集合内的缺陷参数进行调整优化,获得优化参数集合,并获得优化压铸工艺,进行压铸生产。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种用于压铸调控的表面水纹优化处理方法,获取预设压铸工艺,包括多个工艺步骤和对应的多个工艺参数,采用所述预设压铸工艺制备获得目标样品,采集获取所述目标样品的样品图像信息,包括所述目标样品上水纹的水纹图像信息,进行图像分析获得水纹区域大小信息和水纹走向信息,将其输入缺陷步骤溯源模型,获得缺陷步骤集合和对应的缺陷参数集合;将所述水纹区域大小信息和缺陷步骤集合输入优化调整幅度分析模型,获得多个优化幅度信息,对所述缺陷参数集合内的缺陷参数进行调整优化,获得优化参数集合,并获得优化压铸工艺进行压铸生产,解决了现有技术中存在的当前的压铸调控方法适应性不足,使得工艺参数的调整不够精准,使得压铸精度不足,最终的压铸件存在瑕疵的技术问题,基于压铸样品反向进行工艺缺陷分析,提高参数调整精度,保障压铸件质量。
附图说明
图1为本申请提供了一种用于压铸调控的表面水纹优化处理方法流程示意图;
图2为本申请提供了一种用于压铸调控的表面水纹优化处理方法中缺陷参数集合获取流程示意图;
图3为本申请提供了一种用于压铸调控的表面水纹优化处理方法中多个优化幅度信息获取流程示意图;
图4为本申请提供了一种用于压铸调控的表面水纹优化处理***结构示意图。
附图标记说明:工艺获取模块11,信息采集模块12,图像分析模块13,缺陷获取模块14,优化信息获取模块15,工艺优化模块16。
具体实施方式
本申请通过提供一种用于压铸调控的表面水纹优化处理方法及***,获取预设压铸工艺制备获得目标样品,采集样品图像信息,包括水纹图像信息,进行图像分析获得水纹区域大小信息和水纹走向信息,输入缺陷步骤溯源模型,获得缺陷步骤集合和对应的缺陷参数集合;将水纹区域大小信息和缺陷步骤集合输入优化调整幅度分析模型,获得多个优化幅度信息,进行缺陷参数调整优化,并获得优化压铸工艺进行压铸生产,用于解决现有技术中存在的当前的压铸调控方法适应性不足,使得工艺参数的调整不够精准,使得压铸精度不足,最终的压铸件存在瑕疵的技术问题。
实施例一
如图1所示,本申请提供了一种用于压铸调控的表面水纹优化处理方法,所述方法包括:
步骤S100:获取预设压铸工艺,其中,所述预设压铸工艺包括多个工艺步骤和对应的多个工艺参数;
具体而言,压铸工艺作为一种无切削的特种铸造方式,可将熔融金属于高压高速下进行模具填充铸型,结晶凝固后形成铸件,压铸过程中不可避免的会出现压铸缺陷,使得铸件质量存在瑕疵,为进行压铸缺陷规避,需进行压铸工艺参数的精准有效控制,本申请提供的一种用于压铸调控的表面水纹优化处理方法,基于当前压铸工艺制备样本,通过进行缺陷分析确定优化步骤及对应的优化参数,以进行工艺优化,提高压铸质量。首先,获取所述预设压铸工艺,即当前可获取的最佳压铸工艺,主要包括模具准备、填充、注射及落砂多个工艺步骤,其中,各步骤可分解为多个子步骤,例如,所述模具准备包括模具清理、预热、涂料等。确定各工艺步骤对应的控制参数,例如模具的温度控制、压力参数等,其中压力参数需与压铸金属相适配,对所述多个工艺步骤与所述多个工艺参数进行关联对应,作为所述预设压铸工艺,将所述预设压铸工艺作为初始压铸工艺,基于此进行优化调整。
步骤S200:采用所述预设压铸工艺制备获得目标样品,采集获取所述目标样品的样品图像信息,其中,所述样品图像信息内包括所述目标样品上水纹的水纹图像信息;
具体而言,基于所述预设压铸工艺进行铸件制备,获取所述目标样品,基于所述目标样品的质量进行工艺控制缺陷分析。基于图像采集设备对所述目标样品进行多角度图像采集,包括全局图像信息与局部图像信息,对采集图像基于所述目标样品的采集位置进行顺序性排列,获取所述样品图像信息,所述样品图像信息的获取为后续进行压铸缺陷分析提供了基本依据。所述样品图像信息包括所述目标样品上水纹的水纹图像信息,压铸水纹属于压铸件表面存在的致命缺陷,基于此对所述目标样品进行缺陷分析与工艺优化。
步骤S300:对所述水纹图像信息进行图像分析,获得水纹区域大小信息和水纹走向信息;
进一步而言,对所述水纹图像信息进行图像分析,本申请步骤S300还包括:
步骤S310:对所述样品图像信息进行分割,获得所述水纹图像信息;
步骤S320:对所述水纹图像信息进行水纹区域框选和计算,获得所述水纹区域大小信息;
步骤S330:对所述水纹图像信息内的水纹进行走向分析,获得所述水纹走向信息。
具体而言,通过对所述目标样品进行图像采集,获取所述样品图像信息,对所述样品图像信息进行表面水纹识别,基于识别结果进行所述样品图像信息分割,获取所述水纹图像信息,即提取的存在水纹缺陷的样品图像信息。对所述水纹图像信息进行边缘检测,确定多个边缘定位点,以进行水纹区域框选,进一步对水纹框选区域进行面积计算,示例性的,可通过构建坐标空间,对各个水纹框选区域对应的多个边缘定位点分别进行坐标位置定位,确定多组区域坐标点,通过进行坐标同轴差值确定,获取多个水纹框选区域的面积,作为所述水纹区域大小信息。进一步的,基于所述水纹图像信息确定水纹的线性走势,作为所述水纹走向信息。所述水纹区域大小信息与所述水纹走向信息的精准判定可反映所述目标样品的水纹缺陷,为后续进行反向递推实现工艺参数溯源优化奠定了基础。
步骤S400:将所述区域大小信息和水纹走向信息输入缺陷步骤溯源模型,获得缺陷步骤集合和对应的缺陷参数集合;
进一步而言,如图2所示,将所述区域大小信息和水纹走向信息输入缺陷步骤溯源模型,获得缺陷步骤集合和对应的缺陷参数集合,本申请步骤S400还包括:
步骤S410:根据此前进行压铸生产的历史生产日志数据,提取出现水纹缺陷时的生产数据,获得多个样本缺陷步骤集合、多个样本水纹区域大小信息和多个样本水纹走向信息;
步骤S420:基于监督学习,对所述多个样本缺陷步骤集合、多个样本水纹区域大小信息和多个样本水纹走向信息进行数据标注,获得构建数据集;
步骤S430:基于BP神经网络,构建所述缺陷步骤溯源模型,其中,所述缺陷步骤溯源模型的输入数据为水纹区域大小信息和水纹走向信息,输出数据为缺陷步骤集合;
步骤S440:采用所述构建数据集对所述缺陷步骤溯源模型进行监督训练和验证,直到所述缺陷步骤溯源模型收敛或达到预设的准确率;
步骤S450:将所述区域大小信息和水纹走向信息输入所述缺陷步骤溯源模型,获得所述缺陷步骤集合;
步骤S460:根据所述缺陷步骤集合,获取所述预设压铸工艺内的所述缺陷参数集合。
具体而言,基于所述预设压铸工艺,采集此前预定时间区间内进行压铸生产的历史生产日志数据,遍历所述历史生产日志数据进行水纹缺陷关联数据识别,进行相关生产数据提取,进一步确定任一压铸产品的缺陷步骤、水纹区域大小与水纹走向信息,上述信息关联对应,进而分别添加进所述多个样本缺陷步骤集合、所述多个样本水纹区域大小信息与所述多个样本水纹走向信息,对所述相关生产数据分别进行数据归类添加。通过进行监督学习,对所述多个样本缺陷步骤集合、所述多个样本水纹区域大小信息与所述多个样本水纹走向信息基于相关性进行对应关联,基于关联关系进行数据标识,可确定多组缺陷数据,将数据标注结果作为所述构建数据集。
具体的,基于BP神经网络,确定多层级网络层构成模型架构,生成所述缺陷步骤溯源模型,包括匹配识别层、溯源归属层,将所述水纹区域大小信息与所述水纹走向信息输入所述缺陷步骤溯源模型中,通过进行多层级匹配分析,确定缺陷步骤集合并进行模型输出。对所述构建数据集进行划分,作为训练集与验证集,将所述训练集输入所述缺陷步骤溯源模型中,进行模型训练,进一步将所述验证集输入其中,判断所述验证集对应的模型输出结果与所述验证集内包含的缺陷步骤集合是否一致,基于此来判断所述缺陷步骤溯源模型收敛或达到预设准确率,当模型不达标时,可适当调整所述构建数据集的划分比例,再次进行模型训练验证,直至模型合格。
进一步的,将所述区域大小信息与所述水纹走向信息输入所述缺陷步骤溯源模型中,基于所述匹配识别层分别进行输入数据匹配,确定适配度最高的数据节点,进而基于所述溯源归属层确定数据节点的相关性缺陷步骤,对其进行整合作为所述缺陷步骤集合进行输出。确定所述缺陷步骤集合中各步骤对应的工艺参数,提取其中的水纹缺陷影响参数,作为所述缺陷参数集合,例如,当模具准备步骤存在缺陷时,模具控制温度可能为缺陷参数。通过构建所述缺陷步骤溯源模型进行缺陷分析,可有效保障分析结果的客观性与准确性,并提高分析效率。
步骤S500:将所述水纹区域大小信息和缺陷步骤集合输入优化调整幅度分析模型,获得多个优化幅度信息;
步骤S600:采用所述多个优化幅度信息,对所述缺陷参数集合内的缺陷参数进行调整优化,获得优化参数集合,并获得优化压铸工艺,进行压铸生产。
具体而言,构建所述优化调整幅度分析模型,包括多个工艺步骤对应的多个优化调整幅度分析单元,将所述水纹区域大小信息和缺陷步骤集合输入所述优化调整幅度分析模型中,通过进行信息匹配分析,确定所述缺陷步骤集合中对应缺陷参数的优化幅度信息。基于所述多个优化幅度信息确定多个优化调整方式,对所述缺陷参数集合内的相关缺陷工艺参数进行调整,确定多个调整工艺参数,进一步进行参数寻优迭代,将水纹区域最小作为寻优目标,当达到预设迭代次数后,确定当前最优调整参数,作为所述优化参数集合,基于所述优化参数集合对所述预设压铸工艺进行调整,生成所述优化压铸工艺进行压铸生产,以降低压铸进程中存在的缺陷,提高压铸产品的质量。
进一步而言,如图3所示,将所述水纹区域大小信息和缺陷步骤集合输入优化调整幅度分析模型,获得多个优化幅度信息,本申请步骤S500还包括:
步骤S510:根据所述多个样本水纹区域大小信息,制定获取对所述多个工艺步骤的工艺参数进行参数调整的幅度,获得多个样本优化幅度信息集合;
步骤S520:基于所述多个样本水纹区域大小信息、多个工艺步骤和多个样本优化幅度信息集合,构建所述优化调整幅度分析模型,所述优化调整幅度分析模型包括与所述多个工艺步骤对应的多个优化调整幅度分析单元;
步骤S530:将所述水纹区域大小信息输入所述缺陷步骤集合内缺陷步骤对应的多个优化调整幅度分析单元内,获得所述多个优化幅度信息。
进一步而言,基于所述多个样本水纹区域大小信息、多个工艺步骤和多个样本优化幅度信息集合,构建所述优化调整幅度分析模型,本申请步骤S520还包括:
步骤S521:根据所述多个工艺步骤,构建所述多个优化调整幅度分析单元的数据空间;
步骤S522:在所述多个优化调整幅度分析单元的数据空间内,根据所述多个样本优化幅度信息集合,分别构建所述多个样本水纹区域大小信息和多个工艺步骤参数的样本优化幅度信息的映射关系,获取多个优化幅度映射关系,获得所述多个优化调整幅度分析单元;
步骤S523:集成所述多个优化调整幅度分析单元,获得所述优化调整幅度分析模型。
具体而言,通过进行所述历史生产日志数据的采集与信息提取,获取所述多个样本水纹区域大小信息,与所述多个工艺步骤的工艺参数进行匹配对应,确定参数调整幅度,使得水纹缺陷消除,一般而言,水纹区域大小与参数调整幅度正相关,水纹区域越大,则参数调整幅度越大,以使高效率地进行参数调整,减小铸造产品的水纹缺陷,将多组参数调整幅度作为所述多个样本优化幅度集合。
具体的,构建所述多个优化调整幅度分析单元的数据空间,其中,所述多个优化调整幅度分析单元与所述多个工艺步骤一一对应,用于进行对应工艺步骤的参数优化。对所述多个样本水纹区域大小信息与所述多个工艺步骤参数的样本优化幅度信息进行映射对应,对存在的链接关系进行标识,其中,可能存在单项样本水纹区域大小信息对应单项或多项工艺步骤的样本优化幅度信息,例如同一水纹缺陷需进行多个工艺步骤的参数调整,确定所述多个优化幅度映射关系。将所述多个样本优化幅度信息集合输入所述多个优化调整幅度分析单元的对应数据空间中,基于所述多个优化幅度映射关系进行单元内信息关联,生成所述多个优化调整幅度分析单元。对所述多个优化调整幅度分析单元进行集成,构成所述优化调整幅度分析模型。所述优化调整幅度分析模型作为进行工艺参数调整分析的辅助性工具,可有效提高参数分析效率。
进一步的,将所述多个水纹区域大小信息输入所述优化调整幅度分析模型中,确定所述缺陷步骤集合内所述水纹区域大小信息对应的调整工艺步骤,基于工艺步骤对应的优化调整幅度分析单元,通过进行优化幅度信息匹配校对,确定与所述水纹区域大小信息契合度最高的优化幅度信息,进一步联合工艺步骤进行信息整合,生成所述多个优化幅度信息并进行模型输出。通过构建所述优化幅度分析模型进行缺陷步骤参数优化分析,保障分析结果的客观性与参数调整幅度的准确性。
进一步而言,采用所述多个优化幅度信息,对所述缺陷参数集合内的缺陷参数进行调整优化,获得优化参数集合,本申请步骤S600还包括:
步骤S610:根据所述多个优化幅度信息,获取多个优化调整方式;
步骤S620:采用若干个优化调整方式,对所述缺陷参数集合内的缺陷工艺参数进行调整,构建所述缺陷参数集合的第一邻域,其中,所述第一邻域内包括多个调整参数集合;
步骤S630:获取所述多个调整参数集合的多个优化评分;
步骤S640:将所述多个优化评分内的最大值作为第一优化评分,将第一优化评分对应的调整参数集合作为第一优化参数集合,并作为当前最优解;
步骤S650:将调整获得所述第一优化参数集合的优化调整方式加入禁忌表内,在优化迭代达到禁忌迭代次数后,从所述禁忌表内删除;
步骤S660:采用未禁忌的若干个优化调整方式,构建所述第一优化参数集合的第二邻域,进行迭代寻优;
步骤S670:达到预设迭代次数后,将优化过程中的历史最优解输出,获得所述优化参数集合。
进一步而言,获取所述多个调整参数集合的多个优化评分,本申请步骤S630还包括:
步骤S631:采用所述多个调整参数集合,构建多个调整压铸工艺;
步骤S632:采用所述多个调整压铸工艺,进行压铸试生产,获得多个试生产样品;
步骤S633:对所述多个试生产样品进行检测,获得多个试生产水纹区域大小信息;
步骤S634:根据所述多个试生产水纹区域大小信息进行优化评分评估,获得所述多个优化评分。
具体而言,根据所述水纹区域大小信息,通过对所述缺陷步骤集合进行参数优化调整幅度分析,获取所述多个优化幅度信息,基于优化幅度信息进行参数调整设置,生成所述多个优化调整方式,例如,模具温度参数对应的优化幅度信息为1℃,则示例将提升或降低1℃,提升或降低2℃等分别作为对模具温度参数进行优化调整的多个优化调整方式。进一步基于所述多个优化调整方式,随机提取若干个少于其的优化调整方式,分别对所述缺陷参数集合内对应的缺陷工艺参数进行调整,获取多个不同的调整参数集合,构建所述缺陷参数集合的第一邻域,即进行参数寻优迭代的设定区域范围,内含所述多个调整参数集合。
具体的,基于所述多个调整参数集合,分别对所述预设压铸工艺进行调整,获取所述多个调整压铸工艺。基于所述多个调整压铸工艺进行压铸试生产,获取所述多个试生产样品,即多个工艺调整产品,其中,所述多个生产样品与所述多个调整压铸工艺相对应。对所述多个试生产样品进行水纹检测,可有效保障检测结果与调整压铸工艺的契合度,采集样品图像信息进行水纹区域识别定位,确定区域面积并进行样品标识,作为所述多个试生产水纹区域大小信息。将所述多个试生产水纹区域大小信息作为评判依据,设定多级评分等级并确定等级划分区域区间,对所述多个试生产水纹区域大小信息进行评估,其中,水纹区域越大,评分越低,获取所述多个优化评分,以反映参数调整的优劣。
进一步的,对所述多个优化评分进行分值顺序排序取最大值作为所述第一优化评分,针对所述第一优化评分进行参数反向匹配,将对应的调整参数集合作为所述第一优化参数集合,将其设定为当前最优解。为了避免陷入局部最优,将所述第一优化参数集合的优化调整方式加入所述禁忌表内,直至后续优化迭代次数达到所述禁忌迭代次数后,即寻优迭代趋于稳定,将所述禁忌表内的优化调整方式进行删除。基于未禁忌的所述若干个优化调整方式构建所述第一优化参数集合的所述第二邻域,基于所述第二邻域内包含的调整参数集合进行寻优迭代,直至达到预设迭代次数后,确定优化过程中的历史最优解,包括多个工艺调整参数,生成所述优化参数集合,以保障所述优化参数集合的优选性,实现压铸质量最优化。
实施例二
基于与前述实施例中一种用于压铸调控的表面水纹优化处理方法相同的发明构思,如图4所示,本申请提供了一种用于压铸调控的表面水纹优化处理***,所述***包括:
工艺获取模块11,所述工艺获取模块11用于获取预设压铸工艺,其中,所述预设压铸工艺包括多个工艺步骤和对应的多个工艺参数;
信息采集模块12,所述信息采集模块12用于采用所述预设压铸工艺制备获得目标样品,采集获取所述目标样品的样品图像信息,其中,所述样品图像信息内包括所述目标样品上水纹的水纹图像信息;
图像分析模块13,所述图像分析模块13用于对所述水纹图像信息进行图像分析,获得水纹区域大小信息和水纹走向信息;
缺陷获取模块14,所述缺陷获取模块14用于将所述区域大小信息和水纹走向信息输入缺陷步骤溯源模型,获得缺陷步骤集合和对应的缺陷参数集合;
优化信息获取模块15,所述优化信息获取模块15用于将所述水纹区域大小信息和缺陷步骤集合输入优化调整幅度分析模型,获得多个优化幅度信息;
工艺优化模块16,所述工艺优化模块16用于采用所述多个优化幅度信息,对所述缺陷参数集合内的缺陷参数进行调整优化,获得优化参数集合,并获得优化压铸工艺,进行压铸生产。
进一步而言,所述***还包括:
图像分割模块,所述图像分割模块用于对所述样品图像信息进行分割,获得所述水纹图像信息;
区域计算模块,所述区域计算模块用于对所述水纹图像信息进行水纹区域框选和计算,获得所述水纹区域大小信息;
走向分析模块,所述走向分析模块用于对所述水纹图像信息内的水纹进行走向分析,获得所述水纹走向信息。
进一步而言,所述***还包括:
数据提取模块,所述数据提取模块用于根据此前进行压铸生产的历史生产日志数据,提取出现水纹缺陷时的生产数据,获得多个样本缺陷步骤集合、多个样本水纹区域大小信息和多个样本水纹走向信息;
数据标注模块,所述数据标注模块用于基于监督学习,对所述多个样本缺陷步骤集合、多个样本水纹区域大小信息和多个样本水纹走向信息进行数据标注,获得构建数据集;
模型构建模块,所述模型构建模块用于基于BP神经网络,构建所述缺陷步骤溯源模型,其中,所述缺陷步骤溯源模型的输入数据为水纹区域大小信息和水纹走向信息,输出数据为缺陷步骤集合;
模型训练验证模块,所述模型训练验证模块用于采用所述构建数据集对所述缺陷步骤溯源模型进行监督训练和验证,直到所述缺陷步骤溯源模型收敛或达到预设的准确率;
缺陷步骤获取模块,所述缺陷步骤获取模块用于将所述区域大小信息和水纹走向信息输入所述缺陷步骤溯源模型,获得所述缺陷步骤集合;
缺陷参数获取模块,所述缺陷参数获取模块用于根据所述缺陷步骤集合,获取所述预设压铸工艺内的所述缺陷参数集合。
进一步而言,所述***还包括:
优化幅度制定模块,所述优化幅度制定模块用于根据所述多个样本水纹区域大小信息,制定获取对所述多个工艺步骤的工艺参数进行参数调整的幅度,获得多个样本优化幅度信息集合;
优化调整幅度分析模型构建模块,所述优化调整幅度分析模型构建模块用于基于所述多个样本水纹区域大小信息、多个工艺步骤和多个样本优化幅度信息集合,构建所述优化调整幅度分析模型,所述优化调整幅度分析模型包括与所述多个工艺步骤对应的多个优化调整幅度分析单元;
优化幅度获取模块,所述优化幅度获取模块用于将所述水纹区域大小信息输入所述缺陷步骤集合内缺陷步骤对应的多个优化调整幅度分析单元内,获得所述多个优化幅度信息。
进一步而言,所述***还包括:
空间构建模块,所述空间构建模块用于根据所述多个工艺步骤,构建所述多个优化调整幅度分析单元的数据空间;
映射关系构建模块,所述映射关系构建模块用于在所述多个优化调整幅度分析单元的数据空间内,根据所述多个样本优化幅度信息集合,分别构建所述多个样本水纹区域大小信息和多个工艺步骤参数的样本优化幅度信息的映射关系,获取多个优化幅度映射关系,获得所述多个优化调整幅度分析单元;
单元集成模块,所述单元集成模块用于集成所述多个优化调整幅度分析单元,获得所述优化调整幅度分析模型。
进一步而言,所述***还包括:
优化调整方式获取模块,所述优化调整方式获取模块用于根据所述多个优化幅度信息,获取多个优化调整方式;
第一邻域构建模块,所述第一邻域构建模块用于采用若干个优化调整方式,对所述缺陷参数集合内的缺陷工艺参数进行调整,构建所述缺陷参数集合的第一邻域,其中,所述第一邻域内包括多个调整参数集合;
优化评分获取模块,所述优化评分获取模块用于获取所述多个调整参数集合的多个优化评分;
当前最优解确定模块,所述当前最优解确定模块用于将所述多个优化评分内的最大值作为第一优化评分,将第一优化评分对应的调整参数集合作为第一优化参数集合,并作为当前最优解;
禁忌表调整模块,所述禁忌表调整模块用于将调整获得所述第一优化参数集合的优化调整方式加入禁忌表内,在优化迭代达到禁忌迭代次数后,从所述禁忌表内删除;
第二邻域构建模块,所述第二邻域构建模块用于采用未禁忌的若干个优化调整方式,构建所述第一优化参数集合的第二邻域,进行迭代寻优;
优化参数获取模块,所述优化参数获取模块用于达到预设迭代次数后,将优化过程中的历史最优解输出,获得所述优化参数集合。
进一步而言,所述***还包括:
调整压铸工艺构建模块,所述调整压铸工艺构建模块用于采用所述多个调整参数集合,构建多个调整压铸工艺;
样品获取模块,所述样品获取模块用于采用所述多个调整压铸工艺,进行压铸试生产,获得多个试生产样品;
样品检测模块,所述样品检测模块用于对所述多个试生产样品进行检测,获得多个试生产水纹区域大小信息;
优化评分评估模块,所述优化评分评估模块用于根据所述多个试生产水纹区域大小信息进行优化评分评估,获得所述多个优化评分。
本说明书通过前述对一种用于压铸调控的表面水纹优化处理方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种用于压铸调控的表面水纹优化处理方法及***,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种用于压铸调控的表面水纹优化处理方法,其特征在于,所述方法包括:
获取预设压铸工艺,其中,所述预设压铸工艺包括多个工艺步骤和对应的多个工艺参数;
采用所述预设压铸工艺制备获得目标样品,采集获取所述目标样品的样品图像信息,其中,所述样品图像信息内包括所述目标样品上水纹的水纹图像信息;
对所述水纹图像信息进行图像分析,获得水纹区域大小信息和水纹走向信息;
将所述区域大小信息和水纹走向信息输入缺陷步骤溯源模型,获得缺陷步骤集合和对应的缺陷参数集合;
将所述水纹区域大小信息和缺陷步骤集合输入优化调整幅度分析模型,获得多个优化幅度信息;
采用所述多个优化幅度信息,对所述缺陷参数集合内的缺陷参数进行调整优化,获得优化参数集合,并获得优化压铸工艺,进行压铸生产。
2.根据权利要求1所述的方法,其特征在于,对所述水纹图像信息进行图像分析,包括:
对所述样品图像信息进行分割,获得所述水纹图像信息;
对所述水纹图像信息进行水纹区域框选和计算,获得所述水纹区域大小信息;
对所述水纹图像信息内的水纹进行走向分析,获得所述水纹走向信息。
3.根据权利要求1所述的方法,其特征在于,将所述区域大小信息和水纹走向信息输入缺陷步骤溯源模型,获得缺陷步骤集合和对应的缺陷参数集合,包括:
根据此前进行压铸生产的历史生产日志数据,提取出现水纹缺陷时的生产数据,获得多个样本缺陷步骤集合、多个样本水纹区域大小信息和多个样本水纹走向信息;
基于监督学习,对所述多个样本缺陷步骤集合、多个样本水纹区域大小信息和多个样本水纹走向信息进行数据标注,获得构建数据集;
基于BP神经网络,构建所述缺陷步骤溯源模型,其中,所述缺陷步骤溯源模型的输入数据为水纹区域大小信息和水纹走向信息,输出数据为缺陷步骤集合;
采用所述构建数据集对所述缺陷步骤溯源模型进行监督训练和验证,直到所述缺陷步骤溯源模型收敛或达到预设的准确率;
将所述区域大小信息和水纹走向信息输入所述缺陷步骤溯源模型,获得所述缺陷步骤集合;
根据所述缺陷步骤集合,获取所述预设压铸工艺内的所述缺陷参数集合。
4.根据权利要求3所述的方法,其特征在于,将所述水纹区域大小信息和缺陷步骤集合输入优化调整幅度分析模型,获得多个优化幅度信息,包括:
根据所述多个样本水纹区域大小信息,制定获取对所述多个工艺步骤的工艺参数进行参数调整的幅度,获得多个样本优化幅度信息集合;
基于所述多个样本水纹区域大小信息、多个工艺步骤和多个样本优化幅度信息集合,构建所述优化调整幅度分析模型,所述优化调整幅度分析模型包括与所述多个工艺步骤对应的多个优化调整幅度分析单元;
将所述水纹区域大小信息输入所述缺陷步骤集合内缺陷步骤对应的多个优化调整幅度分析单元内,获得所述多个优化幅度信息。
5.根据权利要求4所述的方法,其特征在于,基于所述多个样本水纹区域大小信息、多个工艺步骤和多个样本优化幅度信息集合,构建所述优化调整幅度分析模型,包括:
根据所述多个工艺步骤,构建所述多个优化调整幅度分析单元的数据空间;
在所述多个优化调整幅度分析单元的数据空间内,根据所述多个样本优化幅度信息集合,分别构建所述多个样本水纹区域大小信息和多个工艺步骤参数的样本优化幅度信息的映射关系,获取多个优化幅度映射关系,获得所述多个优化调整幅度分析单元;
集成所述多个优化调整幅度分析单元,获得所述优化调整幅度分析模型。
6.根据权利要求1所述的方法,其特征在于,采用所述多个优化幅度信息,对所述缺陷参数集合内的缺陷参数进行调整优化,获得优化参数集合,包括:
根据所述多个优化幅度信息,获取多个优化调整方式;
采用若干个优化调整方式,对所述缺陷参数集合内的缺陷工艺参数进行调整,构建所述缺陷参数集合的第一邻域,其中,所述第一邻域内包括多个调整参数集合;
获取所述多个调整参数集合的多个优化评分;
将所述多个优化评分内的最大值作为第一优化评分,将第一优化评分对应的调整参数集合作为第一优化参数集合,并作为当前最优解;
将调整获得所述第一优化参数集合的优化调整方式加入禁忌表内,在优化迭代达到禁忌迭代次数后,从所述禁忌表内删除;
采用未禁忌的若干个优化调整方式,构建所述第一优化参数集合的第二邻域,进行迭代寻优;
达到预设迭代次数后,将优化过程中的历史最优解输出,获得所述优化参数集合。
7.根据权利要求6所述的方法,其特征在于,获取所述多个调整参数集合的多个优化评分,包括:
采用所述多个调整参数集合,构建多个调整压铸工艺;
采用所述多个调整压铸工艺,进行压铸试生产,获得多个试生产样品;
对所述多个试生产样品进行检测,获得多个试生产水纹区域大小信息;
根据所述多个试生产水纹区域大小信息进行优化评分评估,获得所述多个优化评分。
8.一种用于压铸调控的表面水纹优化处理***,其特征在于,所述***包括:
工艺获取模块,所述工艺获取模块用于获取预设压铸工艺,其中,所述预设压铸工艺包括多个工艺步骤和对应的多个工艺参数;
信息采集模块,所述信息采集模块用于采用所述预设压铸工艺制备获得目标样品,采集获取所述目标样品的样品图像信息,其中,所述样品图像信息内包括所述目标样品上水纹的水纹图像信息;
图像分析模块,所述图像分析模块用于对所述水纹图像信息进行图像分析,获得水纹区域大小信息和水纹走向信息;
缺陷获取模块,所述缺陷获取模块用于将所述区域大小信息和水纹走向信息输入缺陷步骤溯源模型,获得缺陷步骤集合和对应的缺陷参数集合;
优化信息获取模块,所述优化信息获取模块用于将所述水纹区域大小信息和缺陷步骤集合输入优化调整幅度分析模型,获得多个优化幅度信息;
工艺优化模块,所述工艺优化模块用于采用所述多个优化幅度信息,对所述缺陷参数集合内的缺陷参数进行调整优化,获得优化参数集合,并获得优化压铸工艺,进行压铸生产。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211644288.7A CN115625317B (zh) | 2022-12-21 | 2022-12-21 | 一种用于压铸调控的表面水纹优化处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211644288.7A CN115625317B (zh) | 2022-12-21 | 2022-12-21 | 一种用于压铸调控的表面水纹优化处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115625317A true CN115625317A (zh) | 2023-01-20 |
CN115625317B CN115625317B (zh) | 2023-05-16 |
Family
ID=84911218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211644288.7A Active CN115625317B (zh) | 2022-12-21 | 2022-12-21 | 一种用于压铸调控的表面水纹优化处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115625317B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501001A (zh) * | 2023-06-27 | 2023-07-28 | 江苏宝孚克新能源科技有限公司 | 一种柔性铝合金电缆生产工艺优化控制方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN112453351A (zh) * | 2020-11-06 | 2021-03-09 | 中信戴卡股份有限公司 | 一种压铸机工艺参数调整方法、***及存储介质 |
CN113486457A (zh) * | 2021-06-04 | 2021-10-08 | 宁波海天金属成型设备有限公司 | 一种压铸件缺陷预测及诊断*** |
CN113591246A (zh) * | 2021-08-09 | 2021-11-02 | 中国计量大学 | 一种基于dqn的压铸工艺自动优化方法 |
CN113642160A (zh) * | 2021-07-26 | 2021-11-12 | 南京工业大学 | 一种基于bp神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法 |
CN115184368A (zh) * | 2022-09-07 | 2022-10-14 | 枣庄市胜达精密铸造有限公司 | 一种铸件缺陷检测控制*** |
-
2022
- 2022-12-21 CN CN202211644288.7A patent/CN115625317B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN112453351A (zh) * | 2020-11-06 | 2021-03-09 | 中信戴卡股份有限公司 | 一种压铸机工艺参数调整方法、***及存储介质 |
CN113486457A (zh) * | 2021-06-04 | 2021-10-08 | 宁波海天金属成型设备有限公司 | 一种压铸件缺陷预测及诊断*** |
CN113642160A (zh) * | 2021-07-26 | 2021-11-12 | 南京工业大学 | 一种基于bp神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法 |
CN113591246A (zh) * | 2021-08-09 | 2021-11-02 | 中国计量大学 | 一种基于dqn的压铸工艺自动优化方法 |
CN115184368A (zh) * | 2022-09-07 | 2022-10-14 | 枣庄市胜达精密铸造有限公司 | 一种铸件缺陷检测控制*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501001A (zh) * | 2023-06-27 | 2023-07-28 | 江苏宝孚克新能源科技有限公司 | 一种柔性铝合金电缆生产工艺优化控制方法及*** |
CN116501001B (zh) * | 2023-06-27 | 2023-09-05 | 江苏宝孚克新能源科技有限公司 | 一种柔性铝合金电缆生产工艺优化控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115625317B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070008B (zh) | 一种采用无人机图像的桥梁病害识别方法 | |
CN106881462B (zh) | 一种针对激光选区熔化成形缺陷的在线检测与优化*** | |
CN110253019B (zh) | 一种激光选区熔化的质量监控与控制方法 | |
CN109492940A (zh) | 一种用于造型浇注生产线的铸件炉包箱质量跟踪方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN114994061B (zh) | 一种基于机器视觉的钢轨智能化检测方法及*** | |
CN110186570B (zh) | 一种增材制造激光3d打印温度梯度检测方法 | |
CN116630428B (zh) | 基于机器视觉的浇注位置识别方法及*** | |
CN115625317A (zh) | 一种用于压铸调控的表面水纹优化处理方法及*** | |
CN116465315B (zh) | 一种网版质量自动化检测方法及*** | |
CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
CN116740044B (zh) | 基于视觉检测与控制的铜管铣面加工方法及*** | |
CN117392097A (zh) | 基于改进YOLOv8算法的增材制造工艺缺陷检测方法和*** | |
CN116050678A (zh) | 一种基于云计算的压铸产品加工测试***及方法 | |
CN114536529B (zh) | 基于ai的盾构管片成型工艺的自动管控方法及*** | |
CN116203970A (zh) | 一种巡检机器人的智能避障方法及*** | |
CN111627018B (zh) | 一种基于双流神经网络模型的钢板表面缺陷分类方法 | |
CN111368833B (zh) | 一种基于机器视觉的板坯号检测全自动装钢方法 | |
CN113421236A (zh) | 基于深度学习的建筑墙面渗漏水表观发育状况预测方法 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN116990229A (zh) | 一种产品镀铜层表面的缺陷检测方法及*** | |
CN116434054A (zh) | 一种基于线面结合的密集遥感地物提取方法 | |
CN115106615A (zh) | 一种基于工况智能识别的焊偏实时检测方法及*** | |
CN114494240A (zh) | 基于多尺度协作深度学习的无砟轨道板裂缝测量方法 | |
CN114049543A (zh) | 一种基于深度学习的废钢卸料变化区域自动识别方法 |
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 |