CN116046837A - 一种蠕墨铸铁铁水的蠕化率确定方法、装置及设备 - Google Patents

一种蠕墨铸铁铁水的蠕化率确定方法、装置及设备 Download PDF

Info

Publication number
CN116046837A
CN116046837A CN202310042884.6A CN202310042884A CN116046837A CN 116046837 A CN116046837 A CN 116046837A CN 202310042884 A CN202310042884 A CN 202310042884A CN 116046837 A CN116046837 A CN 116046837A
Authority
CN
China
Prior art keywords
molten iron
vermicular
characteristic point
parameters
rate
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
Application number
CN202310042884.6A
Other languages
English (en)
Inventor
姜爱龙
石德全
李娜娜
李生娟
孙明
江鸿
陈泽中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weichai Power Co Ltd
University of Shanghai for Science and Technology
Original Assignee
Weichai Power Co Ltd
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Weichai Power Co Ltd, University of Shanghai for Science and Technology filed Critical Weichai Power Co Ltd
Priority to CN202310042884.6A priority Critical patent/CN116046837A/zh
Publication of CN116046837A publication Critical patent/CN116046837A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本申请提供了一种蠕墨铸铁铁水的蠕化率确定方法、装置及设备，涉及生产蠕墨铸铁技术领域，通过测温元件检测获取第一铁水在冷却过程中的温度随时间变化情况得到第一热分析曲线；通过测温元件检测获取第二铁水在冷却过程中的温度随时间变化情况得到第二热分析曲线；解析第一热分析曲线和所述第二热分析曲线得到待测铁水的特征点总参数，特征点总参数包括解析第一热分析曲线得到的第一特征点参数、解析第二热分析曲线得到的第二特征点参数以及对比第一铁水的特征点参数和第二铁水的特征点参数得到的对比特征点参数；将特征点总参数输入蠕化率预测模型，得到待测铁水的蠕化率。如此能够，实现蠕墨铸铁铁水蠕化率的炉前快速准确的预测。

Description

一种蠕墨铸铁铁水的蠕化率确定方法、装置及设备
技术领域
本申请涉及生产蠕墨铸铁技术领域，尤其涉及一种蠕墨铸铁铁水的蠕化率确定方法、装置及设备。
背景技术
蠕墨铸铁具有球墨铸铁的高强度和灰铸铁的抗振和导热能力，同时又具有良好的塑性和耐热疲劳性，因此，蠕墨铸铁在重要的机械零部件上得到广泛应用。
当前，将蠕墨铸铁的蠕化率稳定控制在一个合适的范围才能更好的发挥蠕墨铸铁的使用性能。但是生产蠕墨铸铁最大的难点是蠕化工艺参数范围较窄，不确定的影响因素较多，使得生产中预测蠕墨铸铁蠕化率比较困难，进而使得蠕墨铸铁大批量稳定生产比较困难。
发明内容
有鉴于此，本申请实施例提供了一种蠕墨铸铁铁水的蠕化率确定方法、装置及设备，旨在能够在生产中稳定预测蠕墨铸铁的蠕化率。
第一方面，本申请实施例提供了一种蠕墨铸铁铁水的蠕化率确定方法，所述方法包括：
通过测温元件检测获取第一铁水在冷却过程中的温度随时间变化情况，得到第一热分析曲线，所述第一铁水是经过蠕化孕育处理后的待测铁水；
通过测温元件检测获取第二铁水在冷却过程中的温度随时间变化情况，得到第二热分析曲线，所述第二铁水是对所述待测铁水添加添加剂后得到的；
解析所述第一热分析曲线和所述第二热分析曲线，得到所述待测铁水的特征点总参数，所述特征点总参数包括解析所述第一热分析曲线得到的所述第一铁水的第一特征点参数、解析所述第二热分析曲线得到的所述第二铁水的第二特征点参数以及对比所述第一铁水的特征点参数和所述第二铁水的特征点参数得到的对比特征点参数；
将所述特征点总参数输入蠕化率预测模型，得到所述待测铁水的蠕化率。
可选的，所述蠕化率预测模型的训练方法包括：
获取样本数据，所述样本数据包括样本铁水的特征点总参数以及所述样本铁水的蠕化率；
将所述样本数据包括的特征点总参数输入待训练预测模型，得到所述待训练预测模型输出的预测结果；
根据所述预测结果与特征点总参数以及所述样本铁水的蠕化率调整所述待训练预测模型的模型参数；
返回执行所述获取样本数据以及后续步骤，直到所述待训练预测模型的梯度下降到设定值，得到蠕化率预测模型。
可选的，所述待训练预测模型的传递函数为对数函数，所述待训练预测模型的训练函数为反向传播训练函数，所述待训练预测模型的学习函数为梯度下降动量函数。
可选的，所述添加剂为二硫化亚铁，所述第二铁水中添加剂的加入量占所述第二铁水在未加添加剂时重量的0.05%-0.1%。
可选的，所述测温元件为K型热电偶。
可选的，所述样本铁水的蠕化率是采用定量金相法获得的。
可选的，所述样本铁水的蠕化率的获得方法为：
对每个试样进行定量金相法分析，获得每个所述试样的蠕化率，所述试样为在所述样本铁水凝固成为铁块后，在过所述铁块的几何中心的任一平面中，以距离所述几何中心设定距离的的环形周圈上间隔设定角度获取的试样，所述样本铁水中未添加添加剂；计算多个所述试样的蠕化率的平均值，得到所述样本铁水的蠕化率。
第二方面，本申请实施例提供了一种蠕墨铸铁铁水的蠕化率确定装置，所述装置包括：
第一检测模块，用于通过测温元件检测获取第一铁水在冷却过程中的温度随时间变化情况，得到第一热分析曲线，所述第一铁水是经过蠕化孕育处理后的待测铁水；
第二检测模块，用于通过测温元件检测获取第二铁水在冷却过程中的温度随时间变化情况，得到第二热分析曲线，所述第二铁水是对所述待测铁水添加添加剂后得到的；
解析模块，用于解析所述第一热分析曲线和所述第二热分析曲线，得到所述待测铁水的特征点总参数，所述特征点总参数包括解析所述第一热分析曲线得到的所述第一铁水的第一特征点参数、解析所述第二热分析曲线得到的所述第二铁水的第二特征点参数以及对比所述第一铁水的特征点参数和所述第二铁水的特征点参数得到的对比特征点参数；
预测模块，用于将所述特征点总参数输入蠕化率预测模型，得到所述待测铁水的蠕化率。
可选的，所述装置还包括：
获取模块，用于获取样本数据，所述样本数据包括样本铁水的特征点总参数以及所述样本铁水的蠕化率；
训练模块，用于将所述样本数据包括的特征点总参数输入待训练预测模型，得到所述待训练预测模型输出的预测结果；
调整模块，用于根据所述预测结果与特征点总参数以及所述样本铁水的蠕化率调整所述待训练预测模型的模型参数；
判断模块，用于返回执行所述获取样本数据以及后续步骤，直到所述待训练预测模型的梯度下降到设定值，得到蠕化率预测模型。
第三方面，本申请还提出一种蠕墨铸铁铁水的蠕化率确定设备，包括存储器和处理器，所述存储器用于存储代码或程序，所述处理器用于调用所述代码或程序实现上述的一种蠕墨铸铁铁水的蠕化率确定方法。
本申请实施例提供了一种蠕墨铸铁铁水的蠕化率确定方法、装置及设备。通过测温元件检测获取第一铁水在冷却过程中的温度随时间变化情况，得到第一热分析曲线。通过测温元件检测获取第二铁水在冷却过程中的温度随时间变化情况，得到第二热分析曲线，所述第二铁水相比所述第一铁水额外增加添加剂。获取未设置有添加剂铁水和设置有添加剂铁水的两种热分析曲线，反应待测铁水的成分及组织变化。解析所述第一热分析曲线和所述第二热分析曲线，得到所述待测铁水的特征点总参数，所述特征点总参数包括解析所述第一热分析曲线得到的所述第一铁水的特征点参数、解析所述第二热分析曲线得到的所述第二铁水的特征点参数以及对比所述第一铁水的特征点参数和所述第二铁水的特征点参数得到的对比特征点参数。获取第一铁水和第二铁水在不同的时间阶段对应的温度变化并通过设置对比差值数据，通过特征点参数的数值变化及对比具体反应待测铁水中成分及及组织形态的变化，提高后续预测蠕化率的准确度。将所述特征点总参数输入蠕化率预测模型，获得所述待测铁水的蠕化率。通过神经网络预测分析，快速预测获得蠕化率。基于热分析曲线获得多种类型的特征点参数，对比分析更加准确的反应提水的成分及组织形态的变化，并通过神经网络实现快速预测。如此能够，实现蠕墨铸铁铁水蠕化率的炉前快速准确的预测。
附图说明
为更清楚地说明本实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，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为本申请实施例提供的一种蠕墨铸铁铁水的蠕化率确定方法流程示意图；
图2为本申请实施例中提到的一种蠕化率预测模型的训练方法的流程示意；
图3为本申请实施例提供的一种蠕墨铸铁铁水的蠕化率确定装置结构欧示意图。
具体实施方式
将蠕墨铸铁的蠕化率稳定控制在一个合适的范围才能更好的发挥蠕墨铸铁的使用性能，但是生产蠕墨铸铁最大的难点是蠕化工艺参数范围较窄，不确定的影响因素较多，使得生产中预测蠕墨铸铁蠕化率比较困难，进而使得蠕墨铸铁大批量稳定生产比较困难。
基于上述原因，本申请通过获取未设置有添加剂铁水和设置有添加剂铁水的两种热分析曲线，并解析第一铁水和第二铁水在不同阶段对应的温度变化并通过设置对比差值数据，获得多种特征点参数，更加准确的反应待测铁水在冷却过程中成分及及组织形态的变化，提高后续预测蠕化率的准确度，并采用神经网络预测分析，快速预测获得蠕化率。实现蠕墨铸铁铁水蠕化率的炉前快速准确的预测。
显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。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，都属于本申请保护的范围。
图1为本申请实施例提供的一种蠕墨铸铁铁水的蠕化率确定方法流程示意图，参见图1，本申请实施例提供的一种蠕墨铸铁铁水的蠕化率确定方法，包括：
S101、通过测温元件检测获取第一铁水在冷却过程中的温度随时间变化情况，得到第一热分析曲线，所述第一铁水是经过蠕化孕育处理后的待测铁水。
测温元件可以采用K型热电偶，当然也可以采用其他的测温元件。
第一热分析曲线是在以时间为横坐标轴，以温度为纵坐标轴的坐标系中，通过测温元件定时获取第一铁水在冷却过程中的各个时刻的第一温度值并将各个时刻的第一温度值标记于上述坐标系中，并将各个时刻的第一温度值按照时间顺序拟合形成的。第一热分析曲线可以用于反应所述第一铁水在冷却过程中温度随时间变化的情况。
S102、通过测温元件检测获取第二铁水在冷却过程中的温度随时间变化情况，得到第二热分析曲线，所述第二铁水是对所述待测铁水添加添加剂后得到的。
测温元件可以采用K型热电偶，当然也可以采用其他的测温元件。
第二热分析曲线是通过测温元件定时获取第二铁水在冷却过程中的各个时刻的第二温度值并将各个时刻的第二温度值标记于上述坐标系中，并将各个时刻的第二温度值按照时间顺序拟合形成的。第二热分析曲线可以用于反应所述第二铁水在冷却过程中温度随时间变化的情况。
所述添加剂可以是二硫化亚铁，第二铁水中添加剂的加入量占所述第二铁水在未加添加剂时重量的0.05%-0.1%。
S103、解析所述第一热分析曲线和所述第二热分析曲线，得到所述待测铁水的特征点总参数，所述特征点总参数包括解析所述第一热分析曲线得到的所述第一铁水的第一特征点参数、解析所述第二热分析曲线得到的所述第二铁水的第二特征点参数以及对比所述第一铁水的特征点参数和所述第二铁水的特征点参数得到的对比特征点参数。
解析第一热分析曲线，分析第一铁水的液相线及共晶的相关温度及时间，获取第一铁水的第一特征点参数。解析第二热分析曲线，分析第一铁水的液相线及共晶的相关温度及时间，获取第二铁水的第二特征参数。对比所述第一铁水的特征点参数和所述第二铁水的特征点参数得到的对比特征点参数。通过建立多种类型特征点参数，反应待测铁水的成分及组织变化。
S104、将所述特征点总参数输入蠕化率预测模型，得到所述待测铁水的蠕化率。
根据上述的步骤S101-S104可知，通过解析第一铁水的第一热分析曲线和第二铁水的第二热分析曲线，获取反应待测铁水中成分及及组织形态的变化的特征点参数，并通过蠕化率预测模型，快速预测获得蠕化率，从而实现蠕墨铸铁铁水蠕化率的炉前快速准确的预测。
在本申请实施例中，上述图1所述的步骤S101-S102中，可以采用双室热分析样杯，将第一铁水浇入双室热分析样杯的第一型腔，将第二铁水浇入双室热分析样杯的第二型腔，通过两个测温元件分别检测第一型腔和第二型腔中的随时间变化的温度值。
两个测温元件测量温度的一致性误差不超过0.3℃。
在一种可能的实现方式中，第二铁水是对待测铁水添加添加剂后得到的，可以是将添加剂涂在第二型腔后，再向第二型腔浇如第二铁水。
该双室热分析样杯的第一型腔和第二型腔均可为直径30mm的球形型腔，该双室热分析样杯可由覆膜砂制作，该添加剂的粒度可以为200目。
在本申请实施例中，上述图1所述的步骤S103中，解析所述第一热分析曲线得到的所述第一铁水的第一特征点参数中的第一特征点参数具体可以如下表1所示。
表1
在本申请实施例中，上述图1所述的步骤S103中，解析所述第二热分析曲线得到的所述第二铁水的第二特征点参数中的第一特征点参数具体可以如下表2所示。
表2
在本申请实施例中，上述图1所述的步骤S103中，对比所述第一铁水的特征点参数和所述第二铁水的特征点参数得到的对比特征点参数中的对比特征点参数具体可以如下表3所示。
表3
在本申请实施例中，上述图1所述的步骤S104的蠕化率预测模型的训练方法存在的可能实现方式，下面分别进行介绍。需要说明的是，下文介绍中给出的实现方式仅作为示例性的说明，并不代表本申请实施例的全部实现方式。
图2为本申请实施例中提到的一种蠕化率预测模型的训练方法的流程示意图，参见图2，本申请实施例提供的一种蠕化率预测模型的训练方法，包括：
S201、获取样本数据，所述样本数据包括样本铁水的特征点总参数以及所述样本铁水的蠕化率。
获取样本铁水的特征点总参数的方法与获取待测铁水的特征点总参数的方法相同。
在一种可能的实现方式中，样本铁水的蠕化率是采用定量金相法获得的。
S202、将所述样本数据包括的特征点总参数输入待训练预测模型，得到所述待训练预测模型输出的预测结果。
在一种可能的实现方式中，所述待训练预测模型可以是反向传播神经网络（BackPropagation，BP）。该反向传播神经网络的传递函数可为对数函数，训练函数可为反向传播训练函数，学习函数可为梯度下降动量函数。
S203、根据所述预测结果与特征点总参数以及所述样本铁水的蠕化率调整所述待训练预测模型的模型参数。
待训练预测模型的初始模型参数根据人为经验设置，输入样本铁水的特征点总参数训练待训练预测模型，使预测结果与样本铁水的蠕化率对应相同，优化调整模型参数。
待训练预测模型可以设置一个输入层，一个输出层，多个隐含层，输入层对应样本数据包括的特征点总参数的数量设置相同数量的节点，输出层对应样本铁水的蠕化率设置一个节点，第一隐含层、第二隐含层和第三隐含层可以根据需要设置节点个数。
在一种可能的实现方式中，第一隐含层设置18个节点、第二隐含层设置12个节点，第三隐含层设置8个节点。
S204、返回执行所述获取样本数据以及后续步骤，直到所述待训练预测模型的梯度下降到设定值，得到蠕化率预测模型。
样本数据可以设置多份，重复步骤S201-S204，通过多份样本数据训练待训练预测模型，直到待训练预测模型的梯度下降到设定值，获得训练好的模型参数，得到蠕化率预测模型。
根据步骤S201-S204，通过能够反应样本铁水中成分及及组织形态的变化的特征点总参数和样本特水的蠕化率，训练待训练预测模型获得蠕化率预测模型，以便后续通过待测铁水的特征点总参数输入蠕化率预测模型，准确快速获取待测铁水的蠕化率。
在本申请实施例中，上述图2所述的步骤S201的样本铁水的蠕化率获取方法存在的可能实现方式，下面分别进行介绍。需要说明的是，下文介绍中给出的实现方式仅作为示例性的说明，并不代表本申请实施例的全部实现方式。
A1、对每个试样进行定量金相法分析，获得每个所述试样的蠕化率，所述试样为在所述样本铁水凝固成为铁块后，在过所述铁块的几何中心的任一平面中，以距离所述几何中心设定距离的的环形周圈上间隔设定角度获取的试样，所述样本铁水中未添加添加剂。
在一种实现方式中，过铁块的几何中心的任一平面中，以距离该几何中心20mm的环形周圈上间隔60度获取六个试样。
A2、计算多个所述试样的蠕化率的平均值，得到所述样本铁水的蠕化率。
根据步骤A1-A2可知，通过定量金相法均匀获取该铁块上多个试样的蠕化率，并计算多个试样的蠕化率的平均值，获得试样铁水的整体的蠕化率。
以上为本申请实施例提供一种蠕墨铸铁铁水的蠕化率确定方法的一些具体实现方式，基于此，本申请还提供了对应的装置。
图3为本申请实施例提供的一种蠕墨铸铁铁水的蠕化率确定装置结构示意图，参见图3，本申请实施例提供的一种蠕墨铸铁铁水的蠕化率确定装置300，包括：
第一检测模块301，用于通过测温元件检测获取第一铁水在冷却过程中的温度随时间变化情况，得到第一热分析曲线，所述第一铁水是经过蠕化孕育处理后的待测铁水。
第二检测模块302，用于通过测温元件检测获取第二铁水在冷却过程中的温度随时间变化情况，得到第二热分析曲线，所述第二铁水是对所述待测铁水添加添加剂后得到的。
所述添加剂可为二硫化亚铁，所述第二铁水中添加剂的加入量可占所述第二铁水在未加添加剂时重量的0.05%-0.1%。所述测温元件可为K型热电偶。
解析模块303，用于解析所述第一热分析曲线和所述第二热分析曲线，得到所述待测铁水的特征点总参数，所述特征点总参数包括解析所述第一热分析曲线得到的所述第一铁水的第一特征点参数、解析所述第二热分析曲线得到的所述第二铁水的第二特征点参数以及对比所述第一铁水的特征点参数和所述第二铁水的特征点参数得到的对比特征点参数。
预测模块304，用于将所述特征点总参数输入蠕化率预测模型，得到所述待测铁水的蠕化率。
根据上述的一种蠕墨铸铁铁水的蠕化率确定装置，通过第一检测模块301和第二检测模块302获取第一热分析曲线和所述第二热分析曲线，通过解析模块解析303，获取能够反应待测铁水成分及组织变化的特征点总参数，并通过预测模块304，实现快速准确的获得待测铁水的蠕化率。
在一种可能的实现方式中，一种蠕墨铸铁铁水的蠕化率确定装置还包括：
获取模块，用于获取样本数据，所述样本数据包括样本铁水的特征点总参数以及所述样本铁水的蠕化率；
所述样本铁水的蠕化率可采用定量金相法获得，当然也可采用其他的检测方法获得。
训练模块，用于将所述样本数据包括的特征点总参数输入待训练预测模型，得到所述待训练预测模型输出的预测结果。
调整模块，用于根据所述预测结果与特征点总参数以及所述样本铁水的蠕化率调整所述待训练预测模型的模型参数。
判断模块，用于返回执行所述获取样本数据以及后续步骤，直到所述待训练预测模型的梯度下降到设定值，得到蠕化率预测模型。
所述待训练预测模型的传递函数可为对数函数，所述待训练预测模型的训练函数可为反向传播训练函数，所述待训练预测模型的学习函数可为梯度下降动量函数。
在又一种可能的实现方式中，一种蠕墨铸铁铁水的蠕化率确定装置，还包括：
取样模块，用于对每个试样进行定量金相法分析，获得每个所述试样的蠕化率，所述试样为在所述样本铁水凝固成为铁块后，在过所述铁块的几何中心的任一平面中，以距离所述几何中心设定距离的的环形周圈上间隔设定角度获取的试样，所述样本铁水中未添加添加剂。
计算模块，用于计算多个所述试样的蠕化率的平均值，得到所述样本铁水的蠕化率。
本申请实施例还提供了对应的设备以及计算机存储介质，用于实现本申请实施例提供的方案。
其中，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行本申请任一实施例所述的一种蠕墨铸铁铁水的蠕化率确定方法。
所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现本申请任一实施例所述的一种蠕墨铸铁铁水的蠕化率确定方法。
本申请实施例中提到的 “第一”、“第二”（若存在）等名称中的“第一”、“第二”只是用来做名字标识，并不代表顺序上的第一、第二。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如只读存储器（英文：read-only memory，ROM）/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者诸如路由器等网络通信设备）执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本申请示例性的实施方式，并非用于限定本申请的保护范围。

Claims (10)

1.一种蠕墨铸铁铁水的蠕化率确定方法，其特征在于，所述方法包括：
通过测温元件检测获取第一铁水在冷却过程中的温度随时间变化情况，得到第一热分析曲线，所述第一铁水是经过蠕化孕育处理后的待测铁水；
通过测温元件检测获取第二铁水在冷却过程中的温度随时间变化情况，得到第二热分析曲线，所述第二铁水是对所述待测铁水添加添加剂后得到的；
解析所述第一热分析曲线和所述第二热分析曲线，得到所述待测铁水的特征点总参数，所述特征点总参数包括解析所述第一热分析曲线得到的所述第一铁水的第一特征点参数、解析所述第二热分析曲线得到的所述第二铁水的第二特征点参数以及对比所述第一铁水的特征点参数和所述第二铁水的特征点参数得到的对比特征点参数；
将所述特征点总参数输入蠕化率预测模型，得到所述待测铁水的蠕化率。
2.根据权利要求1所述的方法，其特征在于，所述蠕化率预测模型的训练方法包括：
获取样本数据，所述样本数据包括样本铁水的特征点总参数以及所述样本铁水的蠕化率；
将所述样本数据包括的特征点总参数输入待训练预测模型，得到所述待训练预测模型输出的预测结果；
根据所述预测结果与特征点总参数以及所述样本铁水的蠕化率调整所述待训练预测模型的模型参数；
返回执行所述获取样本数据以及后续步骤，直到所述待训练预测模型的梯度下降到设定值，得到蠕化率预测模型。
3.根据权利要求2所述的方法，其特征在于，所述待训练预测模型的传递函数为对数函数，所述待训练预测模型的训练函数为反向传播训练函数，所述待训练预测模型的学习函数为梯度下降动量函数。
4.根据权利要求1所述的方法，其特征在于，所述添加剂为二硫化亚铁，所述第二铁水中添加剂的加入量占所述第二铁水在未加添加剂时重量的0.05%-0.1%。
5.根据权利要求1所述的方法，其特征在于，所述测温元件为K型热电偶。
6.根据权利要求2所述的方法，其特征在于，所述样本铁水的蠕化率是采用定量金相法获得的。
7.根据权利要求2所述的方法，其特征在于，所述样本铁水的蠕化率的获得方法为：
对每个试样进行定量金相法分析，获得每个所述试样的蠕化率，所述试样为在所述样本铁水凝固成为铁块后，在过所述铁块的几何中心的任一平面中，以距离所述几何中心设定距离的的环形周圈上间隔设定角度获取的试样，所述样本铁水中未添加添加剂；计算多个所述试样的蠕化率的平均值，得到所述样本铁水的蠕化率。
8.一种蠕墨铸铁铁水的蠕化率确定装置，其特征在于，所述装置包括：
第一检测模块，用于通过测温元件检测获取第一铁水在冷却过程中的温度随时间变化情况，得到第一热分析曲线，所述第一铁水是经过蠕化孕育处理后的待测铁水；
第二检测模块，用于通过测温元件检测获取第二铁水在冷却过程中的温度随时间变化情况，得到第二热分析曲线，所述第二铁水是对所述待测铁水添加添加剂后得到的；
解析模块，用于解析所述第一热分析曲线和所述第二热分析曲线，得到所述待测铁水的特征点总参数，所述特征点总参数包括解析所述第一热分析曲线得到的所述第一铁水的第一特征点参数、解析所述第二热分析曲线得到的所述第二铁水的第二特征点参数以及对比所述第一铁水的特征点参数和所述第二铁水的特征点参数得到的对比特征点参数；
预测模块，用于将所述特征点总参数输入蠕化率预测模型，得到所述待测铁水的蠕化率。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
获取模块，用于获取样本数据，所述样本数据包括样本铁水的特征点总参数以及所述样本铁水的蠕化率；
训练模块，用于将所述样本数据包括的特征点总参数输入待训练预测模型，得到所述待训练预测模型输出的预测结果；
调整模块，用于根据所述预测结果与特征点总参数以及所述样本铁水的蠕化率调整所述待训练预测模型的模型参数；
判断模块，用于返回执行所述获取样本数据以及后续步骤，直到所述待训练预测模型的梯度下降到设定值，得到蠕化率预测模型。
10.一种蠕墨铸铁铁水的蠕化率确定设备，其特征在于，包括存储器和处理器，所述存储器用于存储代码或程序，所述处理器用于调用所述代码或程序实现权利要求1-7任意一项所述的一种蠕墨铸铁铁水的蠕化率确定方法。
CN202310042884.6A 2023-01-28 2023-01-28 一种蠕墨铸铁铁水的蠕化率确定方法、装置及设备 Pending CN116046837A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310042884.6A CN116046837A (zh) 2023-01-28 2023-01-28 一种蠕墨铸铁铁水的蠕化率确定方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310042884.6A CN116046837A (zh) 2023-01-28 2023-01-28 一种蠕墨铸铁铁水的蠕化率确定方法、装置及设备

Publications (1)

Publication Number Publication Date
CN116046837A true CN116046837A (zh) 2023-05-02

Family

ID=86116347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310042884.6A Pending CN116046837A (zh) 2023-01-28 2023-01-28 一种蠕墨铸铁铁水的蠕化率确定方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116046837A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6354356B1 (en) * 1998-06-25 2002-03-12 Nissabu Corporation Method for the determination of the form of graphite in spheroidal and compacted/vermicular graphite cast irons
CN203705375U (zh) * 2013-12-31 2014-07-09 武汉工程大学 双样杯球铁或蠕铁炉前快速分析装置
CN108132277A (zh) * 2017-12-26 2018-06-08 河北工业大学 一种预测过共晶成分蠕墨铸铁蠕化率的方法
CN111398341A (zh) * 2020-04-13 2020-07-10 哈尔滨理工大学 一种蠕墨铸铁蠕化效果多特征点热分析评价方法
CN112011664A (zh) * 2020-08-26 2020-12-01 清华大学 一种蠕墨铸铁蠕化效果炉前控制方法
CN114062418A (zh) * 2022-01-14 2022-02-18 潍柴动力股份有限公司 一种蠕墨铸铁铁液孕育多特征点双样杯热分析评价方法
CN115270397A (zh) * 2022-06-15 2022-11-01 南昌大学 一种基于Tensorflow的神经网络蠕墨铸铁蠕化率预测方法
CN115290845A (zh) * 2022-10-09 2022-11-04 山东大学 一种蠕墨铸铁蠕化率的判定方法
CN115561076A (zh) * 2022-12-05 2023-01-03 潍柴动力股份有限公司 一种蠕墨铸铁抗拉强度的预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6354356B1 (en) * 1998-06-25 2002-03-12 Nissabu Corporation Method for the determination of the form of graphite in spheroidal and compacted/vermicular graphite cast irons
CN203705375U (zh) * 2013-12-31 2014-07-09 武汉工程大学 双样杯球铁或蠕铁炉前快速分析装置
CN108132277A (zh) * 2017-12-26 2018-06-08 河北工业大学 一种预测过共晶成分蠕墨铸铁蠕化率的方法
CN111398341A (zh) * 2020-04-13 2020-07-10 哈尔滨理工大学 一种蠕墨铸铁蠕化效果多特征点热分析评价方法
CN112011664A (zh) * 2020-08-26 2020-12-01 清华大学 一种蠕墨铸铁蠕化效果炉前控制方法
CN114062418A (zh) * 2022-01-14 2022-02-18 潍柴动力股份有限公司 一种蠕墨铸铁铁液孕育多特征点双样杯热分析评价方法
CN115270397A (zh) * 2022-06-15 2022-11-01 南昌大学 一种基于Tensorflow的神经网络蠕墨铸铁蠕化率预测方法
CN115290845A (zh) * 2022-10-09 2022-11-04 山东大学 一种蠕墨铸铁蠕化率的判定方法
CN115561076A (zh) * 2022-12-05 2023-01-03 潍柴动力股份有限公司 一种蠕墨铸铁抗拉强度的预测方法

Similar Documents

Publication Publication Date Title
US20160034614A1 (en) Materials property predictor for cast aluminum alloys
CN114611844B (zh) 一种转炉出钢过程合金加入量的确定方法和***
CN105740991A (zh) 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及***
CN101211383A (zh) 一种高炉铁水硅含量的特征分析预报方法
CN111627503B (zh) 一种氧化铝陶瓷基复合材料涂层激光熔覆制造过程中应力场的预测方法
US10303827B2 (en) Predicting cracking in cooled metal or alloy components
CN111090907B (zh) 一种飞行试验转捩判断方法
Ceschini et al. Microstructure and mechanical properties of heavy section ductile iron castings: experimental and numerical evaluation of effects of cooling rates
RU2016119424A (ru) Устройство и способы для отбора антител
CN115063051B (zh) 一种基于金属元素分析的钢管性能评估方法及***
EP4049771B1 (en) Prediction of preheat refractory temperature profile of a ladle furnace
CN116046837A (zh) 一种蠕墨铸铁铁水的蠕化率确定方法、装置及设备
CN105241903A (zh) 一种预测700℃电站用γ′强化型高温合金持久强度的方法
CN106446391B (zh) 金属材料稳态蠕变速率本构方程的可靠性评价方法
CN116258087A (zh) 冰铜品位软测量方法、装置、电子设备及存储介质
CN116401877A (zh) 一种高效能评估材料晶格热导率的方法
CN112836433B (zh) 高温合金晶粒尺寸识别模型的构建方法及尺寸识别方法
CN115985424A (zh) 一种基于bp神经网络的零件热处理性能预测方法及***
JP2019052856A (ja) 劣化度判定方法
Forbes XIII.—Experimental Inquiry into the Laws of the Conduction of Heat in Bars, and into the Conducting Power of Wrought Iron.
Futáš et al. Fluidity test of Al-Si alloy using by computer simulation
CN113340446A (zh) 一种真空水平连铸熔炼炉实时测温方法及***
CN110110725A (zh) 台风破坏性范围确定方法、装置、计算机设备和存储介质
TWI805501B (zh) 基於機器學習模型預判耐火材可用性的方法
CN109613618A (zh) 一种重力敏感器的长期漂移误差补偿方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230502