基于全连接卷积神经网络的铸造缩松缩孔缺陷快速预测

发布时间：2021-01-14 08:38

　　在预测铸造缩孔、缩松缺陷时引入机器学习,采用具有针对性的数据预处理方式处理铸造工艺数据,同时采取多模态的数据输入方式增加数据维度,并使用全连接卷积神经网络对铸造缩孔、缩松缺陷进行快速计算。通过对某轴承座铸件进行分析,验证了该方法的有效性。相比于数值模拟方法,该方法具备较高的精度,同时可大幅缩短铸造缩孔、缩松缺陷的计算时间。 

【文章来源】：特种铸造及有色合金. 2020,40(08)北大核心

【文章页数】：5 页

【部分图文】：

铸造工艺矩阵的二维切面示意图

原始铸造缩孔、缩松缺陷矩阵中各点数值表示该点的缩孔、缩松缺陷率,即该点附近缩孔、缩松缺陷的体积分数。缺陷矩阵中各缩孔、缩松率的频数不同,以50%为界,可将浇口、浇道、铸件和冒口等4个金属液待充满的区域中缩孔、缩松率划分成为频数相近的两部分,所以为了正负样本相对均衡,简化计算量,将缺陷矩阵中各点数值以50%为界进行二值化处理转化为缺陷标识,缺陷标识仅分为两类:有缺陷与无缺陷,不区分缺陷的严重程度,见图2。图2中原始矩阵的各数值为该点缩孔、缩松缺陷率;二值化后,有缺陷的位置标识为“1”,其他所有位置标识为“0”。1.2.2 高度与温度维度

将原始的不同铸造案例的三维工艺矩阵、三维缺陷矩阵的高度值均标准化到0～100之间,每一个三维矩阵在二维切片化时,将根据自身位置记录切面中各点的高度并归一化,结果见图3。高度维度的二维截面中位于最低点的一层为“0”,总高度为“100”。对于温度维度,在单独的一个铸造算例中浇注温度是恒量,考虑到三维矩阵需要划分成为数个矩阵,并与其他浇注温度不同的算例共同作为一个批次的训练输入数据参与FCN模型的训练,温度维度需要采取类似高度维度的向量化处理方式,使用向量的形式将温度维度引入铸造三维工艺矩阵中。可将原始的不同铸造案例的三维工艺矩阵、三维缺陷矩阵的温度值均标准化到1～100之间,每一个三维矩阵的标识值都将根据自身工艺不同的浇注温度,按照下式进行归一化处理。

【参考文献】：
期刊论文
[1]基于铸造仿真技术的铝合金缸盖缩孔缺陷控制[J]. 夏伟,杜航,徐慧,张吉祥,孟霞,游寿松.  特种铸造及有色合金. 2019(11)
[2]复杂薄壁铝合金铸件铸造过程数值模拟[J]. 李浩,康永飞,白朴存.  特种铸造及有色合金. 2019(11)
[3]基于机器学习的挤压铸造铝合金力学性能预测[J]. 郝永志,赵海东,林嘉华.  特种铸造及有色合金. 2019(08)
[4]铸造宏观过程数值模拟技术的研究现状与展望[J]. 廖敦明,曹流,孙飞,陈涛.  金属学报. 2018(02)
[5]中国铸造业发展的思考[J]. 孙国雄.  机械制造与自动化. 2010(06)
[6]变铸造大国为铸造强国——我国铸造行业实现可持续发展的途径[J]. 房贵如.  铸造. 2001(03)



本文编号：2976585