[go: up one dir, main page]

CN116237515A - 一种龙筋板智能化成型生产线及生产方法 - Google Patents

一种龙筋板智能化成型生产线及生产方法 Download PDF

Info

Publication number
CN116237515A
CN116237515A CN202310469317.9A CN202310469317A CN116237515A CN 116237515 A CN116237515 A CN 116237515A CN 202310469317 A CN202310469317 A CN 202310469317A CN 116237515 A CN116237515 A CN 116237515A
Authority
CN
China
Prior art keywords
section
machine
track
pouring
production line
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
CN202310469317.9A
Other languages
English (en)
Inventor
夏小江
疏达
盛云庆
汪东红
周昊奕
洪华泽
朱国
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.)
Zhejiang Institute of Mechanical and Electrical Engineering Co Ltd
Shanghai Jiao Tong University
Original Assignee
Zhejiang Institute of Mechanical and Electrical Engineering Co Ltd
Shanghai Jiao Tong University
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 Zhejiang Institute of Mechanical and Electrical Engineering Co Ltd, Shanghai Jiao Tong University filed Critical Zhejiang Institute of Mechanical and Electrical Engineering Co Ltd
Priority to CN202310469317.9A priority Critical patent/CN116237515A/zh
Publication of CN116237515A publication Critical patent/CN116237515A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22C—FOUNDRY MOULDING
    • B22C19/00—Components or accessories for moulding machines
    • B22C19/04—Controlling devices specially designed for moulding machines
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22C—FOUNDRY MOULDING
    • B22C7/00—Patterns; Manufacture thereof so far as not provided for in other classes
    • B22C7/005—Adjustable, sectional, expandable or flexible patterns
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22C—FOUNDRY MOULDING
    • B22C9/00—Moulds or cores; Moulding processes
    • B22C9/06—Permanent moulds for shaped castings
    • B22C9/068—Semi-permanent moulds
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D2/00—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D2/00—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass
    • B22D2/006—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass for the temperature of the molten metal
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D46/00—Controlling, supervising, not restricted to casting covered by a single main group, e.g. for safety reasons
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D47/00—Casting plants
    • B22D47/02—Casting plants for both moulding and casting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computer Hardware Design (AREA)
  • Casting Devices For Molds (AREA)

Abstract

本发明公开了一种龙筋板智能化成型生产线及生产方法，所述生产线包括轨道系统、控制系统和铁型；所述轨道系统上设有造型段，造型段的后段设置浇注段，浇注段后段设置开箱清理段；所述造型段、浇注段和开箱清理段分别与控制系统连接；所述铁型依次运行过轨道系统的造型段、浇注段和开箱清理段；所述铁型用于龙筋板浇注成型。本发明可以实现龙筋板智能化成型，具有生产效率高，生产质量好的优点；本发明的生产方法可以设计出最优的模具结构与工艺参数，能够实现工艺参数的实时采集与实时控制，能够根据已执行工序情况实时优化未执行工序的工艺参数，有效控制产品质量。

Description

一种龙筋板智能化成型生产线及生产方法
技术领域
本发明涉及金属件成型技术领域，特别涉及一种龙筋板智能化成型生产线及生产方法。
背景技术
横梁类铸件作为典型的金属件，窄长且厚度不均匀，针对其在凝固、冷却、落砂等过程中，受到温度、外力和内应力的作用后发生变形的问题，一般是根据多次试制情况后，通过修改模具，在模具上设计反变形量来抵消最终产品的变形程度，但是受各种因素的综合影响，其变形量还是很难得到保证。
金属件成型生产线数字化基础设施薄弱，缺乏数据采集，或数据采集没有渗入到工艺参数调整中。在成型过程中高温金属液体的流动、凝固使得物质与能量传递非常复杂，工艺参数多且各个工艺参数之间相互关联，导致函数模型具有高度非线性、强耦合性和时变性的特点，因此难以找到最优工艺参数。
在实际生产中，受到现场环境的干扰，工艺参数的控制往往不尽如人意，当已执行工序的工艺参数控制发生偏移时，未执行工序只能按照原计划执行，此情况下的成型效果不佳。
发明内容
本发明的目的在于，提供一种龙筋板智能化成型生产线及生产方法。本发明可以实现龙筋板智能化成型，具有生产效率高，生产质量好的优点；本发明的生产方法可以设计出最优的模具结构与工艺参数，能够实现工艺参数的实时采集与实时控制，能够根据已执行工序情况实时优化未执行工序的工艺参数，有效控制产品质量。
本发明的技术方案：一种龙筋板智能化成型生产线，所述生产线包括轨道系统、控制系统和铁型；所述轨道系统上设有造型段，造型段的后段设置浇注段，浇注段后段设置开箱清理段；所述造型段、浇注段和开箱清理段分别与控制系统连接；所述铁型依次运行过轨道系统的造型段、浇注段和开箱清理段；所述铁型用于龙筋板浇注成型。
上述的龙筋板智能化成型生产线，所述轨道系统包括第一轨道、第二轨道、第三轨道、变轨系统和提箱机；所述第一轨道与第三轨道平行；所述第二轨道有平行的两段，第一段连接在第一轨道的后端，第二段连接在第三轨道的前端，第一段的后端和第二段的前端通过变轨系统连接；所述提箱机设置在第二轨道与第一轨道以及第三轨道的连接处。
前述的龙筋板智能化成型生产线，所述造型段包括设置在第一轨道上的造型机，所述造型机后段设有第一翻箱机，第一翻箱机的后端设有合箱机。
前述的龙筋板智能化成型生产线，所述浇注段包括设置在第二轨道一侧的浇注机以及设在第二轨道上的浇注小车；所述浇注小车用于承载和运输铁型；所述浇注机用于将铁水浇注入合箱后的铁型中。
前述的龙筋板智能化成型生产线，所述开箱清理段包括设置在第三轨道上开箱机，开箱机的后段设有出铸件机，出铸件机的后段设有第二翻箱机，第二翻箱机的后段设有震动落砂机，震动落砂机的后段设有第三翻箱机。
前述的龙筋板智能化成型生产线，所述控制系统中设有检测系统，所述检测系统包括第一温度传感器、第二温度传感器、第三温度传感器、第四温度传感器、第一计时器、第二计时器和位移变形测定仪器；所述第一温度传感器装在造型机前的辊道上；所述第二温度传感器装在造型机内；所述第三温度传感器位于浇注小车前方；所述第四温度传感器位于浇注小车上方；所述第一计时器装在造型机内；所述第二计时器位于浇注小车与开箱机上；所述位移变形测定仪器位于出铸件机上。
前述的龙筋板智能化成型生产线，所述铁型包括上铁型和下铁型；所述上铁型和下铁型型腔表面覆着有覆砂层，所述覆砂层表面与造型机中的龙筋板金属模型形状保持一致均设置有反变形量。
前述的龙筋板智能化成型生产线的生产方法，包括如下步骤：
步骤一：建立成型工艺模型，基于正交试验设计进行模拟，获取工艺参数与龙筋板变形量以及生产效率之间的关系，得到原始数据，对原始数据进行归一化处理，获得数据集；
步骤二：建立工艺参数与龙筋板变形量之间的神经网络函数模型，基于数据集对神经网络函数模型进行训练；
步骤三：利用神经网络函数模型以及遗传算法来优化工艺参数，并根据优化结果设计龙筋板金属模型的反变形量；
步骤四：生产线控制系统实时采集数据，代入到步骤三建立的神经网络函数模型中进行优化工艺参数的计算，并将优化的工艺参数计算结果发送至生产线，生产线根据优化的工艺参数进行龙筋板生产。
前述的龙筋板智能化成型方法，在步骤二中，具体包括以下步骤：
第一步：神经网络基本单元的计算公式为：
y＝f(kx+a)；
其中，x为输入数据，k为权重，a为阈值，y为输出；
采用Sigmoid函数作为激活函数，公式为：
Figure BDA0004203413280000041
设计输入层个数为工艺参数个数，输出层个数为目标参数个数，隐含层节点数参考经验公式：
Figure BDA0004203413280000042
其中，n1为隐含层节点数，等于9，n为输入层个数，等于9；m为输出层个数，等于2，z为大于1小于10的常数；
结合单个神经网络的公式：
B71＝f(K79×X91+A71)；
Y21＝f(K′27×B71+A′21)；
得到神经网络模型：
Y21＝f(K′27×f(K79×X91+A71)+A′21)；
其中，K79、A71、K′71和A′21为未知系数；
第二步：将最大迭代次数设为1000，最大训练误差设为10-6，最小训练速率设为0.9；
第三步：通过梯度下降的方式计算K79、A71、K′71和A′21的具体值，将具体值代入神经网络模型的公式中，完成神经网络模型的建立。
前述的龙筋板智能化成型方法，在步骤三中，具体包括以下步骤：
第一步：设置输入参数个数为9个，种群大小为100个，迭代次数为100次，个体的最大值为1，最小值为0，随机生成输入参数；
第二步：随机生成的数据并带入到步骤二得到的神经网络函数模型中进行计算，按照结果的优劣进行排序，留下前50组较优的结果；
第三步：将留下的50组结果所对应的工艺参数组进行随机自由组合，生成下次一计算所需的100组工艺参数组合；
第四步：随机修改若干个工艺参数组合中的若干个参数；
第五步：继续计算第二步，并进入循环，当循环次数达到100次后，将得到的结果判定为最优结果，将最优结果的工艺参数带入函数模型中预测龙筋板变形量，若满足需求则根据此变形量设计龙筋板金属模型的反变形量，若不满足则转跳第一步；
前述的龙筋板智能化成型方法，在步骤四中，具体包括以下步骤：
第一步：通过检测系统实时采集已执行工序的数据；
第二步：对采集到的数据进行离散化处理。
第三步：对离散化的数据进行归一化处理。
第四步：将采集到数据的归一化结果代替遗传算法中的随机值，带入到步骤三建立的神经函数模型中进行计算。
与现有技术相比，本发明的龙筋板智能化成型生产线可以实现龙筋板智能化成型的生成，通过造型段、浇注段和开箱清理段三段式工作进行生产，实现了生产效率高，生产质量好的效果。本发明针对金属件成型生产线数字化水平低的问题，采用了温度传感器、计时器和位移变形测定仪器，实现了生产线数据的采集。针对龙筋板在成型过程中不可避免会存在的变形且变形量难预测的问题，本发明的方法通过正交试验设计进行模拟，再基于神经网络建立了函数模型，确定了工艺参数与龙筋板变形量、生产效率之间的函数关系，并利用遗传算法进行优化，获取在高效率条件下最优工艺参数及在该条件下所需的反变形量。针对在生产线中存在外界因素使得生产线无法按照既定工艺参数生产的问题，本发明利用实时采集的数据基于遗传算法根据已执行工序的数据采集结果，因此本发明的生产方法可以设计出最优的模具结构与工艺参数，能够实现工艺参数的实时采集与实时控制，能够根据已执行工序情况实时优化未执行工序的工艺参数，有效控制产品质量。
附图说明
图1是本发明的生产线装备示意图；
图2是本发明的生产线检测装置示意图；
图3是本发明的含铸件铁型的结构示意图；
图4是本发明的工艺参数实时优化的流程图；
图5是本发明的计算龙筋板金属模型反变形量的流程图；
图6是本发明的神经网络函数模型结构示意图；
图7是本发明的遗传算法优化过程流程图。
附图标记
1-造型段，11-造型机，12-第一翻箱机，13-合箱机，2-浇注段，21-第一轨道，22-第二轨道，23-浇注小车，24-浇注机，25-变轨系统，26-提箱机，27-第三轨道，3-开箱清理段，31-开箱机，32-出铸件机，33-第二翻箱机，34-震动落砂机，35第三翻箱机，4-控制系统，41-第一温度传感器，42第二温度传感器，43-第一计时器，44-第三温度传感器，45-第四温度传感器，46-第二计时器，47-位移变形测定仪器，5-铁型，51-上铁型，52-下铁型，53-覆砂层，54-龙筋板。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例1：一种龙筋板智能化成型生产线，如图1所示，所述生产线包括轨道系统、控制系统4和铁型5；所述轨道系统上设有造型段1，造型段1的后段设置浇注段2，浇注段2后段设置开箱清理段3；所述造型段1、浇注段2和开箱清理段3分别与控制系统4连接；所述铁型5依次运行过轨道系统的造型段1、浇注段2和开箱清理段3，呈逆时针顺序进行循环；所述铁型5用于龙筋板浇注成型。如图2所示，所述铁型5包括上铁型51和下铁型52；所述上铁型51和下铁型52型腔表面附着有覆砂层53，所述覆砂层53表面与造型机11中的龙筋板金属模型形状保持一致均设置有反变形量。铁型5中具有浇注完成后的龙筋板54，所述龙筋板54形状与覆砂后型腔形状保持一致均具有反变形量。所述上铁型51和下铁型52合箱后，往其型腔内浇注铁水即可得到龙筋板54；所述覆砂层53具有反变形量用于抵消龙筋板54成型过程中产生的变形量。
如图1所示，所述轨道系统包括第一轨道21、第二轨道22、第三轨道27、变轨系统25和提箱机26；所述第一轨道21与第三轨道27平行；所述第二轨道22有平行的两段，第一段连接在第一轨道21的后端，第二段连接在第三轨道27的前端，第一段的后端和第二段的前端通过变轨系统25连接；所述提箱机26设置在第二轨道与第一轨道21以及第三轨道27的连接处。
如图1所示，所述造型段1包括设置在第一轨道21上的造型机11，所述造型机11后段设有第一翻箱机12，第一翻箱机12的后端设有合箱机13。所述造型机11中的金属模型设计反变形量，模型中的反变形量根据控制系统的优化结果而定；金属模型的反变形量用于抵消龙筋板54成型过程中的变形量。所述造型机11在铁型5的金属型内腔上覆上一层覆砂层53；所述第一翻箱机12可以夹紧并旋转铁型用于配合合箱机13，所述合箱机13能够平稳精确地完成铁型5的上铁型51与下铁型52的合箱动作。
如图1所示，所述浇注段2包括设置在第二轨道22一侧的浇注机24以及设在第二轨道22上的浇注小车23；所述浇注小车23用于承载和运输铁型5；所述浇注机24用于将铁水浇注入合箱后的铁型5中。所述浇注小车23用于承载和运输铁型5，实现铁型5位置的精确定位；所述浇注机24用于将铁水浇注入合箱后的铁型5中，并通过调节铁水包倾斜度精准控制浇注速度；所述变轨系统25推动浇注小车23横向平移，使浇注小车23、铁型5在从第二轨道22的第一段横移到第二段，所述提箱机26用于将铁型5搬运到第三轨道27上，并推动浇注小车23从第二轨道22的第二段横移到第一段。
如图1所示，所述开箱清理段3包括设置在第三轨道27上开箱机31，开箱机31的后段设有出铸件机32，出铸件机32的后段设有第二翻箱机33，第二翻箱机33的后段设有震动落砂机34，震动落砂机的后段设有第三翻箱机35。所述开箱机31能实现机械化自动开箱分开铁型5的上铁型51与下铁型52，所述出铸件机32用于将龙筋板54从铁型5中取出完成出铸件工序，所述震动落砂机34利用震动和冲击使铸型中的型砂脱离铁型5。
如图3所示，所述控制系统4中设有检测系统，所述检测系统包括第一温度传感器41、第二温度传感器42、第三温度传感器44、第四温度传感器45、第一计时器43、第二计时器46和位移变形测定仪器47；所述第一温度传感器41装在造型机11前的辊道上；所述第二温度传感器42装在造型机11内；所述第三温度传感器44位于浇注小车23前方；所述第四温度传感器45位于浇注小车23上方；所述第一计时器43装在造型机11内；所述第二计时器46位于浇注小车23与开箱机31上；所述位移变形测定仪器47位于出铸件机32上。所述第一温度传感器41用于检测造型前铁型5的温度，所述第二温度传感器42用于检测造型机11中金属模型的温度，所述第一计时器43用于记录砂子固化时间，所述铁型5温度、金属模型温度和固化时间影响了砂壳强度进而直接决定铸件54的尺寸精度；所述第三温度传感器44用于检测铁水浇注前铁型5温度，所述第四温度传感器45用于检测铁水温度，所述铁水浇注前铁型的温度、铁水温度影响铁水的冷却、凝固效果；所述第二计时器46用于记录铁水浇注时间和浇注完成后开箱时间，浇注时间反映浇注速度，开箱时间影响龙筋板54各部位的温度差进而影响最终的残余应力；所述位移变形测定仪器47用于检测龙筋板54平面度。
本实施例的龙筋板智能化成型生产线可以实现龙筋板智能化成型，通过造型段、浇注段和开箱清理段三段式工作进行生产，实现了生产效率高，生产质量好的效果。
实施例2：一种龙筋板智能化成型生产线的生产方法，本实施例在实施例1的龙筋板智能化成型生产线的基础上，在控制系统中设置智能算法，该算法首先通过数值模拟初步获取工艺参数与龙筋板变形量之间的关系，其次通过神经网络建立工艺参数与龙筋板变形量、生产效率之间的函数模型，随后利用遗传算法优化，基于效率高的原则设计反变形量，最后在生产过程中，实时采集工艺参数，并实时优化未执行的工序。如图4所示，具体步骤如下：
步骤一：如图5所示，利用UG建立成型工艺模型，利用ProCAST基于正交试验设计进行模拟，获取工艺参数与龙筋板变形量之间关系，利用公式
Figure BDA0004203413280000101
对数据进行归一化处理，其中x′为归一化后的数据，x为输入数据，xmax等于1，xmin等于0。本步骤能够在无既有数据的情况下为函数模型提供数据基础；此外针对小数量级参数对结果影响过小的问题，本步骤通过归一化使得不同数量级的数据具有同等地位。
步骤二：建立工艺参数与龙筋板变形量之间的神经网络函数模型，基于数据集对神经网络函数模型进行训练；具体包括以下步骤：
第一步：神经网络基本单元的计算公式为y＝f(kx+a)；
其中，x为输入数据，k为权重，a为阈值，y为输出；
本实施例采用激活函数是Sigmoid函数，公式为：
Figure BDA0004203413280000111
该激活函数使得神经网络具备极强的非线性映射能力。
如图6所示，设计输入层个数为工艺参数个数，输出层个数为目标参数个数，隐含层节点数参考经验公式：
Figure BDA0004203413280000112
其中，n1为隐含层节点数，等于9，n为输入层个数，等于9；m为输出层个数，等于2，z为大于1小于10的常数；
结合单个神经网络的公式：
B71＝f(K79×X91+A71)；
Y21＝f(K′27×B71+A′21)；
得到神经网络模型：
Y21＝f(K′27×f(K79×X91+A71)+A′21)；
其中，K79、A71、K′71和A′21为未知系数；
第二步：基于数据集对神经网络函数模型进行训练，将最大迭代次数设为1000，最大训练误差设为10-6，最小训练速率设为0.9；
第三步：通过梯度下降的方式计算K79、A71、K′71和A′21的具体值，将具体值代入神经网络模型的公式中，完成神经网络模型的建立。
本步骤意味着工艺参数与龙筋板变形量、生产效率之间形成了一个已知的函数模型。
步骤三：利用神经网络函数模型以及遗传算法来优化工艺参数，并根据优化结果设计龙筋板金属模型的反变形量，如图7所示，具体包括以下步骤：
第一步：设置输入参数个数为9个，种群大小为100个，迭代次数为100次，个体的最大值为1，最小值为0，随机生成输入参数。
第二步：随机生成的数据并带入到步骤二得到的神经网络函数模型中进行计算，按照结果的优劣进行排序，留下前50组较优的结果。
第三步：将留下的50组结果所对应的工艺参数组进行随机自由组合，生成下次一计算所需的100组工艺参数组合；本步骤通过优胜劣汰的方式实现工艺参数往更优方向偏移。
第四步：随机修改若干个工艺参数组合中的若干个参数；本步骤通过变异的方式避免寻优过程陷入到局部最优值。
第五步：继续计算第二步，并进入循环，当循环次数达到100次后，将得到的结果判定为最优结果，将最优结果的工艺参数带入函数模型中预测龙筋板变形量，若满足需求则根据此变形量设计龙筋板金属模型的反变形量，若不满足则转跳步骤一。
步骤四：实时采集数据并通过算法实时优化工艺参数，具体包括以下步骤：
第一步：通过检测系统(也即温度传感器、计时器和位移变形测定仪器)实时采集已执行工序的数据。本步骤通过实时采集的方式使得智能算法系统能够实时获取生产线的状态。
第二步：采集到的温度为连续数据，对其进行离散化处理。
第三步：对离散化的数据进行归一化处理。
第四步：将采集到数据的归一化结果代替遗传算法中的随机值，带入到步骤三建立的函数模型中进行计算，并将计算结果发送至各个设备。本步骤能够实时优化未执行工序的工艺参数。
本实施例针对金属件成型生产线数字化水平低的问题，采用了温度传感器、计时器和位移变形测定仪器，实现了生产线数据的采集。针对龙筋板在成型过程中不可避免会存在的变形且变形量难预测的问题，本发明的方法通过正交试验设计进行模拟，再基于神经网络建立了函数模型，确定了工艺参数与龙筋板变形量、生产效率之间的函数关系，并利用遗传算法进行优化，获取在高效率条件下最优工艺参数及在该条件下所需的反变形量。针对在生产线中存在外界因素使得生产线无法按照既定工艺参数生产的问题，本发明利用实时采集的数据基于遗传算法根据已执行工序的数据采集结果，因此本发明的生产方法可以设计出最优的模具结构与工艺参数，能够实现工艺参数的实时采集与实时控制，能够根据已执行工序情况实时优化未执行工序的工艺参数，有效控制产品质量。

Claims (10)

1.一种龙筋板智能化成型生产线，其特征在于：所述生产线包括轨道系统、控制系统(4)和铁型(5)；所述轨道系统上设有造型段(1)，造型段(1)的后段设置浇注段(2)，浇注段(2)后段设置开箱清理段(3)；所述造型段(1)、浇注段(2)和开箱清理段(3)分别与控制系统(4)连接；所述铁型(5)依次运行过轨道系统的造型段(1)、浇注段(2)和开箱清理段(3)；所述铁型(5)用于龙筋板浇注成型。
2.根据权利要求1所述的龙筋板智能化成型生产线，其特征在于：所述轨道系统包括第一轨道(21)、第二轨道(22)、第三轨道(27)、变轨系统(25)和提箱机(26)；所述第一轨道(21)与第三轨道(27)平行；所述第二轨道(22)有平行的两段，第一段连接在第一轨道(21)的后端，第二段连接在第三轨道(27)的前端，第一段的后端和第二段的前端通过变轨系统(25)连接；所述提箱机(26)设置在第二轨道与第一轨道(21)以及第三轨道(27)的连接处。
3.根据权利要求2所述的龙筋板智能化成型生产线，其特征在于：所述造型段(1)包括设置在第一轨道(21)上的造型机(11)，所述造型机(11)后段设有第一翻箱机(12)，第一翻箱机(12)的后端设有合箱机(13)。
4.根据权利要求3所述的龙筋板智能化成型生产线，其特征在于：所述浇注段(2)包括设置在第二轨道(22)一侧的浇注机(24)以及设在第二轨道(22)上的浇注小车(23)；所述浇注小车(23)用于承载和运输铁型(5)；所述浇注机(24)用于将铁水浇注入合箱后的铁型(5)中。
5.根据权利要求4所述的龙筋板智能化成型生产线，其特征在于：所述开箱清理段(3)包括设置在第三轨道(27)上开箱机(31)，开箱机(31)的后段设有出铸件机(32)，出铸件机(32)的后段设有第二翻箱机(33)，第二翻箱机(33)的后段设有震动落砂机(34)，震动落砂机的后段设有第三翻箱机(35)。
6.根据权利要求5所述的龙筋板智能化成型生产线，其特征在于：所述控制系统(4)中设有检测系统，所述检测系统包括第一温度传感器(41)、第二温度传感器(42)、第三温度传感器(44)、第四温度传感器(45)、第一计时器(43)、第二计时器(46)和位移变形测定仪器(47)；所述第一温度传感器(41)装在造型机(11)前的辊道上；所述第二温度传感器(42)装在造型机(11)内；所述第三温度传感器(44)位于浇注小车(23)前方；所述第四温度传感器(45)位于浇注小车(23)上方；所述第一计时器(43)装在造型机(11)内；所述第二计时器(46)位于浇注小车(23)与开箱机(31)上；所述位移变形测定仪器(47)位于出铸件机(32)上。
7.根据权利要求1所述的龙筋板智能化成型生产线，其特征在于：所述铁型(5)包括上铁型(51)和下铁型(52)；所述上铁型(51)和下铁型(52)型腔表面覆着有覆砂层(53)，所述覆砂层(53)表面与造型机(11)中的龙筋板金属模型形状保持一致均设置有反变形量。
8.根据权利要求1-7任一项所述的龙筋板智能化成型生产线的生产方法，其特征在于：包括如下步骤：
步骤一：建立成型工艺模型，基于正交试验设计进行模拟，获取工艺参数与龙筋板变形量以及生产效率之间的关系，得到原始数据，对原始数据进行归一化处理，获得数据集；
步骤二：建立工艺参数与龙筋板变形量之间的神经网络函数模型，基于数据集对神经网络函数模型进行训练；
步骤三：利用神经网络函数模型以及遗传算法来优化工艺参数，并根据优化结果设计龙筋板金属模型的反变形量；
步骤四：生产线控制系统实时采集数据，代入到步骤三建立的神经网络函数模型中进行优化工艺参数的计算，并将优化的工艺参数计算结果发送至生产线，生产线根据优化的工艺参数进行龙筋板生产。
9.根据权利要求8所述的龙筋板智能化成型方法，其特征在于：在步骤二中，具体包括以下步骤：
第一步：神经网络基本单元的计算公式为：
y＝f(kx+a)；
其中，x为输入数据，k为权重，a为阈值，y为输出；
采用Sigmoid函数作为激活函数，公式为：
Figure FDA0004203413260000031
设计输入层个数为工艺参数个数，输出层个数为目标参数个数，隐含层节点数参考经验公式：
Figure FDA0004203413260000041
其中，n1为隐含层节点数，等于9，n为输入层个数，等于9；m为输出层个数，等于2，z为大于1小于10的常数；
结合单个神经网络的公式：
B71＝f(K79×X91+A71)；
Y21＝f(K′27×B71+A′21)；
得到神经网络模型：
Y21＝f(K′27×f(K79×X91+A71)+A′21)；
其中，K79、A71、K′71和A′21为未知系数；
第二步：将最大迭代次数设为1000，最大训练误差设为10-6，最小训练速率设为0.9；
第三步：通过梯度下降的方式计算K79、A71、K′71和A′21的具体值，将具体值代入神经网络模型的公式中，完成神经网络模型的建立。
10.根据权利要求8所述的龙筋板智能化成型方法，其特征在于，在步骤三中，具体包括以下步骤：
第一步：设置输入参数个数为9个，种群大小为100个，迭代次数为100次，个体的最大值为1，最小值为0，随机生成输入参数；
第二步：随机生成的数据并带入到步骤二得到的神经网络函数模型中进行计算，按照结果的优劣进行排序，留下前50组较优的结果；
第三步：将留下的50组结果所对应的工艺参数组进行随机自由组合，生成下次一计算所需的100组工艺参数组合；
第四步：随机修改若干个工艺参数组合中的若干个参数；
第五步：继续计算第二步，并进入循环，当循环次数达到100次后，将得到的结果判定为最优结果，将最优结果的工艺参数带入函数模型中预测龙筋板变形量，若满足需求则根据此变形量设计龙筋板金属模型的反变形量，若不满足则转跳第一步。
CN202310469317.9A 2023-04-27 2023-04-27 一种龙筋板智能化成型生产线及生产方法 Pending CN116237515A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310469317.9A CN116237515A (zh) 2023-04-27 2023-04-27 一种龙筋板智能化成型生产线及生产方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310469317.9A CN116237515A (zh) 2023-04-27 2023-04-27 一种龙筋板智能化成型生产线及生产方法

Publications (1)

Publication Number Publication Date
CN116237515A true CN116237515A (zh) 2023-06-09

Family

ID=86626311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310469317.9A Pending CN116237515A (zh) 2023-04-27 2023-04-27 一种龙筋板智能化成型生产线及生产方法

Country Status (1)

Country Link
CN (1) CN116237515A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010172955A (ja) * 2009-02-02 2010-08-12 Sintokogio Ltd 造型・鋳造ライン設備
CN103008641A (zh) * 2012-10-26 2013-04-03 杭州沪宁电梯配件有限公司 一种砂型浇铸系统
CN104317997A (zh) * 2014-10-17 2015-01-28 北京航空航天大学 一种高负荷风扇/压气机端壁造型优化设计方法
CN104801701A (zh) * 2015-04-08 2015-07-29 安徽新宁装备股份有限公司 一种铸造生产流水线
CN204603298U (zh) * 2015-03-16 2015-09-02 衢州市鑫瑞机械有限公司 一种铁型覆砂铸造生产线
CN106019940A (zh) * 2016-06-21 2016-10-12 重庆科技学院 基于ukf神经网络的转炉炼钢工艺成本控制方法及系统
CN106119458A (zh) * 2016-06-21 2016-11-16 重庆科技学院 基于bp神经网络的转炉炼钢工艺成本控制方法及系统
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010172955A (ja) * 2009-02-02 2010-08-12 Sintokogio Ltd 造型・鋳造ライン設備
CN103008641A (zh) * 2012-10-26 2013-04-03 杭州沪宁电梯配件有限公司 一种砂型浇铸系统
CN104317997A (zh) * 2014-10-17 2015-01-28 北京航空航天大学 一种高负荷风扇/压气机端壁造型优化设计方法
CN204603298U (zh) * 2015-03-16 2015-09-02 衢州市鑫瑞机械有限公司 一种铁型覆砂铸造生产线
CN104801701A (zh) * 2015-04-08 2015-07-29 安徽新宁装备股份有限公司 一种铸造生产流水线
CN106019940A (zh) * 2016-06-21 2016-10-12 重庆科技学院 基于ukf神经网络的转炉炼钢工艺成本控制方法及系统
CN106119458A (zh) * 2016-06-21 2016-11-16 重庆科技学院 基于bp神经网络的转炉炼钢工艺成本控制方法及系统
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
夏小江等: "采用铁型覆砂铸造技术生产桥壳铸件", 2017中国铸造活动周论文集, pages 1 - 5 *
朱恒斌等: "铁型覆砂铸造成套装备的可视化及数字化研发应用", 铸造工程, no. 6, pages 75 - 79 *

Similar Documents

Publication Publication Date Title
CN110976830B (zh) 一种铝合金换挡毂铸造缺陷的控制方法
CN112427624A (zh) 一种基于数字孪生的铸锻双控成型系统及参数优化方法
CN103433442B (zh) 连铸结晶器内腔锥度确定方法
CN103920859A (zh) 一种连铸板坯内部裂纹在线预测方法
JP3400356B2 (ja) 生型造型方法およびそのシステム
CN107716872A (zh) 一种大型工作台铸件的铸造方法
Banchhor et al. Optimization in green sand casting process for efficient, economical and quality casting
CN105170906B (zh) 制取v型气缸体砂芯的手工模具
Ktari et al. Digital twin of functional gating system in 3D printed molds for sand casting using a neural network
CN107844852B (zh) 一种模拟铸钢件砂型铸造过程的缩松缺陷预测方法
CN116237515A (zh) 一种龙筋板智能化成型生产线及生产方法
CN219881304U (zh) 一种龙筋板智能化成型生产线
Bhatt et al. A systematic review on methods of optimizing riser and gating system based on energy Nexus approach
CN106227954B (zh) 一种铝合金重力金属型铸造工艺优化方法
CN106202809A (zh) 一种模拟铸铁砂型铸造浇铸过程的优化预测方法
Tian et al. Optimization of investment casting process parameters to reduce warpage of turbine blade platform in DD6 alloy
CN118298984B (zh) 一种连铸过程中铸坯温度场的预测方法及系统
CN118404030B (zh) 基于深度学习的压铸工艺参数实时监测调控方法及系统
CN119150655A (zh) 一种制动鼓铸造工艺参数的预测方法及系统
CN206229978U (zh) Disa线上生产灰铸铁轮毂类铸件的浇冒口系统
CN106001478B (zh) 一种板坯连铸机基础辊缝工艺的制定方法
Officer et al. Development of Universal Gating System Tool for Sand Casting Industry
CN113239501B (zh) 垂直浇注系统截面积计算模型获取方法及截面积获取方法
CN115659747A (zh) 一种结合敏感性分析与反算优化的钢锭铸造模拟边界条件确定方法
CN114570894A (zh) 一种铝合金铸造车间及其排产方法

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