本发明属于铸造工艺优化相关技术领域，更具体地，涉及一种基于铸件缺陷预测模型的铸造工艺参数优化方法。
背景技术：
铸造作为广泛使用的一种金属热加工工艺，其原材料来源广，适应性强，产品范围涉及到诸多领域，例如电子、化工、医疗器械以及兵器、航空等，对人类生产生活有重要影响。铸件质量与铸造工艺的水平有着密切联系，工艺水平的好坏直接决定铸件的质量安全。总的来说，铸造工艺可以分为三个基本阶段，即铸造金属准备阶段、铸型准备阶段和铸件处理阶段，由于整个过程中涉及到的工序众多，参数数据复杂，相应较大程度上影响了工艺水平的提高。
传统的工艺改善方法多数基于工艺师们的生产制造经验，该过程耗时长而且人员依赖性强，适应度不高。随着“工业4.0”及“两化融合”等观念的普及和科学技术的进步，铸造企业也逐渐向信息化和智能化方向发展，开始依靠非经验技术手段进行工艺优化。例如，利用铸造模拟软件提前进行铸件缺陷预测，再根据预测结果调整参数进行工艺优化。但该方法也存在计算时间较长、工艺参数被简化和受数学模型影响较大等问题。另外，基于铸造资源管理系统的支持，通过整理、分析和训练在批量生产条件下积累的数据，利用一定的手段也可实现部分工艺改进功能。现有技术中已经提出了一些相关的解决方案。例如，CN201710684770.6公开了一种应用BP神经网络预测TC4钛合金铸件缩孔缺陷的方法，其中通过将BP神经网络模型应用于铸件缩孔位置的预测过程，解决了钛合金铸件缩孔探测困难、以及铸造模型软件预测结果准确率不足等问题。然而，进一步的研究表明，上述现有方案仍具备以下的缺陷或不足：首先，该方案未能将整个铸造工艺过程中的更多影响因素有机地纳入考虑，往往只能判定缩孔类型的缺陷，实际工作时不能全面准确反映铸件的综合质量问题；其次，它所选用的BP神经网络算法无法处理非线性问题，对多源数据的分类、识别和处理能力均不够，这同样影响到预测结果的效率及精度；最后，对预测结果的有效运用仍然不足。相应地，本领域亟需做出进一步的改进，以便更好地满足现代化铸造工艺对更高效率和铸件更高质量的需求。
技术实现要素：
针对现有技术的以上不足之处和改进需求，本发明提供了一种基于铸件缺陷预测模型的铸造工艺参数优化方法，其中通过基于多源数据的分类管理和深度学习神经网络来建立用于铸件缺陷预测的模型，并有针对性地依据预测结果对模型进行后续优化，相应不仅可以执行铸件缺陷的智能预测过程，而且能够更为科学地将整个铸造工艺中的多源数据予以联系及运用，并以更高精度和更具针对性的方式来获得寻优结果，进而显著改善最终获得的铸件质量。
为实现上述目的，按照本发明，提供了一种基于铸件缺陷预测模型的铸造工艺参数优化方法，其特征在于，该方法包括下列步骤：
(i)缺陷自动分类与特征提取
对铸件进行拍摄，得到其灰度图像，并对图像进行缺陷自动识别，然后将识别出来的缺陷定性分类为夹杂、缩孔和气孔三大类；接着，根据图像内参照物及像素大小，量化各个缺陷特征的位置、形状及尺寸；
(ii)数据包的挖掘及预处理
采集并存储由以下三部分多源数据构成的数据包，其中第一部分多源数据属于生产数据，并包含铸造过程中的射蜡温度、射蜡压力、保压时间、模壳初始温度、模壳厚度、干燥间干湿度、脱蜡温度、焙烧温度、焙烧时间、熔炼温度、熔炼时间、浇注温度、浇注速度等参数；第二部分多源数据属于工艺数据，并包含材料成分、铸件厚度、工序参数等；第三部分多源数据属于检测数据，并包含对所述缺陷特征进行量化后对应获得的数据；接着，将以上数据提取出来并与铸件的编号形成对应关系；
(iii)铸件缺陷预测模型的建立
基于以上步骤(ii)所获得的数据包，构建基于深度神经网络的铸件缺陷预测模型，其中将所述生产数据作为该模型的输入、所述检测数据作为该模型的输出，并在模型构建完成后进行训练及优化；
(iv)工艺参数优化窗口的获取
对拟采用的工艺参数进行正交试验以获得多个参数组合，并采用步骤(iii)所建立的模型来执行寻优计算，根据寻优结果获得反映当前最佳生产工艺的参数数据优化窗口。
作为进一步优选地，在步骤(i)中，优选采用卷积神经网络来执行所述图像识别及缺陷特征提取的过程；其中，将模型的输入设定为所述铸件灰度图，模型的输出设定为缺陷类型，中间层包括5层卷积层、3层池化层及3层全连接层；模型训练好后即可用于缺陷检测，再根据图像信息进行缺陷特征的量化处理。
作为进一步优选地，在步骤(iii)中，所述训练过程模型优选包括如下过程：将初始数据输入到所述预测模型中得到相应预测结果，将此结果同铸件实际生产结果进行比较，并将两者之间的差值反馈至网络调整权值和阈值，直到满足误差范围，由此完成所需数量的训练。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
1、通过从铸造过程中所积累的生产数据、工艺数据和检测数据组成的多源数据入手，能够更为全面结合铸造企业的实际生产设备状况和铸件质量检测情况，得以有效利用相应数据进行预测模型的训练，进而基于该模型获取高精度的铸件工艺预测结果；
2、本发明还进一步选择了深度神经网络来构建铸件缺陷的预测模型，相比于纯粹的其他参数拟合或自回归模型，该模型有更好的准确性和鲁棒性，更好地符合铸造工艺的运用实际；
3、此外，本发明在所获得的预测模型基础上，将铸造工艺关键参数在一定范围内进行波动，并通过设计正交试验来获取关键参数对铸造缺陷的敏感性影响，相应实现了更高精度的工艺参数优化窗口，最终显著提高了整个工艺方法优化的指导性和适用性。
附图说明
图1是按照本发明所构建的铸造工艺参数优化方法的整体过程示意图；
图2是用于更为具体地解释说明按照本发明的铸件质量检测结果缺陷自动识别与特征量化的逻辑示意图；
图3是按照本发明的一个具体实施例、用于示范性显示铸件缺陷预测深度神经网络模型的原理示意图；
图4是按照本发明的另一具体实施例、用于示范性显示铸件缺陷预测模型建立、优化与参数寻优流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1是按照本发明所构建的铸造工艺参数优化方法的整体过程示意图。如图1所示，该工艺方法能够科学有效地依据实际生产的海量历史数据进行工艺参数推荐，形成一套工艺智能推荐系统，从而改进生产工艺水平，提高铸件成形质量。换而言之，其关键改进之处在于，前期的数据集通过设备互联和铸造资源管理系统采集以及图像识别进行挖掘、分析和整理；通过对海量数据的训练，可以智能化地对铸件缺陷进行预测，根据预测结果确定各参数的敏感性顺序，从而控制参数取值并获得优化的推荐值，对实际生产提供参考和指导。下面将对这些步骤逐一进行具体解释说明。
首先，是缺陷自动分类与特征提取步骤。
在此步骤中，譬如可利用无损检测设备对铸件进行拍摄，得到其灰度图像，并对图像进行缺陷自动识别，然后将识别出来的缺陷定性分类为夹杂、缩孔和气孔三大类；接着，根据图像内参照物及像素大小，量化各个缺陷的位置、形状及尺寸。
更具体而言，其处理流程如图2所示，可基于现有的铸件质量检测结果如X光检测仪所拍照片，先对灰度图像进行对比度增强、裁剪等预处理，接着送入建立好的深度学习图像识别CNN模型进行训练和优化。识别出来的缺陷首先基于其几何特征进行定性分类，具体有夹杂、缩孔(松)、气孔三大类，再根据图像内参照物及像素大小计算出缺陷的位置、形状及大小等信息，譬如直径大小及深度等，上述缺陷特征量化后存入数据库。
接着，是数据包的挖掘及预处理步骤。
采集并存储由以下三部分多源数据构成的数据包，其中第一部分多源数据属于生产数据，并包含铸造过程中的射蜡温度、射蜡压力、保压时间、模壳初始温度、模壳厚度、干燥间干湿度、脱蜡温度、焙烧温度、焙烧时间、熔炼温度、熔炼时间、浇注温度、浇注速度等参数；第二部分多源数据属于工艺数据，并包含材料成分、铸件厚度、工序参数等；第三部分多源数据属于检测数据，并包含对所述缺陷特征进行量化后对应获得的数据；接着，将以上数据提取出来并与铸件的编号形成对应关系。
更具体地，数据包多源数据在本专利中由三部分组成：生产数据、工艺数据以及检测数据。其中生产数据和检测数据分别整理为模型建立及优化的输入、输出数据集，模型完成之后再将工艺数据输入进行寻优；生产数据在设备互联基础上进行采集并存储在数据库内，例如精密铸造中的射蜡温度、射蜡压力、保压时间、模壳初始温度、模壳厚度、干燥间干湿度、脱蜡温度、焙烧温度、焙烧时间、熔炼温度、熔炼时间、浇注温度、浇注速度等参数；工艺数据在铸造资源管理系统内进行提取，包括材料成分、铸件厚度以及具体的工序参数值等；检测数据为缺陷特征量化信息，如缺陷直径。将三部分数据提取出来并与铸件编号对应，利用铸件单件全周期管理技术进行管理，形成一套完整的铸件加工流程数据。
再次，是铸件缺陷预测模型的建立步骤。
基于以上步骤所获得的数据包，构建基于深度神经网络的铸件缺陷预测模型，其中将所述生产数据作为该模型的输入、所述检测数据作为该模型的输出。需要说明的是，深度神经网络的基本原理及处理过程为本领域所熟知，例如，在此模型中，还可以通过设置合适数量的隐含层及每一层的神经元，同时完善权重、偏置等及网络其他超参数，加上适当的激活函数，输入向量在每一层内经过一定的计算，逐层通过直到输出，再根据预测结果降低损失来反馈调整网络参数甚至结构，从而达到优化效果。其具体详细的执行过程在此不再一一赘述。
在一个具体实施例中，根据以上已经整理好的输入输出数据包，可依照深度神经网络算法的原理来建立深度神经网络模型，例如具体可包括输入层参数20余个，隐藏层数层及输出层的缺陷预测结果。将数据集按比例划分训练集、测试集和验证集，可利用Python语言对网络模型进行实现，经过多次学习和训练，确定与最小误差相对应的网络参数(权值和阈值等)，模型满足优化精度训练即停止。该深度神经网络算法的具体原理及执行过程为本领域所熟知，因此在此不再赘述。
最后，是工艺参数优化窗口的获取步骤。
对拟采用的工艺参数进行正交试验以获得多个参数组合，并采用上述步骤所建立的模型来执行寻优计算，根据寻优结果获得反映当前最佳生产工艺的参数数据优化窗口。
更具体地，可将关键工艺参数进行数据分布建模，通过设计正交试验，将参数组合输入到训练好的缺陷预测模型中，对预测结果进行评估，分析缺陷预测结果，择优选取对应的参数，生成工艺推荐窗口。
综上，本发明所提出的技术方案与现有技术相比，能够改善以往的人工数据管理模式，提高效率，节约成本。特别是，其能够在以下具体方面取得实际的技术效果：1、在铸件质量检测结果基础上实现了产品缺陷自动识别与量化，提高识别效率，节省人力物力成本；2、可基于系统中采集的海量生产数据和存储的工艺数据，结合实际生产情况，对数据进行了科学的管理和利用，减少了管理难度，提高了数据价值；3、通过建立缺陷预测模型，利用提取的数据确定关键参数对缺陷影响的敏感性，从而获取优化的工艺参数推荐窗口，能够切实为实际生产提供有价值的参考。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。