一种铸钢流动性预测方法
【专利摘要】本发明公开了一种铸钢流动性预测方法，包括以下步骤：（1）用不同牌号的铸钢进行螺旋形试样实验，并采集神经网络训练样本数据；（2）建立铸钢流动性预测的神经网络模型，该神经网络类型为多层前馈型BP网络，并确定其网络拓扑结构；（3）从步骤（1）中提取部分样本数据，训练该神经网络模型；（4）用步骤（1）中剩余的样本对训练后的网络模型进行仿真测试；（5）通过训练后的神经网络模型，即可对其他牌号的铸钢进行流动性预测。通过本发明中神经网络模型，为铸钢零部件铸造工艺设计中铸钢流动性提供了一种预测方法，有利于促进铸造业数字化、智能化、节能化的发展。
【专利说明】
一种铸钢流动性预测方法
技术领域
[0001] 本发明涉及一种铸钢流动性预测方法，属于铸造技术领域。
【背景技术】
[0002] 液态金属合金的流动性是铸造生产的重要工艺性能，流动性的好坏直接影响金属 的充型性能。金属液的流动性好，充型性能就强，容易获得尺寸准确、外形完整、轮廓清晰的 铸件。否则容易造成铸件冷隔、浇不足、气孔与夹杂缺陷。
[0003] 铸钢合金是铸造生产中的一种常用材料，其流动性比灰铸铁、硅黄铜合金、硅铝合 金差，所以对于铸钢件来说其液态合金的流动性对铸造工艺设计的影响很大。铸钢合金流 动性受多种因素综合影响，其好坏主要取决于合金本身的性质，此外外在的工艺条件对其 也有重要影响。外在条件如浇注温度、浇注压力、铸型结构复杂程度、空腔壁厚等因素对铸 钢流动性的影响较为简单且接近线性相关;而铸钢合金本身性质（即合金成分的不同）对其 流动性的影响却有着复杂的非线性相关特征，至今还没有理论公式或经验公式来描述这两 者间的关系。铸造从业者若依靠经验来对铸钢的流动性做判断，缺乏科学性和可靠性;若通 过生产试验来对铸钢流动性做判断，不仅增加成本，还延长了产品研发制造周期。
【发明内容】
[0004] 本发明要解决的技术问题是：提供一种铸钢流动性预测方法，建立铸钢合金成分 与其流动性间非线性映射关系的数学模型，通过该模型可以较为准确地预测不同牌号铸钢 材料本身的流动性好坏。
[0005] 本发明的目的是通过以下技术方案实现的： 一种铸钢流动性预测方法，包括以下步骤： (1) 用不同牌号的铸钢进行螺旋形试样实验，并采集神经网络训练样本数据，取铸型填 充完毕时式样的固相质量分数作为流动性评价指数《，所述样本数据包括铸钢材料合金成 分C、Fe、Μη、P、S的百分含量以及流动性评价指数w; (2) 建立铸钢流动性预测的神经网络模型，该神经网络类型为多层前馈型ΒΡ网络，并确 定其网络拓扑结构； (3) 从步骤(1)中提取部分样本数据，训练该神经网络模型； (4) 用步骤(1)中剩余的样本对训练后的网络模型进行仿真测试； (5) 通过训练后的神经网络模型，即可对其他牌号的铸钢进行流动性预测。
[0006] 优选的，所述步骤(2)中，神经网络模型的层数为三层，包括输入层、隐含层和输出 层，其中输入层节点数目为5,隐含层结点数目为11，输出层节点数目为1。由于样本数据由5 种合金成分及1个评价指数组成，所以确定输入层节点数目为5，输出层节点数目为1。
[0007] 优选的，所述输入层与隐含层间的传递函数采用S型正切函数tansig，隐含层与输 出层间的传递函数采用S型对数函数logsig。各层间传递函数具有非线性特点及处处连续 可导。
[0008] 优选的，步骤（3)中网络训练函数选用动量及自适应IrBP的梯度递减函数 traingdx，学习函数选用梯度下降动量函数learngdm，网络性能函数选用加权均方误差函 数msereg，设定性能参数为0.5,网络训练的最小均方误差设为0.001，最大迭代次数为 5000，采用初始化函数in i t初始化网络的权值和阈值。
[0009] 优选的，步骤(1)中样本数据的数量为26组。
[0010] 优选的，步骤(3)中提取24组样本数据作为训练样本，直至网络训练结束，步骤(4) 中提取剩余2组样本数据作为仿真测试样本。
[0011]通过采用上述技术方案，本发明的有益效果:通过本发明中神经网络模型，为铸钢 零部件铸造工艺设计中铸钢流动性提供了一种预测方法，通过一种CAE手段对当前铸造工 艺设计提供指导，有利于促进铸造业数字化、智能化、节能化的发展。
【附图说明】
[0012] 图1为螺旋形试样模型图； 图2为本发明中神经网络模型的拓扑结构图； 图3为本发明的过程原理图。
【具体实施方式】
[0013] 下面结合附图及具体的实施例对发明进行进一步介绍： 实施例1: 一种铸钢流动性预测方法，包括以下步骤： 步骤（1):用不同牌号的铸钢进行螺旋形试样实验，并采集神经网络训练样本数据。在 本实施例中，选用26种牌号的铸钢材料，在控制过热度、浇注速度一致的条件下(过热度为 该种铸钢液相温度+l〇°C，浇注速度为O.Olm/s)，向螺旋型试样(如图1所示）中浇注钢液，取 铸型填充完毕时试样的固相质量分数作为流动性评价指数《，样本数据包括铸钢材料合金 成分C、Fe、Mn、P、S的百分含量以及流动性评价指数w，所得样本数据如下表1所示： 表1神经网络训练样本数据
步骤（2):建立铸钢流动性预测的神经网络模型，该神经网络类型为多层前馈型BP网 络，并确定其网络拓扑结构。神经网络模型的层数为三层，包括输入层、隐含层和输出层，其 中输入层节点数目为5，隐含层结点数目为11，输出层节点数目为1。所述输入层与隐含层间 的传递函数采用S型正切函数tansig，隐含层与输出层间的传递函数采用S型对数函数 logsig〇
[0014] 步骤(3):提取步骤（1)中所得样本数据中的1至24组数据训练该神经网络模型。网 络训练函数选用动量及自适应1 rBP的梯度递减函数tra ingdx，学习函数选用梯度下降动量 函数learngdm，网络性能函数选用加权均方误差函数msereg，设定性能参数为0.5,网络训 练的最小均方误差设为0.001，最大迭代次数为5000,采用初始化函数init初始化网络的权 值和阈值。
[0015] 步骤(4):用剩余的第25、26组样本数据对训练后的网络模型进行仿真测试，结果 如表2所示： 表2仿真测试结果
通过分析误差，该神经网络模型对铸钢流动性的预测达到所需的精度要求。
[0016]步骤(5):通过训练后的神经网络模型，即可对其他牌号的铸钢进行流动性预测。 [0017]以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定 本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在 不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的 保护范围。
【主权项】
1. 一种铸钢流动性预测方法，其特征在于:包括以下步骤： (1) 用不同牌号的铸钢进行螺旋形试样实验，并采集神经网络训练样本数据，取铸型填 充完毕时式样的固相质量分数作为流动性评价指数W，所述样本数据包括铸钢材料合金成 分C、Fe、Μη、P、S的百分含量以及流动性评价指数W; (2) 建立铸钢流动性预测的神经网络模型，该神经网络类型为多层前馈型ΒΡ网络，并确 定其网络拓扑结构； (3) 从步骤(1)中提取部分样本数据，训练该神经网络模型； (4) 用步骤(1)中剩余的样本对训练后的网络模型进行仿真测试； (5) 通过训练后的神经网络模型，即可对其他牌号的铸钢进行流动性预测。2. 根据权利要求1所述的一种铸钢流动性预测方法，其特征在于:所述步骤(2)中，神经 网络模型的层数为三层，包括输入层、隐含层和输出层，其中输入层节点数目为5,隐含层结 点数目为11，输出层节点数目为1。3. 根据权利要求2所述的一种铸钢流动性预测方法，其特征在于:所述输入层与隐含层 间的传递函数采用S型正切函数tansig，隐含层与输出层间的传递函数采用S型对数函数 logsig〇4. 根据权利要求3所述的一种铸钢流动性预测方法，其特征在于：步骤(3)中网络训练 函数选用动量及自适应1 rBP的梯度递减函数traingdx，学习函数选用梯度下降动量函数 learngdm，网络性能函数选用加权均方误差函数msereg，设定性能参数为0.5，网络训练的 最小均方误差设为0.001，最大迭代次数为5000,采用初始化函数init初始化网络的权值和 阈值。5. 根据权利要求1所述的一种铸钢流动性预测方法，其特征在于：步骤（1)中样本数据 的数量为26组。6. 根据权利要求5所述的一种铸钢流动性预测方法，其特征在于：步骤(3)中提取24组 样本数据作为训练样本，直至网络训练结束，步骤(4)中提取剩余2组样本数据作为仿真测 试样本。
【文档编号】G06Q50/04GK105868483SQ201610217971
【公开日】2016年8月17日
【申请日】2016年4月11日
【发明人】崔晓斌, 黄放, 程桐, 梅益, 孙津原
【申请人】贵州大学