(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211200412.0 (22)申请日 2022.09.29 (71)申请人 浙江博星工贸有限公司 地址 321017 浙江省金华市 婺城区经济开 发区美和路1 188号 (72)发明人 徐刚强　朱彦康　周康康　李孝禄　 吕兴才　胡火明　蒋文龙　刘保才　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 黄宗波 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/12(2006.01)G06T 17/20(2006.01) G06F 111/06(2020.01) G06F 111/10(2020.01) G06F 119/08(2020.01) G06F 119/10(2020.01) (54)发明名称 工件铸造处理方法、 装置、 电子设备及存储 介质 (57)摘要 本申请提供一种工件铸造处理方法、 装置、 电子设备及存储介质。 方法包括： 建立工件在铸 造成型期间的浇注过程数值模型和孔洞类缺陷 预测模型； 构建用于实验的内表和外表； 根据外 表中的待测样本及信噪比， 创建样本矩阵， 并基 于经过测试训练的神经网络模型， 预测利用样本 矩阵中每个样本的工艺参数进行铸造得到的工 件的检测结果； 对样本矩阵的所有检测结果进行 多目标寻优， 得到Pareto最优解集； 从Pareto最 优解集中确定最优解对应的工艺参数以作为目 标工艺参数， 其中， 目标工艺参数为Pareto最优 解集中使得欲铸造的工件的质量最高的参数组 合。 如此， 有利于提高工艺参数的稳健性， 降低工 件的孔洞类缺陷， 提升 工件质量与抗干 扰能力。 权利要求书3页 说明书11页 附图4页 CN 115455787 A 2022.12.09 CN 115455787 A 1.一种工件铸造处 理方法， 其特 征在于， 所述方法包括： 步骤10， 基于欲铸造的工件的三维结构参数及工艺参数， 建立所述工件在铸造成型期 间的浇注过程数值模型和孔洞类缺陷预测模型； 步骤20， 根据所述工艺参数及所述工艺参数中的每类参数对应的预设参数范围， 构建 用于实验的内表和外表， 所述内表包括m组工艺参数的样本， 所述外表包括m组样本分别在 基于q类噪声影响下得到的待测样本及所述内表中相应样本的信噪比， m、 q均为大于1的整 数； 步骤30， 根据所述外表中的所述待测 样本及所述信噪比， 创建样本矩阵， 并基于经过测 试训练的神经网络模型， 预测利用所述样本矩阵中每个样本的工艺参数进 行铸造得到的工 件的检测结果， 所述检测结果包括表征工件质量的质量指标； 步骤40， 通过预设的非支配排序遗传算法及所述样本矩阵， 对所述样本矩阵的所有检 测结果进行多目标寻优， 得到Pareto 最优解集； 步骤50， 基于预设的逼近理想解排序法， 从所述Pareto最优解集中确定最优解对应的 工艺参数以作为目标工艺参数， 其中， 所述目标工艺参数为所述Pareto最优解集中使得欲 铸造的所述工件的质量 最高的参数组合。 2.根据权利要求1所述的方法， 其特 征在于， 所述 步骤10包括： 根据所述工件的三维结构参数， 创建铸型的第 一三维结构模型及所述工件的第 二三维 结构模型， 并利用仿真有限元工具对所述第一三 维结构模块及所述第二三维结构模型进 行 网格划分， 并设置第一三维结构模块及所述第二三维结构模型的材料及属 性， 以形成所述 浇注过程数值模型； 根据工艺参数， 利用所述仿真有限元工具创建所述孔洞类缺陷预测模型， 其中， 所述孔 洞类缺陷预测模型用于根据欲铸造的所述工件在充型过程中金属液的流动、 凝固过程中的 温度分布以及固相率， 确定欲铸造的所述工件的收缩缺陷和气孔缺陷产生的位置和尺寸， 以得到所述工件的缩孔缩松体积和气体夹杂密度， 所述工艺参数包括浇注温度、 浇注时间 及模具预热温度。 3.根据权利要求1所述的方法， 其特 征在于， 所述 步骤20包括： 获取所述工艺参数中的每类参数对应的所述预设参数范围， 所述工艺参数包括浇注温 度、 浇注时间及模具 预热温度； 基于所述工艺参数中浇注温度、 浇注时间及模具预热温度分别对应的预设参数范围， 通过拉丁超立方抽样算法， 得到m组工艺 参数的样本， 以形成所述内表； 将m组样本中的每组工艺参数， 分别与所述q类噪声相乘， 得到m*q组样本， 并确定所述 内表中相应样 本的信噪比， 以形成所述外表， 其中， 每个所述噪声的取值为(1 ‑α )至(1+α )之 间的任意 值， α 为噪声影响程度系数， α 的取值 为0至1之间的值， 所述信噪比的计算公式为： 式中， ηij为所述内表中第i组样本的第j个质量指标 的信噪比， yijk为所述内表中第i组 样本在第k组噪声影响下所获得的第j个质量特性指标值， m为所述内表的实验次数， n为质 量特性指标个数， q为噪声种类数。权　利　要　求　书 1/3 页 2 CN 115455787 A 24.根据权利要求1所述的方法， 其特 征在于， 在所述 步骤30之前， 所述方法还 包括： 获取训练集和测试集， 所述训练集和所述测试集均包括多组用于铸造的所述工件的工 艺参数， 以及采用工艺 参数铸造得到的工件的质量； 通过所述训练集对径向基RBF神经网络模型进行训练， 并在所述RB F神经网络模型满足 预设收敛 条件时， 停止训练； 通过所述测试集对经过训练的RBF神经网络模型进行测试， 并在测试的误差小于或等 于设定值时， 将当前 所测试的RBF神经网络模型作为所述经 过测试训练的神经网络模型。 5.根据权利要求1所述的方法， 其特 征在于， 所述 步骤40包括： 根据所述样本矩阵中的工艺参数及每类参数对应的所述预设参数范围， 随机产生初始 化种群， 所述初始化种群 的规模为Pn， 并通过所述非支配排序遗传算法对所述初始化种群 进行非支配排序、 选择、 交叉以及变异， 以得到第1代子种群； 从第t‑1代子种群及第t代子种群中选取满足预设条件的个体作为新的父代种群， t依 次取1至T， T为大于或等于1的整数， 且第0代子种群为所述初始化种群； 根据所述非支配排序遗传算法对所述初始化种群进行非支配排序、 选择、 交叉以及变 异， 以得到第t+1代子种群； 将从初始化种群至第T+1代子种群得到的Pareto最优前沿， 输入所述神经网络模型中， 得到评价目标输出的归一化结果， 并对所述归一化结果进行反归一化， 得到所述Pareto最 优解集。 6.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 以所述目标工艺 参数， 控制铸造设备进行铸造， 以得到所述工件。 7.根据权利要求1 ‑6中任一项所述的方法， 其特 征在于， 所述工件 包括凸轮轴。 8.一种工件铸造处 理装置， 其特 征在于， 所述装置包括： 模型建立单元， 用于基于欲铸造的工件的三维结构参数及工艺参数， 建立所述工件在 铸造成型期间的浇注过程数值模型和孔洞类缺陷预测模型； 实验表构建单元， 用于根据 所述工艺参数及所述工艺参数中的每类参数对应的预设参 数范围， 构建用于实验的内表和外表， 所述内表包括m组工艺参数的样本， 所述外表包括m组 样本分别在基于q类噪声影响下得到的待测样本及所述内表中相应样本的信噪比， m、 q均为 大于1的整数； 预测单元， 用于根据 所述外表中的所述待测样本及所述信噪比， 创建样本矩阵， 并基于 经过测试训练的神经网络模型， 预测利用所述样本矩阵中每个样本的工艺参数进 行铸造得 到的工件的检测结果， 所述检测结果包括表征工件质量的质量指标； 寻优单元， 用于通过预设的非支配排序遗传算法， 对所述样本矩阵的所有检测结果进 行多目标寻优， 得到Pareto 最优解集； 决策单元， 用于基于预设的逼近理想解排序法， 从所述Pareto最优解集中确定最优解 对应的工艺参数以作为目标工艺参数， 其中， 所述目标工艺参数为所述Pareto最优解集中 使得欲铸造的所述工件的质量 最高的参数组合。 9.一种电子设备， 其特征在于， 所述电子设备包括相互耦合的处理器及存储器， 所述存 储器内存储计算机程序， 当所述计算机程序被所述处理器执行时， 使得所述电子设备执行 如权利要求1 ‑7中任一项所述的方法。权　利　要　求　书 2/3 页 3 CN 115455787 A 3