[发明专利]工件铸造处理方法、装置、电子设备及存储介质

权利要求书

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，η_ij为所述内表中第i组样本的第j个质量指标的信噪比，y_ijk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。

4.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RBF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。