張海光，張壯雅，胡慶夕

（1.上海大學(xué) 快速制造工程中心，上海 200444；2.上海大學(xué) 上海市智能制造及機(jī)器人重點(diǎn)實(shí)驗(yàn)室，上海 200444）

0 引言

3D 打?。?D Printing，3DP）技術(shù)和快速模具（Rapid Tooling，RT）技術(shù)［1］是增材制造技術(shù)的兩大支柱。3DP 技術(shù)主要用于新產(chǎn)品樣件的試制；而RT 技術(shù)則可方便快捷地實(shí)現(xiàn)新產(chǎn)品的試制和小批量生產(chǎn)［2］。隨著3DP&RT 技術(shù)的廣泛應(yīng)用，企業(yè)可以在最短的時(shí)間內(nèi)開(kāi)發(fā)出滿足客戶需求的產(chǎn)品并投入市場(chǎng)，從而贏得市場(chǎng)競(jìng)爭(zhēng)。隨著我國(guó)新產(chǎn)品的開(kāi)發(fā)能力不斷加強(qiáng)，真空注型（Vacuum Casting，VC）技術(shù)作為RT 技術(shù)中應(yīng)用最廣泛的工藝方法之一［3-4］，其應(yīng)用呈逐年上升的態(tài)勢(shì)，VC 澆注件的使用范圍越來(lái)越廣泛，說(shuō)明該技術(shù)正處于成長(zhǎng)期，還有非常大的發(fā)展空間和應(yīng)用潛力。但是VC 過(guò)程是一個(gè)典型的多變量、大滯后、非線性、強(qiáng)耦合且需人為參與的間歇工業(yè)過(guò)程，而且澆注件幾何特征多樣、注型工藝參數(shù)復(fù)雜，工藝設(shè)定大多依靠操作人員的經(jīng)驗(yàn)，現(xiàn)有VC設(shè)備自動(dòng)化程度低、澆注件的質(zhì)量難以控制，已經(jīng)成為該行業(yè)繼續(xù)發(fā)展的瓶頸，因此要想實(shí)現(xiàn)VC 技術(shù)從“可以成型”向“高質(zhì)量成型”的轉(zhuǎn)變，對(duì)其工藝參數(shù)優(yōu)化和控制方法的研究是關(guān)鍵。

隨著智能控制技術(shù)的發(fā)展，出現(xiàn)了很多研究復(fù)雜非線性系統(tǒng)的辨識(shí)、優(yōu)化的方法和理論［5-8］，但這些方法的研究和應(yīng)用大多相互獨(dú)立，沒(méi)有充分利用各種智能控制技術(shù)的特點(diǎn)和優(yōu)勢(shì)，且大部分研究針對(duì)的主要是注塑領(lǐng)域，利用智能控制方法進(jìn)行VC工藝參數(shù)優(yōu)化和控制的研究很少。因此，本文利用神經(jīng)網(wǎng)絡(luò)技術(shù)尋求澆注件幾何特征和對(duì)應(yīng)工藝參數(shù)間的關(guān)系，對(duì)不同類型的澆注件進(jìn)行工藝參數(shù)的智能推薦，利用模糊控制技術(shù)在模擬人腦感知、推理等智能行為方面的優(yōu)勢(shì)，對(duì)操作人員的工藝參數(shù)修正經(jīng)驗(yàn)進(jìn)行歸納和提取，實(shí)現(xiàn)根據(jù)澆注件的缺陷情況進(jìn)行智能工藝參數(shù)修正，并構(gòu)建智能質(zhì)量控制系統(tǒng)，實(shí)現(xiàn)工藝參數(shù)的智能推薦和優(yōu)化，以提高澆注件質(zhì)量。

1 真空注型智能質(zhì)量控制系統(tǒng)

1.1 系統(tǒng)架構(gòu)

根據(jù)操作人員的實(shí)際加工過(guò)程和VC 澆注件的幾何特征，結(jié)合實(shí)例推理（Case-Based Reasoning，CBR）、神經(jīng)網(wǎng)絡(luò)推理（Neural Network-based Reasoning，NNR）和模糊推理（Fuzzy-Based Reasoning，F(xiàn)BR）技術(shù)，建立真空注型智能質(zhì)量控制系統(tǒng)，該系統(tǒng)由CBR、NNR 和FBR 三個(gè)模塊構(gòu)成，包括澆注實(shí)例數(shù)據(jù)庫(kù)和模糊規(guī)則修正數(shù)據(jù)庫(kù)，其系統(tǒng)架構(gòu)如圖1所示。其中：澆注實(shí)例數(shù)據(jù)庫(kù)中的一部分來(lái)源于實(shí)際澆注實(shí)例，另一部分來(lái)源于計(jì)算機(jī)輔助工程（Computer Aided Engineering，CAE）分析獲得的實(shí)例，主要作為CBR 模塊的檢索案例和NNR 模塊的訓(xùn)練樣本；模糊規(guī)則修正數(shù)據(jù)庫(kù)數(shù)據(jù)主要包括澆注件缺陷類型及由專家或操作員經(jīng)驗(yàn)轉(zhuǎn)化得到的規(guī)則。

1.2 系統(tǒng)工作原理及工作流程

在實(shí)際生產(chǎn)過(guò)程中，操作人員遇到一個(gè)新的澆注對(duì)象時(shí)，通常會(huì)通過(guò)回憶借鑒已有的成功案例來(lái)設(shè)定工藝參數(shù)。該系統(tǒng)中的CBR 模塊就是通過(guò)對(duì)已有實(shí)例的檢索來(lái)模擬操作人員的“借鑒”思維，尋找最接近的澆注實(shí)例，從而設(shè)定初始工藝參數(shù)。如果沒(méi)有可借鑒的加工實(shí)例，則根據(jù)澆注件的幾何特征，利用NNR 模塊進(jìn)行推理，獲得初始工藝參數(shù)并將其用于實(shí)際澆注過(guò)程。如果澆注件質(zhì)量達(dá)到要求，則將澆注件幾何特征參數(shù)和推薦的工藝參數(shù)存儲(chǔ)至實(shí)例數(shù)據(jù)庫(kù)；如果澆注件質(zhì)量指標(biāo)不滿足要求，則根據(jù)缺陷類型利用FBR 模塊進(jìn)行工藝參數(shù)修正，該過(guò)程不斷循環(huán)，直至滿足質(zhì)量指標(biāo)要求。

可見(jiàn)，該系統(tǒng)主要分為工藝參數(shù)推薦和工藝參數(shù)修正兩大部分，工作流程如圖2所示。

2 基于CBR的VC工藝參數(shù)推薦方法

CBR 是一種模擬人類類比思維的推理技術(shù)，通過(guò)檢索數(shù)據(jù)庫(kù)中已有的同類問(wèn)題求解獲得當(dāng)前問(wèn)題的解，具有簡(jiǎn)化知識(shí)獲取、求解質(zhì)量高、適用于非計(jì)算推導(dǎo)等優(yōu)點(diǎn)［9-10］。由于VC 澆注件幾何特征各異，實(shí)際生產(chǎn)中的工藝參數(shù)設(shè)置通常需要經(jīng)驗(yàn)豐富的操作人員先回憶或借鑒過(guò)去類似的方案，然后根據(jù)經(jīng)驗(yàn)做適當(dāng)修改。在實(shí)際生產(chǎn)中，澆注件幾何特征是決定工藝參數(shù)的關(guān)鍵，因此，CBR 模塊根據(jù)澆注件的幾何特征通過(guò)匹配算法與實(shí)例庫(kù)中所有的實(shí)例進(jìn)行相似度計(jì)算，尋找相似度最高的實(shí)例，獲取對(duì)應(yīng)的工藝參數(shù)作為初始參數(shù)。具體實(shí)現(xiàn)過(guò)程如下。

2.1 澆注件特征的表達(dá)與獲取

（1）澆注件特征表達(dá)

1）澆注件體積 體積較大的工件需要較大的壓差及較高的材料和模具溫度，以避免材料較早凝固出現(xiàn)澆注不足的現(xiàn)象；反之，則應(yīng)采用相對(duì)較小的差壓進(jìn)行澆注，以防材料噴射造成飛邊等缺陷，計(jì)算公式如下：

式中：v為澆注件體積；m為澆注件質(zhì)量；ρ為澆注件材料密度。

2）平均壁厚 對(duì)于平均壁厚較小的澆注件，其充型過(guò)程阻力大，應(yīng)適當(dāng)增加澆注壓差，提高材料和模具溫度；反之應(yīng)適當(dāng)減小澆注壓差，降低材料和模具溫度，計(jì)算公式如下：

式中：d為澆注件平均壁厚；v為澆注件體積；s為澆注件表面積。

3）復(fù)雜程度 澆注件越復(fù)雜，充型難度越大，應(yīng)適當(dāng)增大澆注壓差，提高材料和模具溫度。以0～9表征澆注件的復(fù)雜程度，0表示相當(dāng)簡(jiǎn)單，9表示相當(dāng)復(fù)雜，用變量k表示，k∈［0，9］。

（2）澆注件特征獲取

通常材料的質(zhì)量和密度均已知，根據(jù)式（1）即可獲得v；根據(jù)澆注件CAD 模型，采用STL（stereo lithography）模型切片法獲取澆注件每層切片的輪廓，使用OpenGL編制的圖像處理算法可計(jì)算出各層輪廓周長(zhǎng)，周長(zhǎng)與層片高度積即為S，根據(jù)式（2）即可獲得d；復(fù)雜程度k根據(jù)人為經(jīng)驗(yàn)估計(jì)初始值。

2.2 澆注實(shí)例的表示

應(yīng)用狀態(tài)空間法進(jìn)行澆注件幾何特征的實(shí)例表示，現(xiàn)引入一組有序變量vi，di和ki，其矢量形式：

式中：vi為澆注 件體積；di為澆注 件平均壁厚；ki為澆注件復(fù)雜程度。每個(gè)變量又由一個(gè)三元向量組（pi，wi，xi）表示，其中：pi為屬 性名稱；wi為屬性權(quán)值，權(quán)值越大，對(duì)應(yīng)的屬性越重要；xi為屬性值。

根據(jù)操作人員的經(jīng)驗(yàn)設(shè)定各幾何特征參數(shù)對(duì)應(yīng)的初始默認(rèn)權(quán)值，如表1所示。此外，初始權(quán)值的設(shè)定留有人機(jī)交互接口，可供有經(jīng)驗(yàn)的操作人員進(jìn)行修改。

表1 澆注件幾何特征權(quán)值

2.3 澆注實(shí)例的相似度計(jì)算

實(shí)例的相似度是實(shí)例間相似程度的定量表征，相似度是一模糊量，用sim（x，y）表示實(shí)例x和實(shí)例y的相似度，sim（x，y）∈［0，1］。下面針對(duì)一具體實(shí)例分析VC澆注件相似度的計(jì)算方法，新澆注實(shí)例和被檢索實(shí)例幾何特征具體參數(shù)如表2所示。

表2 實(shí)例幾何特征參數(shù)

（1）體積局部相似度計(jì)算

對(duì)于澆注件幾何特征而言，澆注件的體積是一確定數(shù)值，其范圍取決于VC設(shè)備澆注室的尺寸，澆注件體積局部相似度計(jì)算公式如下：

式中：α和β分別為澆注室所能容納的模具體積最小值和最大值，假設(shè)所用VC 設(shè)備容納模具的體積范圍為1 000 mm3～6 000 mm3，則α=1 000，β=6 000。

根據(jù)式（4）求得新澆注實(shí)例和被檢索實(shí)例的體積相似度

（2）平均壁厚局部相似度計(jì)算

當(dāng)比較對(duì)象x為確定數(shù)值、y為一取值范圍［a，b］時(shí)，其相似度計(jì)算公式如下：

假設(shè)真空注型澆注件的平均壁厚的范圍為［1，4］，根據(jù)式（5）求得新澆注實(shí)例和被檢索實(shí)例的平均壁厚相似度

（3）復(fù)雜程度局部相似度計(jì)算

澆注件的復(fù)雜程度為一模糊值，現(xiàn)將復(fù)雜程度從最簡(jiǎn)單到最復(fù)雜分為五個(gè)等級(jí)，函數(shù)f（x）的映射關(guān)系如表3所示。

表3 澆注件復(fù)雜程度函數(shù)映射關(guān)系

當(dāng)比較對(duì)象x和y為模糊值時(shí)，可以對(duì)模糊值進(jìn)行定量描述來(lái)求解相似度，其相似度求解公式如下：

根據(jù)式（4）求得新澆注實(shí)例和被檢索實(shí)例的復(fù)雜程度相似度

（4）綜合相似度計(jì)算

如果用元組（p1，p2，…，pm）表示要匹配的新問(wèn)題的描述、用元組（u1，u2，…，um）表示庫(kù)中檢索到的案例描述，則綜合相似度的計(jì)算公式［11］如下：

式中：p為要匹配的新澆注實(shí)例的描述；pi為p的第i個(gè)屬性；u為實(shí)例庫(kù)中原實(shí)例的描述；ui為u的第i個(gè)屬性；m為問(wèn)題描述的屬性個(gè)數(shù)；wi為第i個(gè)屬性的局部相似度權(quán)值。

在計(jì)算各局部相似度的基礎(chǔ)上，利用式（7）計(jì)算新澆注實(shí)例和被檢索實(shí)例的綜合相似度

2.4 澆注件實(shí)例的檢索和匹配

獲得綜合相似度后采用最相鄰近策略（Nearest-Neighbor Strategy，NNS）進(jìn)行實(shí)例檢索。設(shè)實(shí)例u∈R，若存在實(shí)例c∈R，對(duì)所有實(shí)例c′∈R，都有sim（u，c）≥sim（u，c′）成立，則稱實(shí)例c為實(shí)例u的最近鄰居NNS，記為：

現(xiàn)設(shè)定分級(jí)相似度閾值為0.9，根據(jù)相似度計(jì)算結(jié)果，可能出現(xiàn)兩種情況及對(duì)應(yīng)的處理辦法，如表4所示。

表4 樣本相似度匹配及處理辦法

續(xù)表4

3 基于NNR的VC工藝參數(shù)智能推薦

誤差反向傳播（Back Propagation，BP）網(wǎng)絡(luò)是應(yīng)用最廣泛最成熟的網(wǎng)絡(luò)模型之一，本文采用BP神經(jīng)網(wǎng)絡(luò)建立澆注件幾何特征與澆注工藝參數(shù)間的關(guān)系，實(shí)現(xiàn)VC工藝參數(shù)的智能推薦。

3.1 工藝參數(shù)推薦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一種有隱含層的多層前饋型神經(jīng)網(wǎng)絡(luò)，可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射，權(quán)值的調(diào)整采取反向傳播學(xué)習(xí)算法。一旦網(wǎng)絡(luò)層數(shù)以及各層神經(jīng)元個(gè)數(shù)確定，則BP網(wǎng)絡(luò)結(jié)構(gòu)隨之確定，用于VC 工藝參數(shù)推薦的BP網(wǎng)絡(luò)結(jié)構(gòu)如下：

（1）網(wǎng)絡(luò)的層數(shù)

理論證明一個(gè)S型隱含層加上一個(gè)線性輸出層的神經(jīng)網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)，因此，初選具有一層隱含層的三層網(wǎng)絡(luò)結(jié)構(gòu)。

（2）輸入輸出層神經(jīng)元個(gè)數(shù)

以澆注件體積v、澆注件平均壁厚d和澆注件復(fù)雜程度k為BP網(wǎng)絡(luò)的輸入；以材料溫度Tc、模具溫度Tm和澆注壓差Δp為BP 網(wǎng)絡(luò)的輸出，因此，該網(wǎng)絡(luò)的輸入層和輸出層神經(jīng)元個(gè)數(shù)均為3。

（3）隱含層神經(jīng)元個(gè)數(shù)

隱含層神經(jīng)元個(gè)數(shù)的確定可通過(guò)以下經(jīng)驗(yàn)公式得到：

式中：Nin為輸入神經(jīng)元個(gè)數(shù)；Nou為輸出神經(jīng)元個(gè)數(shù)；a為調(diào)整值，a∈［1，10］。根據(jù)式（9）確定初始的隱含層神經(jīng)元個(gè)數(shù)為6。至此，工藝參數(shù)智能推薦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3-6-3，其結(jié)構(gòu)如圖3所示。

3.2 樣本的獲取及預(yù)處理

VC 工藝參數(shù)推薦神經(jīng)網(wǎng)絡(luò)需要通過(guò)大量的樣本進(jìn)行訓(xùn)練才能提高網(wǎng)絡(luò)的準(zhǔn)確性。

（1）樣本來(lái)源

數(shù)據(jù)樣本一部分來(lái)源于實(shí)例數(shù)據(jù)庫(kù)中已有的實(shí)例（大約1 000組數(shù)據(jù)）；另一部分來(lái)源于CAE 分析獲得的實(shí)例（大約300組數(shù)據(jù)）。從中選取前900組作為網(wǎng)絡(luò)訓(xùn)練樣本，剩余100組作為測(cè)試樣本，檢驗(yàn)網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確性和泛化性。

（2）樣本預(yù)處理

由于數(shù)據(jù)樣本的輸入為澆注件幾何特征，如平均壁厚、體積大小、復(fù)雜程度，這些值的量綱各不相同，而且每個(gè)數(shù)據(jù)的量級(jí)變化很大，輸入數(shù)據(jù)量級(jí)的差異太大會(huì)導(dǎo)致在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中較大的值占主導(dǎo)，影響網(wǎng)絡(luò)的精度。因此，在網(wǎng)絡(luò)訓(xùn)練前，需要對(duì)所有輸入數(shù)據(jù)進(jìn)行歸一化處理。

式中：x為輸入或輸出變量的原值；xmin為輸入或輸出變量的最小值；xmax為輸入或輸出變量的最大值；x′為歸一化后的值。

3.3 網(wǎng)絡(luò)訓(xùn)練結(jié)果及分析

設(shè)訓(xùn)練最大迭代次數(shù)為100，訓(xùn)練誤差目標(biāo)為1e-8，樣本訓(xùn)練收斂過(guò)程如圖4所示，在迭代31次后，網(wǎng)絡(luò)輸出的最小誤差減小為7.094e-6，滿足誤差要求。

澆注壓差、模具溫度、材料溫度的預(yù)測(cè)情況分別如圖5～圖7所示。

從圖5～圖7可以看出，網(wǎng)絡(luò)預(yù)測(cè)誤差均控制在要求范圍內(nèi)，說(shuō)明該網(wǎng)絡(luò)的預(yù)測(cè)精度及泛化性能較好，能夠?qū)π聵颖具M(jìn)行較為精確的預(yù)測(cè)。

4 基于FBR的VC工藝參數(shù)修正方法

目前操作人員往往根據(jù)質(zhì)量缺陷類型和程度，憑借經(jīng)驗(yàn)對(duì)工藝參數(shù)進(jìn)行修正來(lái)改善澆注件質(zhì)量，而通過(guò)CBR 和NNR 模塊推薦的工藝參數(shù)在實(shí)際加工中的澆注件仍然可能出現(xiàn)質(zhì)量缺陷，F(xiàn)BR 模塊就是將操作人員的經(jīng)驗(yàn)轉(zhuǎn)換為規(guī)則實(shí)現(xiàn)工藝參數(shù)的智能修正。

4.1 澆注件質(zhì)量缺陷分析

常見(jiàn)的VC澆注件質(zhì)量缺陷包括欠注、翹曲、飛邊和氣穴等，出現(xiàn)的原因及對(duì)策如表5所示。

4.2 基于FBR 的工藝參數(shù)修正方法

結(jié)合VC工藝，充分挖掘操作人員的工藝參數(shù)修正經(jīng)驗(yàn)，采用模糊控制理論實(shí)現(xiàn)對(duì)VC 澆注工藝參數(shù)進(jìn)行智能修正，具體實(shí)現(xiàn)過(guò)程如下：

（1）工藝參數(shù)模糊推理模塊結(jié)構(gòu)

澆注件可能同時(shí)存在多種缺陷，每種缺陷對(duì)應(yīng)需要修正的工藝參數(shù)也不同，缺陷程度和工藝參數(shù)當(dāng)前值決定了工藝參數(shù)的修正方向和修正幅度，以缺陷程度及工藝參數(shù)的當(dāng)前值作為模糊推理模塊的輸入，工藝參數(shù)修正量（包括方向和幅度）作為模糊推理模塊的輸出，F(xiàn)BR 模塊結(jié)構(gòu)如圖8所示。

表5 VC澆注件常見(jiàn)缺陷及解決措施

該工藝參數(shù)模糊推理模塊分為兩層，首先，根據(jù)澆注件的缺陷特征結(jié)合表5進(jìn)行定性推理，確定需要修正的工藝參數(shù)和修正方向；其次，通過(guò)各模糊推理子模塊進(jìn)行定量推理，確定該缺陷對(duì)應(yīng)的各個(gè)工藝參數(shù)需要修正的幅度。在修正過(guò)程中，缺陷類型決定了需要修正的工藝參數(shù)和修正方向，缺陷程度決定了修正幅度。最后，將各個(gè)模糊推理子模塊中推理得到的同一工藝參數(shù)的修正分量進(jìn)行合成，得到各工藝參數(shù)的最終修正量。

（2）輸入輸出模糊集及隸屬函數(shù)

使用模糊推理理論對(duì)澆注件工藝進(jìn)行修正時(shí)，必須把傳統(tǒng)的產(chǎn)生式規(guī)則轉(zhuǎn)化為模糊化產(chǎn)生式規(guī)則。設(shè)X表示缺陷程度，將其4級(jí)劃分為集合｛無(wú)缺陷、輕微、中等、嚴(yán)重｝，并映射到區(qū)間［1，4］；Y表示工藝參數(shù)，將其3級(jí)劃分為集合｛小、中、大｝并映射到區(qū)間［1，3］；ΔX表示對(duì)應(yīng)工藝參數(shù)的修正量，將其5級(jí)劃分為集合｛變小、稍變小、不變、稍變大、變大｝并映射到區(qū)間［-1，1］，從而遍歷實(shí)際澆注過(guò)程中可能出現(xiàn)的情況。同時(shí)，為了提高控制靈敏度，在中間部分選用較“窄瘦”的三角隸屬函數(shù)，兩端選用較“寬胖”的S形隸屬函數(shù)進(jìn)行輸入量的模糊化。

（3）模糊控制規(guī)則

將操作人員經(jīng)驗(yàn)數(shù)字化獲得模糊控制規(guī)則，如表6所示，“+”表示工藝參數(shù)朝增加的方向修正，“-”表示工藝參數(shù)朝減小的方向修正，數(shù)值越大表示修正幅度越大，“0”則表示該工藝參數(shù)暫不修正。

表6 真空澆注件缺陷修正模糊規(guī)則表

（4）模糊推理及反模糊化

模糊推理采用Mamdani推理法中的max-min合成運(yùn)算，采用式（11）進(jìn)行參數(shù)修正值的反模糊化處理，取隸屬度函數(shù)曲線與橫坐標(biāo)所圍面積的中心作為模糊推理的輸出值。

5 試驗(yàn)驗(yàn)證

5.1 試驗(yàn)設(shè)計(jì)

本文利用自制數(shù)字控制VC 機(jī)物理樣機(jī)（如圖9）驗(yàn)證智能質(zhì)量控制系統(tǒng)的可靠性、精確性和先進(jìn)性，開(kāi)發(fā)的工藝參數(shù)智能推薦及修正界面如圖10所示。以摩托車前燈燈罩為實(shí)例進(jìn)行試驗(yàn)，通過(guò)對(duì)澆注件欠注、氣穴和飛邊表面缺陷進(jìn)行定性分析和翹曲缺陷進(jìn)行定量分析，驗(yàn)證該方法的可行性。

5.2 試驗(yàn)過(guò)程及結(jié)果分析

首先，根據(jù)燈罩幾何特征檢索已經(jīng)存在的數(shù)據(jù)庫(kù)實(shí)例樣本，整體最鄰近綜合相似度為0.75（小于0.8），說(shuō)明CBR 模塊檢索失敗（如圖11a）；其次，使用NNR 模塊進(jìn)行工藝參數(shù)推薦（如圖11b），并用其進(jìn)行實(shí)際澆注，獲得的澆注件如圖12a所示，尚存在一定缺陷；再使用FBR 模塊進(jìn)行工藝修正（如圖11c），澆注件如圖12b 所示，可以看出欠注缺陷消失，飛邊、氣穴現(xiàn)象有所改善，再次反饋缺陷程度、修正工藝參數(shù)后再次試模，最終獲得理想澆注件如圖12c所示。

試驗(yàn)參數(shù)和試驗(yàn)結(jié)果如表7所示。

6 結(jié)束語(yǔ)

表7 試驗(yàn)參數(shù)和試驗(yàn)結(jié)果

本文以提高真空注型澆注件質(zhì)量為目標(biāo)，針對(duì)傳統(tǒng)真空注型機(jī)工藝參數(shù)設(shè)置嚴(yán)重依靠操作人員經(jīng)驗(yàn)的問(wèn)題，依據(jù)操作人員的實(shí)際生產(chǎn)過(guò)程中工藝參數(shù)設(shè)置的思路，充分挖掘操作人員的經(jīng)驗(yàn)，綜合實(shí)例推理、神經(jīng)網(wǎng)絡(luò)和模糊推理技術(shù)，構(gòu)建了真空注型智能質(zhì)量控制系統(tǒng)，實(shí)現(xiàn)工藝參數(shù)的智能推薦和修正。詳細(xì)闡述了CBR，NNR 和FBR 三個(gè)模塊的結(jié)構(gòu)、工作原理和實(shí)現(xiàn)方法，其中實(shí)例推理和人工智能推理兩個(gè)模塊用于工藝參數(shù)智能推薦，模糊推理模塊用于工藝參數(shù)智能修正。該方法大大縮短了工藝設(shè)置周期，降低了生產(chǎn)成本，提高了澆注件質(zhì)量的穩(wěn)定性，解決了真空注型工藝參數(shù)的設(shè)置及修正一直依賴操作人員經(jīng)驗(yàn)的瓶頸，為真空注型設(shè)備向自動(dòng)化和智能化方向發(fā)展提供了重要的技術(shù)支撐，也為優(yōu)化求解其他類似多因素、多指標(biāo)的不確定問(wèn)題提供了一種新的思路。隨著智能技術(shù)的發(fā)展，后續(xù)可以進(jìn)一步改進(jìn)網(wǎng)絡(luò)算法，以提高準(zhǔn)確度和系統(tǒng)的實(shí)時(shí)處理能力。

［1］YANG Shuzi，WU Bo，LIN Bin.A further discussion on trends in the development of advanced manufacturing technology［J］.Frontiers of Mechanical Engineering in China，2006，1（1）：1-5.

［2］Wohlers Associates.Wohlers report 2012：state of the industry annual worldwide progress report［R］.Fort Collins，Col.，USA：Wohlers Associate，Inc.

［3］ZHANG Haiguang，LIU Yuanyuan，ZHAO Xiaoyu，et al.Intelligent prediction controller based on fuzzy wavelet network for vacuum casting［J］.Computer Integrated Manufacturing Systems，2010，16（12）：2647-2652（in Chinese）.［張海光，劉媛媛，趙曉瑜，等.面向真空注型的模糊小波網(wǎng)絡(luò)智能預(yù)測(cè)控制器［J］.計(jì)算機(jī)集成制造系統(tǒng)，2010，16（12）：2647-2652.］

［4］LIU Hongjun，LI Yamin，CAO Chi.Development trends and demand analysis of rapid tooling technology［J］.Die &Mould Industry，2010，36（3）：63-66（in Chinese）.［劉洪軍，李亞敏，曹 馳.快速模具制造技術(shù)分析與發(fā)展趨勢(shì)［J］.模具工業(yè)，2010，36（3）：63-66.］

［5］KURTARAN H，OZCELIK B，ERZURUMLU T.Warpage optimization of a bus ceiling lamp base using neural network model and genetic algorithm［J］.Journal of Materials Processing Technology，2005，169（2）：314-319.

［6］LIU Guowen，HUANG Fengli.Multi-objective runner optimization for injection mold of combinational cavities based on kriging model.［J］.Die &Mould Manufacture，2011（7）：1-5（in Chinese）.［劉國(guó)文，黃風(fēng)立.基于Kriging模型的組合型腔注射模澆注系統(tǒng)多目標(biāo)優(yōu)化設(shè)計(jì)［J］.模具制造，2011（7）：1-5.］

［7］GAO Yuehua.Optimization methods based on kriging surrogate model and their application in injection molding［D］.Dalian：Dalian University of Technology，2009（in Chinese）.［高月華.基于Kriging代理模型的優(yōu)化設(shè)計(jì)方法及其在注塑成型中的應(yīng)用［D］.大連：大連理工大學(xué)，2009.］

［8］SHEN C Y，WSNG L X，LI Q.Optimization of injection molding process parameters using combination of artificial neural network and genetic algorithm method［J］.Journal of Materials Processing Technology，2007，183（2／3）：412-418.

［9］XIA Xiaolin.The basic theory based on example inference［J］.Journal of Liaoning University：Natural Science Edition，2003，30（1）：27-33（in Chinese）.［夏曉林.基于實(shí)例推理的基本理念［J］.遼寧大學(xué)學(xué)報(bào)：自然科學(xué)版，2003，30（1）：27-33.］

［10］QI Zhanlong，XU Jianxin，TIAN Xitian.Case-based reasoning in mold design［J］.Computer Engineering and Applications，2006，42（20）：48-52（in Chinese）.［戚占龍，許建新，田錫天.基于實(shí)例推理的模具設(shè)計(jì)技術(shù)研究［J］.計(jì)算機(jī)工程與應(yīng)用，2006，42（20）：48-52.］

［11］HAO Hongwei，JIANG Rongrong.Training sample selection method for neural networks based on nearest neighbor rule［J］.Acta Automatica Sinica，2007，33（12）：19-24（in Chinese）.［郝紅衛(wèi)，蔣蓉蓉.基于最近鄰規(guī)則的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本選擇方法［J］.自動(dòng)化學(xué)報(bào)，2007，33（12）：19-24.］