鑄造合金熔體非平衡狀態測評技術及其應用

 
樓主  收藏   舉報   帖子創建時間:  2009-12-29 10:22 回復：0 關注量：185
 

　  在平衡狀態下，液態物質的特性只決定于成分與溫度兩個參數(假設壓力不變)。但是，實際生產和科學試驗中所碰到的液態金屬往往是遠離平衡態的。因此，經常出現成分與溫度相同的液態金屬，在同樣的凝固條件下得到的組織與性能相差很大的情況。這就提出了非平衡條件下液態金屬質量的表征與評測問題。如果我們把液態金屬質量定義為對凝固過程和凝固組織與性能有影響的特性，那么它就一定會受以下因素的影響：

　　·熔煉所用的原材料，即所謂的遺傳性；·微量元素，指一般不作分析或難于精確分析的痕量雜質元素；·熔煉歷程，包括熔煉過程所經歷的最高溫度及高溫停留時間；·熔煉方法，高爐，電阻爐，感應電爐、電弧爐等；·爐前處理，精練、變質處理，球化、孕育處理，電、磁處理等。

　　所有這些影響因素的共同特征是他們都是動態不平衡參量。所以，液態金屬的質量特性不可能用一個或幾個平衡參數來表示。

　　幾十年來，人們采用了一系列方法來評測液態金屬的質量，如相同凝固條件下的金相檢測，液態金屬的電子輸運特性測量，熱分析等。其中熱分析法具有一系列優點，研究最多，發展也最快。

　　隨著電子技術的迅速發展，熱分析法也逐步實現電子化、數字化和微機化。電子式熱分析儀和微機化熱分析儀等產品的問世，大大推動了熱分析法的發展。國外將計算機和熱分析儀結合起來，發展了一種計算機輔助熱分析技術(Computer-Aided Thermal Analysis)，簡稱CATA，或稱為計算機輔助冷卻曲線分析(CA-CCA)。利用這種技術，人們可以評測鐵水的孕育效果。微機熱分析設計接口電路將熱分析儀與微機連接起來，通過微機能夠方便地根據現場生產條件和測試條件方便地修正數學模型及其系數，從而大大提高了熱分析儀的適應性和測試效果。

　　1996年，對于灰鑄鐵和球墨鑄鐵，國外發展了一種基于熱分析并結合人工智能的系統。這種系統可以根據穩定系統來分析試樣的凝固過程并預測各種鑄造缺陷的可能性，同時也可以估計出物理性能。該系統利用計算機輔助熱分析技術，編制了軟件程序來評測鐵水的微觀結構和孕育效果。研究人員從熱分析曲線的特征值中選擇了10個作為控制參數，并且給每一個參數都定義了閾值。如果10個點都滿足閾值要求，則認為鐵水質量合格。該方法簡單方便，一目了然。

　　然而，即使隨著熱分析的發展，選取的特征值數目由少到多，通過選取特征值進行鐵水質量評估仍然在一定程度上受到主觀因素的影響。這是因為，熱分析技術的應用只限于更清楚、更直觀地顯示冷卻曲線上的特征值，并在這些特征值與鐵水的預測參量之間建立一定的回歸關系。而熱分析特征值的尋取準確性和數學模型的回歸精度是受到限制的。即使增加一階微分和二階微分，考慮對結晶潛熱的分析，其特征值的選取仍是基于現有經驗及主觀因素之上的。而且對微分曲線和冷卻曲線進行分析需要非常專業的知識，更加增加了分析帶來的難度和主觀因素的作用。

　　目前，國內已有人運用人工智能神經網絡在預測灰鐵鑄件的性能。人工神經網絡是模擬生物神經傳遞信息的方法而建立的一種人工智能模式識別方法，具有并行、適應能力強等優點。神經元作為神經網絡的基本要素，由于計算速度快而得到廣泛應用。由于神經網絡模型良好的自學習功能，隨著模式對樣本的不斷增加與更新，系統具有較強的適應性，為此，可以設計建立動態綜合數據庫，其中存有大量模式對，并隨著系統的在線運行而不斷存入新的事實樣本，以此作為新增模式對而使神經網絡進行自學習，從而不斷提高神經網絡模型的適應性和預報命中率。可以將模式識別方法用于多因素影響的灰鑄鐵的生產過程；運用自組織人工神經網絡對受到多因素控制的生產過程進行模式識別與分類，根據生產狀態代表點在空間的分布結構，尋找與控制目標之間的聯系，將輸入與輸出間難以描述的函數關系轉化為對模式識別的分類與判別，可以建立對灰鐵質量合格與不合格兩類狀態進行識別的計算機智能專家系統，從而預測樣品性能所屬牌號。上海冶金研究所的張兆春等人利用最小二乘法并結合預報殘差平方和S檢驗，從影響鑄件性能的幾個主要方面(如鐵水化學成分和澆注工藝參數)抽提出幾個作為影響鑄件性能的主要因素(CE、Mn、Cr、Sn、Si)，運用逆映照方法確定在現有的生產工藝基礎上這幾個變量的變化趨勢以及優化范圍。以這幾個影響鑄件性能的主要變量作為人工神經網絡的輸入特征量，經已知樣本集訓練，可以對鑄件的兩個指標進行雙目標預報。