熔模铸造行业生产流程与其他制造工序存在共性痛点,同时航空、汽车等下游客户对铸件有着严苛的质量标准,一旦工艺不达标将直接导致成品报废。依托工业 4.0 数字化变革浪潮,数字孪生、人工智能等工具为行业提供了解决思路。本文搭建一套人工智能驱动的数字孪生系统,实现生产故障
事前预判;当系统识别工艺异常时,自动输出优化方案并给出校正措施。研究完整覆盖四大工作模块:铸造全流程拆解与关键指标提取、全流程优化一体化底座搭建、多类机器学习预测算法对比实验;同时开发一套推荐系统,两大核心优化目标:① 抑制铸件气孔缺陷生成;② 将铸件延伸率稳定控制在客户要求区间。关键词:熔模铸造;人工智能;数字孪生;系统之系统;机器学习;工艺优化
1 引言
人口持续增长带动工业品需求扩张,大量金属零部件依赖锻铸行业供给,金属加工工艺历经多代迭代,形成砂型铸造、化学铸型、壳型铸造等多条成熟产线。熔模铸造虽普及度有限,但可制造复杂高精度异形件,市场需求旺盛;但其工艺流程繁琐、生产成本高昂。熔模铸造工艺起源于数千年前的古中国,核心优势:可成型几何结构复杂、充型难度高的精密铸件,适配绝大多数合金材质,适合航空、汽车、军工等高附加值小批量零部件生产,下游行业对产品安全性能要求极高。该工艺先天存在工艺敏感性难题:蜡模陶瓷制壳、熔炼浇注、后续热处理全流程变量都会影响最终铸件,极易产生缩孔、气孔等缺陷,造成工件返修甚至直接报废。且缺陷仅能在全部加工工序完成后检测发现,事后处理会给企业带来巨额不良成本。行业传统优化手段依托流体力学、传热学建立物理仿真模型,预测夹渣、缩松、热裂缺陷,但仿真建模成本高;同时铸件质量受合金成分、铸型设计、浇注参数等多重耦合因素干扰,传统模型预测精度有限。近十年行业大力借助物联网、信息通信技术(ICT)、人工智能优化产品质量:
现有综述梳理砂铸、连续铸造等工艺的 AI 应用,证实人工神经网络(ANN)可模拟铸型温度,优化浇道尺寸、浇口位置、铸型温度等参数;
灰色模糊逻辑、正交试验法可优化熔模注蜡工艺多目标参数;
深度学习视觉检测可识别成品缺陷,但属于事后检测,无法提前规避不良品。
工业 4.0 加速工厂数字化转型,依托设备海量采集数据衍生数据驱动方案:现有研究搭建机器学习框架预判熔模铸件尺寸精度;数字孪生多用于制壳机器人管控、航空件形变 / 应力检测,但现有文献缺少针对气孔缺陷的
事前预测 + 工艺优化闭环方案。本文整合 ICT、数字孪生、机器学习技术,构建一套具备全链路感知、未来工况预测(t+1 时刻)、异常校正能力的数字孪生系统,逻辑近似模型预测控制(MPC)。完整落地流程:工厂数字化审计(追溯性、检测频次、精度评估)→ 数据预处理与集中数据库搭建 → 数据分发可视化平台 Sentinel 开发 → 工艺数字孪生建模 → 预测算法与工艺推荐闭环系统部署。本文聚焦两大质量痛点:铸件报废率、材料延伸力学性能,文章结构如下:第 2 章:方案设计、数据体系、智能系统开发全流程;第 3 章:多模型实验结果、整套熔模铸造数字孪生落地效果;第 4 章:研究总结、现存局限与未来拓展方向。
2 材料与研究方法
本文采用分治算法(Divide and Conquer)拆解复杂铸造总问题,将整体难题拆分为多个独立子课题,逐一求解后整合形成完整方案,研究总框架见图 1。
图 1 整体研究技术路线图研究顶层流程:问题识别 → 三大并行子课题(工厂数字化、预测型智能系统、反馈校正推荐)→ 结果综合评估 → 成果落地推广三大子课题统一执行流程:细分领域知识挖掘 → 实验方案设计 → 模型评估 → 数据深度分析 → 结果整合复用三大核心研究子课题:
制造全流程数字化与虚拟映射搭建;
基于机器学习的事前预测智能系统;
参数闭环反馈校正与工艺推荐。每个子课题分步执行:细分领域知识采集 → 实验设计 → 效果评估 → 数据分析 → 多方案融合。
铸造全流程稳定管控离不开精细化全工序数据采集,行业数字化四大核心目标:
建立生产全流程数字化虚拟镜像;
扩充可采集数字化指标,完整还原生产状态;
搭建稳定工业物联网(IIoT)硬件底座;
系统可输出数字化优化方案,反向指导实体产线。
整套方案定义为
系统之系统(SoS):依托分布式采集代理构建完整熔模铸造数字孪生,实现异常预判 + 工艺优化推荐闭环。
2.1 制造流程数字化虚拟映射
2.1.1 系统之系统架构定义
“系统之系统” 由多个具备独立运行能力的子系统组成,各模块可自主完成专属任务,同时具备跨模块通信能力,协同实现铸造全流程优化。本研究采用西班牙 Azterlan 自研
PDManager 生产数据管理平台完成全工序数据采集,官网:PDManager 三大核心组件(见图 2):
PDStorage:集中式关系数据库,存储全流程历史生产数据,支撑监控、数据挖掘与预测模型训练;
PDAgents 数据采集代理:轻量化微服务,对接机床、第三方数据库、Excel 台账,自动提取生产实时数据;
PDManager 业务模块:分工序可视化操作台,支持人工手动关联无法自动匹配的生产数据。
图 2 PDManager 整体架构示意图
平台分工序模块化:制壳涂料模块、砂处理模块、熔炼浇注模块、金属追溯模块、缺陷管控模块、数据可视化 PDViewer,全部数据汇总至中央数据库,对接底层整条熔模铸造产线。
2.1.2 熔模铸造全流程数据采集范围
覆盖四大核心工序:面层制壳、背层制壳、金属熔炼、成品终检,各工序采集数据源如下:
面层 / 背层制壳工序
环境温湿度:法国 EKIOM 传感器平台实时采集;浆料参数:工厂 Factory Win 系统导出 Excel 台账,采集浆料密度、温度、二氧化硅含量;风险逻辑:温湿度异常导致模壳干燥不足开裂,浆料配比失衡造成层间脱落。
熔炼工序
合金化学成分:火花光谱实验室检测录入;炉温、浇注工况:设备传感器自动采集,部分参数人工录入 PDManager 熔炼模块。
成品终检工序
缺陷数据:荧光探伤记录夹渣、气孔数量;力学性能:标准试样拉伸试验测得延伸率,人工数字化录入。
2.1.3 数据分发与可视化平台 Sentinel
数据采集后采用
发布 - 订阅(观察者)通信架构开发 Sentinel 实时监控平台(官网:),架构见图 3、图 4。
图 3 Sentinel 整体架构底层铸造多源数据 → 工艺数据库 → Sentinel 管理后台 → 两大输出端:云端预测模块、现场可视化大屏 Sentinel Smart Viewer
图 4 多数据源采集拓扑图采集代理分别对接:EKIOM 环境平台、熔炼 Excel 台账、制壳机器人 SQL 数据库,全部数据汇入 Sentinel 中央存储。
图5 熔模铸造预测与优化的工序分段分组方案 第一组:仅面层浆料涂覆工序(PC); 第二组:面层+背层两道涂覆工序合并(PC+SC,含浆料与砂层工序); 第三组:全部工序组合,包含两道涂覆工序与熔炼浇注工序(PC+SC+M)。Sentinel 开发前置 KPI 筛选流程:
指标识别:筛选影响质量的核心工艺参数;
六维度评估(李克特量表 + 星图雷达图,图 6):采集频次、数据精度、可视化需求、存储载体、数据访问难度、全流程追溯性;
指标优先级散点图分级(图 7):横轴指标对质量影响权重,纵轴数字化难易度,划分 1/2/3 级采集优先级;
现场大屏点位规划:匹配车间工序布局部署 25 套可视化看板。
图 6 各工序六维度雷达星图
覆盖注蜡、模组、制壳、脱蜡、焙烧、熔炼、浇注、热处理全工序,可见
数据访问、可视化两项评分最低,是行业数字化短板。
图 7 参数优先级四象限散点图第一象限(优先级 1):数字化简单 + 对质量影响大,优先采集;第二象限(优先级 2):数字化简单、影响偏小;第三象限(优先级 3):数字化难度高、影响一般。
现场看板实拍见图 8:(a) 制壳浆料实时仪表盘(粘度、固含量、温湿度预警);(b) 熔炼炉监控(氧含量、炉温、保温时长),支持自动轮播、事件弹窗预警,部署于车间各工序工位。
图9 Sentinel系统在熔模铸造工厂内的数据分发部署实景示例
2.2 基于预测模型的主动预警系统
依托全流程数字化数据搭建熔模铸造数字孪生,数字孪生三大核心公理:
预判性:通过仿真与 AI 预测 t+1 时刻未来生产工况;
可调性:虚拟仿真参数不违背实体产线物理约束;
知识沉淀:全工艺知识库载体,避免人员流失造成工艺经验丢失。
数字孪生运行三步骤(类比医生诊断):① 观测:实时采集全工序原始数据流;② 评估:基于实时数据仿真预判潜在缺陷;③ 决策:输出人机(M2H)/ 机机(M2M)校正指令。
2.2.1 熔模铸造工序队列建模
将整套制壳 - 熔炼 - 浇注工序抽象先进先出(FIFO)队列 Q,模具依次经过面层 PC、背层 SC、熔炼 M、终检 I 四大阶段,分三阶段开展预测建模:阶段 1:仅面层制壳数据建模;阶段 2:面层 + 背层制壳合并建模;阶段 3:面层 + 背层 + 熔炼完整工序建模。每次模具批次流转至下一工序节点,自动触发模型预测计算,预测两大目标:铸件延伸率、气孔缺陷发生率。
2.2.2 机器学习模型实验方案
采用
有监督学习,数据集标注缺陷、力学性能真实结果,10 折交叉验证(K=10):66% 训练集、34% 测试集。
(1)传统单分类器
贝叶斯网络(K2、爬山、TAN、朴素贝叶斯)、K 近邻 KNN(k=1~6)、三层多层感知机 MLP 神经网络、多内核支持向量机 SVM、C4.5 决策树、随机森林(迭代 50~350 次)、投票感知机。
(2)集成元分类器(解决单模型局部最优、适配性差缺陷)
投票融合:多数投票、概率平均、乘积、最大 / 最小概率;
分级融合 Grading:基础分类器输出交由二级元模型二次判定;
堆叠 Stacking:双层模型分层训练;
多方案混合 Multi-scheme:基于均方误差自动择优组合。
模型评价指标:准确率 Acc、平均绝对误差 MAE、均方根误差 RMSE、ROC 曲线下面积 AUC(0.5 随机,1 完美预测)。
实验核心结果简述
仅面层数据预测
面层 + 背层合并数据
新增背层数据引入噪声,整体预测精度下降;延伸率最优 K2 贝叶斯 76.95%,气孔最优 KNN (k=6) 71.48%;
全工序完整数据
延伸率最优 KNN (k=6) 达 80.29%,证明面层是影响延伸率核心工序;气孔预测难度更高,最优朴素贝叶斯 70.55%;
表1 仅采用面层工序数据、基于传统机器学习方法预测铸件延伸力学性能的实验结果。表格中灰色标注的最优分类器为k近邻算法(k=2),分类准确率(正确样本占比)接近80%。
表2 仅使用面层工序数据、采用传统机器学习方法预测铸件气孔产生的实验结果。表格中灰色标注的最优分类器为k=1的K近邻算法,其准确率(分类正确样本的占比)接近76%。
表3 结合面层与背层两道工序数据、采用传统机器学习方法预测铸件延伸力学性能的实验结果。表格灰色标注的最优分类器为基于K2算法训练的贝叶斯网络,模型准确率(分类正确样本占比)接近77%。
表4 采用面层、背层两道工序数据,结合传统机器学习算法开展铸件气孔生成预测的实验结果。表格中灰色高亮标注的最优分类器为k值取6的K近邻算法,模型准确率(正确分类样本占比)约71%。
表5 融合面层、背层及熔炼工序全部数据,采用传统机器学习方法预测铸件延伸力学性能的实验结果。表格灰色标注的最优分类器为k值等于6的K近邻算法,模型准确率(正确分类样本占比)接近80%。
表6 融合面层、背层与熔炼工序全部数据,采用传统机器学习方法预测铸件气孔生成的实验结果。表格中灰色标注的最优分类器为朴素贝叶斯算法,模型准确率(正确分类样本占比)接近70%。
表7 仅采用面层工序数据,通过元分类器融合多种传统机器学习算法后预测铸件延伸力学性能的实验结果。表格中灰色标注的最优元分类器为基于C4.5决策树的分级融合算法,模型准确率(正确样本占比)接近76%。
表8 仅依托面层工序数据,采用元分类器融合多种传统机器学习算法预测铸件气孔产生的实验结果。表格灰色标注的最优元分类器为基于TAN贝叶斯网络的多方案融合算法,模型准确率(正确分类样本占比)接近75%。
元集成分类器
精度接近最优单模型,但稳定性更强、规避单一算法适配缺陷,工业落地容错性更高;所有模型单折训练时长低于 0.09s,推理不足 0.0003s,满足实时生产要求。
2.3 参数反向反馈校正推荐系统
单纯预测缺陷无法降低报废,必须搭建闭环优化推荐模块,数字孪生核心闭环组件。
2.3.1 知识库双来源
人工录入:工艺工程师实操经验;
算法挖掘:Tertius 关联规则自动提取数据内在工艺规律。系统实时读取三大信息:数字孪生当前工况、AI 预测未来缺陷、工程师标准工艺区间,自动输出参数调整方案:
制壳工序:浆料密度、环境温湿度调整;
熔炼工序:合金成分配比优化;批量轻微调整实时生效,大幅改型建议留至下一批次生产执行。推荐系统单次计算耗时<0.001s,预测 + 优化整套流程耗时<1s,适配产线实时运行。
3 实验落地结果
3.1 制造数字化落地成效
完成全工序 KPI 分级,落地 25 套车间可视化看板,可快速捕捉工艺异常,工人实时查看预警数据,打通数据孤岛,解决历史数据难调取、无可视化监控痛点。
3.2 预测系统实测效果
面层阶段可提前识别 84% 潜在缺陷件;仅 7% 异常流转至后续工序,可二次校正。
3.3 闭环优化系统生产改善指标
铸件总报废率由初始 12% 降至 8%;
铝合金铸件延伸率由 3.5% 提升至 4.5%;局限:当前数据集规模有限,部分微小缺陷仍无法识别,后续扩充数据可进一步提升预测精度。
4 讨论与结论
4.1 研究核心贡献
搭建熔模铸造全链路数字化采集体系 PDManager,完成统一数据库与车间可视化 Sentinel 平台部署,实现生产全流程虚拟数字映射;
构建分层机器学习预测体系(传统分类器 + 集成元模型),分阶段预判铸件气孔缺陷、延伸率两大关键质量指标;
开发工艺推荐闭环模块,形成 “数据采集 - 数字孪生 - AI 预测 - 参数校正” 完整工业闭环;
整套系统轻量化、低算力,可实时运行于熔模铸造产线,有效降低报废、提升材料力学性能。
4.2 当前研究局限与未来方向
数据集规模不足
:当前训练样本量有限,后续可通过生产积累、蒙特卡洛仿真、GAN 生成合成数据扩充样本;
模型精度有待提升:可引入深度神经网络进一步提升预测准确率;
优化算法简易化:当前推荐系统基础规则驱动,后续可引入强化学习、量子优化算法;
优化目标单一:仅针对气孔、延伸率,后续拓展裂纹、尺寸偏差、硬度等多缺陷多性能目标;
模型自适应不足:工艺迭代后模型易失效,开发持续学习框架,引入数据衰减权重、贝叶斯压缩算法实时更新模型。
4.3 总结
本文面向航空等高精密熔模铸造行业,搭建一套 AI 数字孪生一体化质量管控方案,打通事前预测、在线优化全流程。实测显著降低铸件报废率、稳定提升材料延伸性能,为工业 4.0、数字孪生在精密铸造质量管控落地提供完整可复用技术框架。后续扩充数据、升级深度学习与强化学习算法,可进一步完善系统性能。
