Page 154 - 数值模拟驱动的高温合金热加工技术

Numerical Simulation Driven Hot Working Technology for High-temperature Alloys
数值模拟驱动的高温合金热加工技术

习的预测方法，通过挖掘工艺参数与缺陷间的非线性关系，可以为缺陷控制提供
新的技术途径。
（一）锻造缺陷预测问题的定义与数据分析

1. 锻造缺陷的分类与成因
锻造缺陷是指锻造过程中由于成形工艺参数、锻模设计或材料成形性导致的
质量问题，主要包括裂纹、折叠、氧化物夹杂和充填不足等。裂纹是最常见的缺
陷，通常由应力过于集中、模具设计不当或冷却过程控制不佳等引起的。气孔的

形成主要与材料中夹杂的气体或锻造过程中的排气不充分有关。氧化物夹杂则是
由于高温锻造时金属表面氧化膜未能完全去除而形成的内夹杂。充填不足通常是
由模具损坏或工艺参数设置错误造成的。成形温度、成形力和变形速率是影响缺
陷形成的重要工艺参数。温度不足可能导致金属材料塑性降低，从而增加裂纹的

风险；成形力不足会导致锻件成形不完整，导致缺肉等缺陷发生；变形速率过高
时将导致材料结晶过程不均匀，产生内部残余应力。这些工艺参数与缺陷之间的
关联性为缺陷预测模型的构建提供了理论基础。
2. 数据采集与预处理

锻造缺陷预测的关键在于高质量的数据采集和精确的数据预处理。数据来源
包括工业设备传感器记录的工艺参数数据、缺陷检测系统的缺陷记录以及工艺日
志中的操作信息。数据预处理步骤主要包括缺失值填补、异常值处理和特征归一
化。缺失值的处理方法通常采用均值填补法或插值法，异常值则通过箱型图或 Z

分数的方法来剔除。为了统一量纲，采用最小—最大归一化或标准化方法将特征
值调整为相同的尺度。此外，数据特征分析是模型构建前的重要步骤。通过相关
性分析，可以量化变量之间的线性关系。
3. 数据不平衡问题的解决方法

锻件生产数据存在有价值的数据稀疏、良品与废品样本密度差异大的问题，
即缺陷样本数量远少于正常样本。这会导致模型倾向于对正常样本的预测，降低
对缺陷样本的识别能力。解决数据不平衡问题的方法主要包括过采样技术、欠采
样技术和数据增强技术。过采样技术如 SMOTE（Synthetic Minority Oversampling

Technique，合成少数类过采样技术）通过在特征空间中插值生成新的少数类样本，
提高样本平衡性。欠采样技术则通过随机删除多数类样本来达到样本平衡，但可
能会导致信息损失。数据增强技术则利用生成对抗网络生成高质量的少数类样本，

138