[00338372]采用数字孪生、神经网络互补的周期性热处理工艺的优化技术
联系人：豆瑞锋
所在地：北京北京市
- 服务承诺
- 产权明晰
-
资料保密
对所交付的所有资料进行保密
- 如实描述
登录后向技术服务商咨询
发布技术需求
服务免费，交易还可领红包哦
技术详细介绍
合作方式：☐整体转让 ☒技术许可 ☐作价入股 ☒合作开发 ☐其它_____
成果简介：
以周期性运行的热处理工艺，往往热处理周期很长，工件(如钢卷)尺寸和装炉数量经常变化，难以对工艺本身进行极限优化。采用数字孪生和神经网络耦合技术，可以极限压缩周期性热处理工艺的时间，从而提高生产效率，降低能耗。
成熟程度及推广应用情况：
目前处于何种研发阶段：☐研发 ☐小试 ☐中试 ☐小批量生产 ☒产业化；
样机：☒有 ☐无
已投入成本：100 万元。
推广应用情况：该技术曾在首钢迁钢、特变电工新疆变压器厂等公司应用。
期望技术转移成交价格（大概金额）：70 万元。
技术优势：
周期性热处理工艺的优化模型涵盖如下内容：
1. 数字孪生模型设计：采用热工机理模型，预测炉内每一个工件温度、应力和应变、材料微观组织等场量的分布和演变规律。温度预测是核心模块，应力和应变、材料微观组织等是可选模块。(已有实施案例)
2. 基于数字孪生模型的直接优化算法：采用边计算、边优化的算法，通过一次仿真计算获得最优工艺曲线，达到预测控制的目的。(已有实施案例)
3. 神经网络算法：耦合热处理工序的上下游生产数据，对工件的力学和电磁等性能进行生产流程级别的聚类优化。(已有算法)
性能指标：
该工艺优化技术，可以达到如下指标：
1. 能够跟踪每一个工件状态的数字孪生模型，计算效率满足在线预测控制的需求。
2. 直接优化算法，从优化策略方面进一步降低工艺优化的时间成本，根据设定目标，极限压缩热处理周期。
3. 神经网络算法，耦合工序上下游，进行生产流程级别的优化，为直接优化提供约束条件和目标。
4. 已有实施案例表明：热处理质量不降低的前提下，热处理时间可以压缩 30%左右。
市场分析：
具有周期式热处理装备(台车炉、罩式退火炉、井式炉等)的钢铁企业、机械加工企业等，以及设计、加工周期式热处理装备的设计院、企业等。
经济效益分析：
通过该模型进行工艺优化，可以提高热处理产品温度控制的准确性，提高产品质量的稳定性。从已经应用的效果来看，针对立体卷铁心的热处理，该技术可以压缩热处理时间 30%左右(原热处理周期为 35-40 小时)，某些工况下，可以压缩 40%左右。通过数字孪生模型，可以对周期式热处理装备进行优化，获得最优的结构设计、运行参数设计等。
成果亮点：
1. 具有自主知识产权，研究成果已授权软件著作权登记 1 项。
2. 成果来源：企业横向项目。
3. 技术先进性：国际先进。