一种基于数据驱动的精铸过程叶片尺寸演化预测方法

围绕自主设计的涡轮叶片模具，开展了完整的熔模铸造实验，收集了铸件在不同阶段中S1、S2和S3截面尺寸并建立时序数据集，包括模具、蜡型、定向凝固、去除模壳、去除浇注系统和去除陶芯约束。分析表明，铸件尺寸平均偏差在不同阶段不断演化(从0.2134mm到0.1857mm)，偏差累积且每阶段影响程度不同。为了有效捕捉铸件这些变化，我们采用LSTM神经网络挖掘尺寸深层特征并建立时变模型。结果表明，LSTM凭借其独特的门结构考虑变形历史，在单步预测任务中对铸件平均偏差的预测值为0.1832mm，测试平均绝对百分比误差(MAPE)为1.35％；多步预测的MAPE为2.99％，其中最终步的MAPE为6.63％。本研究为熔模铸造领域的智能化发展提供了新思路。