铸造行业的人工智能与机器学习应用

21/24铸造行业的人工智能与机器学习应用第一部分铸造过程优化 2第二部分缺陷检测自动化 4第三部分材料性能预测 8第四部分数字孪生应用 10第五部分生产计划优化 13第六部分质量控制改进 16第七部分协作式机器人在铸造中的作用 19第八部分机器学习在铸造工艺模拟中的应用 21

第一部分铸造过程优化关键词关键要点【铸件缺陷检测】

1.利用机器学习算法（如卷积神经网络）分析铸件图像，自动识别和分类缺陷（如气孔、夹杂、裂纹）。

2.通过引入深度学习，提高缺陷检测的准确性和可靠性，降低人工检查的依赖性和主观性。

3.实时监控铸造过程，及时发现缺陷，防止批量废品，提高产品质量和生产效率。

【铸造工艺参数优化】

铸造过程优化

利用人工智能（AI）和机器学习（ML）技术，铸造行业可以显著优化铸造工艺的各个方面，从设计到生产。

计算机辅助设计（CAD）

AI和ML算法可以用于增强CAD系统，提高铸件设计的准确性和效率。这些算法可以分析铸件几何形状，识别潜在缺陷，并建议优化设计，从而减少返工和报废。

模拟和预测

铸造过程中的仿真和预测对于优化工艺至关重要。AI和ML算法可以创建虚拟铸造模型，模拟材料流动、热传递和应力分布。这使铸造厂能够提前预测铸件的性能和质量，并进行必要的调整以避免缺陷。

缺陷检测

铸件缺陷是影响铸造行业的一大挑战。AI和ML算法可以用于检测铸件中的细微缺陷，例如裂纹、气孔和夹杂物。这些算法分析图像或数据集，识别异常模式并提供准确的缺陷检测。

工艺参数优化

铸造过程需要控制多种参数，例如浇注温度、冷却速率和凝固时间。AI和ML算法可以分析工艺数据，识别最优参数组合，从而提高铸件质量和减少浪费。

预测性维护

铸造设备的可靠性对生产效率至关重要。AI和ML算法可以分析设备数据，预测故障并提前安排维护。这有助于最大限度地减少停机时间，避免昂贵的维修和部件更换。

产量和质量控制

AI和ML算法可以监控和控制铸造过程的各个方面，确保一致的产量和质量。这些算法分析实时数据，识别异常并触发适当的响应，从而减少缺陷并提高生产率。

具体案例

减少返工率

一家汽车铸造厂使用AI算法分析CAD设计数据，识别潜在的缺陷。通过实施算法建议的更改，该铸造厂将返工率降低了20%。

提高产品质量

一家航空航天铸造厂使用ML算法创建了铸件缺陷检测模型。该模型能够检测到人类肉眼无法发现的微小缺陷，显著提高了铸件质量。

优化工艺参数

一家铸钢厂使用AI算法优化了连铸工艺参数。算法分析了铸造过程中的数据，识别了最佳浇注温度和冷却速率，从而提高了铸件强度和减少了浪费。

结论

AI和ML技术为铸造行业提供了强大的工具，可用于优化工艺的各个方面。通过利用这些技术，铸造厂可以显着提高产量和质量，同时减少缺陷和节省成本。随着技术的不断进步，我们预计AI和ML将在未来几年继续在铸造行业发挥越来越重要的作用。第二部分缺陷检测自动化关键词关键要点缺陷检测自动化

*采用计算机视觉技术，通过图像处理算法和机器学习模型对铸件表面进行检测。

*利用深度学习算法，训练模型识别和分类各种类型的缺陷，如裂纹、气孔和夹杂物。

*实现缺陷检测自动化，极大地提高检测速度和准确性，减少人为因素影响。

缺陷分类和识别

*通过机器学习算法，建立铸件缺陷数据库，包含各种缺陷类型的图像和特征。

*采用监督学习方法，训练模型识别和分类不同类型的缺陷，如缩孔、冷隔和偏析。

*实现缺陷的智能识别和分类，为后续的缺陷处理和铸件质量保证提供基础。

缺陷位置定位

*利用图像处理技术，对铸件表面图像进行边缘检测、轮廓提取和特征匹配。

*使用几何算法和机器学习模型，确定缺陷在铸件表面的位置和尺寸。

*实现缺陷位置的精确定位，为缺陷修复和质量控制提供准确的依据。

缺陷严重性评估

*基于缺陷类型、位置和尺寸等信息，建立缺陷严重性评估模型。

*采用机器学习或统计建模技术，训练模型预测缺陷造成的潜在风险和质量影响。

*实现缺陷严重性的智能评估，为铸件质量分级和决策支持提供依据。

缺陷处理建议

*根据缺陷类型、严重性及其对铸件性能的影响，提供针对性的缺陷处理建议。

*利用知识图谱或专家系统，构建缺陷处理知识库，为用户提供最佳修复方案。

*实现缺陷处理建议的智能化，减少缺陷修复时间和成本，确保铸件质量。

缺陷预防和控制

*通过分析缺陷检测结果，识别铸造工艺中的缺陷成因和影响因素。

*采用机器学习或数据挖掘技术，建立缺陷预防模型，预测潜在的缺陷风险。

*实现缺陷预防和控制，优化铸造工艺，提高铸件整体质量和可靠性。缺陷检测自动化

简介

缺陷检测是铸造行业的关键质量控制任务。传统的人工检测方法耗时且主观，容易出现遗漏和错检。人工智能（AI）和机器学习（ML）技术为实现铸件缺陷检测自动化提供了新的机遇。

机器视觉

机器视觉系统用于基于图像或视频数据检测铸件缺陷。这些系统使用计算机视觉算法分析图像，识别和分类缺陷。

深度学习

深度学习算法，如卷积神经网络（CNN），因其在图像识别任务中的出色表现而受到广泛应用。这些算法可以自动从图像数据中提取特征，并学习区分缺陷和无缺陷铸件。

方法

铸件缺陷检测自动化通常遵循以下步骤：

*数据采集：收集大量铸件图像，包括有缺陷和无缺陷的样本。

*预处理：将图像预处理以提高算法性能，包括调整大小、降噪和增强。

*特征提取：使用机器视觉算法或深度学习模型从图像中提取特征。

*缺陷分类：使用ML算法（如支持向量机或决策树）对提取的特征进行分类，识别缺陷。

*后处理：对检测结果进行后处理，以提高准确性和鲁棒性，例如去除假阳性检测。

优势

铸件缺陷检测自动化具有多项优势：

*提高准确性：自动化系统可以消除人为因素造成的错误，从而提高检测准确性。

*提高效率：自动化系统可以显著加快检测速度，从而提高生产率。

*客观检测：自动化系统不受主观判断的影响，确保缺陷检测的一致性。

*实时监测：自动化系统可以实现实时缺陷监测，在生产过程中及时发现缺陷。

*降低成本：自动化缺陷检测可以减少返工和报废，从而降低生产成本。

应用

铸件缺陷检测自动化已成功应用于各种铸造应用中，包括：

*冲压铸：检测飞边、气孔、缩孔和裂纹。

*沙型铸造：检测浇不足、浇冒口过大、冷隔和形态缺陷。

*精密铸造：检测表面缺陷、内部缺陷和尺寸公差偏差。

*锻造：检测裂纹、夹杂物和变形。

*焊接：检测焊缝缺陷、热影响区裂纹和变形。

发展趋势

铸件缺陷检测自动化的未来发展趋势包括：

*深度学习的进一步发展：深度学习算法的持续发展将进一步提高缺陷检测的准确性和鲁棒性。

*边缘计算：边缘计算技术的应用将使缺陷检测系统能够在生产车间进行实时分析。

*传感器融合：将不同类型的传感器（如超声波和红外线）集成到自动化系统中，将提供更全面的缺陷检测能力。

*自适应学习：自动化系统将变得能够自适应学习，随着时间的推移提高其缺陷检测性能。

结论

人工智能和机器学习技术为铸造行业带来了缺陷检测自动化的新机遇。自动化系统可以显著提高检测准确性、效率和客观性，降低成本并提高生产率。随着深度学习等技术的不断发展，铸件缺陷检测自动化有望进一步增强，成为铸造行业质量控制的宝贵工具。第三部分材料性能预测关键词关键要点主题名称：铸造材料成分优化

1.通过收集和分析铸件的历史数据，人工智能算法可以识别影响材料性能的关键成分。

2.算法可以使用机器学习技术建立铸件成分和性能之间的关系模型，优化铸件设计。

3.该模型可用于预测不同成分组合对铸件力学性能、耐腐蚀性和耐磨性的影响。

主题名称：铸造缺陷检测和预测

材料性能预测

机器学习和人工智能（ML/AI）技术在铸造行业中应用于材料性能预测，这是至关重要的一个领域。通过利用这些技术，铸造厂可以预测铸件的机械和物理特性，从而优化工艺参数并确保产品的质量和可靠性。

基于物理的建模

基于物理的建模是一种用于预测材料性能的传统方法。它基于铸造过程的物理原理，例如热传递、流动和凝固。然而，这些模型通常非常复杂，需要大量的计算资源，并且在处理不确定性方面存在困难。

数据驱动的建模

与基于物理的建模相比，数据驱动的建模利用来自铸造过程和铸件测试的大量数据。ML/AI算法可以从这些数据中学习复杂的关系，从而建立预测模型。这种方法更具适应性，可以处理不确定性，并可以对新材料和工艺进行预测。

机器学习算法

用于材料性能预测的常见ML算法包括：

*决策树：一种树状结构，将数据点分类或回归为目标变量。

*支持向量机：一种分类算法，在特征空间中找到最佳超平面来分隔不同的类。

*神经网络：一种由多个层级组成的复杂模型，能够学习复杂的关系和模式。

示例应用

ML/AI在材料性能预测中的示例应用包括：

*拉伸强度预测：基于铸件的成分、微观结构和热处理工艺参数，预测其拉伸强度。

*硬度预测：基于相同的输入参数，预测铸件的布氏硬度。

*蠕变行为预测：预测铸件在恒定应力下的蠕变行为，这对于高压和高温应用至关重要。

*疲劳强度预测：预测铸件在反复载荷下的疲劳强度，这对于航空航天和汽车工业至关重要。

好处

ML/AI在材料性能预测中提供了以下好处：

*改进准确性：ML/AI模型可以提供比传统方法更高的预测准确性。

*减少计算时间：数据驱动的建模通常比基于物理的建模更快。

*处理不确定性：ML/AI算法可以自然地处理不确定性和噪声。

*泛化能力：这些模型可以对新的材料和工艺条件进行泛化。

*可解释性：一些ML算法（例如决策树）提供了对预测结果的可解释性，从而有助于深入了解影响材料性能的因素。

挑战

尽管有这些优点，ML/AI在材料性能预测中也面临一些挑战：

*数据收集：需要大量的优质数据来训练和验证ML/AI模型。

*特征工程：识别和提取用于训练模型的最佳特征至关重要。

*模型选择：选择最适合特定应用程序的ML算法可能具有挑战性。

*可解释性：并非所有ML/AI算法都具有可解释性，这可能会限制其在某些应用程序中的使用。

结论

ML/AI在铸造行业中提供了用于材料性能预测的强大工具。这些技术可以通过提高准确性、减少计算时间和处理不确定性来帮助铸造厂优化工艺并确保产品质量。虽然存在一些挑战，但随着数据科学和机器学习领域的不断发展，ML/AI在铸造材料性能预测中的作用预计将持续增长。第四部分数字孪生应用关键词关键要点【铸造数字化孪生模拟】

*数字化孪生技术通过创建铸造过程的虚拟模型，实现对整个生产系统的实时监控和分析。

*该技术允许铸造厂远程操作和优化他们的流程，提高效率和产品质量。

*通过模拟不同场景和参数，数字化孪生可以预测铸件缺陷，优化浇注参数，并提高铸件的一致性。

【铸造缺陷预测】

数字孪生应用

数字孪生是一种数字化表示，它能够实时反映铸件、生产流程和其他制造资产的物理属性和行为。

在铸造行业，数字孪生可用于：

1.预测性维护

通过监测数字孪生中传感器收集的数据，可以识别设备退化和故障的早期迹象。这使得维护团队能够主动进行维护，从而避免代价高昂的停机时间和昂贵的维修。

2.流程优化

通过模拟不同的生产场景，数字孪生可以帮助铸造厂优化其流程，以提高效率和产品质量。例如，可以通过模拟不同的浇注参数来确定最佳浇注工艺。

3.产品设计验证

数字孪生可以在设计阶段用于验证新产品的性能。通过模拟铸件的物理行为，可以识别并解决潜在的设计缺陷，从而减少上市时间和开发成本。

4.培训和模拟

数字孪生可在培训和模拟场景中用于操作员培训和设备故障演练。这有助于提高员工技能，并确保铸造厂为各种操作情况做好准备。

5.远程监控

数字孪生允许远程监控铸造厂。通过互联网连接，管理人员和技术人员可以在任何地方访问数字孪生，以获取实时生产数据和操作状态。这提高了运营透明度，并允许更快的决策制定。

数字孪生实施的益处

*提高设备可靠性

*优化生产流程

*减少产品缺陷

*缩短上市时间

*提高运营透明度

*提高员工技能

*降低总体运营成本

数字孪生实施的挑战

*数据收集和集成方面的挑战

*数字孪生模型的复杂性和准确性

*实时数据处理和分析的计算需求

*缺乏行业标准和最佳实践

*安全性和网络安全方面的担忧

数字孪生在铸造行业的未来

随着传感器技术、数据分析和人工智能的不断进步，数字孪生在铸造行业中的作用预计将变得越来越重要。预计数字孪生将被用于：

*实施闭环质量控制系统

*开发新的增值产品和服务

*促进铸造行业的数字化转型第五部分生产计划优化关键词关键要点生产过程监控与优化

1.利用传感器和机器学习算法实时监控生产过程，收集数据，检测异常，并预测潜在问题，提高生产效率和产品质量。

2.应用规则引擎和优化算法，根据收集的数据自动调整生产参数，优化生产计划，提高资源利用率，降低生产成本。

3.通过建立数字孪生体，模拟和优化生产过程，进行虚拟调试和仿真，减少试错时间，提高生产灵活性。

预测性维护

1.采用机器学习算法分析设备运行数据，预测故障和维护需求，实现预防性维护，延长设备使用寿命，降低停机时间。

2.利用传感技术和数据分析，实时监测设备状态，及时发现异常，避免故障发生，提高生产效率和设备可靠性。

3.通过建立预测性维护模型，优化维护计划，合理分配维护资源，降低维护成本，提高设备可用率。

质量控制

1.利用机器视觉和深度学习算法，自动检测和分类产品缺陷，提高质量控制的准确性和效率，降低人工成本。

2.采用非破坏性检测技术，结合机器学习算法，进行产品内部质量评估，确保产品可靠性和安全性，满足监管要求。

3.基于产品质量数据，建立质量预测模型，分析质量影响因素，优化生产工艺，提高产品质量稳定性。

供应链优化

1.应用机器学习算法对供应商进行绩效分析，优化供应商选择，提高供应链稳定性，降低采购成本。

2.利用预测性算法分析市场需求和原材料供应，优化库存管理，减少库存积压，提高资金利用率。

3.通过建立供应链协作平台，与供应商和客户实时共享数据，提高供应链透明度，促进协同优化。

人才培养

1.设计和实施基于人工智能和机器学习的培训项目，培养具备人工智能技术技能的铸造行业人才，满足行业数字化转型需求。

2.建立产学研合作平台，与高校和研究机构合作，推进人工智能技术在铸造行业的创新和应用，培养高层次人才。

3.推行人工智能技术认证制度，为人工智能技术人员提供职业技能认证，促进人才队伍建设和行业发展。

行业标准与规范

1.制定人工智能和机器学习在铸造行业应用的行业标准和规范，确保技术安全可靠，促进行业健康有序发展。

2.建立人工智能和机器学习应用评估体系，对相关技术和产品进行认证和评估，保障应用质量和效果。

3.推动国际间标准和规范的合作，促进人工智能技术在铸造行业的全球推广和应用。生产计划优化

在铸造行业，生产计划优化是运用人工智能（AI）和机器学习（ML）技术来提高生产流程效率、降低成本和缩短交货时间的一项重要应用。

传统生产计划

传统的铸造生产计划通常依赖人工安排，涉及大量繁琐的手动任务，包括：

*订单处理

*资源分配

*排程

*进度跟踪

AI/ML在生产计划优化中的应用

AI/ML技术为生产计划优化带来了显著的改进，使铸造厂能够：

1.需求预测

*预测未来订单需求，通过识别历史模式和市场趋势来提高生产计划的准确性。

*使用时间序列分析、回归模型和神经网络等ML算法进行需求预测。

2.资源分配

*根据订单要求和可用资源（如机器、人力、材料）优化资源分配。

*利用混合整数线性规划(MILP)和启发式算法等优化技术，解决复杂资源分配问题。

3.排程

*根据资源可用性和优先级确定铸件生产的最佳顺序和时间表。

*使用调度算法，如优先级法则、遗传算法和模拟退火，生成优化排程。

4.进度跟踪

*实时监控生产进度，检测异常并及时调整计划。

*利用物联网(IoT)传感器和数据分析工具进行进度跟踪。

5.绩效评估

*分析生产计划的绩效，识别改进领域并进行持续优化。

*使用关键绩效指标(KPI)和数据可视化工具评估计划绩效。

具体示例

*ABB铸造厂：使用基于ML的需求预测模型，将预测准确率提高了30%，从而减少了过剩库存和生产的中断。

*蒂森克虏伯铸造厂：通过实施AI驱动的排程系统，将交货时间缩短了20%，同时提高了资源利用率。

*SandvikCoromant：利用ML算法优化生产计划，将运营成本降低了5%，同时提高了产品质量。

好处

铸造行业中AI/ML应用的生产计划优化提供了以下好处：

*提高订单准时交付率

*减少库存和浪费

*提高资源利用率

*缩短生产周期时间

*降低运营成本

*改善产品质量

*加强决策制定

挑战

虽然AI/ML在生产计划优化方面具有巨大潜力，但实施也面临一些挑战，包括：

*数据收集和准备的复杂性

*选择和部署适当的算法

*人员培训和技术接受度

*数据安全和隐私问题第六部分质量控制改进关键词关键要点【缺陷检测与分类】

1.使用机器视觉技术对铸件表面和内部缺陷进行自动检测，提高检测效率和精度。

2.基于深度学习算法开发缺陷分类模型，实现对不同类型缺陷的准确识别。

3.整合无损检测技术，如超声波检测和射线检测，实现缺陷的深度和严重程度评估。

【预测性维护】

质量控制改进

人工智能（AI）和机器学习（ML）在铸造行业中提供了前所未有的质量控制能力，这转变了质量保证流程，并显著提高了产品质量。具体而言，这些技术主要通过以下途径改善质量控制：

1.缺陷检测和分类：

*利用图像识别技术：AI算法可以分析铸件的数字图像，识别细微的缺陷，如裂缝、夹杂物和气孔，甚至肉眼难以检测到的缺陷。

*基于规则的系统：通过机器学习对大量数据进行训练，算法可以建立基于规则的系统，将缺陷分类为不同类型和严重程度。

*实时缺陷监测：AI支持的传感器系统可以实时监测铸造过程，检测和识别任何偏离预定规范的行为，从而在缺陷出现之前采取纠正措施。

2.预测性维护：

*传感器数据分析：ML算法可以分析铸造设备传感器生成的数据，预测潜在故障和预测性维护需求。

*设备监控和优化：AI系统可以监控铸造设备的性能参数，优化设置并预测故障，以最大限度地减少停机时间和提高生产效率。

*工艺优化：通过分析历史数据和实时信息，ML算法可以识别影响铸件质量的工艺参数，并建议优化调整，以提高产量和一致性。

3.品质溯源和数据可视化：

*质量跟踪：AI系统可以跟踪铸件从原料到成品的整个质量控制过程，提供详细的审计跟踪和溯源记录。

*数据可视化：ML工具可以将复杂的数据转化为直观的可视化，使铸造人员能够轻松识别质量趋势和问题领域，采取针对性的措施来改善质量。

4.数据驱动决策：

*预测分析：ML算法可以利用历史数据和实时信息进行预测分析，识别影响产品质量的关键因素，并预测潜在的质量问题。

*响应建模：基于ML的响应建模工具可以探索输入变量和质量结果之间的关系，从而优化工艺参数和提高产品质量。

成功案例：

*一家全球汽车铸造厂实施了一个AI驱动的视觉检查系统，将缺陷检测准确率提高了30%，从而减少了废品率。

*另一家铸造厂利用ML算法来预测设备故障，将停机时间减少了25%，并提高了整体生产效率。

*通过利用数据分析和可视化，一家铸管厂确定了影响管材机械性能的关键工艺参数，从而提高了产品质量和客户满意度。

结论：

AI和ML在铸造行业中的应用彻底改变了质量控制流程，为以前无法实现的缺陷检测、预测性维护和数据驱动决策提供了强大的能力。通过采用这些技术，铸造厂可以显著提高产品质量，减少缺陷，优化工艺，并最终提高竞争优势。第七部分协作式机器人在铸造中的作用关键词关键要点【协作式机器人与铸造质量保障】

1.通过视觉引导和人工智能（AI）算法，协作式机器人能够准确识别不合格铸件，大幅提升质检效率和准确度。

2.结合工业物联网（IIoT）传感器设备，协作式机器人能够实时监测铸造过程中的关键参数，及时发现偏差并采取纠正措施，有效预防缺陷產生。

【协作式机器人与铸造自动化】

协作式机器人在铸造中的作用

随着铸造行业数字化和智能化进程的加速，协作式机器人（cobots）已成为该领域的变革性技术。协作式机器人与传统工业机器人不同，它们能够与人类工人安全有效地协同工作，从而提高生产效率、安全性并降低成本。

协作式机器人的优势

*安全性高：协作式机器人采用内置安全功能，可与人类工人密切工作，而无需物理围栏或防护装置，这不仅降低了事故风险，还释放了宝贵的车间空间。

*灵活性强：协作式机器人通常小巧轻便，易于部署和重新部署，使其非常适合空间有限或需要频繁调整作业的铸造车间。

*易于编程：与传统工业机器人相比，协作式机器人易于编程和操作，即使是没有机器人编程经验的工人也可以使用。

*高效率：协作式机器人可以自动化重复性和危险的任务，例如铸件整理、抛光和装配，从而释放人类工人进行更高价值的工作，提高生产率。

*成本效益：协作式机器人通常比传统工业机器人更经济，使其成为小型和中型铸造厂的理想选择。

铸造中的协作式机器人应用

协作式机器人正在铸造行业中找到广泛的应用，包括：

*铸件整理：去除铸件上的飞边、毛刺和其他缺陷，提高铸件质量和美观度。

*铸件抛光：对铸件进行抛光和打磨，改善表面光洁度和美观度。

*铸件装配：将铸件与其他组件组装在一起，形成完整的铸件组件。

*铸件检验：使用传感器和视觉系统对铸件进行检查，识别缺陷并确保产品质量。

*搬运和搬运：将重型或不规则形状的铸件从一个位置移动到另一个位置，减轻工人的体力劳动。

案例研究

协作式机器人已经在多个铸造厂中成功实施，带来了显著的收益。例如：

*汽车铸造厂：部署协作式机器人进行铸件抛光，将生产效率提高了25%，同时降低了劳动力成本。

*航空航天铸造厂：使用协作式机器人进行铸件检查，减少了缺陷漏检率，提高了产品质量和安全性。

*重型机械铸造厂：部署协作式机器人进行铸件搬运，改善了工人的工作环境，提高了生产效率。

未来展望

协作式机器人技术在铸造行业的发展潜力巨大。未来，预计协作式机器人将与其他先进技术相结合，例如人工智能（AI）和物联网（IoT），以实现更高级别的自动化和智能制造。随着铸造厂继续寻求提高生产率、质量和安全性的方法，协作式机器人将继续发挥至关重要的作用，塑造行业未来。第八部分机器学习在铸造工艺模拟中的应用关键词关键要点【机器学习在铸造工艺模拟中的应用】：

1.铸造工艺模拟中应用机器学习可以提高过程建模的准确性，减少对经验和物理模型的依赖。

2.机器学习算法擅长从大数据集中识别模式和关系，这有助于捕捉铸造工艺中的复杂相互作用。

3.机器学习模型可以预测铸件的质量属性，例如收缩率、显微组织和机械性能，为优化工艺参数提供了指导。

【铸造工艺优化和控制】：

机器学习在铸造工艺模拟中的应用

机器学习（ML）已成为铸造工艺模拟的宝贵工具，其强大的算法和数据处理能力使铸造工程师能够：

1.优化工艺参数

*机器学习算法可以分析工艺输入参数（如浇注温度、填充时间、模具设计）与输出结果（如铸件质量、缺陷形成）之间的复杂关系。

*通过建立预测模型，工程师可以确定最优工艺参数，以最小化缺陷并最大化铸件性能。

2