随着中国从制造大国向制造强国的转变,国产机械装备在各个方面均有很大提升,但高端机械装备的技术水平与国际先进水平还存在较大差距。其中,以低压、差压为代表的反重力铸造设备是制造高冶金品质的复杂薄壁轻合金构件的主流技术设备。反重力铸造设备健康状态评估,作为一种对铸造设备运行状态进行定量控制的必要手段,其主要任务是,衡量铸造装备在工作过程中是否达到设计及使用要求,实时评估铸造设备健康状态,保证设备高效可靠运行及铸件质量合格稳定。反重力铸造设备组成复杂,且其精密设备和部件众多。为使得铸件组织致密、性能高,提升高质量成型及结构复杂、壁厚突变等结构件制造能力,深入研究反重力设备健康状态对提高产品质量稳定性、减少运行过程中的非正常停机时间具有重要意义。因此,本文从工业大数据分析的角度出发,研究反重力铸造设备健康状态的评估方法,主要研究成果如下:(1)构建了反重力铸造炉健康状态评估总体框架。梳理反重力铸造炉的结构组成,分析总结铸造工艺流程及反重力铸造机理,在此基础上,提出基于工业大数据分析技术的反重力铸造炉健康状态评估技术,主要内容包括:首先,对数据进行预处理和特征工程;其次,通过优化机器学习分类算法对铸造设备进行状态监测;再次,基于深度学习算法构建表征反重力铸造炉状态的健康指标;最后,采用时间序列算法结合健康评估方法对反重力铸造炉健康状态进行评估。(2)构建了基于遗传算法优化的支持向量机状态监测模型。针对铸造炉铸造过程中工况复杂多变、特征参数趋势性差、数据量大的特点,提出了基于支持向量机的反重力铸造炉状态监测预测模型,并通过遗传算法对其进行优化。通过遗传算法,优化支持向量机的核函数,提高了模型的收敛速度,提升了模型的分类精度。利用支持向量机模型,建立数据特征与故障状态之间的映射关系,从而实现铸造设备状态监测。(3)采用自编码器算法构建了反重力铸造炉的健康指标。就目前状态监测方法,需要掌握大量先验知识和工程实践经验进行判断的问题,提出了基于自编码器的反重力铸造炉健康指标构建方法。利用深度学习的非线性变换,从趋势性差的数据中挖掘更深层的信息。利用自编码器实现铸造过程中健康状态评价指标构建,考虑健康状态退化的特点,引入相关性评价和单调性评价,构成评价指标对健康指标进行评价,为后续铸造炉健康状态评估提供支撑。(4)构建了基于长短时记忆网络(Long Short-Term Memory,LSTM)的反重力铸造炉健康状态评估模型。基于(3)中得到的健康指标,利用LSTM网络编解码器框架,实现输入数据的深层次敏感特征提取,同时结合LSTM对时序数据具有时间维度的记忆能力,提出一种基于健康状态指标空间距离的健康状态评估方法,实现反重力铸造炉健康状态的动态评估。凭借对反重力铸造炉健康状态评估的工程实例分析,通过实际工作状态与评估结果的比对,验证了反重力铸造炉健康状态评估方法的有效性。