1996年，對于灰鐵鑄件和球墨鑄件,，國外發(fā)展了一種基于熱分析并結合人工智能的系統(tǒng),。這種系統(tǒng)可以根據穩(wěn)定系統(tǒng)來分析試樣的凝固過程并預測各種鑄造缺陷的可能性，同時也可以估計出物理性能,。該系統(tǒng)利用計算機輔助熱分析技術,，編制了軟件程序來評測鐵水的微觀結構和孕育效果。研究人員從熱分析曲線的特征值中選擇了10個作為控制參數，并且給每一個參數都定義了閾值,。如果10個點都滿足閾值要求,，則認為鐵水質量合格。該方法簡單方便,，一目了然,。
　　然而，即使隨著熱分析的發(fā)展,，選取的特征值數目由少到多，通過選取特征值進行鐵水質量評估仍然在一定程度上受到主觀因素的影響,。這是因為,，熱分析技術的應用只限于更清楚、更直觀地顯示冷卻曲線上的特征值,，并在這些特征值與鐵水的預測參量之間建立一定的回歸關系,。而熱分析特征值的尋取準確性和數學模型的回歸精度是受到限制的。即使增加一階微分和二階微分,，考慮對結晶潛熱的分析,，其特征值的選取仍是基于現有經驗及主觀因素之上的。而且對微分曲線和冷卻曲線進行分析需要非常專業(yè)的知識,，更加增加了分析帶來的難度和主觀因素的作用,。
　　目前，國內已有人運用人工智能神經網絡在預測灰鐵鑄件的性能,。人工神經網絡是模擬生物神經傳遞信息的方法而建立的一種人工智能模式識別方法,，具有并行、適應能力強等優(yōu)點,。神經元作為神經網絡的基本要素,，由于計算速度快而得到廣泛應用。由于神經網絡模型良好的自學習功能,，隨著模式對樣本的不斷增加與更新,，系統(tǒng)具有較強的適應性，為此,，可以設計建立動態(tài)綜合數據庫,，其中存有大量模式對，并隨著系統(tǒng)的在線運行而不斷存入新的事實樣本,，以此作為新增模式對而使神經網絡進行自學習,，從而不斷提高神經網絡模型的適應性和預報命中率?？梢詫⒛Ｊ阶R別方法用于多因素影響的灰鐵鑄件的生產過程,；運用自組織人工神經網絡對受到多因素控制的生產過程進行模式識別與分類，根據生產狀態(tài)代表點在空間的分布結構，尋找與控制目標之間的聯(lián)系,，將輸入與輸出間難以描述的函數關系轉化為對模式識別的分類與判別,，可以建立對灰鐵質量合格與不合格兩類狀態(tài)進行識別的計算機智能專家系統(tǒng)，從而預測樣品性能所屬牌號,。