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(jié)合人工智能的系統(tǒng)。這種系統(tǒng)可以根據(jù)穩(wěn)定系統(tǒng)來分析試樣的凝固過程并預(yù)測各種鑄造缺陷的可能性，同時(shí)也可以估計(jì)出物理性能。該系統(tǒng)利用計(jì)算機(jī)輔助熱分析技術(shù)，編制了軟件程序來評測鐵水的微觀結(jié)構(gòu)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(gè)作為控制參數(shù)，并且給每一個(gè)參數(shù)都定義了閾值。如果10個(gè)點(diǎn)都滿足閾值要求，則認(rèn)為鐵水質(zhì)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(shù)目由少到多，通過選取特征值進(jìn)行鐵水質(zhì)量評估仍然在一定程度上受到主觀因素的影響。這是因?yàn)椋瑹岱治黾夹g(shù)的應(yīng)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(yù)測參量之間建立一定的回歸關(guān)系。而熱分析特征值的尋取準(zhǔn)確性和數(shù)學(xué)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(jié)晶潛熱的分析，其特征值的選取仍是基于現(xiàn)有經(jīng)驗(yàn)及主觀因素之上的。而且對微分曲線和冷卻曲線進(jìn)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(nèi)已有人運(yùn)用人工智能神經(jīng)網(wǎng)絡(luò)在預(yù)測灰鐵鑄件的性能。人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)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(yīng)能力強(qiáng)等優(yōu)點(diǎn)。神經(jīng)元作為神經(jīng)網(wǎng)絡(luò)的基本要素，由于計(jì)算速度快而得到廣泛應(yīng)用。由于神經(jīng)網(wǎng)絡(luò)模型良好的自學(xué)習(xí)功能，隨著模式對樣本的不斷增加與更新，系統(tǒng)具有較強(qiáng)的適應(yīng)性，為此，可以設(shè)計(jì)建立動態(tài)綜合數(shù)據(jù)庫，其中存有大量模式對，并隨著系統(tǒng)的在線運(yùn)行而不斷存入新的事實(shí)樣本，以此作為新增模式對而使神經(jīng)網(wǎng)絡(luò)進(jìn)行自學(xué)習(xí)，從而不斷提高神經(jīng)網(wǎng)絡(luò)模型的適應(yīng)性和預(yù)報(bào)命中率。可以將模式識別方法用于多因素影響的灰鐵鑄件的生產(chǎn)過程；運(yùn)用自組織人工神經(jīng)網(wǎng)絡(luò)對受到多因素控制的生產(chǎn)過程進(jìn)行模式識別與分類，根據(jù)生產(chǎn)狀態(tài)代表點(diǎn)在空間的分布結(jié)構(gòu)，尋找與控制目標(biāo)之間的聯(lián)系，將輸入與輸出間難以描述的函數(shù)關(guān)系轉(zhuǎn)化為對模式識別的分類與判別，可以建立對灰鐵質(zhì)量合格與不合格兩類狀態(tài)進(jìn)行識別的計(jì)算機(jī)智能專家系統(tǒng)，從而預(yù)測樣品性能所屬牌號。