【技术实现步骤摘要】
本专利技术涉及轻合金压铸，具体涉及一种轻合金压铸工艺参数智能评级与优化方法。
技术介绍
1、车身轻量化成为汽车行业最重要的发展战略之一。采用压铸铝、镁合金来生产诸如汽车减震塔、副车架、后地板等大型一体化薄壁件，可以减少大量的生产工序，从而减少能源消耗与生产成本，并获得显著的轻量化效果，降低汽车运行的碳排放。大多数大型一体化薄壁结构件的服役工况较为恶劣，对力学性能的大小、均匀性均有较高的要求。对于大型一体化薄壁结构件而言，内部的气孔、缩孔、裂纹以及表面的冷隔等缺陷都会对最终服役性能产生巨大的负面影响。对每一件铸件进行无损检测是一件极其消耗人力与能源的工作，因此亟需一种能准确预测缺陷的方法，降低铸件质量检测的成本。
2、对于金属材料而言，材料的成分与制造工艺直接决定了材料的微观形貌特征与缺陷形成，从而影响了材料与产品的力学性能、物理化学性能与使役性能。对关键工艺参数进行精确控制可以有效控制缺陷产生，从而增加材料成品率，减少质量检测与后期处理的成本。传统的“工艺参数-缺陷”映射关系模型建立方法通常是基于大量实验试错的“炒菜法”以及数学公式归纳法，只能聚焦于少量样本中的少量影响因素，很难实现多因素共同作用下的非线性高维度映射模型的建立，也无法针对时序、图像等高维度信息进行定量建模。大型一体化压铸件的制造过程工艺参数具有数量多、模态多、波动性大等特点，导致“工艺参数-缺陷”关系模型建立困难，难以实现铸件缺陷的精确预测与工艺参数的精确控制。
3、综上所述，现有
技术介绍
的不足可以归纳为：(1)大型一体化薄壁压铸件缺陷检
4、随着计算机科学与人工智能的发展，基于大数据的机器学习模型已经广泛地被用于各类数据分析、模型建立任务中。神经网络、随机森林等机器学习模型以历史数据为训练样本，无需对中间物理过程进行深入了解，基于数据驱动的方法对输入值与输出值之间的函数关系进行拟合，可以有效地解决高维度、非线性模型的建立。
技术实现思路
1、基于上述方案的缺陷与不足，本专利技术旨在于解决轻合金大型一体化压铸件缺陷检测成本高、预测困难的问题，提供一种基于数据驱动的缺陷预测与工艺参数优化方法：建立“工艺参数-缺陷”工业大数据集，对数据集进行特征降维筛选与标签均匀化前处理，通过随机森林模型建立“工艺参数-缺陷种类数”关系模型，达到压铸件质量的智能预测与工艺参数优劣的智能评估。
2、本专利技术目的实现由以下技术方案完成：
3、一种轻合金压铸工艺参数智能评级与优化方法，其包括：
4、s1：基于轻合金工业压铸的数据集通过相关性分析进行模型输入降维；
5、s2：计算每一组工艺参数组合对应的导致铸件报废的缺陷种类数，作为评价工艺参数组合优劣划分标准以及模型的输出；
6、s3：计算数据集中不同缺陷种类数所对应的样本个数，通过过采样与降采样算法将所有类的样本个数统一至同一数量，实现数据集标签分布均匀化；
7、s4：确定随机森林模型超参数，并根据数据集进行训练，建立轻合金压铸的工艺参数组合与缺陷种类数间的映射关系，从而得到标准评价模型；并评估标准评价模型预测准确性；
8、s5：通过输入工艺参数组合实现缺陷种类数的预测，从而对进行轻合金工业压铸的工艺参数组合优劣的评价；
9、s6：获取工艺参数组合中，各工艺参数的重要性排列，实现工艺参数的重要性分析；若步骤s5的预测结果中缺陷种类大于0，则通过网格式搜索实现优化工艺参数组合的自动优化推荐。
10、本专利技术的进一步改进在于：步骤s1中，从数据集压铸关键工艺参数列表，并进行参数降维；参数降维过程中，当两个工艺参数a、b的相关系数ρ(a,b)满足以下关系：
11、ρ(a,b)>0.6 orρ(a,b)<-0.6 (1)
12、则认为两个工艺参数具有强线性相关性；若一组工艺参数{b,c,d,...}均与某一工艺参数a强线性相关，则只保留其工艺参数a作为关键工艺参数，并从数据集中删除其余工艺参数所对应的数据列，以实现降维。
13、所述相关系数的计算方法为皮尔逊相关系数，其表达式为：
14、
15、其中ai与bi分别为工艺参数a与b在数据集中的第i个样本，μa和σa分别是工艺参数a在数据集中的均值和标准差，μb和σb是工艺参数b在数据集中的均值和标准差，n代表数据集样本总数。
16、本专利技术的进一步改进在于：步骤s2中，缺陷种类包括：欠铸、冷隔、裂缝、缩孔、拉模/粘模。以轻合金压铸工业生产中每一时间段工艺参数所对应的引起铸件报废的缺陷种类数为量化评判标准。如：在工艺参数组合[t1,t2,t3,...,tn]下，铸件产生了5个报废件，报废的原因包括为欠铸、冷隔与裂缝3种，则该工艺参数对应的模型输出为3。
17、本专利技术的进一步改进在于：步骤s3同时采用降采样与过采样，平衡多数类与少数类的数量差异，从而减少模型预测的倾向性，增加少数类的检出能力。本步骤中，计算数据集中每一个缺陷种类数所对应的样本总数，并从大到小进行排序；采用过采样算法对少数类进行过采样，增加样本量；采用降采样算法对多数类进行降采样，降低样本量；从而将每一类的样本数量统一至初始状态下第一多数类与第二多数类类别数之间的合理值上。具体实施方法如下：设数据集一共包含四个类，每一类的样本数分别为：y1、y2、y3、y4，且满足y1>y2>y3>y4，则通过升降采样前处理后，每一类样本数k满足条件：y1>k>y2。采用的过采样方法可以是：smote、borderline smote等；采用的降采样方法可以是：随机降采样、nearmiss、tomeklinks等。
18、本专利技术的进一步改进在于：步骤s4中，评估标准评价模型预测准确性的过程包括：分别计算作为标准评价模型的随机森林模型在测试集上的整体预测准确率、类平均真正率以及roc曲线下面积。其中整体预测准确率代表模型总体预测能力，如下式所示：
19、
20、其中ntrue为预测正确的样本数，n为样本总数。类平均真正率代表每一类的检出能力，如下公式所示：
21、
22、其中，n为类别数，tpi为类别i的预测真正数，fni为类别i的预测假负数。auc反映了模型总体预测性能的稳健性，通过并不局限于利用python第三方库scikit-learn的metrics子库中的roc_auc_score函数等方法计算获得。在本方法中，当同时满足：ta>85％、atpr>85％且auc>0.97时，认为工艺参数组合智能评级模型的训练程度足够，模型预测精度合格。
23、本专利技术的进一步改进在于：步骤s6中，通过重要性排序算法对工艺本文档来自技高网...
【技术保护点】
1.一种轻合金压铸工艺参数智能评级与优化方法，其包括：
2.根据权利要求1所述的一种轻合金压铸工艺参数智能评级与优化方法，其特征在于，步骤S1中，从数据集压铸关键工艺参数列表，并进行参数降维；参数降维过程中，当两个工艺参数A、B的相关系数ρ(A,B)满足以下关系：
3.根据权利要求2述的一种轻合金压铸工艺参数智能评级与优化方法，其特征在于，所述相关系数的计算方法为皮尔逊相关系数，其表达式为：
4.根据权利要求1所述的一种轻合金压铸工艺参数智能评级与优化方法，其特征在于，步骤S2中，缺陷种类包括：欠铸、冷隔、裂缝、缩孔、拉模/粘模。
5.根据权利要求1所述的一种轻合金压铸工艺参数智能评级与优化方法，其特征在于，步骤S3具体包括：
6.根据权利要求5所述的一种轻合金压铸工艺参数智能评级与优化方法，其特征在于，采用的过采样方法包括：Smote、Borderline Smote中的任意一种；采用的降采样方法包括：随机降采样、NearMiss、TomekLinks中的任意一种。
7.根据权利要求1所述的一种轻合金压铸工
8.根据权利要求1所述的一种轻合金压铸工艺参数智能评级与优化方法，其特征在于，步骤S6中，通过重要性排序算法对工艺参数组合中的工艺参数进行排名，获得重要性前六的工艺参数；在网格搜索过程中，对重要性前六的工艺参数进行网格搜索，并推荐若干个缺陷种类为0的工艺组合。
9.根据权利要求8述的一种轻合金压铸工艺参数智能评级与优化方法，其特征在于，所述重要性排序算法包括：随机森林内置重要性、排列重要性、Leave-one-out重要性算法。
...【技术特征摘要】
1.一种轻合金压铸工艺参数智能评级与优化方法，其包括：
2.根据权利要求1所述的一种轻合金压铸工艺参数智能评级与优化方法，其特征在于，步骤s1中，从数据集压铸关键工艺参数列表，并进行参数降维；参数降维过程中，当两个工艺参数a、b的相关系数ρ(a,b)满足以下关系：
3.根据权利要求2述的一种轻合金压铸工艺参数智能评级与优化方法，其特征在于，所述相关系数的计算方法为皮尔逊相关系数，其表达式为：
4.根据权利要求1所述的一种轻合金压铸工艺参数智能评级与优化方法，其特征在于，步骤s2中，缺陷种类包括：欠铸、冷隔、裂缝、缩孔、拉模/粘模。
5.根据权利要求1所述的一种轻合金压铸工艺参数智能评级与优化方法，其特征在于，步骤s3具体包括：
6.根据权利要求5所述的一种轻合金压铸工艺参数智能评级与优化方法，其特征在于，采用的过采样方法包括：smote、border...
【专利技术属性】
技术研发人员：汪星辰，陈滨，彭立明，陆仕平，付彭怀，王鑫，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。