适用于深度学习金属注射成型烧结产品质量特征处理方法与流程

本发明涉及深度学习模型的技术领域，尤其是一种适用于深度学习金属注射成型烧结产品质量特征处理方法。

背景技术：

在mim金属注射成型技术领域中，目前当厂家需要生产一种新的产品前，普遍采用doe（designofexperiment）试验设计来寻找烧结炉的一种可行参数（温度、烧结时间和烧结分压），能够满足产品的良率要求，以进行大规模投产。然而，这种doe试验方法比较依赖人的经验，且需要不断试验，效率较低。通过引入深度学习的方法，利用以往工厂的生产记录和doe试验记录，可以形成一种深度学习模型，模型学习以往经验，能够较好地根据烧结工艺参数推算出烧结产品的质量，从而降低前期的试验周期，得到合理的烧结温度和烧结时间，为企业带来价值。

中国专利文献，公开号为cn111283186a，公开了一种烧结体制造装置和烧结体制造方法，该烧结体制造装置包括压制装置、机械加工装置、压坯输送路径、未烧结材料输送路径、托盘、压坯转移装置，待用台架，其构造成在压坯被移动到机械加工装置之前将放置有压坯的托盘暂时保持在待用台架上待用，在未烧结材料被转移到烧结炉之前将放置有未烧结材料的托盘暂时保持在待用台架上待用；输送侧转移装置，其构造成通过将放置有压坯的托盘保持且放置到待用台架将压坯转移到待用台架，并通过将待用台架上的托盘保持且放置到未烧结材料输送路径将未烧结材料转移到烧结炉；未烧结材料转移装置，其通过仅保持未烧结材料将未烧结材料转移到烧结炉。该烧结体制造方法使用上述烧结体制造装置。该专利并未涉及到算法模型的搭建及输入特征信息。

另外，常规深度学习的方法，因为输入特征中不包含零件几何及材料信息，因此模型对其他零件性能的泛化迁移能力较差，且不包含外部温度、湿度情况，因为无法考虑环境因素影响，不具备实时根据天气情况调整参数的功能。

技术实现要素：

本发明要解决的技术问题是：为了解决上述背景技术中存在的问题，提供一种适用于深度学习金属注射成型烧结产品质量特征处理方法，增加了零件产品材料、零件产品几何参数以及环境因素这些参数作为输入特征，在新产品极少量试验数据情况下，训练出具有迁移学习能力的算法模型，从而对新产品在特定控制参数下的性能进行预测，有效减少新产品开发中试验及算法模型训练的工作量。

本发明解决其技术问题所采用的技术方案是：一种适用于深度学习金属注射成型烧结产品质量特征处理方法，具体包括以下步骤：

第一步骤、收集现有不同烧结零件产品的试验数据；

第二步骤、通过零件产品材料表整理出零件产品材料；

第三步骤、通过零件图纸计算出零件产品几何参数；

第四步骤、通过产品生产日期，查找试验日期环境因素；

第五步骤、对所有输入参数进行标准化及归一化设置，作为算法模型训练所需的输入特征；

第六步骤、训练出具有迁移学习能力的算法模型。

进一步具体地说，上述技术方案中，在所述的第一步骤中，试验数据包括试验控制参数、零件位置、性能以及日期信息，所述的试验控制参数包括烧结温度、升降温速度、保温时间、分压以及冷却水套流量，所述的零件位置包括层数、列数以及行数。

进一步具体地说，上述技术方案中，所述的层数、所述的列数以及所述的行数采用0ne-hot编码形式记录。

进一步具体地说，上述技术方案中，在所述的第二步骤中，零件产品材料包括材料类型、材料组分以及材料占比。

进一步具体地说，上述技术方案中，所述的材料类型设置采用0ne-hot编码形式处理，材料组分和材料占比采用数值形式。

进一步具体地说，上述技术方案中，在所述的第三步骤中，零件产品几何参数包括通孔水利直径与零件水利直径之比、沉槽特征尺寸与零件水利直径之比、水利直径、最大厚度、最小厚度、外轮廓圆弧角度、通孔形状、通孔数量、沉槽数量以及沉槽形状。

进一步具体地说，上述技术方案中，所述的通孔形状为圆形、长圆形、长方形、椭圆或三角形。

进一步具体地说，上述技术方案中，所述的沉槽形状为圆形、长圆形、长方形、椭圆或三角形。

进一步具体地说，上述技术方案中，在所述的第四步骤中，所述的环境因素包括环境温度、湿度信息、烧结控制温度与环境温度差异、水套进水温度、水套出水温度以及水套流量，将水套进水温度与环境温度视同，出水温度及流量采用试验值。

进一步具体地说，上述技术方案中，在所述的第六步骤中，通过包含零件产品材料、零件产品几何参数，根据输入特征中零件产品几何参数的变化，通过冻结部分参数权重，训练出具有迁移学习能力的算法模型，从而对新产品在特定控制参数下的性能进行预测，并且由于输入特征中包含环境因素，由此特征训练的算法可根据天气情况实时调整工艺参数。

本发明的有益效果是：本发明提出的一种适用于深度学习金属注射成型烧结产品质量特征处理方法，在该方法中，除了常规地将烧结工艺参数（烧结温度、升降温速度、保温时间、分压、冷却水套流量以及零件产品位置信息）作为输入数据外，还增加了零件产品材料、零件产品几何参数以及环境因素这些参数作为输入特征，将产品各质量性能数值作为输出预测特征，以此特征训练得到的算法模型可以在新产品极少量试验数据情况下，根据输入特征中零件产品几何参数的变化，通过冻结部分参数权重，训练出具有迁移学习能力的算法模型，从而对新产品在特定控制参数下的性能进行预测，有效减少新产品开发中试验及算法模型训练的工作量，并且由于输入特征中包含环境因素，由此特征训练的算法可根据天气情况实时调整工艺参数，进一步提高产品良率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的工作原理图。

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

见图1，一种适用于深度学习金属注射成型烧结产品质量特征处理方法，具体包括以下步骤：

第一步骤、收集现有不同烧结零件产品的试验数据。

第二步骤、通过零件产品材料表整理出零件产品材料，该零件产品材料表可以选用bom表；bom，物料清单，也就是以数据格式来描述产品结构的文件，是计算机可以识别的产品结构数据文件，也是erp的主导文件；bom使系统识别产品结构，也是联系与沟通企业各项业务的纽带；erp系统中的bom的种类主要包括5类：缩排式bom、汇总的bom、反查用bom、成本bom以及计划bom。

第三步骤、通过零件图纸计算出零件产品几何参数，该零件图纸可以选用cad图纸，cad三维数据即可；cad，指利用计算机及其图形设备帮助设计人员进行设计工作。在设计中通常要用计算机对不同方案进行大量计算、分析和比较，以决定最优方案；各种设计信息都能存放在计算机内存或外存里，并能快速检索；设计人员通常用草图开始设计，将草图变为工作图的工作交给计算机完成；由计算机自动产生设计结果，快速作出图形，使设计人员及时对设计做出判断和修改；利用计算机可以进行与图形的编辑、放大、缩小、平移、复制和旋转等有关的图形数据加工工作。

第四步骤、通过产品生产日期，查找试验日期环境因素；

第五步骤、对所有输入参数进行标准化及归一化设置，作为算法模型训练所需的输入特征；

第六步骤、训练出具有迁移学习能力的算法模型。

在第一步骤中，试验数据包括试验控制参数、零件位置、性能以及日期信息等，其中试验控制参数包括工作压力、烧结温度、升降温速度、保温时间、分压、冷却水套流量、冷却水流量以及冷却水温度等。零件位置包括层数、列数以及行数等。性能包括角度、平面度、垂直度、位置度、拉伸强度、断裂伸长率、硬度、密度以及收缩率等。日期信息是烧结产品试验的时间，主要是用来查找当天温度。

其中，层数、列数以及行数等采用0ne-hot编码形式记录，非数值形式。0ne-hot编码是用n位状态寄存器来对n个状态进行编码。

当然，层数、列数以及行数等亦可以使用label-hot，使用字符串来代替位置信息。

在第二步骤中，零件产品材料包括材料类型、材料组分以及材料占比等。

其中，材料类型设置采用0ne-hot编码形式处理，材料组分和材料占比采用数值形式。

当然，材料类型设置亦可以使用label-hot，使用字符串来代替位置信息。

在第三步骤中，零件产品几何参数包括通孔水利直径与零件水利直径之比、沉槽特征尺寸与零件水利直径之比、水利直径、最大厚度、最小厚度、外轮廓圆弧角度、通孔形状、通孔数量、沉槽数量以及沉槽形状等。

其中，通孔形状为圆形、长圆形、长方形、椭圆、三角形或n边形等，n边形可以是五边形、六边形、七边形或八边形等等。

沉槽形状为圆形、长圆形、长方形、椭圆、三角形或n边形等，n边形可以是五边形、六边形、七边形或八边形等等。

在第四步骤中，环境因素包括环境温度、湿度信息、烧结控制温度与环境温度差异、水套进水温度、水套出水温度以及水套流量等，将水套进水温度与环境温度视同，出水温度及流量采用试验值。

在第五步骤中，所有输入参数包括第一步骤中试验控制参数、零件位置等、第二步骤的零部件材料组分、占比参数等、第三步骤中的几何参数等以及第四步骤中的环境温度、湿度参数等。标准化及归一化设置由sklearn库中standardscaler方法进行。

在第六步骤中，通过包含零件产品材料和零件产品几何参数，可以在新产品极少量试验数据（3～5组试验数据）情况下，根据输入特征中零件产品几何参数的变化，通过冻结部分参数权重，训练出具有迁移学习能力的算法模型，从而对新产品在特定控制参数下的性能进行预测，有效减少新产品开发中试验及算法模型训练的工作量，并且由于输入特征中包含环境因素，由此特征训练的算法可根据天气情况实时调整工艺参数，进一步提高产品良率。算法调节工艺参数频率为每24h更新一次，根据当天下午一点至两点平均温度、湿度作为依据进行参数。

其中，参数权重的设置方法是：深度神经网络模型通过keras接口将需冻结层layer的trainable参数改为false。

传统试验doe方法，烧结炉工艺参数包括温度、时间和分压三种类型，且每个参数选择3个因子时，需要11～27组试验，全部完成试验时间需3～6个月，且样件良品率也严重依赖试验设计工程的经验，风险较大。

需要说明的是：doe（试验设计）在质量控制的整个过程中扮演了非常重要的角色，它是我们产品质量提高，工艺流程改善的重要保证。doe步骤：一、筛选主要显著的因子；二、找出最佳之生产条件组合；三、证明最佳生产条件组合有再现性。判断doe第一阶段实验成功：一、在anova分析中出现了1～4个显著因子；二、这些显著因子的累积贡献率在75%以上。判断doe第二阶段实验成功：在anova分析中没有出现显著因子。

本发明使用基于深度学习模型的方法，在试验进行到1/3或1/2时，可不断利用已经完成的烧结试验进行训练，即可根据模型预测后续试验结果参数。当有新产品试验需求时，在新产品试验进行（3～5组）1/6时，通过将其他零件的算法模型部分参数冻结，使用新产品试验数据进行训练，从而在试验更早阶段预测产品性能，采用质量特征处理方法的时间是一周左右。

通常对于特定产品来说，烧结参数一旦确定，便不会再做调整，但随着外部环境变化，冷却水水温发生变化，导致烧结炉外壁换热条件发生变化而影响烧结炉内温度场分布，进一步引起烧结产品质量波动，现在的输入特征把外部环境因素考虑在内，所训练的模型能够对外部环境的变化做出相应调整，实时控制烧结工艺参数以保持良率的稳定。

本发明的关键点在于烧结零件产品的输入特征选择，除烧结炉控制参数以及产品位置信息之外，还增加了零件产品材料、零件产品几何参数和环境因素，提出零件产品几何参数的具体种类以及具体环境因素，用此特征训练出的模型，后期适用于新产品的迁移学习，并能够实现不同环境下对烧结工艺的实时控制。

以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。