[發明專利]適用于深度模型訓練的燒結工藝產品質量特征處理方法及系統

在審

• 申請號: 202010982479.9
• 申請日: 2020-09-17
• 公開（公告）號: CN112214925A
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 顧徐波;王闖;馬元巍;宋怡然
• 申請（專利權）人: 上海微億智造科技有限公司;常州微億智造科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/08;B22F3/10
• 代理公司: 上海段和段律師事務所 31334
• 代理人: 李佳俊;郭國中

本發明提供了一種適用于深度模型訓練的燒結工藝產品質量特征處理方法及系統，包括：步驟S1：整理已完成N爐次燒結生產數據，包括每爐次燒結爐控制參數及對應產品性能數據，形成相關的數據庫；步驟S2：進行數據挖掘，特征分析，將數據庫信息轉化為模型所需的輸入，輸出特征；步驟S3：搭建深度學習模型，建立網絡結構拓撲，獲取網絡層數信息、神經元數量信息、激活函數信息、dropout參數信息；步驟S4：獲得適用于深度模型訓練的燒結工藝產品質量特征處理結果信息，以及特定工況下燒結產品各項性能。本發明能夠根據全新燒結工藝中的控制參數預測樣品各項性能及良品率，有效提高新產品DOE試驗有效性，縮短試驗驗證時間。

技術領域

本發明涉及質量特征處理技術領域，具體地，涉及適用于深度模型訓練的燒結工藝產品質量特征處理方法及系統。

背景技術

燒結是粉末冶金生產過程中最基本的工序之一，也是粉末冶金生產過程的最后一道工序，對最終產品的性能起著決定性作用，因為由燒結造成的廢品是無法通過后續工序挽救。燒結是在高溫下進行，工序較長，還需要有適當的保護氣氛，從經濟學角度考慮，燒結工序的消耗是構成產品成本的重要部分，因此，改進操作和設備，減少物質與能量消耗，如降低燒結溫度、縮短燒結時間具有很大的經濟價值。以往廠家需要生產一種新的產品前，普遍采用DOE(Design of Experiment)試驗設計來尋找燒結爐的一種可行的參數(溫度，燒結時間，燒結分壓)，能夠滿足產品的良率要求，以進行大規模投產。然而，這種DOE試驗方法比較依賴人的經驗，且需要不斷試驗，效率較低。通過引入深度學習的方法，利用以往工廠的生產記錄和DOE試驗記錄，可以形成一種深度學習模型。模型學習以往經驗，能夠較好地根據燒結參數推出燒結產品的質量。從而降低前期的試驗周期，得到合理的燒結溫度和燒結時間，為企業帶來價值。

以往應對新產品開發需求時，燒結工藝需要根據傳統DOE手段，根據經驗選擇有效控制參數，如燒結時間，升降溫速率，燒結溫度等等，但試驗參數確定后，需要經過長時間試驗驗證，且良品率嚴重依賴工程師經驗，效率較低。

專利文獻CN111283186A公開了一種燒結體制造裝置和燒結體制造方法。該燒結體制造裝置包括：壓制裝置；機械加工裝置；壓坯輸送路徑；未燒結材料輸送路徑；托盤；壓坯轉移裝置；待用臺架，其構造成在壓坯被移動到機械加工裝置之前將放置有壓坯的托盤暫時保持在待用臺架上待用，在未燒結材料被轉移到燒結爐之前將放置有未燒結材料的托盤暫時保持在待用臺架上待用；輸送側轉移裝置，其構造成通過將放置有壓坯的托盤保持且放置到待用臺架將壓坯轉移到待用臺架，并通過將待用臺架上的托盤保持且放置到未燒結材料輸送路徑將未燒結材料轉移到燒結爐；以及未燒結材料轉移裝置，其通過僅保持未燒結材料將未燒結材料轉移到燒結爐。該專利在性能上仍然有待提高的空間。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種適用于深度模型訓練的燒結工藝產品質量特征處理方法及系統。

根據本發明提供的一種適用于深度模型訓練的燒結工藝產品質量特征處理方法，包括：

步驟S1：整理已完成N爐次燒結生產數據，包括每爐次燒結爐控制參數及對應產品性能數據，形成相關的數據庫；

步驟S2：進行數據挖掘，特征分析，將數據庫信息轉化為模型所需的輸入，輸出特征；

步驟S3：搭建深度學習模型，建立網絡結構拓撲，初步獲取網絡層數信息、神經元數量信息、激活函數信息、dropout參數信息；

步驟S4：獲得適用于深度模型訓練的燒結工藝產品質量特征處理結果信息，以及特定工況下燒結產品各項性能。

優選地，所述步驟S3包括：

步驟S3.1：將整理的N爐次輸入輸出數據，拿出X組作為測試集，并將余下的N-X組分為訓練集、驗證集；

其中，N為爐次，X為測試集的組序號；