一种压铸件缺陷预测及诊断系统技术方案

本发明专利技术公开一种压铸件缺陷预测及诊断系统，包括一个或多个处理器获取工艺参数，通过深度学习模型对工艺参数进行处理与分析，输出预测的缺陷信息。所述深度学习模型还包括输入处理组件，用以对工艺参数进行加权处理和归一化处理。在上述预测及诊断系统的构建过程中还需要通过相关性分析对工艺参数进行筛选，以提高计算效率。本发明专利技术所涉及的方法考虑了多个压铸过程中的工艺参数，采用机器学习算法构建起工艺参数同缺陷之间的关联，可以预测压铸件的缺陷类型，同时能够实现在线检测工艺参数，并预测这些参数是否会在压铸件中产生缺陷，对于改进生产、实时监控产品状态、提高压铸件检测效率具有很好的工业价值，而且可以显著提高压铸行业的生产效率。铸行业的生产效率。铸行业的生产效率。

【技术实现步骤摘要】
一种压铸件缺陷预测及诊断系统


[0001]本专利技术涉及压铸领域，尤其涉及一种压铸件缺陷预测及诊断系统。

技术介绍

[0002]压铸工艺中需要控制的工艺参数众多，而且相互之间具有关联，是一个复杂的整体，其中某个参数发生改变，就可能会引起压铸件的质量问题。随着客户对于产品质量要求不断提升，确保产品质量稳定对于压铸机愈发重要。
[0003]目前在实际使用中，主要通过抽检的方式对加工后的压铸件进行检验分析，根据检验结果对工艺进行反复调整优化，需要耗费大量的检测时间。而且这种检测方法并未涉及对生产过程中的各类工艺参数的分析，无法建立起压铸件缺陷与工艺参数之间的关系，也无法根据工艺参数对压铸件的质量情况进行预测。抽检的方式还存在需要多次抽检、效率低等问题，同时不能进行在线过程质量检验。
[0004]在质量控制领域，控制图也是一种常见的工具。控制图是用于分析和判断过程是否处于稳定状态所使用的带有控制界限的图，是具有区分正常波动和异常波动的功能图表。控制图可以用来控制生产过程中有关质量特性值的变化情况，看工序是否处于稳定受控状态；也可以发现生产过程是否出现了异常情况，以预防产生不合格品。但是由于压铸环境比较恶劣，操作复杂，同时压铸机的自动化水平有限，传统的控制图法难以在实际生产中使用。

技术实现思路

[0005]本专利技术的目的在于提供一种压铸件缺陷预测及诊断系统，以解决现有技术中存在的问题。为了实现上述目的，本专利技术的具体技术方案如下：一种压铸件缺陷预测及诊断系统,包括一个或多个处理器获取工艺参数；所述一个或多个处理器用于执行深度学习模型；所述一个或多个处理器将所述工艺参数输入所述深度学习模型中；执行所述深度学习模型的所述一个或多个处理器使用所述深度学习模型预测缺陷信息；所述一个或多个处理器输出所述预测的缺陷信息。
[0006]优选地，所述深度学习模型包括输入层、中间层、输出层，所述中间层包括卷积层、池化层、全连接层。
[0007]优选地，所述工艺参数为多个，包括工艺参数以及相应参数在压铸过程中的变化值。
[0008]优选地，所述深度学习模型还包括输入处理组件，所述输入处理组件用以将所述一个或多个处理器输入的所述工艺参数进行数据处理后输入到所述深度学习模型的输入层。
[0009]优选地，所述数据处理包括加权处理，所述加权处理为对所述工艺参数乘以每个工艺参数的权重系数。
[0010]优选地，所述工艺参数的权重系数计算步骤如下：
步骤1，收集数据集，所述数据集包括工艺参数以及对应的压铸件缺陷数据；步骤2，以压铸件缺陷Y，工艺参数构造线性模型；采用一次线性回归的方式，估算的值，得到。每个工艺参数权重系数R的计算方法如下：。
[0011]优选地，所述数据处理包括归一化处理。
[0012]优选地，所述归一化处理采用min
‑
max标准化方法。
[0013]优选地，所述工艺参数包括平均低速、平均高速、高速起点、料柄厚度、建压时间、填充时间、铸造压力、挤压销行程、锁模力、金属液温度、系统油温、喷涂剂量。
[0014]优选地，所述一个或多个处理器通过工艺参数采集模块实时获取工艺参数；所述工艺参数采集模块包括数据采集终端、数据处理模块单元；所述数据采集终端获取多个工艺参数后，传输到数据处理模块单元，所述数据的处理模块单元对数据采集终端采集到的工艺参数进行数据处理后传输给所述一个或多个处理器；所述数据采集终端通过若干传感器和/或同压铸机或压铸机配套设备的控制器的通讯获取工艺参数，所述通讯包括有线通讯和无线通讯；所述传感器为压力传感器、脉冲编码器数据、温度传感器、锁模力传感器、热敏电阻、超声波测量仪中任多种的组合；所述数据处理模块单元采用巴特沃斯滤波算法对所述数据采集终端采集到的信息进行处理。
[0015]优选地，所述缺陷信息包括期望缺陷类型。
[0016]优选地，所述期望缺陷类型包括无缺陷、压铸件缺陷类型、压铸件是否为热模状态下的压铸件；所述压铸件缺陷类型包括压铸件表面缺陷，压铸件内部缺陷；所述压铸件表面缺陷包括但不限于压冷隔、欠铸、气泡、凹陷、飞边、分层、拉痕、开裂、边角残缺、毛刺；所述压铸件内部缺陷包括但不限于气孔、空气孔、缩孔、夹渣。
[0017]优选地，所述深度学习模型输出的期望缺陷类型包括多个分类，每个分类中包括至少一个缺陷类型。
[0018]优选地，所述一个或多个处理器根据所述预测的缺陷信息执行所述缺陷原因规则搜索；所述缺陷原因规则搜索根据所述预测的缺陷信息在压铸件质量数据库内进行搜索输出造成期望缺陷类型的原因；所述造成期望缺陷类型的原因为一个原因或多个原因或多个原因的排序；所述造成期望缺陷类型的原因包括造成压铸件出现期望缺陷类型的工艺参数的项目、偏离方向、建议取值范围中任一种或多种的组合。
[0019]一种压铸件缺陷预测及诊断系统用工艺参数的筛选方法，包括如下步骤：步骤1，采集压铸过程中的工艺参数；步骤2，通过压铸机机械结构、物理规律识别出相关性较强的工艺参数或通过灰色关联度分析法对工艺参数间的相关性进行分析，识别出相关性较强的工艺参数，之后对具有强相关性的两个或多个工艺参数，仅保留其中一个工艺参数。
[0020]优选地，还包括步骤3，收集步骤2中筛选获得的多个工艺参数对应的压铸件缺陷数据，并对压铸件缺陷情况和多个工艺参数进行相关性分析；所述相关性分析方法为多变量相关性分析，识别出同压铸件缺陷情况具有强相关性的工艺参数，作为输入所述深度学
习模型的工艺参数。
[0021]优选地，所述强相关性是指相关性系数大于0.75。
[0022]一种压铸件缺陷预测及诊断系统的训练方法，包括如下步骤：步骤1，构造训练样本，所述训练样本包括工艺参数及其对应的压铸产品缺陷数据；步骤2，将工艺参数输入深度学习模型，获得深度学习模型输出的缺陷信息；步骤3，通过均方差误差函数计算深度学习模型输出的缺陷信息的预测精确度；步骤4，采用随机梯度下降方法、BPTT算法、前向传播算法、反向传播算法中任一种或任多种的组合对深度学习模型进行优化，通过优化深度学习模型的权重和偏置来减小与缺陷样本之间的误差；当误差稳定后，完成用于预测压铸缺陷训练的深度学习模型的训练。
[0023]优选地，步骤3中均方差误差函数用于计算深度学习模型输出的缺陷信息与训练样本中压铸件缺陷数据之间的误差，得出所述深度学习模型预测精确度。
[0024]优选地，步骤3中均方差误差函数用于计算深度学习模型输出的缺陷信息之间的误差，得出所述深度学习模型预测精确度。
[0025]与现有技术相比，本专利技术所涉及的一种压铸件缺陷预测及诊断系统考虑了多个压铸过程中的工艺参数，采用机器学习算法(Deep Learning Algorithm) 构建起工艺参数同缺陷之间的关联，可以预测压铸件是否有缺陷，以及期望缺陷类型。同时本专利技术所涉及的方法能够实现在线检测工艺参数，并预测这些参数是否会在压铸件中产生缺陷，对于改进生产、实时监控产品状态、提高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种压铸件缺陷预测及诊断系统,其特征在于，包括一个或多个处理器获取工艺参数；所述一个或多个处理器用于执行深度学习模型；所述一个或多个处理器将所述工艺参数输入所述深度学习模型中；执行所述深度学习模型的所述一个或多个处理器使用所述深度学习模型预测缺陷信息；所述一个或多个处理器输出所述预测的缺陷信息。2.根据权利要求1所述的一种压铸件缺陷预测及诊断系统，其特征在于，所述深度学习模型包括输入层、中间层、输出层，所述中间层包括卷积层、池化层、全连接层。3.根据权利要求1所述的一种压铸件缺陷预测及诊断系统，其特征在于，所述工艺参数为多个，包括工艺参数以及相应参数在压铸过程中的变化值。4.根据权利要求2所述的一种压铸件缺陷预测及诊断系统，其特征在于，所述深度学习模型还包括输入处理组件，所述输入处理组件用以将所述一个或多个处理器输入的所述工艺参数进行数据处理后输入到所述深度学习模型的输入层。5.根据权利要求4所述的一种压铸件缺陷预测及诊断系统，其特征在于，所述数据处理包括加权处理，所述加权处理为对所述工艺参数乘以每个工艺参数的权重系数。6.根据权利要求5所述的一种压铸件缺陷预测及诊断系统，其特征在于，所述工艺参数的权重系数计算步骤如下：步骤1，收集数据集，所述数据集包括工艺参数以及对应的压铸件缺陷数据；步骤2，以压铸件缺陷Y，工艺参数，构造线性模型；采用一次线性回归的方式，估算的值，得到，每个工艺参数权重系数R的计算方法如下： 。7.根据权利要求4所述的一种压铸件缺陷预测及诊断系统，其特征在于，所述数据处理包括归一化处理。8.根据权利要求7所述的一种压铸件缺陷预测及诊断系统，其特征在于，所述归一化处理采用min
‑
max标准化方法。9.根据权利要求3所述的一种压铸件缺陷预测及诊断系统，其特征在于，所述工艺参数包括平均低速、平均高速、高速起点、料柄厚度、建压时间、填充时间、铸造压力、挤压销行程、锁模力、金属液温度、系统油温、喷涂剂量。10.根据权利要求1所述的一种压铸件缺陷预测及诊断系统，其特征在于，所述一个或多个处理器通过工艺参数采集模块实时获取工艺参数；所述工艺参数采集模块包括数据采集终端、数据处理模块单元；所述数据采集终端获取多个工艺参数后，传输到数据处理模块单元，所述数据的处理模块单元对数据采集终端采集到的工艺参数进行数据处理后传输给所述一个或多个处理器；所述数据采集终端通过若干传感器和/或同压铸机或压铸机配套设备的控制器的通讯获取工艺参数，所述通讯包括有线通讯和无线通讯；所述传感器为压力传感器、脉冲编码器数据、温度传感器、锁模力传感器、热敏电阻、超声波测量仪中任多种的组合；所述数据处理模块单元采用巴特沃斯滤波算法对所述数据采集终端采集到的信息进行处理。
11.根据权利要求1所述的一种压铸件缺陷预测及诊断系统，其特征在于，所述缺陷信息包括期望缺陷类型。12.根据权利要求11所述的一种压铸件缺陷预测及诊断系统，其特...

【专利技术属性】
技术研发人员：程鹏，徐建华，叶盛，陈列，龙孟威，虞科，
申请(专利权)人：宁波海天金属成型设备有限公司，
类型：发明
国别省市：