一种基于机器学习的熔模铸造工艺参数智能优化方法技术

本发明专利技术适用于铸造工艺技术领域，提供了一种基于机器学习的熔模铸造工艺参数智能优化方法，所述方法包括以下步骤：采集射蜡和浇注过程的数据进行数据预处理，选择关键特征构建数据集；基于集成学习XGBoost构建以工艺出品率为输出的数据模型；将构建的数据模型视为被优化函数，通过粒子群智能优化算法寻找最优工艺参数组合；将最优工艺参数组合中的最优化工艺参数在数值模拟软件中进行验证。基于所述数据模型使用粒子群算法寻找最优工艺参数，以此来降低生产成本、产品设计以及试制的周期，实现工艺参数的最优化，且提高铸件工艺出品率。且提高铸件工艺出品率。且提高铸件工艺出品率。

【技术实现步骤摘要】
一种基于机器学习的熔模铸造工艺参数智能优化方法


[0001]本专利技术涉及铸造工艺
，具体是涉及一种基于机器学习的熔模铸造工艺参数智能优化方法。

技术介绍

[0002]铸造工艺的影响因素较多，且各因素间的影响程度各不相同，在工艺参数优化的工作中，会消耗大量的人力、物力和财力，效率低、成本高，为了达到优化工艺参数的目的，需要反复多次进行实际铸造试验才可以达到优化目标，且铸造过程中的瞬时性及其影响因素的多样性大大增加了生产成本，产品设计和试制周期，很难保证可以提高产品质量和成品率。
[0003]随着科学技术的进步，铸造产业也向着智能化的方向发展。申请号为202110608714.0的专利公开了针对得到的数据集构建神经网络模型训练得到分类模型后代入备选的工艺参数进行验证，从而讨论最优化工艺参数；申请号为201810592731.8的专利公开了基于神经网络构建“生产
‑
工艺
‑
检测”的缺陷预测数据模型。现有技术中主要存在问题有：备选工艺参数中可能不覆盖最优参数；使用数值模拟涉及机理复杂，计算困难以及铸造本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的熔模铸造工艺参数智能优化方法，其特征在于，所述方法包括以下步骤：采集射蜡和浇注过程的数据进行数据预处理，选择关键特征构建数据集；基于集成学习XGBoost构建以工艺出品率为输出的数据模型；将构建的数据模型视为被优化函数，通过粒子群智能优化算法寻找最优工艺参数组合；将最优工艺参数组合中的最优化工艺参数在数值模拟软件中进行验证。2.根据权利要求1所述的基于机器学习的熔模铸造工艺参数智能优化方法，其特征在于，所述采集射蜡和浇注过程的数据进行数据预处理，选择关键特征构建数据集的步骤，具体包括：采集射蜡和浇注过程的数据进行数据预处理，将数据划分为健康数据集和失效数据集；利用自助抽样法对健康数据集进行N次从给定训练集中有放回的均匀抽样，根据设定采样比例获得训练样本；计算训练样本的单调性、相关性以及鲁棒性得到综合评价指标，根据综合评价指标进行特征筛选，构建数据集，所述特征筛选的特征包括射蜡过程的保压压力、射蜡速度和射蜡温度，以及浇注过程的浇注温度、预热温度和边界换热系数。3.根据权利要求2所述的基于机器学习的熔模铸造工艺参数智能优化方法，其特征在于，所述将数据划分为健康数据集和失效数据集的依据为数据的不完整性、不一致性、有噪声和冗余性。4.根据权利要求2所述的基于机器学习的熔模铸造工艺参数智能优化方法，其特征在于，所述设定采样比例为0.7。5.根据权利要求2所述的基于机器学习的熔模铸造工艺参数智能优化方法，其特征在于，所述基于集成学习XGBoost构建以工艺出品率为输出的数据模型的步骤，具体包括：将所述特征作为输入X，X＝[X1(保压压力)，X2(射蜡速度)，X3(射蜡温度)，X4(浇注温度)，...

【专利技术属性】
技术研发人员：马洪波，凌李石保，汪东红，高清俊，吴庆捷，姜淼，蔡稷惟，孔宪光，
申请(专利权)人：西安邮电大学浙江鑫淼精密铸件股份有限公司，
类型：发明
国别省市：