原標(biāo)題：上海交大：基于機(jī)器學(xué)習(xí)的輕合金壓鑄關(guān)鍵工藝參數(shù)分析

隨著汽車制造技術(shù)的更新迭代，以鎂、鋁代鋼，以鑄代沖得到行業(yè)的重視。在全球雙碳政策達(dá)成基本共識的背景下，輕量化、低碳、節(jié)能得到廣泛關(guān)注。大型復(fù)雜薄壁結(jié)構(gòu)件減重效果好、制造效率高，是汽車輕量化與制造高效化發(fā)展的必然趨勢，當(dāng)前超大型一體化集成設(shè)計(jì)產(chǎn)品正在被各主機(jī)廠開發(fā)和應(yīng)用。高壓鑄造作為大鑄件高效成形方法之一也存在若干技術(shù)壁壘，與傳統(tǒng)壓鑄件合格率（90%以上）相比，大鑄件成品率僅有50%~70%。大型薄壁一體化壓鑄件在壓鑄過程中，存在鑄件各部位鑄造條件不均勻、影響鑄件品質(zhì)的因素眾多（30~50種）、參數(shù)與質(zhì)量間的映射關(guān)系復(fù)雜高維等問題，很難通過傳統(tǒng)的“經(jīng)驗(yàn)+試錯(cuò)”法來對鑄件質(zhì)量進(jìn)行精確的預(yù)測與控制。隨著現(xiàn)代信息技術(shù)與人工智能的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法已經(jīng)逐漸融入先進(jìn)材料研究與制造過程，推動(dòng)了材料制造智能化的發(fā)展。在輕合金研發(fā)與制造領(lǐng)域，多項(xiàng)研究證明了機(jī)器學(xué)習(xí)在建立材料“參數(shù)-性能”關(guān)系的有效性，但這些研究大多基于少量樣本和參數(shù)的簡單制造方法，無法適用于工藝參數(shù)眾多、影響因素復(fù)雜的大型一體化壓鑄的實(shí)際工業(yè)制造過程。針對此問題，本研究建立基于工業(yè)壓鑄生產(chǎn)線的“壓鑄工藝參數(shù)-鑄件下線質(zhì)量”關(guān)系大數(shù)據(jù)庫，通過大數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)的方法建立鑄件質(zhì)量預(yù)測模型，獲得15種壓鑄關(guān)鍵工藝參數(shù)與鑄件品質(zhì)的影響權(quán)重排序，為大型一體化壓鑄過程智能控制提供參考。

圖文結(jié)果

為了建立壓鑄工藝參數(shù)與鑄件質(zhì)量之間的大數(shù)據(jù)預(yù)測模型，通過制造執(zhí)行系統(tǒng)（MES）采集與記錄了2452條經(jīng)過異常值去除的鋁合金前機(jī)艙壓鑄生產(chǎn)線數(shù)據(jù)樣本，并通過Matlab軟件提取相關(guān)工藝參數(shù)形成數(shù)據(jù)集，數(shù)據(jù)集結(jié)構(gòu)見圖1。每一條樣本由27個(gè)壓鑄機(jī)本體工藝參數(shù)（模型輸入）與1個(gè)鑄件質(zhì)量等級（模型輸出）組成。工藝參數(shù)由壓鑄機(jī)集成的傳感器采集，直接匯入工廠MES系統(tǒng)；質(zhì)量等級為鑄件下線后由人工檢查鑄件表面各類缺陷后判斷所得的等級，人工輸入MES系統(tǒng)。質(zhì)量等級分為0、1、2，其中0級代表報(bào)廢，即該鑄件外觀缺陷較為明顯、數(shù)量較多，不滿足合格標(biāo)準(zhǔn)，下線后直接淘汰；1級代表待定，即鑄件外觀缺陷數(shù)量中等，需要通過后續(xù)檢驗(yàn)來確定是否淘汰；2級代表合格品，即外觀缺陷較少，符合產(chǎn)品合格標(biāo)準(zhǔn)。采用MySQL數(shù)據(jù)庫軟件對數(shù)據(jù)集進(jìn)行儲存與檢索。

為了降低冗余參數(shù)或者噪音參數(shù)對模型預(yù)測準(zhǔn)確性產(chǎn)生影響，需要首先對工藝參數(shù)進(jìn)行篩選與降維。主成分分析（PCA）等降維算法是應(yīng)對維度爆炸的常用方法，但經(jīng)過主成分分析后的特征可解釋性較差，難以分析不同工藝參數(shù)在壓鑄過程中所產(chǎn)生的影響。因此，本研究結(jié)合專家經(jīng)驗(yàn)與數(shù)據(jù)波動(dòng)分析對27個(gè)工藝參數(shù)進(jìn)行預(yù)篩選降維，在消除冗余特征與噪音過大參數(shù)的同時(shí)保持可解釋性。經(jīng)過預(yù)篩選后，選用與鑄件品質(zhì)相關(guān)程度較高、數(shù)據(jù)分布較為優(yōu)質(zhì)的15個(gè)工藝參數(shù)進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練集的建立，見表1。

圖1 壓鑄大數(shù)據(jù)集結(jié)構(gòu)

表1 篩選后的壓鑄工藝參數(shù)

本研究通過Matlab R2021a軟件中集成的K近鄰、支持向量機(jī)、袋裝樹以及BP神經(jīng)網(wǎng)絡(luò)模型對數(shù)據(jù)集進(jìn)行訓(xùn)練與測試，并通過超參數(shù)調(diào)節(jié)，分別獲得了各模型最優(yōu)的訓(xùn)練結(jié)果。模型超參數(shù)與預(yù)測準(zhǔn)確率見表2?？梢钥闯?，4種模型均能獲得極高的訓(xùn)練集準(zhǔn)確率，表示此4種機(jī)器學(xué)習(xí)模型均具備極高的高緯度非線性分類能力。但是K近鄰、支持向量機(jī)以及BP神經(jīng)網(wǎng)絡(luò)3個(gè)模型的測試集準(zhǔn)確率卻非常低下，產(chǎn)生了較為嚴(yán)重的過擬合，缺乏對未知數(shù)據(jù)的泛化推廣能力。相對而言，袋裝樹模型的測試集準(zhǔn)確率達(dá)60.9%，泛化能力顯著高于其他幾種機(jī)器學(xué)習(xí)模型。袋裝樹模型屬于集成學(xué)習(xí)方法的一種，原理見圖2。該模型利用多個(gè)決策樹模型（Decision Tree）分別對多個(gè)子數(shù)據(jù)集進(jìn)行訓(xùn)練學(xué)習(xí)，通過投票的方法進(jìn)行袋裝（Bagging），將多個(gè)準(zhǔn)確率低下的弱分類器組合成一個(gè)具有較強(qiáng)準(zhǔn)確率的強(qiáng)分類器。和BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等單分類器模型相比，集成算法有效減少了數(shù)據(jù)波動(dòng)的隨機(jī)性與高噪聲所帶來的準(zhǔn)確率下降，也減少了過擬合的風(fēng)險(xiǎn)，從而提升了模型總體預(yù)測準(zhǔn)確性與泛化能力。因此，本研究選擇具有最優(yōu)預(yù)測能力的袋裝樹模型作為關(guān)鍵工藝參數(shù)分析的預(yù)測模型。

表2 不同機(jī)器學(xué)習(xí)模型的超參數(shù)設(shè)置與模型預(yù)測準(zhǔn)確率

圖2 袋裝樹模型原理示意圖

圖3 袋裝樹模型訓(xùn)練損失與決策樹數(shù)量的關(guān)系曲線

表3 測試集混淆矩陣

通過對數(shù)據(jù)集進(jìn)行均值與歐氏距離計(jì)算，可以獲得3類數(shù)據(jù)的等效半徑以及兩個(gè)類均值中心之間的間距，見表4。R0、R1、R2分別代表報(bào)廢、待定、合格3類鑄件的工藝參數(shù)的等效半徑，D01、D02、D12分別代表3類鑄件工藝參數(shù)均值中心之間的距離。顯然，3類的等效半徑均大于3個(gè)中心間距，說明3類數(shù)據(jù)之間存在較大的重疊區(qū)域，分類模型若要獲得較高的訓(xùn)練集準(zhǔn)確率，則需要對重疊區(qū)域數(shù)據(jù)進(jìn)行細(xì)致分割，一定會(huì)產(chǎn)生嚴(yán)重的過擬合現(xiàn)象，導(dǎo)致模型對于已知訓(xùn)練集的預(yù)測能力極強(qiáng)，而對于未知樣本的泛化推廣能力較為薄弱。由于鑄件品質(zhì)不僅受到壓鑄機(jī)本體的27個(gè)主要工藝參數(shù)的影響，同樣受到模溫機(jī)、真空機(jī)、噴涂設(shè)備、點(diǎn)冷機(jī)等多個(gè)周邊設(shè)備上眾多工藝參數(shù)的影響，忽略這些因素是導(dǎo)致數(shù)據(jù)分布產(chǎn)生缺陷的主要原因。若需要進(jìn)一步有效提升模型預(yù)測性能，則必須將壓鑄周邊設(shè)備的重要工藝參數(shù)進(jìn)行集成，建立更復(fù)雜更龐大的預(yù)測模型。然而，這些周邊設(shè)備的工藝參數(shù)眾多，可達(dá)800個(gè)以上，目前尚未有完善的方法來對這些工藝參數(shù)進(jìn)行集成分析與降維，是未來對于壓鑄智能化控制領(lǐng)域?qū)⒁鎸Φ闹饕魬?zhàn)與重要研究內(nèi)容。

表4 數(shù)據(jù)集類聚中心間距與類等效半徑

(a)相對重要度   (b)靈敏度圖4
壓鑄關(guān)鍵工藝參數(shù)重要性分布圖

結(jié)論

（1）以鋁合金大型薄壁壓鑄件生產(chǎn)線中獲取的工業(yè)大數(shù)據(jù)為研究對象，通過袋裝樹方法建立了壓鑄關(guān)鍵工藝參數(shù)與鑄件下線質(zhì)量之間的多參數(shù)映射模型，可以初步實(shí)現(xiàn)對前機(jī)艙等壓鑄件進(jìn)行下線質(zhì)量初篩，減少人工成本。模型的訓(xùn)練集預(yù)測準(zhǔn)確率為100%，測試集準(zhǔn)確率為60.9%，測試集容忍準(zhǔn)確率為77.3%，報(bào)廢、待定和合格3類鑄件預(yù)測的容忍真正率（TTPR）分別為80.6%、68.3%、84.4%。

（2）通過相對重要度與靈敏度的計(jì)算，獲得了15種壓鑄關(guān)鍵工藝參數(shù)對鑄件品質(zhì)影響程度的大小，為大型薄壁壓鑄件壓鑄工藝參數(shù)的優(yōu)化與控制策略提供參考。

本文作者：

王鑫 汪星辰 彭立明 付彭懷
上海交通大學(xué)材料科學(xué)與工程學(xué)院輕合金精密成型國家工程研究中心

本文來自：《特種鑄造及有色合金》雜志，《壓鑄周刊》戰(zhàn)略合作伙伴