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(shí)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(shì)，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(duì)鑄件質(zhì)量進(jìn)行精確的預(yù)測(cè)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(jiǎn)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(duì)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(kù)，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(cè)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(cè)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(jí)（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(jí)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(jí)，人工輸入MES系統(tǒng)。質(zhì)量等級(jí)分為0、1、2，其中0級(jí)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(jí)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(jí)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(kù)軟件對(duì)數(shù)據(jù)集進(jìn)行儲(chǔ)存與檢索。

為了降低冗余參數(shù)或者噪音參數(shù)對(duì)模型預(yù)測(cè)準(zhǔn)確性產(chǎn)生影響，需要首先對(duì)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(duì)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(duì)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(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練與測(cè)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(cè)準(zhǔn)確率見表2。可以看出，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(cè)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(duì)未知數(shù)據(jù)的泛化推廣能力。相對(duì)而言，袋裝樹模型的測(cè)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(duì)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(cè)準(zhǔn)確性與泛化能力。因此，本研究選擇具有最優(yōu)預(yù)測(cè)能力的袋裝樹模型作為關(guān)鍵工藝參數(shù)分析的預(yù)測(cè)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(cè)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(cè)試集混淆矩陣

通過對(duì)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(duì)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(duì)于已知訓(xùn)練集的預(yù)測(cè)能力極強(qiáng)，而對(duì)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(cè)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(cè)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(duì)這些工藝參數(shù)進(jìn)行集成分析與降維，是未來對(duì)于壓鑄智能化控制領(lǐng)域?qū)⒁鎸?duì)的主要挑戰(zhàn)與重要研究?jī)?nèi)容。

表4 數(shù)據(jù)集類聚中心間距與類等效半徑

(a)相對(duì)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(duì)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(duì)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(cè)準(zhǔn)確率為100%，測(cè)試集準(zhǔn)確率為60.9%，測(cè)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(cè)的容忍真正率（TTPR）分別為80.6%、68.3%、84.4%。

（2）通過相對(duì)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(duì)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(guó)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