原標題：上海交大：基于機器學習的輕合金壓鑄關鍵工藝參數(shù)分析

隨著汽車制造技術的更新迭代，以鎂、鋁代鋼，以鑄代沖得到行業(yè)的重視。在全球雙碳政策達成基本共識的背景下，輕量化、低碳、節(jié)能得到廣泛關注。大型復雜薄壁結構件減重效果好、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，當前超大型一體化集成設計產(chǎn)品正在被各主機廠開發(fā)和應用。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、影響鑄件品質的因素眾多（30~50種）、參數(shù)與質量間的映射關系復雜高維等問題，很難通過傳統(tǒng)的“經(jīng)驗+試錯”法來對鑄件質量進行精確的預測與控制。隨著現(xiàn)代信息技術與人工智能的發(fā)展，基于數(shù)據(jù)驅動的機器學習方法已經(jīng)逐漸融入先進材料研究與制造過程，推動了材料制造智能化的發(fā)展。在輕合金研發(fā)與制造領域，多項研究證明了機器學習在建立材料“參數(shù)-性能”關系的有效性，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、影響因素復雜的大型一體化壓鑄的實際工業(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)-鑄件下線質量”關系大數(shù)據(jù)庫，通過大數(shù)據(jù)驅動的機器學習的方法建立鑄件質量預測模型，獲得15種壓鑄關鍵工藝參數(shù)與鑄件品質的影響權重排序，為大型一體化壓鑄過程智能控制提供參考。

圖文結果

為了建立壓鑄工藝參數(shù)與鑄件質量之間的大數(shù)據(jù)預測模型，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艙壓鑄生產(chǎn)線數(shù)據(jù)樣本，并通過Matlab軟件提取相關工藝參數(shù)形成數(shù)據(jù)集，數(shù)據(jù)集結構見圖1。每一條樣本由27個壓鑄機本體工藝參數(shù)（模型輸入）與1個鑄件質量等級（模型輸出）組成。工藝參數(shù)由壓鑄機集成的傳感器采集，直接匯入工廠MES系統(tǒng)；質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)。質量等級分為0、1、2，其中0級代表報廢，即該鑄件外觀缺陷較為明顯、數(shù)量較多，不滿足合格標準，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)品合格標準。采用MySQL數(shù)據(jù)庫軟件對數(shù)據(jù)集進行儲存與檢索。

為了降低冗余參數(shù)或者噪音參數(shù)對模型預測準確性產(chǎn)生影響，需要首先對工藝參數(shù)進行篩選與降維。主成分分析（PCA）等降維算法是應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，本研究結合專家經(jīng)驗與數(shù)據(jù)波動分析對27個工藝參數(shù)進行預篩選降維，在消除冗余特征與噪音過大參數(shù)的同時保持可解釋性。經(jīng)過預篩選后，選用與鑄件品質相關程度較高、數(shù)據(jù)分布較為優(yōu)質的15個工藝參數(shù)進行機器學習訓練集的建立，見表1。

圖1 壓鑄大數(shù)據(jù)集結構

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、袋裝樹以及BP神經(jīng)網(wǎng)絡模型對數(shù)據(jù)集進行訓練與測試，并通過超參數(shù)調節(jié)，分別獲得了各模型最優(yōu)的訓練結果。模型超參數(shù)與預測準確率見表2。可以看出，4種模型均能獲得極高的訓練集準確率，表示此4種機器學習模型均具備極高的高緯度非線性分類能力。但是K近鄰、支持向量機以及BP神經(jīng)網(wǎng)絡3個模型的測試集準確率卻非常低下，產(chǎn)生了較為嚴重的過擬合，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確率達60.9%，泛化能力顯著高于其他幾種機器學習模型。袋裝樹模型屬于集成學習方法的一種，原理見圖2。該模型利用多個決策樹模型（Decision Tree）分別對多個子數(shù)據(jù)集進行訓練學習，通過投票的方法進行袋裝（Bagging），將多個準確率低下的弱分類器組合成一個具有較強準確率的強分類器。和BP神經(jīng)網(wǎng)絡、支持向量機等單分類器模型相比，集成算法有效減少了數(shù)據(jù)波動的隨機性與高噪聲所帶來的準確率下降，也減少了過擬合的風險，從而提升了模型總體預測準確性與泛化能力。因此，本研究選擇具有最優(yōu)預測能力的袋裝樹模型作為關鍵工藝參數(shù)分析的預測模型。

表2 不同機器學習模型的超參數(shù)設置與模型預測準確率

圖2 袋裝樹模型原理示意圖

圖3 袋裝樹模型訓練損失與決策樹數(shù)量的關系曲線

表3 測試集混淆矩陣

通過對數(shù)據(jù)集進行均值與歐氏距離計算，可以獲得3類數(shù)據(jù)的等效半徑以及兩個類均值中心之間的間距，見表4。R0、R1、R2分別代表報廢、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練集準確率，則需要對重疊區(qū)域數(shù)據(jù)進行細致分割，一定會產(chǎn)生嚴重的過擬合現(xiàn)象，導致模型對于已知訓練集的預測能力極強，而對于未知樣本的泛化推廣能力較為薄弱。由于鑄件品質不僅受到壓鑄機本體的27個主要工藝參數(shù)的影響，同樣受到模溫機、真空機、噴涂設備、點冷機等多個周邊設備上眾多工藝參數(shù)的影響，忽略這些因素是導致數(shù)據(jù)分布產(chǎn)生缺陷的主要原因。若需要進一步有效提升模型預測性能，則必須將壓鑄周邊設備的重要工藝參數(shù)進行集成，建立更復雜更龐大的預測模型。然而，這些周邊設備的工藝參數(shù)眾多，可達800個以上，目前尚未有完善的方法來對這些工藝參數(shù)進行集成分析與降維，是未來對于壓鑄智能化控制領域將要面對的主要挑戰(zhàn)與重要研究內容。

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
壓鑄關鍵工藝參數(shù)重要性分布圖

結論

（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鍵工藝參數(shù)與鑄件下線質量之間的多參數(shù)映射模型，可以初步實現(xiàn)對前機艙等壓鑄件進行下線質量初篩，減少人工成本。模型的訓練集預測準確率為100%，測試集準確率為60.9%，測試集容忍準確率為77.3%，報廢、待定和合格3類鑄件預測的容忍真正率（TTPR）分別為80.6%、68.3%、84.4%。

（2）通過相對重要度與靈敏度的計算，獲得了15種壓鑄關鍵工藝參數(shù)對鑄件品質影響程度的大小，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
上海交通大學材料科學與工程學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