<![CDATA[发明公布-202010980609.5-MIM金属注射成型烧结产品质量控制方法及系统]]>

<![CDATA[发明公布-202010980609.5-MIM金属注射成型烧结产品质量控制方法及系统]]><blockquote>
以下内容整理自《发明公布-202010980609.5-MIM金属注射成型烧结产品质量控制方法及系统.pdf》
</blockquote>

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 112330085 A
(43)申请公布日 2021.02.05
(21)申请号 202010980609 .5
(22)申请日 2020 .09 .17
(71)申请人上海微亿智造科技有限公司
地址 201100 上海市闵行区元江路5500号
第1幢
申请人常州微亿智造科技有限公司
(72)发明人顾徐波王闯
马元巍宋怡然
(74)专利代理机构上海段和段律师事务所
代理人李佳俊郭国中
(51)Int .Cl .
G06Q 10/06 (2012 .01)
G06N 3/12 (2006 .01)
G06N 20/00 (2019 .01)
CN 112330085 A
权利要求书2页
(54)发明名称
MIM金属注射成型烧结产品质量控制方法及
(57)摘要
本发明提供了一种MIM金属注射成型烧结产
品质量控制方法及系统，
包括：
步骤S1：
搜集工厂
以往的烧结生产数据和DOE试验数据，
形成数据
获取数据库形成结果信息；
步骤S2：
建立机器
学习模型，
模型学习以往的数据，
形成一种烧结
炉参数与烧结产品参数之间的映射关系，
即能够
实现根据烧结参数，
获取烧结产品的质量信息；
步骤S3：引入优化算法中的遗传算法，
采用机器
学习和遗传算法的组合能够根据产品所需参数
要求而反推所需的烧结参数，
获取MIM金属注射
成型烧结产品质量控制结果信息。本发明的实施
能够较大地提升烧结工厂的生产效益；
本发明能
够根据烧结产品质量要求，
快速反推出烧结炉所
需要设置的参数。
说明书4页
附图1页
CN 112330085 A
1/2 页
1 .一种MIM金属注射成型烧结产品质量控制方法，
其特征在于，
包括：
步骤S1：
搜集工厂烧结生产数据和DOE试验数据，
形成数据库，
获取数据库形成结果信
步骤S2：
建立机器学习模型，
获取烧结产品的质量信息；
步骤S3：
引入优化算法中的遗传算法，
根据产品所需参数要求而反推所需的烧结参数，
获取MIM金属注射成型烧结产品质量控制结果信息。
2 .根据权利要求1所述的MIM金属注射成型烧结产品质量控制方法，
其特征在于，
步骤S2包括：
步骤S2 .1：
建立机器学习模型，
形成烧结炉参数与烧结产品参数之间的映射关系；
根据烧结炉参数、
烧结产品参数，
获取烧结产品的质量信息。
3 .根据权利要求1所述的MIM金属注射成型烧结产品质量控制方法，
其特征在于，
步骤S3包括：
步骤S3 .1：
首先确定生产产品的各目标质量参数；
步骤S3 .2：
初始化设定数量的遗传算法烧结参数种群；
其中，
每个种群中有多个个体，
一个个体代表一组烧结参数；
步骤S3 .3：
将烧结参数种群放入机器学习模型当中，
预测出各烧结参数下的产品质量
参数；
步骤S3 .4：
根据产品目标质量参数和机器学习预测的质量参数之间的差异，
计算种群
中个体的适应度。
4 .根据权利要求3所述的MIM金属注射成型烧结产品质量控制方法，
其特征在于，
步骤S3还包括：
步骤S3 .5：
对种群中各个体进行适应度排序，
差异越小，
适应度越好；
步骤S3 .6：
判断是否达到结束条件；
如果是，
则输出最优的烧结参数；
如果否，
则进行选择操作，
剔除种群中设定数量的适应度不好的个体。
5 .根据权利要求4所述的MIM金属注射成型烧结产品质量控制方法，
其特征在于，
步骤S3还包括：
步骤S3 .7：
剩下的父代进行交叉重组、
变异，
产生新的子代；
步骤S3 .8：
将父代和新的子代放入机器学习模型中，
重复步骤S3 .3-步骤S3 .7操作。
6 .一种MIM金属注射成型烧结产品质量控制系统，
其特征在于，
包括：
模块M1：
搜集工厂以往的烧结生产数据和DOE试验数据，
形成数据库，
获取数据库形成
结果信息；
模块M2：
建立机器学习模型，
获取烧结产品的质量信息；
模块M3：
引入优化算法中的遗传算法，
根据产品所需参数要求而反推所需的烧结参数，
获取MIM金属注射成型烧结产品质量控制结果信息。
7 .根据权利要求6所述的MIM金属注射成型烧结产品质量控制系统，
其特征在于，
模块M2包括：
模块M2 .1：
建立机器学习模型，
形成烧结炉参数与烧结产品参数之间的映射关系；
根据烧结炉参数、
烧结产品参数，
获取烧结产品的质量信息。
8 .根据权利要求6所述的MIM金属注射成型烧结产品质量控制系统，
其特征在于，
CN 112330085 A
2/2 页
模块M3包括：
模块M3 .1：
首先确定生产产品的各目标质量参数；
模块M3 .2：
初始化设定数量的遗传算法烧结参数种群；
其中，
每个种群中有多个个体，
一个个体代表一组烧结参数；
模块M3 .3：
将烧结参数种群放入机器学习模型当中，
预测出各烧结参数下的产品质量
参数；
模块M3 .4：
根据产品目标质量参数和机器学习预测的质量参数之间的差异，
计算种群
中个体的适应度。
9 .根据权利要求8所述的MIM金属注射成型烧结产品质量控制系统，
其特征在于，
模块M3还包括：
模块M3 .5：
对种群中各个体进行适应度排序，
差异越小，
适应度越好；
模块M3 .6：
判断是否达到结束条件；
如果是，
则输出最优的烧结参数；
如果否，
则进行选择操作，
剔除种群中设定数量的适应度不好的个体。
10 .根据权利要求9所述的MIM金属注射成型烧结产品质量控制系统，
其特征在于，
模块M3还包括：
模块M3 .7：
剩下的父代进行交叉重组、
变异，
产生新的子代；
模块M3 .8：
将父代和新的子代放入机器学习模型中，
重复模块M3 .3-模块M3 .7操作。
CN 112330085 A
1/4 页
MIM金属注射成型烧结产品质量控制方法及系统
技术领域
[0001] 本发明涉及质量控制技术领域，
具体地，
涉及一种MIM金属注射成型烧结产品质量
控制方法及系统。
背景技术
[0002] 在MIM金属注射成型领域中，
目前当厂家需要生产一种新的产品前，
普遍采用DOE
(Design of Experiment)试验设计来寻找烧结炉的一种可行的参数(温度，
烧结时间，
分压) ，
能够满足产品的良率要求，
以进行大规模投产。然而，
这种DOE试验方法比较依赖人
的经验，
且需要不断试验，
效率较低。通过引入机器学习的方法，
利用以往工厂的生产记录
和DOE试验记录，
可以形成一种机器学习模型。模型学习以往经验，
能够较好地根据烧结参
数推出烧结产品的质量。
[0003] 在生产过程中，
一种产品的良率由多种参数组成：
包括尺寸，
机械性能和密度。每
种参数都有自己的合格范围，
产品各参数必须在范围内才是合格的。
因此，
需要一种方法能
够达到根据产品参数合格范围，
反推所需的烧结参数，
以缩短工厂的生产周期，
提升效益。
发明内容
[0004] 针对现有技术中的缺陷，
本发明的目的是提供一种MIM金属注射成型烧结产品质
量控制方法及系统。
[0005] 根据本发明提供的一种MIM金属注射成型烧结产品质量控制方法，
包括：
步骤S1：
搜集工厂以往的烧结生产数据和DOE试验数据，
形成数据库，
获取数据库形成结果信息；
骤S2：
建立机器学习模型，
模型学习以往的数据，
形成一种烧结炉参数与烧结产品参数之间
的映射关系，
即能够实现根据烧结参数，
获取烧结产品的质量信息；
步骤S3：
引入优化算法
中的遗传算法，
采用机器学习和遗传算法的组合能够根据产品所需参数要求而反推所需的
烧结参数，
获取MIM金属注射成型烧结产品质量控制结果信息；
[0006] 优选地，
所述步骤S2包括：
步骤S2 .1：
建立机器学习模型，
形成烧结炉参数与烧结
产品参数之间的映射关系；
根据烧结炉参数、
烧结产品参数，
获取烧结产品的质量信息。
[0007] 优选地，
所述步骤S3包括：
步骤S3 .1：
首先确定生产产品的各目标质量参数；
S3 .2：
初始化设定数量的遗传算法烧结参数种群；
其中，
每个种群中有多个个体，
一个个体
代表一组烧结参数；
步骤S3 .3：
将烧结参数种群放入机器学习模型当中，

<hr>
还有什么补充参数吗？一起完善。

]]>https://forum.mj7.cn/topic/10253/发明公布-202010980609-5-mim金属注射成型烧结产品质量控制方法及系统RSS for NodeWed, 23 Sep 2026 17:40:59 GMTSat, 30 May 2026 10:21:53 GMT60