<p>(19)中华人民共和国国家知识产权局</p>
<p>(12)发明专利申请</p>
<p>(10)申请公布号 CN 112099460 A</p>
<p>(43)申请公布日 2020.12.18</p>
<p>(21)申请号 202011200371 .6</p>
<p>(22)申请日 2020 .11 .02</p>
<p>(71)申请人 常州微亿智造科技有限公司</p>
<p>地址 213100 江苏省常州市玉龙南路280号</p>
<p>4号楼2楼</p>
<p>(72)发明人 王闯</p>
<p>马元巍</p>
<p>顾徐波</p>
<p>潘正颐</p>
<p>(74)专利代理机构 常州至善至诚专利代理事务</p>
<p>所(普通合伙) 32409</p>
<p>代理人 赵旭</p>
<p>(51)Int .Cl .</p>
<p>G05B 19/418 (2006 .01)</p>
<p>G06N 3/04 (2006 .01)</p>
<p>G06N 3/08 (2006 .01)</p>
<p>G06N 20/00 (2019 .01)</p>
<p>B22F 3/22 (2006 .01)</p>
<p>权利要求书1页</p>
<p>CN 112099460 A</p>
<p>(54)发明名称</p>
<p>适用于深度学习金属注射成型烧结产品质</p>
<p>量特征处理方法</p>
<p>(57)摘要</p>
<p>本发明公开了一种适用于深度学习金属注</p>
<p>射成型烧结产品 质量特征处理方法 ，具体步骤</p>
<p>第一步骤、</p>
<p>收集现有不同烧结零件产品的试</p>
<p>验数据；</p>
<p>第二步骤、通过零件产品材料表整理出</p>
<p>零件产品材料；</p>
<p>第三步骤、通过零件图纸计算出</p>
<p>零件产品几何参数；</p>
<p>第四步骤、通过产品生产日</p>
<p>查找试验日期环境因素；</p>
<p>第五步骤、</p>
<p>对所有输</p>
<p>入参数进行标准化及归一化设置，</p>
<p>作为算法模型</p>
<p>训练所需的输入特征；</p>
<p>第六步骤、训练出具有迁</p>
<p>移学习能力的算法模型。该方法中增加了零件产</p>
<p>品材料、</p>
<p>零件产品几何参数以及环境因素这些参</p>
<p>数作为输入特征，</p>
<p>在新产品极少量试验数据情况</p>
<p>下，训练出具有迁移学习能力的算法模型，</p>
<p>对新产品在特定控制参数下的性能进行预测。</p>
<p>说明书5页</p>
<p>附图1页</p>
<p>CN 112099460 A</p>
<p>1/1 页</p>
<p>1 .一种适用于深度学习金属注射成型烧结产品质量特征处理方法，</p>
<p>其特征在于，</p>
<p>包括以下步骤：</p>
<p>第一步骤、</p>
<p>收集现有不同烧结零件产品的试验数据；</p>
<p>第二步骤、</p>
<p>通过零件产品材料表整理出零件产品材料；</p>
<p>第三步骤、</p>
<p>通过零件图纸计算出零件产品几何参数；</p>
<p>第四步骤、</p>
<p>通过产品生产日期，</p>
<p>查找试验日期环境因素；</p>
<p>第五步骤、对所有输入参数进行标准化及归一化设置，</p>
<p>作为算法模型训练所需的输入</p>
<p>特征；</p>
<p>第六步骤、训练出具有迁移学习能力的算法模型。</p>
<p>2 .根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，</p>
<p>其特征在于：</p>
<p>在所述的第一步骤中，</p>
<p>试验数据包括试验控制参数、零件位置、性能以及日期</p>
<p>信息，</p>
<p>所述的试验控制参数包括烧结温度、</p>
<p>升降温速度、</p>
<p>保温时间、</p>
<p>分压以及冷却水套流量，</p>
<p>所述的零件位置包括层数、</p>
<p>列数以及行数。</p>
<p>3 .根据权利要求2所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，</p>
<p>其特征在于：</p>
<p>所述的层数、</p>
<p>所述的列数以及所述的行数采用0ne-hot编码形式记录。</p>
<p>4 .根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，</p>
<p>其特征在于：</p>
<p>在所述的第二步骤中，</p>
<p>零件产品材料包括材料类型、</p>
<p>材料组分以及材料占比。</p>
<p>5 .根据权利要求4所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，</p>
<p>其特征在于：</p>
<p>所述的材料类型设置采用0ne-hot编码形式处理，</p>
<p>材料组分和材料占比采用数</p>
<p>值形式。</p>
<p>6 .根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，</p>
<p>其特征在于：</p>
<p>在所述的第三步骤中，</p>
<p>零件产品几何参数包括通孔水利直径与零件水利直径</p>
<p>之比、沉槽特征尺寸与零件水利直径之比、水利直径、最大厚度、最小厚度、外轮廓圆弧角</p>
<p>通孔形状、</p>
<p>通孔数量、</p>
<p>沉槽数量以及沉槽形状。</p>
<p>7 .根据权利要求6所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，</p>
<p>其特征在于：</p>
<p>所述的通孔形状为圆形、</p>
<p>长圆形、</p>
<p>长方形、</p>
<p>椭圆或三角形。</p>
<p>8 .根据权利要求6所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，</p>
<p>其特征在于：</p>
<p>所述的沉槽形状为圆形、</p>
<p>长圆形、</p>
<p>长方形、</p>
<p>椭圆或三角形。</p>
<p>9 .根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，</p>
<p>其特征在于：</p>
<p>在所述的第四步骤中，</p>
<p>所述的环境因素包括环境温度、湿度信息、烧结控制温</p>
<p>度与环境温度差异、</p>
<p>水套进水温度、</p>
<p>水套出水温度以及水套流量，</p>
<p>将水套进水温度与环境温</p>
<p>度视同，</p>
<p>出水温度及流量采用试验值。</p>
<p>10 .根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，</p>
<p>其特征在于：</p>
<p>在所述的第六步骤中，</p>
<p>通过包含零件产品材料、零件产品几何参数，</p>
<p>根据输入</p>
<p>特征中零件产品几何参数的变化，</p>
<p>通过冻结部分参数权重，</p>
<p>训练出具有迁移学习能力的算</p>
<p>法模型，</p>
<p>从而对新产品在特定控制参数下的性能进行预测，</p>
<p>并且由于输入特征中包含环境</p>
<p>因素，</p>
<p>由此特征训练的算法可根据天气情况实时调整工艺参数。</p>
<p>CN 112099460 A</p>
<p>1/5 页</p>
<p>适用于深度学习金属注射成型烧结产品质量特征处理方法</p>
<p>技术领域</p>
<p>[0001] 本发明涉及深度学习模型的技术领域，</p>
<p>尤其是一种适用于深度学习金属注射成型</p>
<p>烧结产品质量特征处理方法。</p>
<p>背景技术</p>
<p>[0002] 在MIM金属注射成型技术领域中，</p>
<p>目前当厂家需要生产一种新的产品前，</p>
<p>普遍采用</p>
<p>DOE（Design of Experiment）试验设计来寻找烧结炉的一种可行参数（温度、</p>
<p>烧结时间和烧</p>
<p>结分压），</p>
<p>能够满足产品的良率要求，</p>
<p>以进行大规模投产。然而，</p>
<p>这种DOE试验方法比较依赖</p>
<p>人的经验，</p>
<p>且需要不断试验，</p>
<p>效率较低。通过引入深度学习的方法，</p>
<p>利用以往工厂的生产记</p>
<p>录和DOE试验记录，</p>
<p>可以形成一种深度学习模型，</p>
<p>模型学习以往经验，</p>
<p>能够较好地根据烧结</p>
<p>工艺参数推算出烧结产品的质量，</p>
<p>从而降低前期的试验周期，</p>
<p>得到合理的烧结温度和烧结</p>
<p>时间，</p>
<p>为企业带来价值。</p>
<p>[0003] 中国专利文献，</p>
<p>公开号为CN111283186A，</p>
<p>公开了一种烧结体制造装置和烧结体制</p>
<p>造方法，</p>
<p>该烧结体制造装置包括压制装置、机械加工装置、压坯输送路径、</p>
<p>未烧结材料输送</p>
<p>路径、托盘、压坯转移装置，</p>
<p>待用台架，</p>
<p>其构造成在压坯被移动到机械加工装置之前将放置</p>
<p>有压坯的托盘暂时保持在待用台架上待用，</p>
<p>在未烧结材料被转移到烧结炉之前将放置有未</p>
<p>烧结材料的托盘暂时保持在待用台架上待用；</p>
<p>输送侧转移装置，</p>
<p>其构造成通过将放置有压</p>
<p>坯的托盘保持且放置到待用台架将压坯转移到待用台架，</p>
<p>并通过将待用台架上的托盘保持</p>
<p>且放置到未烧结材料输送路径将未烧结材料转移到烧结炉；</p>
<p>未烧结材料转移装置，</p>
<p>其通过</p>
<p>仅保持未烧结材料将未烧结材料转移到烧结炉。该烧结体制造方法使用上述烧结体制造装</p>
<p>该专利并未涉及到算法模型的搭建及输入特征信息。</p>
<p>[0004]</p>
<p>另外，</p>
<p>常规深度学习的方法，</p>
<p>因为输入特征中不包含零件几何及材料信息，</p>
<p>因此模</p>
<p>型对其他零件性能的泛化迁移能力较差，</p>
<p>且不包含外部温度、</p>
<p>湿度情况，</p>
<p>因为无法考虑环境</p>
<p>因素影响，</p>
<p>不具备实时根据天气情况调整参数的功能。</p>
<p>发明内容</p>
<p>[0005] 本发明要解决的技术问题是：</p>
<p>为了解决上述背景技术中存在的问题，</p>
<p>提供一种适</p>
<p>用于深度学习金属注射成型烧结产品质量特征处理方法，</p>
<p>增加了零件产品材料、零件产品</p>
<p>几何参数以及环境因素这些参数作为输入特征，</p>
<p>在新产品极少量试验数据情况下，</p>
<p>训练出</p>
<p>具有迁移学习能力的算法模型，</p>
<p>从而对新产品在特定控制参数下的性能进行预测，</p>
<p>有效减</p>
<p>少新产品开发中试验及算法模型训练的工作量。</p>
<p>[0006] 本发明解决其技术问题所采用的技术方案是：</p>
<p>一种适用于深度学习金属注射成型</p>
<p>烧结产品质量特征处理方法，</p>
<p>具体包括以下步骤：</p>
<p>第一步骤、</p>
<p>收集现有不同烧结零件产品的试验数据；</p>
<p>第二步骤、</p>
<p>通过零件产品材料表整理出零件产品材料；</p>
<p>第三步骤、</p>
<p>通过零件图纸计算出零件产品几何参数；</p>
<p>CN 112099460 A</p>
<p>2/5 页</p>
<p>第四步骤、</p>
<p>通过产品生产日期，</p>
<p>查找试验日期环境因素；</p>
<p>第五步骤、对所有输入参数进行标准化及归一化设置，</p>
<p>作为算法模型训练所需的输入</p>
<p>特征；</p>
<p>第六步骤、训练出具有迁移学习能力的算法模型。</p>
<p>[0007] 进一步具体地说，</p>
<p>上述技术方案中，</p>
<p>在所述的第一步骤中，</p>
<p>试验数据包括试验控制</p>
<p>参数、</p>

<hr>
<p>这个参数你们一般设多少？评论区说说。</p>