<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 112149810 A</p>
<p>(43)申请公布日 2020.12.29</p>
<p>(21)申请号 202011201541 .2</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>G06N 3/04 (2006 .01)</p>
<p>G06N 3/08 (2006 .01)</p>
<p>G06Q 10/04 (2012 .01)</p>
<p>权利要求书1页</p>
<p>CN 112149810 A</p>
<p>(54)发明名称</p>
<p>基于深度学习金属注射成型烧结产品质量</p>
<p>预测迁移方法</p>
<p>(57)摘要</p>
<p>本发明公开了一种基于深度学习金属注射</p>
<p>成型烧结产品质量预测迁移方法，</p>
<p>具体步骤：</p>
<p>一步骤、</p>
<p>载入已经训练好的某烧结产品性能预测</p>
<p>数据的深度学习模型；</p>
<p>第二步骤、冻结X层神经元</p>
<p>的权重参数；</p>
<p>第三步骤、</p>
<p>读入新产品的N次试验数</p>
<p>第四步骤、对试验数据随机分割成K组，</p>
<p>用K‑1组进行模型的训练和验证；</p>
<p>第五步骤、</p>
<p>证结果不好，</p>
<p>则调整模型超参数进行改善；</p>
<p>证结果好，</p>
<p>则使用第K组数据进行模型测试；</p>
<p>步骤、若测试结果不满足要求，</p>
<p>则改变X，</p>
<p>更新冻</p>
<p>结X层神经元参数，</p>
<p>再次进行模型的训练和验证；</p>
<p>若测试满足要求 ，则输出新产品的性能预测结</p>
<p>果。该方法可根据新产品少量数据，</p>
<p>即可实现对</p>
<p>新产品性能的预测。</p>
<p>说明书4页</p>
<p>附图1页</p>
<p>CN 112149810 A</p>
<p>1/1 页</p>
<p>1 .一种基于深度学习金属注射成型烧结产品质量预测迁移方法，</p>
<p>其特征在于，</p>
<p>具体包</p>
<p>括以下步骤：</p>
<p>第一步骤、</p>
<p>载入已经训练好的某烧结产品性能预测数据的深度学习模型；</p>
<p>第二步骤、冻结X层神经元的权重参数；</p>
<p>第三步骤、</p>
<p>读入新产品的N次试验数据；</p>
<p>第四步骤、</p>
<p>对试验数据随机分割成K组，</p>
<p>并使用K-1组进行模型的训练和验证；</p>
<p>第五步骤、</p>
<p>若验证结果不好，</p>
<p>则调整模型超参数进行改善；</p>
<p>若验证结果好，</p>
<p>则使用第K组</p>
<p>数据进行模型测试；</p>
<p>第六步骤、若测试结果不满足要求，</p>
<p>则改变X，</p>
<p>更新冻结X层神经元参数，</p>
<p>再次进行模型</p>
<p>的训练和验证；</p>
<p>若测试结果满足要求，</p>
<p>则输出新产品的性能预测结果。</p>
<p>2 .根据权利要求1所述的基于深度学习金属注射成型烧结产品质量预测迁移方法，</p>
<p>特征在于：</p>
<p>在所述的第一步骤中，</p>
<p>已经训练好的某烧结产品性能预测数据包括试验控制参</p>
<p>零件位置、</p>
<p>性能以及日期信息。</p>
<p>3 .根据权利要求2所述的基于深度学习金属注射成型烧结产品质量预测迁移方法，</p>
<p>特征在于：</p>
<p>所述的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>4 .根据权利要求2所述的基于深度学习金属注射成型烧结产品质量预测迁移方法，</p>
<p>特征在于：</p>
<p>所述的零件位置包括层数、</p>
<p>列数以及行数。</p>
<p>5 .根据权利要求4所述的基于深度学习金属注射成型烧结产品质量预测迁移方法，</p>
<p>特征在于：</p>
<p>所述的层数、</p>
<p>列数以及行数采用0ne-hot编码形式记录。</p>
<p>6 .根据权利要求1所述的基于深度学习金属注射成型烧结产品质量预测迁移方法，</p>
<p>特征在于：</p>
<p>在所述的第五步骤中，</p>
<p>超参数包括学习速率和迭代步数。</p>
<p>7 .根据权利要求6述的基于深度学习金属注射成型烧结产品质量预测迁移方法，</p>
<p>征在于：</p>
<p>所述的超参数还包括神经网络的层数、神经元数量、</p>
<p>激活函数类型以及冻结权重层</p>
<p>8 .根据权利要求1所述的基于深度学习金属注射成型烧结产品质量预测迁移方法，</p>
<p>特征在于：</p>
<p>所述的神经元由线性模型和非线性模型组成。</p>
<p>9 .根据权利要求7所述的基于深度学习金属注射成型烧结产品质量预测迁移方法，</p>
<p>特征在于：</p>
<p>所述的神经网络由多个神经元横向与多个神经元纵向堆叠而成。</p>
<p>10 .根据权利要求9所述的基于深度学习金属注射成型烧结产品质量预测迁移方法，</p>
<p>特征在于：</p>
<p>所述的神经网络包括输入层、</p>
<p>隐含层和输出层。</p>
<p>CN 112149810 A</p>
<p>1/4 页</p>
<p>基于深度学习金属注射成型烧结产品质量预测迁移方法</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>尤其是一种基于深度学习金属注射成型烧</p>
<p>结产品质量预测迁移方法。</p>
<p>背景技术</p>
<p>[0002] 在MIM金属注射成型技术领域中，</p>
<p>烧结工艺参数的选择可以形成一种深度学习模</p>
<p>模型学习以往经验，</p>
<p>能够较好地根据烧结工艺参数推算出烧结产品的质量。常规深度学</p>
<p>习的方法通常需要大量产品的试验数据进行训练，</p>
<p>而且由单一产品试验数据训练的模型对</p>
<p>其他零件性能的泛化迁移能力较差，</p>
<p>通过某产品训练的模型往往无法有效地对其他产品进</p>
<p>行性能预测。</p>
<p>发明内容</p>
<p>[0003] 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>提供一种基</p>
<p>于深度学习金属注射成型烧结产品质量预测迁移方法，</p>
<p>在原训练完成的深度学习模型基础</p>
<p>上再次进行小批量数据的训练，</p>
<p>即可对新产品的性能进行预测，</p>
<p>有效减少新产品开发中试</p>
<p>验及算法模型训练的工作量。</p>
<p>[0004] 本发明解决其技术问题所采用的技术方案是：</p>
<p>一种基于深度学习金属注射成型烧</p>
<p>结产品质量预测迁移方法，</p>
<p>具体包括以下步骤：</p>
<p>[0005]</p>
<p>第一步骤、</p>
<p>载入已经训练好的某烧结产品性能预测数据的深度学习模型；</p>
<p>[0006] 第二步骤、</p>
<p>冻结X层神经元的权重参数；</p>
<p>[0007]</p>
<p>第三步骤、</p>
<p>读入新产品的N次试验数据；</p>
<p>[0008] 第四步骤、</p>
<p>对试验数据随机分割成K组，</p>
<p>并使用K-1组进行模型的训练和验证；</p>
<p>[0009]</p>
<p>第五步骤、若验证结果不好，</p>
<p>则调整模型超参数进行改善；</p>
<p>若验证结果好，</p>
<p>则使用</p>
<p>第K组数据进行模型测试；</p>
<p>[0010] 第六步骤、</p>
<p>若测试结果不满足要求，</p>
<p>则改变X，</p>
<p>更新冻结X层神经元参数，</p>
<p>再次进行</p>
<p>模型的训练和验证；</p>
<p>若测试结果满足要求，</p>
<p>则输出新产品的性能预测结果。</p>
<p>[0011] 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>已经训练好的某烧结产</p>
<p>品性能预测数据包括试验控制参数、</p>
<p>零件位置、</p>
<p>性能以及日期信息。</p>
<p>[0012] 进一步具体地说，</p>
<p>上述技术方案中，</p>
<p>所述的控制参数包括烧结温度、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>[0013] 进一步具体地说，</p>
<p>上述技术方案中，</p>
<p>所述的零件位置包括层数、</p>
<p>列数以及行数。</p>
<p>[0014] 进一步具体地说，</p>
<p>上述技术方案中，</p>
<p>所述的层数、</p>
<p>所述的列数以及所述的行数采用</p>
<p>0ne-hot编码形式记录。</p>
<p>[0015] 进一步具体地说，</p>
<p>上述技术方案中，</p>
<p>在所述的第五步骤中，</p>
<p>超参数包括学习速率和</p>
<p>迭代步数。</p>
<p>[0016] 进一步具体地说，</p>
<p>上述技术方案中，</p>
<p>所述的超参数还包括神经网络的层数、神经元</p>
<p>CN 112149810 A</p>
<p>2/4 页</p>
<p>数量、</p>
<p>激活函数类型以及冻结权重层数。</p>
<p>[0017] 进一步具体地说，</p>
<p>上述技术方案中，</p>
<p>所述的神经元由线性模型和非线性模型组成。</p>
<p>[0018] 进一步具体地说，</p>
<p>上述技术方案中，</p>
<p>所述的神经网络由多个神经元横向与多个神</p>
<p>经元纵向堆叠而成。</p>
<p>[0019] 进一步具体地说，</p>
<p>上述技术方案中 ，</p>
<p>所述的神经网络包括输入层、</p>
<p>隐含层和输出</p>
<p>[0020] 本发明的有益效果是：</p>
<p>本发明提供的基于深度学习金属注射成型烧结产品质量预</p>
<p>测迁移方法，</p>
<p>基于包含零件特征的深度学习模型，</p>
<p>利用以往积累的旧产品烧结试验数据，</p>
<p>以在新产品极少量试验数据情况下，</p>
<p>根据输入特征中零件几何参数的变化，</p>
<p>通过冻结原深</p>
<p>度学习模型中部分参数权重，</p>
<p>训练出具有迁移学习能力的算法模型，</p>
<p>模型能够在新产品的</p>
<p>开发任务时，</p>
<p>免去以往试验DOE设计严重依赖工程师经验的情况，</p>
<p>快速有效评估工艺参数对</p>
<p>良品率影响，</p>
<p>给工程师提供有效建议，</p>
<p>缩短DOE试验验证时间，</p>
<p>提高效率，</p>
<p>通常DOE时间为3个</p>
<p>月～6个月，</p>
<p>使用迁移模型预测时间在1个月～3个月。</p>
<p>附图说明</p>
<p>[0021] 为了更清楚地说明本发明实施例或现有技术中的技术方案，</p>
<p>下面将对实施例或现</p>
<p>有技术描述中所需要使用的附图作简单地介绍，</p>
<p>显而易见地，</p>
<p>下面描述中的附图仅仅是本</p>
<p>申请中记载的一些实施例，</p>
<p>对于本领域普通技术人员来讲，</p>
<p>在不付出创造性劳</p>

<hr>
<p>有没有同行遇到过同样的问题？分享一下经验。</p>