发明公布-202011201541.2-基于深度学习金属注射成型烧结产品质量预测迁移方法

adminmo 2

<blockquote>
以下内容整理自《发明公布-202011201541.2-基于深度学习金属注射成型烧结产品质量预测迁移方法.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 112149810 A
(43)申请公布日 2020.12.29
(21)申请号 202011201541 .2
(22)申请日 2020 .11 .02
(71)申请人常州微亿智造科技有限公司
地址 213100 江苏省常州市玉龙南路280号
4号楼2楼
(72)发明人王闯
马元巍
顾徐波
潘正颐
(74)专利代理机构常州至善至诚专利代理事务
所(普通合伙) 32409
代理人赵旭
(51)Int .Cl .
G06N 3/04 (2006 .01)
G06N 3/08 (2006 .01)
G06Q 10/04 (2012 .01)
权利要求书1页
CN 112149810 A
(54)发明名称
基于深度学习金属注射成型烧结产品质量
预测迁移方法
(57)摘要
本发明公开了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，
具体步骤：
一步骤、
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；
第二步骤、冻结X层神经元
的权重参数；
第三步骤、
读入新产品的N次试验数
第四步骤、对试验数据随机分割成K组，
用K‑1组进行模型的训练和验证；
第五步骤、
证结果不好，
则调整模型超参数进行改善；
证结果好，
则使用第K组数据进行模型测试；
步骤、若测试结果不满足要求，
则改变X，
更新冻
结X层神经元参数，
再次进行模型的训练和验证；
若测试满足要求，则输出新产品的性能预测结
果。该方法可根据新产品少量数据，
即可实现对
新产品性能的预测。
说明书4页
附图1页
CN 112149810 A
1/1 页
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，
其特征在于，
具体包
括以下步骤：
第一步骤、
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；
第二步骤、冻结X层神经元的权重参数；
第三步骤、
读入新产品的N次试验数据；
第四步骤、
对试验数据随机分割成K组，
并使用K-1组进行模型的训练和验证；
第五步骤、
若验证结果不好，
则调整模型超参数进行改善；
若验证结果好，
则使用第K组
数据进行模型测试；
第六步骤、若测试结果不满足要求，
则改变X，
更新冻结X层神经元参数，
再次进行模型
的训练和验证；
若测试结果满足要求，
则输出新产品的性能预测结果。
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，
特征在于：
在所述的第一步骤中，
已经训练好的某烧结产品性能预测数据包括试验控制参
零件位置、
性能以及日期信息。
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，
特征在于：
所述的控制参数包括烧结温度、
升降温速度、
保温时间、
分压以及冷却水套流量。
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，
特征在于：
所述的零件位置包括层数、
列数以及行数。
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，
特征在于：
所述的层数、
列数以及行数采用0ne-hot编码形式记录。
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，
特征在于：
在所述的第五步骤中，
超参数包括学习速率和迭代步数。
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，
征在于：
所述的超参数还包括神经网络的层数、神经元数量、
激活函数类型以及冻结权重层
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，
特征在于：
所述的神经元由线性模型和非线性模型组成。
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，
特征在于：
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。
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，
特征在于：
所述的神经网络包括输入层、
隐含层和输出层。
CN 112149810 A
1/4 页
基于深度学习金属注射成型烧结产品质量预测迁移方法
技术领域
[0001] 本发明涉及深度学习模型的技术领域，
尤其是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。
背景技术
[0002] 在MIM金属注射成型技术领域中，
烧结工艺参数的选择可以形成一种深度学习模
模型学习以往经验，
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
习的方法通常需要大量产品的试验数据进行训练，
而且由单一产品试验数据训练的模型对
其他零件性能的泛化迁移能力较差，
通过某产品训练的模型往往无法有效地对其他产品进
行性能预测。
发明内容
[0003] 本发明要解决的技术问题是：
为了解决上述背景技术中存在的问题，
提供一种基
于深度学习金属注射成型烧结产品质量预测迁移方法，
在原训练完成的深度学习模型基础
上再次进行小批量数据的训练，
即可对新产品的性能进行预测，
有效减少新产品开发中试
验及算法模型训练的工作量。
[0004] 本发明解决其技术问题所采用的技术方案是：
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，
具体包括以下步骤：
[0005]
第一步骤、
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；
[0006] 第二步骤、
冻结X层神经元的权重参数；
[0007]
第三步骤、
读入新产品的N次试验数据；
[0008] 第四步骤、
对试验数据随机分割成K组，
并使用K-1组进行模型的训练和验证；
[0009]
第五步骤、若验证结果不好，
则调整模型超参数进行改善；
若验证结果好，
则使用
第K组数据进行模型测试；
[0010] 第六步骤、
若测试结果不满足要求，
则改变X，
更新冻结X层神经元参数，
再次进行
模型的训练和验证；
若测试结果满足要求，
则输出新产品的性能预测结果。
[0011] 进一步具体地说，
上述技术方案中，
在所述的第一步骤中，
已经训练好的某烧结产
品性能预测数据包括试验控制参数、
零件位置、
性能以及日期信息。
[0012] 进一步具体地说，
上述技术方案中，
所述的控制参数包括烧结温度、升降温速度、
保温时间、
分压以及冷却水套流量。
[0013] 进一步具体地说，
上述技术方案中，
所述的零件位置包括层数、
列数以及行数。
[0014] 进一步具体地说，
上述技术方案中，
所述的层数、
所述的列数以及所述的行数采用
0ne-hot编码形式记录。
[0015] 进一步具体地说，
上述技术方案中，
在所述的第五步骤中，
超参数包括学习速率和
迭代步数。
[0016] 进一步具体地说，
上述技术方案中，
所述的超参数还包括神经网络的层数、神经元
CN 112149810 A
2/4 页
数量、
激活函数类型以及冻结权重层数。
[0017] 进一步具体地说，
上述技术方案中，
所述的神经元由线性模型和非线性模型组成。
[0018] 进一步具体地说，
上述技术方案中，
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。
[0019] 进一步具体地说，
上述技术方案中，
所述的神经网络包括输入层、
隐含层和输出
[0020] 本发明的有益效果是：
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
测迁移方法，
基于包含零件特征的深度学习模型，
利用以往积累的旧产品烧结试验数据，
以在新产品极少量试验数据情况下，
根据输入特征中零件几何参数的变化，
通过冻结原深
度学习模型中部分参数权重，
训练出具有迁移学习能力的算法模型，
模型能够在新产品的
开发任务时，
免去以往试验DOE设计严重依赖工程师经验的情况，
快速有效评估工艺参数对
良品率影响，
给工程师提供有效建议，
缩短DOE试验验证时间，
提高效率，
通常DOE时间为3个
月～6个月，
使用迁移模型预测时间在1个月～3个月。
附图说明
[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，
下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，
显而易见地，
下面描述中的附图仅仅是本
申请中记载的一些实施例，
对于本领域普通技术人员来讲，
在不付出创造性劳

<hr>
有没有同行遇到过同样的问题？分享一下经验。