基于全連接神經(jīng)網(wǎng)絡(luò)的壓鑄件質(zhì)量預(yù)測算法

田小靜，龔歡，杜宇*，武曉軒

基于全連接神經(jīng)網(wǎng)絡(luò)的壓鑄件質(zhì)量預(yù)測算法

田小靜1，龔歡1，杜宇1*，武曉軒2

（1.大連交通大學(xué) 機(jī)械工程學(xué)院，遼寧 大連 116028；2.大連理工大學(xué) 機(jī)械工程學(xué)院，遼寧 大連 116024）

針對復(fù)雜壓鑄制造過程中高精度監(jiān)控和質(zhì)量預(yù)測問題，構(gòu)建全連接神經(jīng)網(wǎng)絡(luò)，以提高壓鑄件缺陷分類和預(yù)測的準(zhǔn)確性及高效性。提出了一種基于全連接神經(jīng)網(wǎng)絡(luò)的算法，用于壓鑄件的質(zhì)量預(yù)測。以汽車發(fā)動機(jī)下缸體為研究對象，先通過壓鑄島采集關(guān)鍵工藝數(shù)據(jù)，后通過異常值處理和數(shù)據(jù)歸一化進(jìn)行數(shù)據(jù)預(yù)處理，再采用最小冗余和最大相關(guān)性的啟發(fā)式算法（MRMR）進(jìn)行特征處理，選出對壓鑄件質(zhì)量影響較大的5個參數(shù)，該算法以3個壓射速度、真空度、動模流量為輸入層參數(shù)，以鑄件質(zhì)量為輸出層參數(shù)。最后確定該算法的結(jié)構(gòu)及各個參數(shù)，進(jìn)行模型的訓(xùn)練與構(gòu)建，并與不同算法進(jìn)行性能比較。與傳統(tǒng)的決策樹、SVM算法相比，該算法在相同數(shù)據(jù)集的分類和預(yù)測性能方面均更優(yōu)，表明全連接神經(jīng)網(wǎng)絡(luò)在預(yù)測壓鑄缺陷方面具有優(yōu)勢。該算法在實際應(yīng)用中具有很大的潛力，證明全連接神經(jīng)網(wǎng)絡(luò)在預(yù)測能力和精度方面具有優(yōu)勢，可以為數(shù)據(jù)分類和預(yù)測提供更好的解決方案。

壓鑄；MRMR相關(guān)性分析；神經(jīng)網(wǎng)絡(luò)；數(shù)據(jù)分類預(yù)測；歸一化

壓鑄制造業(yè)面臨智能化程度不高、難以有效監(jiān)控壓鑄過程、難以充分利用大量生產(chǎn)數(shù)據(jù)等問題，這些問題嚴(yán)重制約了壓鑄制造業(yè)的智能化轉(zhuǎn)型[1]。在鋁合金制品中，應(yīng)用壓鑄質(zhì)量預(yù)測技術(shù)確保產(chǎn)品質(zhì)量至關(guān)重要[2]。通過有效的預(yù)測技術(shù)，可以提前發(fā)現(xiàn)鑄件表面的缺陷，如磨損、裂紋、氣孔等，從而避免產(chǎn)品在使用過程中出現(xiàn)問題[3]。壓鑄件的質(zhì)量預(yù)測可提升產(chǎn)品質(zhì)量、降低廢品率和生產(chǎn)成本。通過及早發(fā)現(xiàn)潛在缺陷，能夠?qū)嵤└珳?zhǔn)的質(zhì)量控制，從而確保產(chǎn)品符合設(shè)計要求。有助于避免不必要的返工和修復(fù)成本，提高生產(chǎn)效率。

近幾年，利用數(shù)據(jù)驅(qū)動對生產(chǎn)過程預(yù)測的研究成果眾多。眾多研究基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的質(zhì)量預(yù)測方法，通過與時間序列法進(jìn)行對比，實現(xiàn)了質(zhì)量的精準(zhǔn)預(yù)測[4-8]。基于XGBoost算法，多項研究對現(xiàn)有的加工流水線工藝數(shù)據(jù)進(jìn)行了分析，實現(xiàn)了對產(chǎn)品生產(chǎn)質(zhì)量的預(yù)測，進(jìn)而降低了缺陷[9-13]。支持向量機(jī)（SVM）的集成算法經(jīng)常被用于預(yù)測缺陷[14-16]。Juang等[17]使用機(jī)器學(xué)習(xí)建立了2個模型，通過多項式回歸建立了壓鑄機(jī)設(shè)置參數(shù)與機(jī)器響應(yīng)（顯示）參數(shù)之間的關(guān)系，構(gòu)建了模型1，并使用2來評估模型，2是用于評估回歸模型擬合優(yōu)度的指標(biāo)。模型2是使用支持向量機(jī)算法建立的，工人根據(jù)機(jī)器響應(yīng)參數(shù)預(yù)測壓鑄件的質(zhì)量，將模型1和模型2結(jié)合起來后，鑄造工人根據(jù)模型2找到壓鑄合格件的機(jī)器響應(yīng)參數(shù)，再根據(jù)模型1調(diào)整壓鑄件設(shè)置參數(shù)，以提高壓鑄零件的質(zhì)量。ANN人工神經(jīng)網(wǎng)絡(luò)是處理輸入與輸出之間復(fù)雜非線性問題的有效方法[18-20]。

復(fù)雜模型如LSTM、XGBoost和ANN的黑盒性質(zhì)使模型解釋性受限，難以理解其決策過程。不平衡的樣本分布可能影響模型對少數(shù)類別的預(yù)測效果。在處理時序數(shù)據(jù)時，長時序數(shù)據(jù)可能導(dǎo)致梯度消失或梯度爆炸，需要更深入的研究。模型在特定數(shù)據(jù)集上表現(xiàn)出色但針對未見過數(shù)據(jù)性能下降的問題也需要得到解決，進(jìn)而提高模型的泛化性能。

本文提出了一種基于全連接神經(jīng)網(wǎng)絡(luò)的壓鑄件質(zhì)量預(yù)測算法，旨在提高壓鑄缺陷分類和預(yù)測的準(zhǔn)確性及效率，從而在整個制造流程中優(yōu)化決策、改進(jìn)工藝、降低廢品率，最終提升產(chǎn)品質(zhì)量和制造效率。

1 系統(tǒng)整體架構(gòu)

總體方法的簡要流程如圖1所示。首先，基于壓鑄島進(jìn)行數(shù)據(jù)采集，通過先驗知識選取對壓鑄件質(zhì)量影響較大的16個工藝參數(shù)。通過X光檢測壓鑄件的內(nèi)部缺陷，預(yù)測目標(biāo)為產(chǎn)品質(zhì)量，以工件是否有缺陷作為產(chǎn)品質(zhì)量的評估指標(biāo)。其次，對數(shù)據(jù)集進(jìn)行預(yù)處理，基于最小冗余和最大相關(guān)性（MRMR）的方法[21]分析和選擇制造參數(shù)中的核心參數(shù)，選取其中特征重要性得分較高的5個工藝參數(shù)進(jìn)行質(zhì)量預(yù)測，然后進(jìn)行預(yù)測模型的構(gòu)建與訓(xùn)練。最后，利用鋁合金壓鑄制造公司的實際數(shù)據(jù)對全連接神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行驗證。

圖1 系統(tǒng)整體架構(gòu)流程

2 數(shù)據(jù)采集

采用西門子S7協(xié)議與現(xiàn)場壓鑄島通信采集數(shù)據(jù)，以100 ms的時間間隔實時連續(xù)采集實際生產(chǎn)數(shù)據(jù)。所用設(shè)備有壓鑄機(jī)、模冷機(jī)、點冷機(jī)、定量爐、熱成像設(shè)備、真空機(jī)。在每一個數(shù)據(jù)采集周期，該模塊根據(jù)壓鑄過程中的跟蹤信息，將本次采集到的所有實際過程數(shù)據(jù)與對應(yīng)壓鑄編號匹配，并存入Mongo數(shù)據(jù)庫中。

2.1 異常值處理

采用Grubbs假設(shè)檢測數(shù)據(jù)集中是否存在異常值[22]。通過計算樣本均值和樣本標(biāo)準(zhǔn)差，以及樣本與樣本均值之間的最大絕對偏差，并除以樣本標(biāo)準(zhǔn)差，得到Grubbs統(tǒng)計量。根據(jù)Grubbs統(tǒng)計量與某個臨界值的比較，可以判斷最大或最小觀測值是否為異常值。Grubbs假設(shè)檢驗公式如式（1）所示。

經(jīng)過上述計算，共去除異常數(shù)據(jù)15組，最終保留2 150條數(shù)據(jù)用于建立壓鑄件質(zhì)量預(yù)測算法模型。

2.2 數(shù)據(jù)歸一化

為了消除不同參數(shù)數(shù)量級差異對網(wǎng)絡(luò)權(quán)重的影響，使用數(shù)據(jù)歸一化方法，將相關(guān)參數(shù)轉(zhuǎn)化為無量綱數(shù)值，以便進(jìn)行訓(xùn)練[23]。歸一化公式如式（2）所示。

3 特征處理

部分實驗數(shù)據(jù)（由一家生產(chǎn)汽車部件的壓鑄制造公司提供）如表1所示。數(shù)據(jù)集樣本總數(shù)為2 150，其中制造參數(shù)有16個：料餅厚度、3個壓射速度（1、2、3）、真空度、油溫機(jī)溫度、頂出時間、噴涂時間、取件時間、澆注時間、壓射時間、開模時間、動模流量、定模流量、合模力、合模下側(cè)溫度。

[14]China will not change its friendly policy towards Myanmar.China will also not change the various measures to help Myanmar’s development,according to the foreign minister.

料餅厚度會影響鑄件凝固速度和冷卻過程，可能產(chǎn)生氣孔和收縮。壓射速度（1、2、3）決定了充填速度，過快或過慢都可能引發(fā)問題。真空度影響表面質(zhì)量，高真空可減少鑄件表面氣孔和表面氧化。油溫機(jī)溫度直接關(guān)系到金屬的流動性，不當(dāng)?shù)臏囟瓤赡軐?dǎo)致鑄件在低溫或高溫狀態(tài)下形成裂紋。操作時間參數(shù)（頂出時間、噴涂時間、取件時間、澆注時間、壓射時間、開模時間）和動模流量、定模流量直接關(guān)聯(lián)到充填和冷卻過程，上述參數(shù)的不當(dāng)調(diào)整可能導(dǎo)致充填不足和結(jié)構(gòu)不均勻。合模力和合模下側(cè)溫度會影響模具封閉和冷卻速度，過大或過小都可能導(dǎo)致變形和裂紋。

特征處理采用了基于最小冗余和最大相關(guān)性的啟發(fā)式算法（MRMR）[24]。該算法用于選擇一組最佳的輸入特征，即主要關(guān)鍵參數(shù)，這些特征之間具有最小的互相關(guān)性并能有效地表示響應(yīng)變量。MRMR算法旨在在最小化冗余和最大化某個輸入特征集的相關(guān)性之間取得平衡，從而有效描述響應(yīng)變量。在MRMR算法中，首先計算特征之間以及特征與響應(yīng)變量之間的分布和互信息，其中互信息用于度量2個變量和之間的關(guān)系，如式（3）所示。

表1 部分實驗數(shù)據(jù)

Tab.1 Some experimental data

對特征進(jìn)行MRMR得分排名，并按照得分的降序進(jìn)行排序，如圖2所示。

圖2 基于MRMR的特征重要性分?jǐn)?shù)與特征等級

選出與缺陷之間互信息最大的個特征，得到強(qiáng)相關(guān)的個特征集合。集合的最小冗余度的計算如式（5）所示。

最終選擇得分高于0.04的前5個參數(shù)進(jìn)行壓鑄質(zhì)量預(yù)測，包含壓射速度（1、2、3）、真空度、動模流量。

4 全連接神經(jīng)網(wǎng)絡(luò)

4.1 隱含層層數(shù)的確定

神經(jīng)網(wǎng)絡(luò)的隱含層位于輸入層和輸出層之間，充當(dāng)了輸入和輸出之間連接和轉(zhuǎn)換的角色。隱含層的數(shù)量是影響神經(jīng)網(wǎng)絡(luò)性能的關(guān)鍵因素之一。增加隱含層的數(shù)量可以增加網(wǎng)絡(luò)的容量，提高對復(fù)雜關(guān)系的學(xué)習(xí)能力，進(jìn)而提高預(yù)測精度。然而，選擇較多的隱含層數(shù)量也伴隨著計算復(fù)雜度的增大、訓(xùn)練效率的降低以及過擬合風(fēng)險的增加。

本文采用了單隱含層結(jié)構(gòu)的全連接神經(jīng)網(wǎng)絡(luò)。盡管這種結(jié)構(gòu)在訓(xùn)練時只有一個隱含層，但同樣能夠達(dá)到高精度的預(yù)測結(jié)果。這是因為單隱含層結(jié)構(gòu)具有足夠的靈活性，能夠有效逼近任何非線性的連續(xù)函數(shù)。這種簡化的結(jié)構(gòu)能在保持模型表現(xiàn)的同時降低網(wǎng)絡(luò)的復(fù)雜性，有助于提高訓(xùn)練效率，降低過擬合的風(fēng)險。因此，本文選擇單隱含層結(jié)構(gòu)的全連接神經(jīng)網(wǎng)絡(luò)。

4.2 隱含層神經(jīng)元數(shù)目的確定

隱含層中的神經(jīng)元數(shù)量對網(wǎng)絡(luò)訓(xùn)練有復(fù)雜的影響。如果網(wǎng)絡(luò)模型過于簡單，可能會影響輸入?yún)?shù)與輸出參數(shù)之間的相關(guān)性。此外，如果全連接神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)量過多，可能導(dǎo)致模型預(yù)測的精度下降，訓(xùn)練期間出現(xiàn)不收斂或發(fā)生過度擬合的情況。為解決這一問題，可以通過計算均方誤差參數(shù)（EMSE）來選擇隱含層中神經(jīng)元的數(shù)量。通過優(yōu)化神經(jīng)元數(shù)量，可以提高模型的計算效率和預(yù)測精度。EMSE越小，表示模型的預(yù)測效果越好。因此，通過調(diào)整隱含層中神經(jīng)元的數(shù)量，可以優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，獲得更好的性能。均方誤差公式如式（7）所示。

式中：E為實驗值；P網(wǎng)絡(luò)預(yù)測值；為實驗樣本總數(shù)；MSE為計算所得的均方誤差值。當(dāng)神經(jīng)元數(shù)量為4時，MSE最小，說明隱含層中神經(jīng)元數(shù)量為4的網(wǎng)絡(luò)結(jié)構(gòu)表現(xiàn)出的性能最好。

4.3 預(yù)測模型的構(gòu)建與訓(xùn)練

全連接神經(jīng)網(wǎng)絡(luò)已被廣泛用于處理輸入與輸出之間具有非線性關(guān)系的工程實際問題[25-26]。采用全連接神經(jīng)網(wǎng)絡(luò)建立以壓射速度（1、2、3）、真空度和動模流量為輸入層，以鑄件質(zhì)量為輸出層的3層網(wǎng)絡(luò)預(yù)測模型，所建立的全連接神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖3所示。

5 結(jié)果與討論

將已有數(shù)據(jù)按照8∶2的比例分為訓(xùn)練集與驗證集，并導(dǎo)入建立的全連接神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。損失值的迭代曲線如圖4所示，混淆矩陣如圖5所示。測試集中一共有427例樣本，其中正常件為269件，缺陷件共158件。經(jīng)過全連接神經(jīng)網(wǎng)絡(luò)的預(yù)測，正常件269件中的264件被認(rèn)定為正常件，5件被認(rèn)定為缺陷件。缺陷件共158件中的147件被認(rèn)定為缺陷件，11件被認(rèn)定為正常件，總體準(zhǔn)確率為97.37%，可以看出，基于本文的全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行壓鑄件質(zhì)量預(yù)測是可行的。

圖3 全連接神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

圖4 損失值的迭代曲線

圖5 混淆矩陣

從準(zhǔn)確率、召回率、精確率、F1分值4個方面，將本文全連接神經(jīng)網(wǎng)絡(luò)算法與SVM、決策樹算法進(jìn)行比較。具體結(jié)果如表2所示，可見，本文全連接神經(jīng)網(wǎng)絡(luò)均優(yōu)于其他算法。

表2 不同算法性能對比

Tab.2 Comparison of the performance of different algorithms %

6 結(jié)論

1）將實際生產(chǎn)大數(shù)據(jù)與全連接神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建了一種基于全連接神經(jīng)網(wǎng)絡(luò)的壓鑄件質(zhì)量預(yù)測算法。該算法以壓射速度（1、2、3）、真空度、動模流量為輸入層參數(shù)，以鑄件質(zhì)量為輸出層參數(shù)。該算法對缺陷的預(yù)測誤差基本保持在3%，能夠有效表征壓鑄件質(zhì)量與工藝參數(shù)之間的非線性映射關(guān)系，實現(xiàn)壓鑄件質(zhì)量的高精度預(yù)測。

2）該壓鑄件質(zhì)量預(yù)測方法可以為實際改進(jìn)鋁合金件制備工藝提供參考，從而促進(jìn)生產(chǎn)工藝的優(yōu)化和產(chǎn)品質(zhì)量的提升。

3）將全連接神經(jīng)網(wǎng)絡(luò)與決策樹、SVM進(jìn)行比較，結(jié)果表明，全連接神經(jīng)網(wǎng)絡(luò)模型有更好的預(yù)測能力和預(yù)測精度。

4）由于本文使用的樣本數(shù)量、工藝參數(shù)類型有限，未來可以采集更多的樣本數(shù)據(jù)以及采用更多傳感器設(shè)備來采集工藝參數(shù)，進(jìn)而提高預(yù)測準(zhǔn)確率以及適用性。

[1] 陳昱, 項薇, 龔川. 基于數(shù)據(jù)挖掘的注塑產(chǎn)品質(zhì)量在線故障檢測及預(yù)測[J]. 中國機(jī)械工程, 2023, 34(14): 1749-1755.

CHEN Y, XIANG W, GONG C. Online Diagnostic Inspection and Prediction of Product Quality in Injection Molding Intelligent Factories Based on Data Mining[J]. China Mechanical Engineering, 2023, 34(14): 1749-1755.

[2] LIU D, DU Y, CHAI W, et al. Digital Twin and Data-driven Quality Prediction of Complex Die-casting Manufacturing[J]. IEEE Transactions on Industrial Informatics, 2022, 18(11): 8119-8128.

[3] ANAND A, NAGARAJAN D, MANSORI M, et al. Integration of Additive Fabrication with High-Pressure Die Casting for Quality Structural Castings of Aluminium Alloys; Optimising Energy Consumption[J]. Transactions of the Indian Institute of Metals, 2023, 76(2): 347-379.

[4] 趙圓方, 高媛, 錢峰, 等. 應(yīng)用LSTM網(wǎng)絡(luò)的缸體壓鑄質(zhì)量預(yù)測[J]. 機(jī)械設(shè)計與制造, 2021(7): 229-232.

ZHAO Y F, GAO Y, QIAN F, et al. Quality Prediction of Cylinder Die Castings Based on LSTM Network[J]. Machinery Design & Manufacture, 2021(7): 229-232.

[5] 王洪亮, 穆龍新, 時付更, 等. 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的油田特高含水期產(chǎn)量預(yù)測方法[J]. 石油勘探與開發(fā), 2020, 47(5): 1009-1015.

WANG H L, MU L X, SHI F G, et al. Production Prediction at Ultra-High Water Cut Stage via Recurrent Neural Network[J]. Petroleum Exploration and Development, 2020, 47(5): 1009-1015.

[6] TU Y, CHEN H, YAN L, et al. Task Offloading Based on LSTM Prediction and Deep Reinforcement Learning for Efficient Edge Computing in IoT[J]. Future Internet, 2022, 14(2): 30.

[7] ZHA W, LIU Y, WAN Y, et al. Forecasting Monthly Gas Field Production Based on the CNN-LSTM Model[J]. Energy, 2022: 124889.

[8] ZHANG Y, LI C, JIANG Y, et al. Accurate Prediction of Water Quality in Urban Drainage Network with Integrated EMD-LSTM Model[J]. Journal of Cleaner Production, 2022, 354: 131724.

[9] 楊少華. 一種基于XGBoost的智能制造質(zhì)量預(yù)測模型[J]. 科學(xué)技術(shù)創(chuàng)新, 2021(11): 18-21.

YANG S H. An Intelligent Manufacturing Quality Prediction Model Based on XGBoost[J]. Science and Technology Innovation, 2021(11): 18-21.

[10] ZOU L, SHU S, LIN X, et al. Passenger Flow Prediction Using Smart Card Data from Connected Bus System Based on Interpretable XGBoost[J]. Wireless Communications and Mobile Computing, 2022, 2022: 1-13.

[11] ZHANG Y Y, ZHU C F, WANG Q R. Light GBM-Based Model for Metro Passenger Volume Forecasting[J]. IET Intelligent Transport Systems, 2021, 14(10): 1815-1823.

[12] LU X, CHEN C, GAO R D, et al. Prediction of High-Speed Traffic Flow around City Based on BO-XGBoost Model[J]. Symmetry, 2023, 15(7): 1453.

[13] 蔣晉文, 劉偉光. XGBoost算法在制造業(yè)質(zhì)量預(yù)測中的應(yīng)用[J]. 智能計算機(jī)與應(yīng)用, 2017, 7(6): 58-60.

JIANG J W, LIU W G. Application of XGBoost Algorithm in Manufacturing Quality Prediction[J]. Intelligent Computer and Applications, 2017, 7(6): 58-60.

[14] 郄彥輝, 郭濤, 周凌志, 等. 基于SVM的含缺陷20鋼彎管爆破壓力預(yù)測[J]. 中國安全科學(xué)學(xué)報, 2023, 33(2): 89-95.

QIE Y H, GUO T, ZHOU L Z, et al. Prediction of Burst Pressure of 20 Steel Elbow with Defects Based on SVM[J]. China Safety Science Journal, 2023, 33(2): 89-95.

[15] 胡博, 羅煒韜, 王少飛, 等. 基于支持向量機(jī)參數(shù)優(yōu)化的高溫合金表面缺陷磁異常定量研究[J]. 中國機(jī)械工程, 2023, 34(17): 2058-2064.

HU B, LUO W T, WANG S F, et al. Quantitative Study on Magnetic Anomaly of Superalloy Surface Defects Based on Parameter Optimization of SVM[J]. China Mechanical Engineering, 2023, 34(17): 2058-2064.

[16] JOSE C, GOYAL P, AGGRWAL P, et al. Local Deep Kernel Learning for Efficient Non-linear Svm Prediction[C]// International Conference on Machine Learning, PMLR, 2013: 486-494.

[17] JUANG P S H, HUANG Y N, KAFANDO D A. Using Machine Learning to Establish the Relationship Between Die Casting Parameters and the Casting Quality[C]// Proceedings of the 7th World Congress on Mechanical, Chemical, and Material Engineering (MCM'21), 2021, 107: 1-8.

[18] MABEL M C, FERNANDEZ E. Analysis of Wind Power Generation and Prediction Using ANN: A Case Study[J]. Renewable Energy, 2008, 33(5): 986-992.

[19] YADAV A K, CHANDEL S. Solar Radiation Prediction Using Artificial Neural Network Techniques: A Review[J]. Renewable and Sustainable Energy Reviews, 2014, 33: 772-781.

[20] 潘大豐, 李群. ANN預(yù)測方法應(yīng)用研究[J]. 情報學(xué)報, 1999, 18(2): 105-112.

PAN D F, LI Q. Study on Application of ANN Forecasting Method[J]. Journal of the China Society for Scientific and Technical Information, 1999, 18(2): 105-112.

[21] DING C, PENG H C. Minimum Redundancy Feature Selection from Microarray Gene Expression Data[J]. Journal of Bioinformatics and Computational Biology, 2005, 3(2): 185-205.

[22] ADIKARAM K K L B, HUSSEIN M A, EFFENBERGER M, et al. Data Transformation Technique to Improve the Outlier Detection Power of Grubbs' Test for Data Expected to Follow Linear Relation[J]. Journal of Applied Mathematics, 2015, 2015: 1-9.

[23] 柳小桐. BP神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)歸一化研究[J]. 機(jī)械工程與自動化, 2010(3): 122-123.

LIU X T. Study on Data Normalization in BP Neural Network[J]. Mechanical Engineering & Automation, 2010(3): 122-123.

[24] RAMíREZ-GALLEGO S, LASTRA I, MARTíNEZ- REGO D, et al. Fast-mRMR: Fast Minimum Redundancy Maximum Relevance Algorithm for High-dimensional Big Data[J]. International Journal of Intelligent Systems, 2017, 32(2): 134-152.

[25] 趙琳娜, 盧姝, 齊丹, 等. 基于全連接神經(jīng)網(wǎng)絡(luò)方法的日最高氣溫預(yù)報[J]. 應(yīng)用氣象學(xué)報, 2022, 33(3): 257-269.

ZHAO L N, LU S, QI D, et al. Daily Maximum Air Temperature Forecast Based on Fully Connected Neural Network[J]. Journal of Applied Meteorological Science, 2022, 33(3): 257-269.

[26] 艾青林, 林小貝, 徐巧寧. 基于全連接神經(jīng)網(wǎng)絡(luò)與傳遞率函數(shù)相結(jié)合的鋼結(jié)構(gòu)損傷檢測方法[J]. 高技術(shù)通訊, 2021, 31(8): 824-835.

AI Q L, LIN X B, XU Q N. Damage Detection Method of Steel Structure Based on Fully Connected Neural Network Model and Transmissibility Function[J]. Chinese High Technology Letters, 2021, 31(8): 824-835.

Die Casting Quality Prediction Algorithm Based on Fully Connected Neural Network

TIAN Xiaojing1, GONG Huan1, DU Yu1*, WU Xiaoxuan2

(1. School of Mechanical Engineering, Dalian Jiaotong University, Liaoning Dalian 116028, China; 2. School of Mechanical Engineering, Dalian University of Technology, Liaoning Dalian 116024, China)

The work aims to construct a fully connected neutral network to solve the problem of high-precision monitoring and quality prediction in complex die casting manufacturing process, thereby improving the accuracy and efficiency of defect classification and prediction of die castings. An algorithm based on fully connected neural network was proposed for quality prediction of die castings. With the automotive engine lower block as the research object, firstly, the key process data were collected through the die casting island. Next, the data preprocessing was carried out through the outlier processing and data normalization, and then the heuristic algorithm with minimum redundancy and maximum relevance (MRMR) was used for feature processing to select the five parameters with the greatest impact on the quality of die casting. The algorithm adopted the die casting speed, the vacuum degree and the moving mould flow as input layer parameters and the casting quality as output layer parameters. Finally, the structure of the algorithm and each parameter were determined, the model was trained and constructed, and the performance was compared with those of different algorithms. The classification and prediction performance of the algorithm on the same data set was better than that of the traditional decision tree and SVM algorithms, indicating that the fully connected neural network had advantages in dealing with the prediction of die casting defects. Therefore, the algorithm has great potential in practical applications, proving the advantages of fully connected neural network in prediction capability and accuracy, and can provide better solutions for data classification and prediction.

die casting; MRMR correlation analysis; neural network; data classification and prediction; normalization

10.3969/j.issn.1674-6457.2024.03.017

TP391

A

1674-6457(2024)03-0159-06

2024-01-09

2024-01-09

國家重點研發(fā)計劃重點專項（2022YFB3706802）

National Key R&D Program of China(2022YFB3706802)

田小靜, 龔歡, 杜宇, 等. 基于全連接神經(jīng)網(wǎng)絡(luò)的壓鑄件質(zhì)量預(yù)測算法[J]. 精密成形工程, 2024, 16(3): 159-164.

TIAN Xiaojing, GONG Huan, DU Yu, et al. Die Casting Quality Prediction Algorithm Based on Fully Connected Neural Network[J]. Journal of Netshape Forming Engineering, 2024, 16(3): 159-164.

（Corresponding author）