基于全連接神經網絡的壓鑄件質量預測算法

田小靜，龔歡，杜宇*，武曉軒

基于全連接神經網絡的壓鑄件質量預測算法

田小靜1，龔歡1，杜宇1*，武曉軒2

（1.大連交通大學 機械工程學院，遼寧 大連 116028；2.大連理工大學 機械工程學院，遼寧 大連 116024）

針對復雜壓鑄制造過程中高精度監控和質量預測問題，構建全連接神經網絡，以提高壓鑄件缺陷分類和預測的準確性及高效性。提出了一種基于全連接神經網絡的算法，用于壓鑄件的質量預測。以汽車發動機下缸體為研究對象，先通過壓鑄島采集關鍵工藝數據，后通過異常值處理和數據歸一化進行數據預處理，再采用最小冗余和最大相關性的啟發式算法（MRMR）進行特征處理，選出對壓鑄件質量影響較大的5個參數，該算法以3個壓射速度、真空度、動模流量為輸入層參數，以鑄件質量為輸出層參數。最后確定該算法的結構及各個參數，進行模型的訓練與構建，并與不同算法進行性能比較。與傳統的決策樹、SVM算法相比，該算法在相同數據集的分類和預測性能方面均更優，表明全連接神經網絡在預測壓鑄缺陷方面具有優勢。該算法在實際應用中具有很大的潛力，證明全連接神經網絡在預測能力和精度方面具有優勢，可以為數據分類和預測提供更好的解決方案。

壓鑄；MRMR相關性分析；神經網絡；數據分類預測；歸一化

壓鑄制造業面臨智能化程度不高、難以有效監控壓鑄過程、難以充分利用大量生產數據等問題，這些問題嚴重制約了壓鑄制造業的智能化轉型[1]。在鋁合金制品中，應用壓鑄質量預測技術確保產品質量至關重要[2]。通過有效的預測技術，可以提前發現鑄件表面的缺陷，如磨損、裂紋、氣孔等，從而避免產品在使用過程中出現問題[3]。壓鑄件的質量預測可提升產品質量、降低廢品率和生產成本。通過及早發現潛在缺陷，能夠實施更精準的質量控制，從而確保產品符合設計要求。有助于避免不必要的返工和修復成本，提高生產效率。

近幾年，利用數據驅動對生產過程預測的研究成果眾多。眾多研究基于LSTM循環神經網絡的質量預測方法，通過與時間序列法進行對比，實現了質量的精準預測[4-8]。基于XGBoost算法，多項研究對現有的加工流水線工藝數據進行了分析，實現了對產品生產質量的預測，進而降低了缺陷[9-13]。支持向量機（SVM）的集成算法經常被用于預測缺陷[14-16]。Juang等[17]使用機器學習建立了2個模型，通過多項式回歸建立了壓鑄機設置參數與機器響應（顯示）參數之間的關系，構建了模型1，并使用2來評估模型，2是用于評估回歸模型擬合優度的指標。模型2是使用支持向量機算法建立的，工人根據機器響應參數預測壓鑄件的質量，將模型1和模型2結合起來后，鑄造工人根據模型2找到壓鑄合格件的機器響應參數，再根據模型1調整壓鑄件設置參數，以提高壓鑄零件的質量。ANN人工神經網絡是處理輸入與輸出之間復雜非線性問題的有效方法[18-20]。

復雜模型如LSTM、XGBoost和ANN的黑盒性質使模型解釋性受限，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類別的預測效果。在處理時序數據時，長時序數據可能導致梯度消失或梯度爆炸，需要更深入的研究。模型在特定數據集上表現出色但針對未見過數據性能下降的問題也需要得到解決，進而提高模型的泛化性能。

本文提出了一種基于全連接神經網絡的壓鑄件質量預測算法，旨在提高壓鑄缺陷分類和預測的準確性及效率，從而在整個制造流程中優化決策、改進工藝、降低廢品率，最終提升產品質量和制造效率。

1 系統整體架構

總體方法的簡要流程如圖1所示。首先，基于壓鑄島進行數據采集，通過先驗知識選取對壓鑄件質量影響較大的16個工藝參數。通過X光檢測壓鑄件的內部缺陷，預測目標為產品質量，以工件是否有缺陷作為產品質量的評估指標。其次，對數據集進行預處理，基于最小冗余和最大相關性（MRMR）的方法[21]分析和選擇制造參數中的核心參數，選取其中特征重要性得分較高的5個工藝參數進行質量預測，然后進行預測模型的構建與訓練。最后，利用鋁合金壓鑄制造公司的實際數據對全連接神經網絡預測模型進行驗證。

圖1 系統整體架構流程

2 數據采集

采用西門子S7協議與現場壓鑄島通信采集數據，以100 ms的時間間隔實時連續采集實際生產數據。所用設備有壓鑄機、模冷機、點冷機、定量爐、熱成像設備、真空機。在每一個數據采集周期，該模塊根據壓鑄過程中的跟蹤信息，將本次采集到的所有實際過程數據與對應壓鑄編號匹配，并存入Mongo數據庫中。

2.1 異常值處理

采用Grubbs假設檢測數據集中是否存在異常值[22]。通過計算樣本均值和樣本標準差，以及樣本與樣本均值之間的最大絕對偏差，并除以樣本標準差，得到Grubbs統計量。根據Grubbs統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假設檢驗公式如式（1）所示。

經過上述計算，共去除異常數據15組，最終保留2 150條數據用于建立壓鑄件質量預測算法模型。

2.2 數據歸一化

為了消除不同參數數量級差異對網絡權重的影響，使用數據歸一化方法，將相關參數轉化為無量綱數值，以便進行訓練[23]。歸一化公式如式（2）所示。

3 特征處理

部分實驗數據（由一家生產汽車部件的壓鑄制造公司提供）如表1所示。數據集樣本總數為2 150，其中制造參數有16個：料餅厚度、3個壓射速度（1、2、3）、真空度、油溫機溫度、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問題。真空度影響表面質量，高真空可減少鑄件表面氣孔和表面氧化。油溫機溫度直接關系到金屬的流動性，不當的溫度可能導致鑄件在低溫或高溫狀態下形成裂紋。操作時間參數（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、定模流量直接關聯到充填和冷卻過程，上述參數的不當調整可能導致充填不足和結構不均勻。合模力和合模下側溫度會影響模具封閉和冷卻速度，過大或過小都可能導致變形和裂紋。

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

表1 部分實驗數據

Tab.1 Some experimental data

對特征進行MRMR得分排名，并按照得分的降序進行排序，如圖2所示。

圖2 基于MRMR的特征重要性分數與特征等級

選出與缺陷之間互信息最大的個特征，得到強相關的個特征集合。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個參數進行壓鑄質量預測，包含壓射速度（1、2、3）、真空度、動模流量。

4 全連接神經網絡

4.1 隱含層層數的確定

神經網絡的隱含層位于輸入層和輸出層之間，充當了輸入和輸出之間連接和轉換的角色。隱含層的數量是影響神經網絡性能的關鍵因素之一。增加隱含層的數量可以增加網絡的容量，提高對復雜關系的學習能力，進而提高預測精度。然而，選擇較多的隱含層數量也伴隨著計算復雜度的增大、訓練效率的降低以及過擬合風險的增加。

本文采用了單隱含層結構的全連接神經網絡。盡管這種結構在訓練時只有一個隱含層，但同樣能夠達到高精度的預測結果。這是因為單隱含層結構具有足夠的靈活性，能夠有效逼近任何非線性的連續函數。這種簡化的結構能在保持模型表現的同時降低網絡的復雜性，有助于提高訓練效率，降低過擬合的風險。因此，本文選擇單隱含層結構的全連接神經網絡。

4.2 隱含層神經元數目的確定

隱含層中的神經元數量對網絡訓練有復雜的影響。如果網絡模型過于簡單，可能會影響輸入參數與輸出參數之間的相關性。此外，如果全連接神經網絡的隱含層神經元數量過多，可能導致模型預測的精度下降，訓練期間出現不收斂或發生過度擬合的情況。為解決這一問題，可以通過計算均方誤差參數（EMSE）來選擇隱含層中神經元的數量。通過優化神經元數量，可以提高模型的計算效率和預測精度。EMSE越小，表示模型的預測效果越好。因此，通過調整隱含層中神經元的數量，可以優化神經網絡模型，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網絡預測值；為實驗樣本總數；MSE為計算所得的均方誤差值。當神經元數量為4時，MSE最小，說明隱含層中神經元數量為4的網絡結構表現出的性能最好。

4.3 預測模型的構建與訓練

全連接神經網絡已被廣泛用于處理輸入與輸出之間具有非線性關系的工程實際問題[25-26]。采用全連接神經網絡建立以壓射速度（1、2、3）、真空度和動模流量為輸入層，以鑄件質量為輸出層的3層網絡預測模型，所建立的全連接神經網絡的拓撲結構如圖3所示。

5 結果與討論

將已有數據按照8∶2的比例分為訓練集與驗證集，并導入建立的全連接神經網絡中進行訓練。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。經過全連接神經網絡的預測，正常件269件中的264件被認定為正常件，5件被認定為缺陷件。缺陷件共158件中的147件被認定為缺陷件，11件被認定為正常件，總體準確率為97.37%，可以看出，基于本文的全連接神經網絡進行壓鑄件質量預測是可行的。

圖3 全連接神經網絡的拓撲結構

圖4 損失值的迭代曲線

圖5 混淆矩陣

從準確率、召回率、精確率、F1分值4個方面，將本文全連接神經網絡算法與SVM、決策樹算法進行比較。具體結果如表2所示，可見，本文全連接神經網絡均優于其他算法。

表2 不同算法性能對比

Tab.2 Comparison of the performance of different algorithms %

6 結論

1）將實際生產大數據與全連接神經網絡相結合，構建了一種基于全連接神經網絡的壓鑄件質量預測算法。該算法以壓射速度（1、2、3）、真空度、動模流量為輸入層參數，以鑄件質量為輸出層參數。該算法對缺陷的預測誤差基本保持在3%，能夠有效表征壓鑄件質量與工藝參數之間的非線性映射關系，實現壓鑄件質量的高精度預測。

2）該壓鑄件質量預測方法可以為實際改進鋁合金件制備工藝提供參考，從而促進生產工藝的優化和產品質量的提升。

3）將全連接神經網絡與決策樹、SVM進行比較，結果表明，全連接神經網絡模型有更好的預測能力和預測精度。

4）由于本文使用的樣本數量、工藝參數類型有限，未來可以采集更多的樣本數據以及采用更多傳感器設備來采集工藝參數，進而提高預測準確率以及適用性。

[1] 陳昱, 項薇, 龔川. 基于數據挖掘的注塑產品質量在線故障檢測及預測[J]. 中國機械工程, 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. 應用LSTM網絡的缸體壓鑄質量預測[J]. 機械設計與制造, 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. 基于循環神經網絡的油田特高含水期產量預測方法[J]. 石油勘探與開發, 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的智能制造質量預測模型[J]. 科學技術創新, 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算法在制造業質量預測中的應用[J]. 智能計算機與應用, 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鋼彎管爆破壓力預測[J]. 中國安全科學學報, 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. 基于支持向量機參數優化的高溫合金表面缺陷磁異常定量研究[J]. 中國機械工程, 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預測方法應用研究[J]. 情報學報, 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神經網絡輸入層數據歸一化研究[J]. 機械工程與自動化, 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. 基于全連接神經網絡方法的日最高氣溫預報[J]. 應用氣象學報, 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. 基于全連接神經網絡與傳遞率函數相結合的鋼結構損傷檢測方法[J]. 高技術通訊, 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. 基于全連接神經網絡的壓鑄件質量預測算法[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）