CN116822341B - 一种基于三维铸件模型特征提取的缺陷预测方法及系统 - Google Patents
一种基于三维铸件模型特征提取的缺陷预测方法及系统 Download PDFInfo
- Publication number
- CN116822341B CN116822341B CN202310695758.0A CN202310695758A CN116822341B CN 116822341 B CN116822341 B CN 116822341B CN 202310695758 A CN202310695758 A CN 202310695758A CN 116822341 B CN116822341 B CN 116822341B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- casting
- matrix
- model
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005266 casting Methods 0.000 title claims abstract description 188
- 230000007547 defect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 166
- 239000002184 metal Substances 0.000 claims abstract description 29
- 238000011176 pooling Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 70
- 230000008569 process Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 229910052729 chemical element Inorganic materials 0.000 claims description 8
- 238000005056 compaction Methods 0.000 claims description 8
- 239000002054 inoculum Substances 0.000 claims description 8
- 239000003110 molding sand Substances 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 239000004576 sand Substances 0.000 description 9
- 239000000047 product Substances 0.000 description 8
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007528 sand casting Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于三维铸件模型特征提取的缺陷预测方法及系统,属于铸造产品质量预测领域,方法包括:采用预设规格的包容体作为铸型将三维待测铸件包裹,构建三维待测铸件模型,并对三维待测铸件模型进行网格剖分,获取三维待测铸件数组;将三维待测铸件数组输入至训练好的3D‑DCAE模型中,经过三维卷积层和池化层,获取四个三维形貌矩阵;将三维形貌矩阵中每个元素离中心点元素之间的距离与元素值相乘后求和,获取各三维形貌矩阵对应的矩阵特征值;将金属液浇注温度、浇注速度和金属液中的工艺参数与三维形貌矩阵对应的矩阵特征值作为缺陷预测神经网络的输入,引入代价敏感学习进行缺陷预测。本发明解决了预测模型泛化能力弱问题。
Description
技术领域
本发明属于铸造产品质量预测领域,更具体地,涉及一种基于三维铸件模型特征提取的缺陷预测方法及系统。
背景技术
工程机械中复杂砂型铸件容易出现缩孔、砂眼、气孔和冷隔等缺陷,需要对铸件质量进行预测,最核心的是探究工艺参数与产品质量之间的内禀关系。在众多的工序工艺当中,涵盖了金属液浇注温度、浇注速度、金属液中各种化学元素含量、孕育剂含量、型砂紧实率和型砂含水量等参数,探究内禀关系的本质就是在于通过各项工艺参数能够准确地预测最终产品的质量,进而明晰缺陷的成因。然而上述工艺参数均为非结构化数据,而工艺三维设计是无法被量化的非结构化数据,使得缺陷预测模型的泛化能力有待提高。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于三维铸件模型特征提取的缺陷预测方法及系统,旨在解决现有的铸件三维设计无法被量化导致缺陷预测模型泛化能力弱的问题。
为实现上述目的,第一方面,本发明提供了一种基于三维铸件模型特征提取的缺陷预测方法,包括以下步骤:
采用预设规格的包容体作为铸型将三维待测铸件包裹,构建三维待测铸件模型,并对三维待测铸件模型进行网格剖分,获取三维待测铸件数组;其中,铸件位置表示为1,铸型位置表示为0;
将三维待测铸件数组输入至训练好的3D-DCAE模型中,经过三维卷积层和池化层,获取四个三维形貌矩阵,分别为α矩阵、β矩阵、γ矩阵和δ矩阵;其中,三维形貌矩阵代表铸件形貌经过非线性降维得到的多通道维度特征;
将三维形貌矩阵中每个元素离中心点元素之间的距离与元素值相乘后求和,获取各三维形貌矩阵对应的矩阵特征值;
将金属液浇注温度、浇注速度和金属液中的工艺参数与三维形貌矩阵对应的矩阵特征值作为缺陷预测神经网络的输入,引入代价敏感学习进行缺陷预测;
其中,3D-DCAE模型的训练过程为:
采用预设规格的包容体作为铸型将三维训练铸件包裹,构建初始三维训练铸件模型,并对三维待测铸件模型进行网格剖分,获取三维训练铸件数组;
将三维训练铸件数组输入至3D-DCAE模型中,重构三维训练铸件模型;其中,3D-DCAE模型包括三维卷积层、池化层和反卷积层;
将重构三维训练铸件模型与初始三维训练铸件模型的差异作为模型的损失函数,采用反向传播算法训练3D-DCAE模型。
进一步优选地,工艺参数包括金属液浇注温度、浇注速度、金属液中各种化学元素含量、孕育剂含量、型砂紧实率和型砂含水量。
进一步优选地,矩阵特征值的计算方法为:
其中,i取四个不同的值分别表示α、β、γ、δ矩阵;N表示矩阵元素数量;j表示矩阵元素的编号;xc、yc和zc表示矩阵中心位置;valuex,y,z代表矩阵具体位置的元素值,得到α、β、γ、δ矩阵特征值。
进一步优选地,代价敏感学习中根据待测铸件种类和缺陷危害程度对代价矩阵进行定义。
第二方面,本发明提供了一种基于三维铸件模型特征提取的缺陷预测系统,包括:
三维待测铸件模型的构建模块,用于采用预设规格的包容体作为铸型将三维待测铸件包裹,构建三维待测铸件模型;
三维待测铸件数组的获取模块,用于对三维待测铸件模型进行网格剖分,获取三维待测铸件数组;其中,铸件位置表示为1,铸型位置表示为0;
三维形貌矩阵的获取模块,用于将三维待测铸件数组输入至训练好的3D-DCAE模型中,经过三维卷积层和池化层,获取四个三维形貌矩阵,分别为α矩阵、β矩阵、γ矩阵和δ矩阵;其中,三维形貌矩阵代表铸件形貌经过非线性降维得到的多通道维度特征;
矩阵特征值的计算模块,用于将所述三维形貌矩阵中每个元素离中心点元素之间的距离与元素值相乘后求和,获取各三维形貌矩阵对应的矩阵特征值;
缺陷预测模块,用于将金属液浇注温度、浇注速度和金属液中的工艺参数与三维形貌矩阵对应的矩阵特征值作为缺陷预测神经网络的输入,引入代价敏感学习进行缺陷预测;
初始三维训练铸件模型的构建模块,用于采用预设规格的包容体作为铸型将三维训练铸件包裹,构建初始三维训练铸件模型;
三维训练铸件数组的获取模块,用于对三维训练铸件模型进行网格剖分,获取三维训练铸件数组;
三维训练铸件模型的重构模块,用于将三维训练铸件数组输入至3D-DCAE模型中,重构三维训练铸件模型;其中,3D-DCAE模型包括三维卷积层、池化层和反卷积层;
3D-DCAE模型的训练模块,用于将重构三维训练铸件模型与初始三维训练铸件模型的差异作为模型的损失函数,采用反向传播算法训练3D-DCAE模型。
进一步优选地,所述矩阵特征值的计算方法为:
其中,i取四个不同的值分别表示α、β、γ、δ矩阵;N表示矩阵元素数量;j表示矩阵元素的编号;xc、yc和zc表示矩阵中心位置;valuex,y,z代表矩阵具体位置的元素值,得到α、β、γ、δ矩阵特征值。
进一步优选地,所述工艺参数包括金属液浇注温度、浇注速度、金属液中各种化学元素含量、孕育剂含量、型砂紧实率和型砂含水量。
进一步优选地,代价敏感学习中根据待测铸件种类和缺陷危害程度对代价矩阵进行定义。
第三方面,本申请提供一种电子设备,包括:至少一个存储器,用于存储程序;至少一个处理器,用于执行存储器存储的程序,当存储器存储的程序被执行时,处理器用于执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,当计算机程序在处理器上运行时,使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
第五方面,本申请提供一种计算机程序产品,当计算机程序产品在处理器上运行时,使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下
有益效果:
本发明提供了一种基于三维铸件模型特征提取的缺陷预测方法,其中,首先进行三维待测铸件模型的构建,将三维待测铸件模型进行网格划分,获取三维待测铸件数组,铸件位置表示为1,铸型位置表示为0,将三维待测铸件数组输入至训练好的3D-DCAE模型中,经过三维卷积层和池化层,获取四个三维形貌矩阵,将三维待测铸件模型非结构化且特征实现量化,本发明为铸件缺陷预测提供更加全面、准确的输入,解决预测模型泛化能力弱问题,为实际生产提供科学指导。
本发明提供的基于三维铸件模型特征提取的缺陷预测方法,将金属液浇注温度、浇注速度和金属液中的工艺参数与三维形貌矩阵对应的矩阵特征值作为缺陷预测神经网络的输入,引入代价敏感学习进行缺陷预测;从中可以看出,本发明不仅引入了三维结构的特征提取,而且将三维结构的特征值与工艺参数相融合,使得对铸件的缺陷预测泛化性能更好。
本发明提供的基于三维铸件模型特征提取的缺陷预测方法,由于把缺陷误判成合格品和把合格品误判成缺陷的代价并不相同,故需要将该矩阵设计为非对称矩阵,costi,j值越大则表示该错分情况所造成的代价越大;可根据样本种类和缺陷危害程度进行代价矩阵自定义,使缺陷预测更符合工程应用标准。
附图说明
图1是本发明实施例提供的基于三维铸件模型特征提取的缺陷预测方法流程图;
图2是本发明实施例提供的3D-DCAE模型的训练流程图;
图3是本发明实施例提供的3D-DCAE网格结构示意图;
图4是本发明实施例提供的3D-DCAE网格参数图;
图5(a)是本发明实施例提供的经过3D-DCAE模型的特征计算得到的α矩阵对应的特征矩阵;
图5(b)是本发明实施例提供的经过3D-DCAE模型的特征计算得到的β矩阵对应的特征矩阵;
图5(c)是本发明实施例提供的经过3D-DCAE模型的特征计算得到的γ矩阵对应的特征矩阵;
图5(d)是本发明实施例提供的经过3D-DCAE模型的特征计算得到的δ矩阵对应的特征矩阵;
图6是本发明实施例提供的代价矩阵图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
第一方面,如图1所示,本发明提供了一种基于三维铸件模型特征提取的缺陷预测方法,包括以下步骤:
采用预设规格的包容体作为铸型将三维待测铸件包裹,构建三维待测铸件模型,并对三维待测铸件模型进行网格剖分,获取三维待测铸件数组;其中,铸件位置表示为1,铸型位置表示为0;
将三维待测铸件数组输入至训练好的3D-DCAE模型中,经过三维卷积层和池化层,获取四个三维形貌矩阵,分别为α矩阵、β矩阵、γ矩阵和δ矩阵;其中,三维形貌矩阵代表铸件形貌经过非线性降维得到的多通道维度特征;
将三维形貌矩阵中每个元素离中心点元素之间的距离与元素值相乘后求和,获取各三维形貌矩阵对应的矩阵特征值;
将金属液浇注温度、浇注速度和金属液中的工艺参数与三维形貌矩阵对应的矩阵特征值作为缺陷预测神经网络的输入,引入代价敏感学习进行缺陷预测;
其中,如图2所示,3D-DCAE模型的训练过程为:
采用预设规格的包容体作为铸型将三维训练铸件包裹,构建初始三维训练铸件模型,并对三维待测铸件模型进行网格剖分,获取三维训练铸件数组;
将三维训练铸件数组输入至3D-DCAE模型中,重构三维训练铸件模型;其中,3D-DCAE模型包括三维卷积层、池化层和反卷积层;
将重构三维训练铸件模型与初始三维训练铸件模型的差异作为模型的损失函数,采用反向传播算法训练3D-DCAE模型。
进一步优选地,工艺参数包括金属液浇注温度、浇注速度、金属液中各种化学元素含量、孕育剂含量、型砂紧实率和型砂含水量。
进一步优选地,矩阵特征值的计算方法为:
其中,i取四个不同的值分别表示α、β、γ、δ矩阵;N表示矩阵元素数量;j表示矩阵元素的编号;xc、yc和zc表示矩阵中心位置;valuex,y,z代表矩阵具体位置的元素值,得到α、β、γ、δ矩阵特征值。
进一步优选地,代价敏感学习中根据待测铸件种类和缺陷危害程度对代价矩阵进行定义。
第二方面,本发明提供了一种基于三维铸件模型特征提取的缺陷预测系统,包括:
三维待测铸件模型的构建模块,用于采用预设规格的包容体作为铸型将三维待测铸件包裹,构建三维待测铸件模型;
三维待测铸件数组的获取模块,用于对三维待测铸件模型进行网格剖分,获取三维待测铸件数组;其中,铸件位置表示为1,铸型位置表示为0;
三维形貌矩阵的获取模块,用于将三维待测铸件数组输入至训练好的3D-DCAE模型中,经过三维卷积层和池化层,获取四个三维形貌矩阵,分别为α矩阵、β矩阵、γ矩阵和δ矩阵;其中,三维形貌矩阵代表铸件形貌经过非线性降维得到的多通道维度特征;
矩阵特征值的计算模块,用于将所述三维形貌矩阵中每个元素离中心点元素之间的距离与元素值相乘后求和,获取各三维形貌矩阵对应的矩阵特征值;
缺陷预测模块,用于将金属液浇注温度、浇注速度和金属液中的工艺参数与三维形貌矩阵对应的矩阵特征值作为缺陷预测神经网络的输入,引入代价敏感学习进行缺陷预测;
初始三维训练铸件模型的构建模块,用于采用预设规格的包容体作为铸型将三维训练铸件包裹,构建初始三维训练铸件模型;
三维训练铸件数组的获取模块,用于对三维训练铸件模型进行网格剖分,获取三维训练铸件数组;
三维训练铸件模型的重构模块,用于将三维训练铸件数组输入至3D-DCAE模型中,重构三维训练铸件模型;其中,3D-DCAE模型包括三维卷积层、池化层和反卷积层;
3D-DCAE模型的训练模块,用于将重构三维训练铸件模型与初始三维训练铸件模型的差异作为模型的损失函数,采用反向传播算法训练3D-DCAE模型。
进一步优选地,所述矩阵特征值的计算方法为:
其中,i取四个不同的值分别表示α、β、γ、δ矩阵;N表示矩阵元素数量;j表示矩阵元素的编号;xc、yc和zc表示矩阵中心位置;valuex,y,z代表矩阵具体位置的元素值,得到α、β、γ、δ矩阵特征值。
进一步优选地,所述工艺参数包括金属液浇注温度、浇注速度、金属液中各种化学元素含量、孕育剂含量、型砂紧实率和型砂含水量。
进一步优选地,代价敏感学习中根据待测铸件种类和缺陷危害程度对代价矩阵进行定义。
实施例
本发明实施例提供了一种用于计算探伤图像比例尺的滚珠测定方法,包括以下步骤:
D1:三维铸件模型体素化:
体素大小规范:体素过小虽然能够更加精准地表示三维铸件模型的几何信息,但会增加模型的计算量,反之可以节省计算的资源,缩短训练时间,但同时也会丢失一些三维特征信息;体素化大小可以为1mm网格、5mm网格、10mm网格、20mm网格;对是准度和计算速度权衡后,本实施例优选10mm网格,根据需要也可以选择其他网格大小;
三维数组规范:采用相同规格(如:1000mm*600mm*600mm)的包容体作为铸型将三维铸件包裹其中,之后借助网格剖分软件(如华铸CAE的前处理)对包容体进行网格剖分;由于采用了10mm的体素规格,其剖分完之后得到一个数据结构为100*60*60的三维铸件数组,其中,铸件位置表示为1,铸型位置表示为0;
D2:卷积自编码器模型构建:
针对三维铸件模型的特征量化难题,采用深度学习中的自编码器作为模型基础,引入卷积神经网络简化模型参数设计,构建3D-DCAE模型;三维铸件体素化结果作为3D-DCAE(3D Deep Convolutional Auto Encoder)模型本身的输入数据,经过三维卷积层、池化层以及反卷积层的训练,实现对三维铸件本身的重构,将重构对象与原始形貌的差异作为模型的损失函数,采用反向传播算法训练模型;最终的特征量化模型中间层隐变量h即为铸件三维形貌的定量表征结果,其代表了三维结构的关键形状特征;3D-DCAE的网络结构如图3所示,网络参数如图4所示,模型编码过程(encoder)划分成三个单元,每个单元由卷积、批量归一化、激活函数以及池化构成,且不同单元的处理方式相近;
3D-DCAE提取到的三维形貌矩阵,即中间隐变量h,是由四个25*15*15的三维矩阵组成,该矩阵代表了铸件形貌经过非线性降维得到的多通道维度特征,这四个三维矩阵分别命名为α矩阵、β矩阵、γ矩阵和δ矩阵;以回转架为例,经过3D-DCAE模型的特征计算得到四个三维矩阵,具体三维形态如图5(a)~5(d);
由于矩阵中所涵盖的元素众多,如若将其与后续结构化工艺参数进行结合,需从四个矩阵中提取关键信息融合;为此,采用空间加权求和计算矩阵中每个元素离中心点距离与元素值乘积并求和,并作为最终三维结构的特征,具体计算公式为:
其中,i取四个不同的值分别表示α、β、γ、δ矩阵;N表示矩阵元素数量;xc、yc和zc表示矩阵中心位置;valuex,y,z代表矩阵具体位置的元素值,得到α、β、γ、δ矩阵特征值;j表示矩阵元素的编号;
D3:缺陷预测;
将金属液浇注温度、浇注速度、金属液中各种化学元素含量、孕育剂含量、型砂紧实率和型砂含水量等工艺参数和上述α、β、γ、δ矩阵特征值等参数作为输入,构建缺陷预测神经网络,并引入代价敏感学习进行缺陷预测;
图6中costi,j为代价矩阵;i代表实际种类;j代表预测结果种类;如若把真实的第i类样本预测成第j类,需要付出costi,j的代价,但由于把缺陷误判成合格品和把合格品误判成缺陷的代价并不相同,故需要将该矩阵设计为非对称矩阵,costi,j值越大则表示该错分情况所造成的代价越大;可根据样本种类和缺陷危害程度进行代价矩阵自定义,使缺陷预测更符合工程应用标准。
应当理解的是,上述系统用于执行上述实施例中的方法,系统中相应的程序模块,其实现原理和技术效果与上述方法中的描述类似,该系统的工作过程可参考上述方法中的对应过程,此处不再赘述。
基于上述实施例中的方法,本申请实施例提供了一种电子设备。该设备可以包括:至少一个用于存储程序的存储器和至少一个用于执行存储器存储的程序的处理器。其中,当存储器存储的程序被执行时,处理器用于执行上述实施例中所描述的方法。
基于上述实施例中的方法,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,当计算机程序在处理器上运行时,使得处理器执行上述实施例中的方法。
基于上述实施例中的方法,本申请实施例提供了一种计算机程序产品,当计算机程序产品在处理器上运行时,使得处理器执行上述实施例中的方法。
可以理解的是,本申请的实施例中的处理器可以是中央处理单元(centralprocessing unit,CPU),还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件,硬件部件或者其任意组合。通用处理器可以是微处理器,也可以是任何常规的处理器。
本申请的实施例中的方法步骤可以通过硬件的方式来实现,也可以由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成,软件模块可以被存放于随机存取存储器(random access memory,RAM)、闪存、只读存储器(read-only memory,ROM)、可编程只读存储器(programmable rom,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于三维铸件模型特征提取的缺陷预测方法,其特征在于,包括以下步骤:
采用预设规格的包容体作为铸型将三维待测铸件包裹,构建三维待测铸件模型,并对三维待测铸件模型进行网格剖分,获取三维待测铸件数组;其中,铸件位置表示为1,铸型位置表示为0;
将三维待测铸件数组输入至训练好的3D-DCAE模型中,经过三维卷积层和池化层,获取四个三维形貌矩阵,分别为α矩阵、β矩阵、γ矩阵和δ矩阵;其中,三维形貌矩阵代表铸件形貌经过非线性降维得到的多通道维度特征;
将所述三维形貌矩阵中每个元素离中心点元素之间的距离与元素值相乘后求和,获取各三维形貌矩阵对应的矩阵特征值;
将金属液中的工艺参数与三维形貌矩阵对应的矩阵特征值作为缺陷预测神经网络的输入,引入代价敏感学习进行缺陷预测;其中,所述工艺参数包括金属液浇注温度、浇注速度、金属液中各种化学元素含量、孕育剂含量、型砂紧实率和型砂含水量;代价敏感学习中根据待测铸件种类和缺陷危害程度对代价矩阵进行定义;
其中,3D-DCAE模型的训练过程为:
采用预设规格的包容体作为铸型将三维训练铸件包裹,构建初始三维训练铸件模型,并对初始三维训练铸件模型进行网格剖分,获取三维训练铸件数组;
将三维训练铸件数组输入至3D-DCAE模型中,重构三维训练铸件模型;其中,3D-DCAE模型包括三维卷积层、池化层和反卷积层;
将重构三维训练铸件模型与初始三维训练铸件模型的差异作为模型的损失函数,采用反向传播算法训练3D-DCAE模型。
2.根据权利要求1所述的缺陷预测方法,其特征在于,所述矩阵特征值的计算方法为:
其中,i取四个不同的值分别表示α、β、γ、δ矩阵;N表示矩阵元素数量;j表示矩阵元素的编号;xc、yc和zc表示矩阵中心位置;valuex,y,z代表矩阵具体位置的元素值,得到α、β、γ、δ矩阵特征值。
3.一种基于三维铸件模型特征提取的缺陷预测系统,其特征在于,包括:
三维待测铸件模型的构建模块,用于采用预设规格的包容体作为铸型将三维待测铸件包裹,构建三维待测铸件模型;
三维待测铸件数组的获取模块,用于对三维待测铸件模型进行网格剖分,获取三维待测铸件数组;其中,铸件位置表示为1,铸型位置表示为0;
三维形貌矩阵的获取模块,用于将三维待测铸件数组输入至训练好的3D-DCAE模型中,经过三维卷积层和池化层,获取四个三维形貌矩阵,分别为α矩阵、β矩阵、γ矩阵和δ矩阵;其中,三维形貌矩阵代表铸件形貌经过非线性降维得到的多通道维度特征;
矩阵特征值的计算模块,用于将所述三维形貌矩阵中每个元素离中心点元素之间的距离与元素值相乘后求和,获取各三维形貌矩阵对应的矩阵特征值;
缺陷预测模块,用于将金属液中的工艺参数与三维形貌矩阵对应的矩阵特征值作为缺陷预测神经网络的输入,引入代价敏感学习进行缺陷预测;其中,所述工艺参数包括金属液浇注温度、浇注速度、金属液中各种化学元素含量、孕育剂含量、型砂紧实率和型砂含水量;代价敏感学习中根据待测铸件种类和缺陷危害程度对代价矩阵进行定义;
初始三维训练铸件模型的构建模块,用于采用预设规格的包容体作为铸型将三维训练铸件包裹,构建初始三维训练铸件模型;
三维训练铸件数组的获取模块,用于对三维训练铸件模型进行网格剖分,获取三维训练铸件数组;
三维训练铸件模型的重构模块,用于将三维训练铸件数组输入至3D-DCAE模型中,重构三维训练铸件模型;其中,3D-DCAE模型包括三维卷积层、池化层和反卷积层;
3D-DCAE模型的训练模块,用于将重构三维训练铸件模型与初始三维训练铸件模型的差异作为模型的损失函数,采用反向传播算法训练3D-DCAE模型。
4.根据权利要求3所述的缺陷预测系统,其特征在于,所述矩阵特征值的计算方法为:
其中,i取四个不同的值分别表示α、β、γ、δ矩阵;N表示矩阵元素数量;j表示矩阵元素的编号;xc、yc和zc表示矩阵中心位置;valuex,y,z代表矩阵具体位置的元素值,得到α、β、γ、δ矩阵特征值。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,当所述计算机程序在处理器上运行时,使得所述处理器执行如权利要求1或2任一所述的方法。
6.一种计算机程序产品,其特征在于,当所述计算机程序产品在处理器上运行时,使得所述处理器执行如权利要求1或2所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310695758.0A CN116822341B (zh) | 2023-06-12 | 2023-06-12 | 一种基于三维铸件模型特征提取的缺陷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310695758.0A CN116822341B (zh) | 2023-06-12 | 2023-06-12 | 一种基于三维铸件模型特征提取的缺陷预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116822341A CN116822341A (zh) | 2023-09-29 |
CN116822341B true CN116822341B (zh) | 2024-06-21 |
Family
ID=88116007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310695758.0A Active CN116822341B (zh) | 2023-06-12 | 2023-06-12 | 一种基于三维铸件模型特征提取的缺陷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822341B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338521B (zh) * | 2016-09-22 | 2019-04-12 | 华中科技大学 | 增材制造表面及内部缺陷与形貌复合检测方法及装置 |
CN108897925B (zh) * | 2018-06-11 | 2020-09-08 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN110930352B (zh) * | 2019-02-25 | 2024-02-13 | 研祥智慧物联科技有限公司 | 物体色差缺陷检测方法、装置、计算机设备及存储介质 |
CN111914213B (zh) * | 2020-07-31 | 2023-11-10 | 中国原子能科学研究院 | 一种稀疏矩阵向量乘运算时间预测方法及系统 |
KR102454742B1 (ko) * | 2020-10-26 | 2022-10-17 | 주식회사 뷰노 | 뇌 피질 영역의 두께를 분석하는 방법 |
CN112381879A (zh) * | 2020-11-16 | 2021-02-19 | 华南理工大学 | 基于图像和三维模型的物体姿态估计方法、系统及介质 |
CN113241126B (zh) * | 2021-05-18 | 2023-08-11 | 百度时代网络技术(北京)有限公司 | 用于训练确定分子结合力的预测模型的方法和装置 |
JP2022190798A (ja) * | 2021-06-15 | 2022-12-27 | トヨタ自動車株式会社 | 予測システム、予測方法及びプログラム |
CN115730501A (zh) * | 2022-12-02 | 2023-03-03 | 兰州大学 | 一种基于三维离散元模型和卷积神经网络的土体弹性模量预测方法 |
-
2023
- 2023-06-12 CN CN202310695758.0A patent/CN116822341B/zh active Active
Non-Patent Citations (2)
Title |
---|
Filtered selective search and evenly distributed convolutional neural networks for casting defects recognition;JI X Y等;Journal of Materials Processing Technology;20211231;全文 * |
Investigation of the microstructure, mechanical properties and fracture mechanisms of dissimilar friction stir welded aluminium/titanium joints;Taher A.等;Journal of Materials Research and Technology;20211231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116822341A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Multi-objective optimization of injection-molded plastic parts using entropy weight, random forest, and genetic algorithm methods | |
CN116822341B (zh) | 一种基于三维铸件模型特征提取的缺陷预测方法及系统 | |
CN111612216A (zh) | 基于GM灰色模型和Bootstrap理论的定制产品质量控制预测方法 | |
CN117350152A (zh) | 基于机理数据融合的电磁场建模方法、系统、设备及介质 | |
CN114487976B (zh) | Mcm电子式互感器校验仪溯源不确定度评定方法及系统 | |
CN113722942A (zh) | 一种考虑3d打印几何缺陷的有限元计算模型 | |
CN112180369A (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
CN115510739A (zh) | 基于eemd-cnn-lstm的短期风电功率预测方法 | |
CN117392564A (zh) | 一种基于深度学习的河流水质反演方法、电子设备及存储介质 | |
CN116433661B (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
CN113484919A (zh) | 基于卷积神经网络的磁异常反演方法、系统、终端及介质 | |
CN117437455A (zh) | 一种晶圆缺陷模式的确定方法、装置、设备及可读介质 | |
CN116091874B (zh) | 图像校验方法、训练方法、装置、介质、设备及程序产品 | |
CN116306879A (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
CN115392441A (zh) | 量化神经网络模型的片内适配方法、装置、设备及介质 | |
CN113361209B (zh) | 一种高温合金表面缺陷磁异常定量分析方法 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
CN116933107B (zh) | 数据分布边界确定方法、装置、计算机设备和存储介质 | |
CN112327101A (zh) | 基于长短时记忆神经网络的配电网可靠性检测方法及系统 | |
CN117709488B (zh) | 基于RUN-XGBoost的大坝渗流预测方法 | |
CN117932280B (zh) | 长序列数据预测方法、装置、计算机设备、介质和产品 | |
CN117556267B (zh) | 缺失样本数据填充方法、装置、存储介质和电子设备 | |
CN116628863B (zh) | 车辆风阻系数确定方法、设备和介质 | |
CN117634101B (zh) | 芯片表面形态确定方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |