CN117649906B - 一体化铝合金结构件铸造质量预测方法、电子设备、介质 - Google Patents
一体化铝合金结构件铸造质量预测方法、电子设备、介质 Download PDFInfo
- Publication number
- CN117649906B CN117649906B CN202410124825.8A CN202410124825A CN117649906B CN 117649906 B CN117649906 B CN 117649906B CN 202410124825 A CN202410124825 A CN 202410124825A CN 117649906 B CN117649906 B CN 117649906B
- Authority
- CN
- China
- Prior art keywords
- data
- casting
- label
- xgboost
- model
- 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 187
- 238000000034 method Methods 0.000 title claims abstract description 58
- 229910000838 Al alloy Inorganic materials 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 62
- 238000003066 decision tree Methods 0.000 claims description 49
- 238000001816 cooling Methods 0.000 claims description 17
- 229910052782 aluminium Inorganic materials 0.000 claims description 8
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000007788 liquid Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012797 qualification Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000009413 insulation Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000002360 preparation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 239000000110 cooling liquid Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000002826 coolant Substances 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 229910000967 As alloy Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004512 die casting Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一体化铝合金结构件铸造质量预测方法、电子设备、介质,包括:获取待预测的铸造质量影响因素数据,将其输入至铸造质量预测模型得到预测结果;铸造质量预测模型的训练过程包括:获取历史铸造质量影响因素数据和质量指标数据,将其划分为有标签数据和无标签数据;利用有标签数据训练初始的XGBOOST模型,筛选出初始轮次的无标签数据样本及对应的伪标签;设置目标函数,利用第m训练集训练第m XGBOOST模型,筛选出第m轮次的无标签数据样本及对应的伪标签,加入至第m训练集中,得到第m+1训练集;其中,第一训练集包括有标签数据、初始轮次的无标签数据样本及对应的伪标签;以此类推,训练得到第N XGBOOST模型即铸造质量预测模型。
Description
技术领域
本发明属于铝合金结构件铸造领域,特别涉及一体化铝合金结构件铸造质量预测方法、电子设备、介质。
背景技术
一体化铝合金结构件主要包括副车架、前后地板、电机壳等,是新能源汽车车身和底盘的重要组成部件,具有表面结构复杂、铸件体积大、铸件壁薄等特征,其铸造质量(例如:材料性能、机械性能、力学性能)对新能源汽车行驶过程的安全性具有重要意义。铸造是一体化铝合金结构件成型的主要工艺,包括高压压铸、低压铸造、差压铸造、重力铸造等形式。铸造质量受合金溶液金属元素配比、铸造工艺参数、铸造机性能、环境因素等众多因素影响,铸造过程会出现较多的质量问题,其中,低压铸造的合格率仅为60%。针对不良品,一体化铝合金结构件铸造商一般采用随机抽检机制,部分采用全检机制。随机抽检会导致不良品流入后处理工序,增加不必要的加工成本;全检机制会过度检验合格品,使得后处理工序出现较长时间空闲,降低生产效率。此外,由于铸造过程机理复杂、铸造现场异常情况频发、影响质量的因素众多且关系耦合,会大大降低质量检验的决策效率。因此,实现质量定向抽检对于降本增效具有重要意义。
铸造机是一体化铝合金结构件成型主要依托的装备。铸造机的装备供应商不仅需要提供硬件装备,还需要为不同一体化铝合金结构件铸造商提供软件服务。为在软件中实现一体化铝合金结构件铸造质量的定向抽检功能,需要大量的铸造质量影响因素数据和质量指标数据,以支持质量预测模型的训练。然而,在硬件装备交付之前,铸造机的装备供应商无法获取到足够多的铸造质量影响因素数据。此外,由于数据隐私,一体化铝合金结构件铸造商无法提供足够多的质量指标数据。
因此,亟需一种基于少量有标签数据的质量预测方法,方便铸造机的装备供应商预先训练质量预测模型,实现一体化铝合金结构件质量定向抽检。
近年来,半监督学习的理论发展逐渐成熟,自训练学习作为半监督学习的重要分支,自训练学习中,基分类器的选择对于模型表现具有重要影响,而XGBOOST作为集成学习的代表方法,在自训练学习中被众多学者广泛使用。然而,将XGBOOST应用于自训练学习的过程中会存在预测精度不高的问题。XGBOOST的目标函数中包括数据样本的分类损失和考虑树复杂度的正则化项两个部分,其中,数据样本的分类损失仅针对有标签数据而言,并未考虑无标签数据的分类损失。虽然无标签数据样本可以为有标签数据样本提供更多的数据分布特征,但在自训练的学习过程中,如果基分类器对无标签数据样本进行错误分类,会给其打上错误的伪标签,使得模型分类错误类别的精度越高,导致无法准确预测铸件的质量是否合格,这对于铸造现场质量定向抽检是不能接受的。
发明内容
本发明的目的是克服现有技术中的不足,提供一体化铝合金结构件铸造质量预测方法、电子设备、介质。
根据本发明实施例的第一方面,提供了一体化铝合金结构件铸造质量预测方法,所述方法包括:
获取并预处理一体化铝合金结构件待预测的铸造质量影响因素数据;
将预处理好的待预测的铸造质量影响因素数据输入至预先训练好的铸造质量预测模型,得到铸造质量预测结果;其中,铸造质量预测模型的训练过程包括:
获取一体化铝合金结构件历史铸造质量影响因素数据和质量指标数据,并对历史铸造质量影响因素数据进行预处理;并将其划分为有标签数据和无标签数据;
利用有标签数据训练初始的XGBOOST模型;将无标签数据样本输入至初始的XGBOOST模型,筛选出初始轮次的无标签数据样本及对应的伪标签;
设置第m XGBOOST模型对应的目标函数,1≤m≤N,N为迭代训练的总数;其中,目标函数为有标签数据样本的分类损失、第一正则化项、第二正则化项之和;所述第一正则化项为无标签数据样本的惩罚因子与无标签数据样本的分类损失的乘积;所述第二正则化项为决策树的复杂度;
基于第m XGBOOST模型对应的目标函数,利用第m训练集训练第m XGBOOST模型;基于第m XGBOOST模型从无标签数据样本中筛选出第m轮次的无标签数据样本及对应的伪标签,并加入至第m训练集中,得到第m+1训练集;其中,第一训练集由有标签数据、初始轮次的无标签数据样本及对应的伪标签合并得到;
以此类推,训练得到第N XGBOOST模型即铸造质量预测模型。
根据本发明实施例的第二方面,提供了一种电子设备,包括存储器和处理器,所述存储器与所述处理器耦接;其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现上述的一体化铝合金结构件铸造质量预测方法。
根据本发明实施例的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的一体化铝合金结构件铸造质量预测方法。
与现有技术相比,本发明的有益效果是:
本发明提供了一种一体化铝合金结构件铸造质量预测方法,利用XGBOOST模型作为铸造质量预测模型以获取铸造质量预测结果,在自训练学习的每一轮训练过程中将无标签数据样本的分类损失作为正则化项考虑在XGBOOST的目标函数内,以惩罚对无标签数据样本误分类的模型,使得其对无标签数据样本预测的更加准确,从而在一体化铝合金结构件历史质量指标数据中有标签数据不充分的情况下,提高铸造质量预测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一体化铝合金结构件铸造质量预测方法的流程示意图;
图2为本发明实施例提供的铸造质量预测模型的流程示意图;
图3为本发明实施例提供的筛选无标签数据样本及对应的伪标签的流程示意图;
图4是本发明实施例提供的一种电子设备的示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式和案例对本发明的技术方案进行详细说明。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
如图1所示,本发明提供了一体化铝合金结构件铸造质量预测方法,所述方法具体包括以下步骤:
步骤S1,获取一体化铝合金结构件待预测的铸造质量影响因素数据。
进一步地,所述铸造质量影响因素数据包括:铸造过程参数数据和铸造工艺参数数据;其中,铸造过程参数数据包括铸件编号、铸造时间、铸件所属批次;铸造工艺参数数据包括设置炉压、实际炉压、冷却流速、炉气温度设定、炉气温度实际、铝液温度实际、模具温度。
步骤S2,对一体化铝合金结构件待预测的铸造质量影响因素数据进行预处理。
进一步地,所述步骤S2包括:
基于步骤S1得到的待预测的铸造质量影响因素数据,从异常值剔除、缺失值填充、重复值处理三方面对待预测的铸造质量影响因素数据进行数据清洗。并基于特征工程,对待预测的铸造质量影响因素数据进行特征提取。
步骤S3,将预处理好的待预测的铸造质量影响因素数据输入至预先训练好的铸造质量预测模型,得到铸造质量预测结果。
其中,如图2所示,铸造质量预测模型的训练过程包括:
步骤S100,获取一体化铝合金结构件历史铸造质量影响因素数据和质量指标数据;对历史铸造质量影响因素数据进行预处理;将预处理后的历史铸造质量影响因素数据、质量指标数据划分为有标签数据和无标签数据。
具体地,一体化铝合金结构件质量指标数据包括变形、冷隔、缩松、气孔。
其中,对历史铸造质量影响因素数据进行预处理包括:基于获取的历史铸造质量影响因素数据,从异常值剔除、缺失值填充、重复值处理三方面对历史铸造质量影响因素数据进行数据清洗。并基于特征工程,对历史铸造质量影响因素数据进行特征提取。
需要说明的是,部分铸造质量指标数据出于数据安全考虑,一体化铝合金结构件铸造商只能为铸造机的装备供应商提供少部分质量指标数据。因此,在本实例中,需要将一体化铝合金结构件历史铸造质量影响因素数据和质量指标数据划分为有标签数据和无标签数据,包括:
将一体化铝合金结构件历史铸造质量影响因素数据与质量指标数据按照铸件编号进行一一关联;即铸造质量指标数据一定是经过对应的铸造质量影响因素数据加工得到的结果。
若一体化铝合金结构件历史铸造质量影响因素数据与质量指标数据能成功关联,则该一体化铝合金结构件历史铸造质量影响因素数据为有标签数据;反之,则为无标签数据。
步骤S200,将有标签数据划分为初始的训练集和验证集。
在本实例中,将85%的有标签数据作为初始的训练集,将15%的有标签数据作为验证集。
步骤S300,利用有标签数据训练初始的XGBOOST模型;将无标签数据样本输入至初始的XGBOOST模型,筛选出初始轮次的无标签数据样本及对应的伪标签。
具体地,所述步骤S300具体包括以下步骤:
步骤S301,设置初始的XGBOOST模型对应的目标函数。
其中,初始的XGBOOST模型对应的目标函数设为有标签数据样本的分类损失与正则化项之和;所述正则化项为决策树的复杂度;表达式如下:
其中,obj表示XGBOOST的目标函数;i表示样本索引,即第i个样本;n表示有标签样本的总数;k表示XGBOOST树群中第k棵决策树;K表示一个XGBOOST模型一共有K棵决策树;yi表示有标签样本的真实标签;表示有标签样本在XGBOOST中经过k棵决策树预测之后的预测值;/>表示有标签数据样本的实际标签与经过k棵决策树预测之后的预测标签之间的损失函数,对于二分类问题,用交叉熵表示该损失函数;/>表示第k棵决策树的复杂度,为一个正则化项。
基于XGBOOST的基础推导过程,叶子节点取值为的时候,目标函数最小为/>。其中,/>,/>;/>表示有标签样本的实际标签与前k-1棵树累加的预测值的损失函数的一阶导数;/>表示有标签样本的实际标签与前k-1棵树累加的预测值的损失函数的二阶导数;γ表示一颗决策树叶子节点个数的惩罚系数,用于防止过拟合;λ表示一颗决策树叶子节点取值的惩罚系数;T表示一颗决策树叶子节点的总个数;j表示一颗决策树叶子节点的索引值;Ij表示数据样本i落在第j个叶子节点组成的集合;wj表示一颗决策树第j个叶子节点的权值分数。
步骤S302,基于初始的XGBOOST模型对应的目标函数,利用初始的训练集训练初始的XGBOOST模型。
步骤S303,将无标签数据样本输入至步骤S302训练好的初始的XGBOOST模型,筛选出初始轮次的无标签数据样本及对应的伪标签。
具体地,如图3所示,所述步骤S303包括:
将无标签数据样本输入步骤S302训练好的初始的XGBOOST模型,预测得到每一无标签数据样本取质量合格或质量不合格对应的概率,记为[p,q];其中,p表示无标签数据样本取质量合格的概率,q表示无标签数据样本取质量不合格对应的概率;质量合格对应的标签为0,质量不合格对应的标签为1;
设置概率阈值;
基于概率阈值进行筛选,获取高于概率阈值的概率对应的无标签数据样本;
当p高于概率阈值时,将质量合格对应的标签0作为该无标签数据样本的伪标签;当q高于概率阈值时,将质量不合格对应的标签1作为该无标签数据样本的伪标签。
步骤S400,设置第m XGBOOST模型对应的目标函数,1≤m≤N,N为迭代训练的总数;基于第m XGBOOST模型对应的目标函数,利用第m训练集训练第m XGBOOST模型;基于第mXGBOOST模型从无标签数据样本中筛选出第m轮次的无标签数据样本及对应的伪标签,并加入至第m训练集中,得到第m+1训练集;其中,第一训练集由有标签数据、初始轮次的无标签数据样本及对应的伪标签合并得到;以此类推,训练得到第N XGBOOST模型即铸造质量预测模型。
其中,第m XGBOOST模型对应的目标函数为有标签数据样本的分类损失、第一正则化项、第二正则化项之和;所述第一正则化项为无标签数据样本的惩罚因子与无标签数据样本的分类损失的乘积;所述第二正则化项为决策树的复杂度;第m XGBOOST模型对应的目标函数的表达式如下:
其中,obj表示XGBOOST的目标函数;i表示样本索引,即第i个样本;n表示有标签样本的总数;k表示XGBOOST树群中第k棵决策树;K表示一个XGBOOST模型一共有K棵决策树;yi表示有标签样本的真实标签;表示有标签样本在XGBOOST中经过k棵决策树预测之后的预测值;/>表示有标签数据样本的实际标签与经过k棵决策树预测之后的预测标签之间的损失函数,对于二分类问题,用交叉熵表示该损失函数;/>表示第k棵决策树的复杂度,为一个正则化项;α表示无标签数据样本的惩罚因子,是一个常量;n’表示无标签样本的总数;/>表示无标签样本的伪标签;/>表示无标签样本在XGBOOST中经过k棵决策树预测之后的预测值;/>表示无标签数据样本的伪标签与经过k棵决策树预测之后的预测标签之间的损失函数,对于二分类问题,用交叉熵表示该损失函数。
需要说明的是,本发明在XGBOOST模型的每一轮训练过程中将无标签数据样本的分类损失作为正则化项考虑在内,以惩罚对无标签数据样本误分类的模型,使得其对无标签数据样本进行正确分类。
根据前向加法模型,目标函数可以转换成:
其中,fk(xi)表示有标签数据样本经过第k棵决策树的预测值;fk’(xi)表示无标签数据样本经过第k棵决策树的预测值;由前向加法模型,表示有标签数据样本经过前k-1棵决策树预测值的累加;/>表示无标签数据样本经过前k-1棵决策树预测值的累加。
对于第k棵决策树,前k-1棵决策树复杂度已知,为常数,目标函数可以化简为:
为求得第k棵决策树的最优节点权值分数,使得目标函数最小,对上述公式进行二阶泰勒展开:
由于前k-1棵决策树已知,因此、/>为常数。
令:
其中,gi表示有标签样本的实际标签与前k-1棵树累加的预测值的损失函数的一阶导数;hi表示有标签样本的实际标签与前k-1棵树累加的预测值的损失函数的二阶导数;gi’表示无标签样本的伪标签与前k-1棵树累加的预测值的损失函数的一阶导数;hi’表示无标签样本的伪标签与前k-1棵树累加的预测值的损失函数的二阶导数。
在本例中,有标签样本的损失函数为:
无标签样本的损失函数为:
其中,N表示有标签样本总数;N’表示无标签样本总数;表示第k棵决策树预测有标签数据取值为/>的概率;/>表示无标签取值为伪标签/>的概率;/>表示k棵决策树预测无标签数据取值为/>的概率。
目标函数化简为:
树复杂度定义为,j表示待训练的第k棵决策树叶子节点的索
引值j-[1,2…T];T表示待训练的第k棵决策树拥有叶子节点的个数,叶子节点的输出向量
为[w1,w2…wj],wj 为第k 棵决策树第j个叶子节点的权值分数;γ表示一颗决策树叶子节
点个数的惩罚系数,用于防止过拟合;λ表示一颗决策树叶子节点取值的惩罚系数;令q(xi)
表示有标签样本落在第q(xi)个叶子节点;q’(xi)表示无标签样本落在第q’(xi)个叶子节
点;;根据定义,fk(xi)表示有标签数据样本经过第k棵决策树的预测值,表示有标签数据样本落在第q(xi)个叶子节点对应的权值分数;表示无标签数据
样本经过第棵决策树的预测值,表示无标签数据样本落在第q’(xi)个叶子节点对应
的权值分数,二者是相同的含义,故、。
目标函数可以化简为:
将遍历规则由数据样本遍历,转换为叶子节点遍历:
其中,Ij={i|q(xi)=j}表示数据样本i落在第j个叶子节点组成的集合;由于遍历规则的转变,有标签样本和无标签样本落在第j个叶子节点对应的权值分数是相同的,故。
目标函数进一步化简为:
令
目标函数最终化简为:
当时,目标函数最小,表示为/>。
需要说明的是,本发明通过在第m XGBOOST模型对应的目标函数中引入无标签数据分类损失正则化项,在自训练每一轮XGBOOST基分类器更新的过程中,无标签数据分类损失函数的一阶导数和二阶导数引入到叶子节点数值的计算公式中,以惩罚那些对无标签数据样本误分类的模型,使得其对无标签数据样本的预测更加准确,从而为铸造机的装备供应商在铸造质量影响因素数据和质量指标数据不充分的情况,提供质量预测预训练模型,方便其快速部署在不同一体化铝合金结构件铸造商的现场,以实现一体化铝合金结构件质量定向抽检功能。
进一步地,如图3所示,基于第m XGBOOST模型从无标签数据样本中筛选出第m轮次的无标签数据样本及对应的伪标签,并加入至第m训练集中,得到第m+1训练集包括:
将剩余的即未被筛选走的无标签数据样本输入训练好的第m XGBOOST模型,预测得到每一无标签数据样本取质量合格或质量不合格对应的概率,记为[p,q];其中,p表示无标签数据样本取质量合格的概率,q表示无标签数据样本取质量不合格对应的概率;质量合格对应的标签为0,质量不合格对应的标签为1;
设置概率阈值;在本实例中,所述概率阈值一般设置为70%-95%;
基于概率阈值对剩余的无标签数据样本进行筛选,获取高于概率阈值的概率对应的无标签数据样本;
当p高于概率阈值时,将质量合格对应的标签0作为该无标签数据样本的伪标签;当q高于概率阈值时,将质量不合格对应的标签1作为该无标签数据样本的伪标签;
筛选得到第m轮次的无标签数据样本及对应的伪标签,并加入至第m训练集中,得到第m+1训练集。
进一步地,以此类推,直至所有无标签数据均被打上伪标签或无标签数据取质量合格或质量不合格的概率值均小于概率阈值时,停止迭代训练,得到第N XGBOOST模型;并利用验证集将第N XGBOOST模型与其他方法进行对比,以验证本实例提供的方法的有效性。
示例性地,以四个无标签数据样本为例,说明每轮迭代添加无标签数据样本的情况。具体包括:
假设现有四个无标签数据样本A、B、C、D,将其输入至XGBOOST分类模型中,得到每个无标签数据样本的预测结果,即A(90%,10%)、B(80%,20%)、C(15%,85%)、D(20%,80%);
其中,括号中第一项是质量合格的概率,第二项是质量不合格的概率。无标签数据样本A取质量合格的概率是90%,无标签数据样本B取质量合格的概率是80%,无标签数据样本C取质量不合格的概率是85%,无标签数据样本D取质量不合格的概率是80%。
如果将概率阈值设置为85%,此时,只有无标签数据样本A取质量合格的概率、无标签数据样本C取质量不合格的概率大于85%;则无标签数据样本A为质量合格,打上伪标签1;无标签数据样本C为质量不合格,打上伪标签0;并将无标签数据样本A、无标签数据样本C与其各自对应的伪标签加入至训练集中。
实施例1
下面以一体化铝合金结构件——副车架为例,说明本发明的具体实施方式。
步骤S100,获取一体化铝合金结构件历史铸造质量影响因素数据和质量指标数据。
本实例中,一体化铝合金结构件——副车架的铸造质量影响因素包括:“铸件编号”、“铸造时间”、“铸件所属批次”、“设置炉压”、“实际炉压”、“冷却流速1-64”、“炉气温度设定”、“炉气温度实际”、“铝液温度实际”、“模具温度6”、“模具温度8”、“模具温度18”、“模具温度20”。
其中,“铸件编号”、“铸造时间”、“铸件所属批次”为铸造过程参数数据;设置炉压”、“实际炉压”、“冷却流速1-64”、“炉气温度设定”、“炉气温度实际”、“铝液温度实际”、“模具温度6”、“模具温度8”、“模具温度18”、“模具温度20” 为铸造工艺参数数据;“冷却流速1-64”表示铸造模具中第1-64路冷却流道中的冷却流速;“模具温度6”表示铸造模具第6个位置的模具温度;“模具温度8”表示铸造模具第8个位置的模具温度;“模具温度18”表示铸造模具第18个位置的模具温度;“模具温度20”表示铸造模具第20个位置的模具温度。
一体化铝合金结构件——副车架的铸造质量指标为缩松,质量指标取值为0表示不存在缩松即质量合格;质量指标取值为1表示存在缩松即质量不合格。
步骤S200,对历史铸造质量影响因素数据进行预处理。
对历史铸造质量影响因素数据进行数据清洗,过程见表1:
表1:铸造质量影响因素数据清洗过程
对历史铸造质量影响因素提取的特征及特征解释如下:
其中,历史铸造质量影响因素包括:炉压的设定值、炉压的实际值、冷却流速、炉气温度的设定值、炉气温度的实际值、铝液温度的实际值、模具温度。
进一步地,炉压的设定值提取的特征包括:
起始设置压力:设置加压的起始压力数值;
设置炉压稳定值:压力维持不变的那个压力数值;保压过程中人工设置的固定参数;
起始设置压力和设置炉压的压力差:设置加压的起始压力数值和保压过程中,人工设置的固定参数,之间的压力差;
起始设置压力和设置炉压的时间差:从设置加压的起始压力对应的时刻和设置炉压的起始时刻,之间的时间间隔;
设置炉压变化率:达到设置炉压变化的速度;
设置炉压保持时间:设置炉压不变的持续时间;
设置炉压收尾时间:从压力数值变为0之后,到下一个铸件编号发生变化的时刻,这之间的时间间隔;
设置炉压平均值:从开始加压对应的时刻,下一个0值对应的时刻,这个时间段内的平均压力;
设置炉压方差:从开始加压对应的时刻,下一个0值对应的时刻,这个时间段内的压力的离散程度。
进一步地,炉压的实际值提取的特征包括:
加压准备时间:从铸件编号发生变化开始的0值对应的时刻,到炉压第一次有非0数值对应的时刻,这之间的时间间隔;
起始压力:开始加压的压力数值;
第一次保压起始压力:第一次压力维持稳定不变的起始压力;
第一次保压起始压力和起始压力的压力差:第一次升压的压力差;
开始加压到达到第一次保压起始压力的时间差:从起始压力对应的时刻到第一次保压起始压力对应的时刻,这之间的时间间隔;
第一次升压的压力变化率:第一次升压的速度;
第一次保压的平均压力:从第一次保压开始的压力数值,到第一次保压结束的压力数值,这之间压力的平均数值;
第一次保压持续时间:第一次压力维持稳定不变的时间间隔;
第一次保压结束压力:第一次保压结束之后的压力数值;
第二次保压起始压力:第二次压力维持稳定不变的起始压力;
第一次保压结束压力和第二次保压起始压力差:第二次升压的压力差;
第一次保压结束到第二次保压起始的时间差:从第一次保压结束的压力对应的时刻,到第二次保压起始的压力对应的时刻,这之间的时间间隔;
第二次升压的压力变化率:第二次升压的速度;
第二次保压的平均压力:从第二次保压开始的压力数值,到第二次保压结束的压力数值,这之间压力的平均数值;
第二次保压持续时间:第二次压力维持不变的时间间隔;
第二次保压结束压力:第二次保压结束之后的压力数值;卸压的起始压力;
第二次保压压力降低到0的时间差:从第二次保压结束对应的时刻,到压力重新变回0对应的时刻,这之间的时间间隔;
卸压变化率:卸压的速度;
总加压时间:第一次保压开始对应的时刻到第二次保压结束对应的时刻,这之间的时间间隔;
实际炉压压力方差:从开始加压的时刻,到卸压结束的时刻,这个时间段内的压力的离散程度;
最大实际炉压:同一个铸件编号下,所有压力数值的最大炉压。
进一步地,冷却流速提取的特征包括:
开始通入冷却液的时间间隔:从铸件编号发生变化对应的时刻,到冷却流速大于0.5对应的时刻,这之间的时间间隔;
冷却液通入的持续时间:冷却流速大于0.5数值持续的时间;
冷却液通入的最大值:冷却流速处于波动状态的所有数值的最大流速值;
冷却液通入的平均流速:冷却流速处于波动状态的所有数值的平均值;
冷却液通入的冷却流速方差:冷却流速处于波动状态的所有数值的离散程度。
进一步地,炉气温度的设定值提取的特征包括:
炉气温度设定的均值:从铸件编号开始的对应时刻,到这个一个铸件编号结束的对应时刻,这时间段内炉气温度的平均值。
进一步地,炉气温度的实际值提取的特征包括:
炉气温度实际的均值:从铸件编号开始的对应时刻,到这个一个铸件编号结束的对应时刻,这时间段内炉气实际温度的平均值;
炉气温度设定与实际的均值之差:从铸件编号开始的对应时刻,到这个一个铸件编号结束的对应时刻,这时间段内炉气实际和设定温度的平均值之差。
进一步地,铝液温度的实际值提取的特征包括:
铝液温度实际的众数:铝液温度实际出现最多的温度数值。
进一步地,模具温度提取的特征包括:
模具起始温度:铸件开始加工时刻的模具温度;
铸造开始温度:实际炉压第一次出现非0数值对应时刻的模具温度;
模具起始温度到铸造开始的温度差:铸造之前,生产准备过程的温度变化;
模具起始温度到铸造开始的温度的时间差:铸造之前,生产准备过程的时间间隔;
生产开始准备温度变化速率:铸造之前,模具温度的变化速率;
生产开始准备的模具温度平均值:生产开始准备的模具温度平均值;
铸造过程的最大温度:实际炉压为非0数值对应的时间段内的模具温度的最大温度;
铸造开始的温度和铸造过程的最大温度差:温度差;
铸造开始的温度和铸造过程的最大温度的时间差:时间差;
铸造过程的升温速率:升温速率;
铸造结束温度:实际炉压出现第二次出现非0数值对应时刻的模具温度;
铸造过程的最大温度和铸造结束的温度差:温度差;
铸造过程的最大温度和铸造结束的温度的时间差:时间差;
铸造过程的降温速率:降温速率;
铸造过程的模具温度的平均值:实际炉压为非0数值对应的时间段内的模具温度的平均值;
铸造过程的模具温度的方差:实际炉压为非0数值对应的时间段内的模具温度的方差;
最后一个铸件结束的模具温度:铸件结束加工时刻的模具温度,一个铸件编号最后一行的模具温度;
铸造结束的温度与最后一个铸件结束温度差:温度差;
铸造结束的温度与最后一个铸件结束温度的时间差:时间差;
生产结束准备温度变化速率:铸造之后,模具温度的变化速率;
生产结束准备的模具温度平均值:铸造之后,模具温度的平均值。
步骤S300,预处理后的历史铸造质量影响因素数据、质量指标数据划分为有标签数据和无标签数据。其中,将85%的有标签数据作为初始的训练集,将15%的有标签数据作为验证集。
步骤S300,利用有标签数据训练初始的XGBOOST模型;将无标签数据样本输入至初始的XGBOOST模型,筛选出初始轮次的无标签数据样本及对应的伪标签。
步骤S400,设置第m XGBOOST模型对应的目标函数,1≤m≤N,N为迭代训练的总数;基于第m XGBOOST模型对应的目标函数,利用第m训练集训练第m XGBOOST模型;基于第mXGBOOST模型从无标签数据样本中筛选出第m轮次的无标签数据样本及对应的伪标签,并加入至第m训练集中,得到第m+1训练集;其中,第一训练集由有标签数据、初始轮次的无标签数据样本及对应的伪标签合并得到;以此类推,训练得到第N XGBOOST模型;再利用验证集进行验证,将通过验证的第N XGBOOST模型作为铸造质量预测模型。
具体地,无标签数据样本的惩罚因子、自训练的阈值,这两个参数对于模型性能具有重要影响,因此分别取惩罚因子[0.5,0.6,0.7,0.8],自训练的阈值取[0.95,0.9,0.85,0.8,0.85,0.7],进行最优参数实验,最大迭代次数设置为100,学习率设置为0.3、树的最大深度设置为6。最优参数组合为无标签数据样本的惩罚因子取值为0.5,自训练的阈值取值为0.9,实验结果见表3:
表2:最优参数实验结果
最优参数下,每轮迭代增加的无标签样本数见表3。
表3:自训练迭代情况说明
算法评价指标选择准确率、精确率、召回率、F1 分数四个指标;在验证集的基础上一体化铝合金结构件铸造质量预测方法与其他方法的对比结果见表4:
表4:方法对比结果
综上所述,本发明提供了一种一体化铝合金结构件铸造质量预测方法,利用XGBOOST模型作为铸造质量预测模型以获取铸造质量预测结果,在自训练学习的每一轮训练过程中将无标签数据样本的分类损失作为正则化项考虑在XGBOOST的目标函数内,以惩罚对无标签数据样本误分类的模型,使得其对无标签数据样本预测的更加准确,从而在一体化铝合金结构件历史质量指标数据中有标签数据不充分的情况下,提高铸造质量预测的准确性。
如图4所示,本申请实施例提供一种电子设备,其包括存储器101,用于存储一个或多个程序;处理器102。当一个或多个程序被处理器102执行时,实现如上述第一方面中任一项的方法。
还包括通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器101(Random Access Memory,RAM),只读存储器101(Read Only Memory,ROM),可编程只读存储器101(ProgrammableRead-Only Memory,PROM),可擦除只读存储器101(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器102,包括中央处理器102(Central Processing Unit,CPU)、网络处理器102(Network Processor,NP)等;还可以是数字信号处理器102(Digital Signal Processing,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、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请所提供的实施例中,应该理解到,所揭露的方法及系统,也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
另一方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器101(ROM,Read-Only Memory)、随机存取存储器101(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员在考虑说明书及实践这里公开的内容后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。
Claims (10)
1.一体化铝合金结构件铸造质量预测方法,其特征在于,所述方法包括:
获取并预处理一体化铝合金结构件待预测的铸造质量影响因素数据;
将预处理好的待预测的铸造质量影响因素数据输入至预先训练好的铸造质量预测模型,得到铸造质量预测结果;其中,铸造质量预测模型的训练过程包括:
获取一体化铝合金结构件历史铸造质量影响因素数据和质量指标数据,并对历史铸造质量影响因素数据进行预处理;并将其划分为有标签数据和无标签数据;
利用有标签数据训练初始的XGBOOST模型;将无标签数据样本输入至初始的XGBOOST模型,筛选出初始轮次的无标签数据样本及对应的伪标签;
设置第m XGBOOST模型对应的目标函数,1≤m≤N,N为迭代训练的总数;其中,目标函数为有标签数据样本的分类损失、第一正则化项、第二正则化项之和;所述第一正则化项为无标签数据样本的惩罚因子与无标签数据样本的分类损失的乘积;所述第二正则化项为决策树的复杂度;
基于第m XGBOOST模型对应的目标函数,利用第m训练集训练第m XGBOOST模型;基于第m XGBOOST模型从无标签数据样本中筛选出第m轮次的无标签数据样本及对应的伪标签,并加入至第m训练集中,得到第m+1训练集;其中,第一训练集由有标签数据、初始轮次的无标签数据样本及对应的伪标签合并得到;
以此类推,训练得到第N XGBOOST模型即铸造质量预测模型。
2.根据权利要求1所述的一体化铝合金结构件铸造质量预测方法,其特征在于,一体化铝合金结构件铸造质量影响因素数据包括:铸造过程参数数据和铸造工艺参数数据;
其中,铸造过程参数数据包括铸件编号、铸造时间、铸件所属批次;铸造工艺参数数据包括设置炉压、实际炉压、冷却流速、炉气温度设定、炉气温度实际、铝液温度实际、模具温度;
质量指标数据包括变形、冷隔、缩松、气孔。
3.根据权利要求1所述的一体化铝合金结构件铸造质量预测方法,其特征在于,将一体化铝合金结构件历史铸造质量影响因素数据和质量指标数据划分为有标签数据和无标签数据包括:
将一体化铝合金结构件历史铸造质量影响因素数据与质量指标数据按照铸件编号进行一一关联;
若一体化铝合金结构件历史铸造质量影响因素数据与质量指标数据能成功关联,则该一体化铝合金结构件历史铸造质量影响因素数据为有标签数据;反之,则为无标签数据。
4.根据权利要求1所述的一体化铝合金结构件铸造质量预测方法,其特征在于,利用有标签数据训练初始的XGBOOST模型包括:
将初始的XGBOOST模型对应的目标函数设为有标签数据样本的分类损失与正则化项之和;所述正则化项为决策树的复杂度;
基于初始的XGBOOST模型对应的目标函数,利用有标签数据训练初始的XGBOOST模型。
5.根据权利要求1所述的一体化铝合金结构件铸造质量预测方法,其特征在于,对于初始的XGBOOST模型或第m XGBOOST模型,筛选无标签数据样本及对应的伪标签的过程包括
将无标签数据样本输入XGBOOST模型,预测得到每一无标签数据样本取质量合格或质量不合格对应的概率,记为[p,q];其中,p表示无标签数据样本取质量合格的概率,q表示无标签数据样本取质量不合格对应的概率;质量合格对应的标签为0,质量不合格对应的标签为1;
设置概率阈值;
基于概率阈值进行筛选,获取高于概率阈值的概率对应的无标签数据样本;
当p高于概率阈值时,将质量合格对应的标签0作为该无标签数据样本的伪标签;当q高于概率阈值时,将质量不合格对应的标签1作为该无标签数据样本的伪标签。
6.根据权利要求1所述的一体化铝合金结构件铸造质量预测方法,其特征在于,第mXGBOOST模型对应的目标函数的表达式如下:
其中,obj表示第m XGBOOST模型的目标函数;i表示样本索引,即第i个样本;n表示有标签样本的总数;k表示XGBOOST树群中第k棵决策树;K表示一个XGBOOST模型一共有K棵决策树;yi表示有标签样本的真实标签;表示有标签样本在XGBOOST中经过k棵决策树预测之后的预测值;/>表示有标签数据样本的实际标签与经过k棵决策树预测之后的预测标签之间的损失函数;Ω(fk)表示第k棵决策树的复杂度;α表示无标签数据样本的惩罚因子;n’表示无标签样本的总数;y′i表示无标签样本的伪标签;/>表示表示无标签样本在XGBOOST中经过k棵决策树预测之后的预测值;/>表示无标签数据样本的伪标签与经过k棵决策树预测之后的预测标签之间的损失函数。
7.根据权利要求1或6所述的一体化铝合金结构件铸造质量预测方法,其特征在于,第mXGBOOST模型对应的目标函数的表达式如下:
式中,gi表示有标签样本的实际标签与前k-1棵树累加的预测值的损失函数的一阶导数;hi表示有标签样本的实际标签与前k-1棵树累加的预测值的损失函数的二阶导数;gi’表示无标签样本的伪标签与前k-1棵树累加的预测值的损失函数的一阶导数;hi’表示无标签样本的伪标签与前k-1棵树累加的预测值的损失函数的二阶导数;α表示无标签数据样本的惩罚因子;λ表示一颗决策树叶子节点取值的惩罚系数;Ij表示数据样本i落在第j个叶子节点组成的集合;γ表示一颗决策树叶子节点个数的惩罚系数;T表示待训练的第k棵决策树拥有叶子节点的个数;
当时,目标函数最小,表示为/>
8.根据权利要求1或5所述的一体化铝合金结构件铸造质量预测方法,其特征在于,训练得到第N XGBOOST模型即铸造质量预测模型包括:
直至所有无标签数据均被打上伪标签或无标签数据取质量合格或质量不合格的概率值均小于概率阈值时,停止迭代训练,得到第N XGBOOST模型。
9.一种电子设备,包括存储器和处理器,其特征在于,所述存储器与所述处理器耦接;其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现上述权利要求1-8任一项所述的一体化铝合金结构件铸造质量预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一所述的一体化铝合金结构件铸造质量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410124825.8A CN117649906B (zh) | 2024-01-30 | 2024-01-30 | 一体化铝合金结构件铸造质量预测方法、电子设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410124825.8A CN117649906B (zh) | 2024-01-30 | 2024-01-30 | 一体化铝合金结构件铸造质量预测方法、电子设备、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117649906A CN117649906A (zh) | 2024-03-05 |
CN117649906B true CN117649906B (zh) | 2024-04-26 |
Family
ID=90048159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410124825.8A Active CN117649906B (zh) | 2024-01-30 | 2024-01-30 | 一体化铝合金结构件铸造质量预测方法、电子设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649906B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232398A (zh) * | 2020-10-10 | 2021-01-15 | 温州大学瓯江学院 | 一种半监督的多类别Boosting分类方法 |
WO2021143067A1 (zh) * | 2020-05-28 | 2021-07-22 | 平安科技(深圳)有限公司 | 预测加工件质量的方法、装置和计算机设备 |
CN114417388A (zh) * | 2022-01-25 | 2022-04-29 | 云南电网有限责任公司信息中心 | 基于纵向联邦学习的电力负荷预测方法、系统、设备及介质 |
CN114595624A (zh) * | 2022-01-10 | 2022-06-07 | 山西中节能潞安电力节能服务有限公司 | 基于XGBoost算法的伴热带装置寿命状态预测方法 |
CN115018162A (zh) * | 2022-06-09 | 2022-09-06 | 华中科技大学 | 一种工业精加工过程加工质量实时预测方法和系统 |
CN116049667A (zh) * | 2022-12-16 | 2023-05-02 | 合众新能源汽车股份有限公司 | 一种伪标签生成方法、装置、设备及介质 |
CN116468160A (zh) * | 2023-04-04 | 2023-07-21 | 大连理工大学 | 基于生产大数据的铝合金压铸件质量预测方法 |
CN116520772A (zh) * | 2023-05-24 | 2023-08-01 | 西安电子科技大学 | 基于多任务迁移学习的薄板零件数控加工质量预测方法 |
CN116823054A (zh) * | 2023-06-30 | 2023-09-29 | 浙大城市学院 | 一种基于数据挖掘的铝合金铸件制造质量实时预测方法 |
CN117010752A (zh) * | 2023-08-03 | 2023-11-07 | 记忆科技(深圳)有限公司 | 产品质量预测模型的构建方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220318641A1 (en) * | 2019-06-07 | 2022-10-06 | The Regents Of The University Of California | General form of the tree alternating optimization (tao) for learning decision trees |
-
2024
- 2024-01-30 CN CN202410124825.8A patent/CN117649906B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021143067A1 (zh) * | 2020-05-28 | 2021-07-22 | 平安科技(深圳)有限公司 | 预测加工件质量的方法、装置和计算机设备 |
CN112232398A (zh) * | 2020-10-10 | 2021-01-15 | 温州大学瓯江学院 | 一种半监督的多类别Boosting分类方法 |
CN114595624A (zh) * | 2022-01-10 | 2022-06-07 | 山西中节能潞安电力节能服务有限公司 | 基于XGBoost算法的伴热带装置寿命状态预测方法 |
CN114417388A (zh) * | 2022-01-25 | 2022-04-29 | 云南电网有限责任公司信息中心 | 基于纵向联邦学习的电力负荷预测方法、系统、设备及介质 |
CN115018162A (zh) * | 2022-06-09 | 2022-09-06 | 华中科技大学 | 一种工业精加工过程加工质量实时预测方法和系统 |
CN116049667A (zh) * | 2022-12-16 | 2023-05-02 | 合众新能源汽车股份有限公司 | 一种伪标签生成方法、装置、设备及介质 |
CN116468160A (zh) * | 2023-04-04 | 2023-07-21 | 大连理工大学 | 基于生产大数据的铝合金压铸件质量预测方法 |
CN116520772A (zh) * | 2023-05-24 | 2023-08-01 | 西安电子科技大学 | 基于多任务迁移学习的薄板零件数控加工质量预测方法 |
CN116823054A (zh) * | 2023-06-30 | 2023-09-29 | 浙大城市学院 | 一种基于数据挖掘的铝合金铸件制造质量实时预测方法 |
CN117010752A (zh) * | 2023-08-03 | 2023-11-07 | 记忆科技(深圳)有限公司 | 产品质量预测模型的构建方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Two-stage approach to causality analysis-based quality problem solving for discrete manufacturing systems;Haonan Wang et al;《Journal of Engineering Design》;20230827;1-25 * |
基于改进DA-XGBoost的复杂机械产品质量预测;田赛;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20210630;第2021年卷(第6期);C029-158 * |
Also Published As
Publication number | Publication date |
---|---|
CN117649906A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5684925A (en) | Speech representation by feature-based word prototypes comprising phoneme targets having reliable high similarity | |
CN113687250B (zh) | 电芯容量预测方法、装置、电子设备及介质 | |
CN108665093B (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
CN116882585A (zh) | 一种遗传算法和神经网络耦合的铝合金轮毂低压铸造工艺优化方法 | |
CN117649906B (zh) | 一体化铝合金结构件铸造质量预测方法、电子设备、介质 | |
CN115079007A (zh) | 锂离子电池微短路识别方法、识别系统和电池管理系统 | |
CN111461266A (zh) | 一种车辆定损异常识别方法、装置、服务器以及存储介质 | |
CN111191823A (zh) | 一种基于深度学习的生产物流预测方法 | |
CN117540153B (zh) | 一种隧道监测数据预测方法及系统 | |
CN117333290B (zh) | 一种一体化多尺度风控模型构建方法 | |
CN113053536B (zh) | 一种基于隐马尔科夫模型的传染病预测方法、系统和介质 | |
CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
CN111091809B (zh) | 一种深度特征融合的地域性口音识别方法及装置 | |
CN117078007A (zh) | 一种融合尺度标签的多尺度风控系统及其方法 | |
CN116414662A (zh) | 一种存储空间扩容提示方法、装置、电子设备及存储介质 | |
CN116414663A (zh) | 一种基于容量使用预测的扩容提示方法、装置及存储介质 | |
CN116415714A (zh) | 风电功率预测方法、装置、电子设备及可读存储介质 | |
CN116245511A (zh) | 服务阶段确定方法、服务阶段确定装置、运维方法和介质 | |
CN115049611A (zh) | 一种基于改进yolov5的连铸坯裂纹缺陷识别方法 | |
CN111966829B (zh) | 一种基于深度生存分析的网络话题爆发时间预测方法 | |
CN114861815A (zh) | 基于改进DBN-MobileNetV2的轴承故障诊断方法及系统 | |
CN107492373A (zh) | 基于特征融合的声调识别方法 | |
CN114004276A (zh) | 时间特征的处理方法、处理装置 | |
CN112598082A (zh) | 基于非校验集预测图像识别模型泛化误差的方法及系统 | |
CN117688367B (zh) | 一种基于即时学习的风力发电超短期功率预测方法及装置 |
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 |