MIM金属注射成型烧结产品质量控制方法及系统

摘要

本发明提供了一种MIM金属注射成型烧结产品质量控制方法及系统，包括：步骤S1：搜集工厂以往的烧结生产数据和DOE试验数据，形成数据库，获取数据库形成结果信息；步骤S2：建立机器学习模型，模型学习以往的数据，形成一种烧结炉参数与烧结产品参数之间的映射关系，即能够实现根据烧结参数，获取烧结产品的质量信息；步骤S3：引入优化算法中的遗传算法，采用机器学习和遗传算法的组合能够根据产品所需参数要求而反推所需的烧结参数，获取MIM金属注射成型烧结产品质量控制结果信息。本发明的实施能够较大地提升烧结工厂的生产效益；本发明能够根据烧结产品质量要求，快速反推出烧结炉所需要设置的参数。

说明书

技术领域

本发明涉及质量控制技术领域，具体地，涉及一种MIM金属注射成型烧结产品质量控制方法及系统。

背景技术

在MIM金属注射成型领域中，目前当厂家需要生产一种新的产品前，普遍采用DOE(Design of Experiment)试验设计来寻找烧结炉的一种可行的参数(温度，烧结时间，烧结分压)，能够满足产品的良率要求，以进行大规模投产。然而，这种DOE试验方法比较依赖人的经验，且需要不断试验，效率较低。通过引入机器学习的方法，利用以往工厂的生产记录和DOE试验记录，可以形成一种机器学习模型。模型学习以往经验，能够较好地根据烧结参数推出烧结产品的质量。

在生产过程中，一种产品的良率由多种参数组成：包括尺寸，机械性能和密度。每种参数都有自己的合格范围，产品各参数必须在范围内才是合格的。因此，需要一种方法能够达到根据产品参数合格范围，反推所需的烧结参数，以缩短工厂的生产周期，提升效益。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种MIM金属注射成型烧结产品质量控制方法及系统。

根据本发明提供的一种MIM金属注射成型烧结产品质量控制方法，包括：步骤S1：搜集工厂以往的烧结生产数据和DOE试验数据，形成数据库，获取数据库形成结果信息；步骤S2：建立机器学习模型，模型学习以往的数据，形成一种烧结炉参数与烧结产品参数之间的映射关系，即能够实现根据烧结参数，获取烧结产品的质量信息；步骤S3：引入优化算法中的遗传算法，采用机器学习和遗传算法的组合能够根据产品所需参数要求而反推所需的烧结参数，获取MIM金属注射成型烧结产品质量控制结果信息；

优选地，所述步骤S2包括：步骤S2.1：建立机器学习模型，形成烧结炉参数与烧结产品参数之间的映射关系；根据烧结炉参数、烧结产品参数，获取烧结产品的质量信息。

优选地，所述步骤S3包括：步骤S3.1：首先确定生产产品的各目标质量参数；步骤S3.2：初始化设定数量的遗传算法烧结参数种群；其中，每个种群中有多个个体，一个个体代表一组烧结参数；步骤S3.3：将烧结参数种群放入机器学习模型当中，预测出各烧结参数下的产品质量参数；步骤S3.4：根据产品目标质量参数和机器学习预测的质量参数之间的差异，计算种群中个体的适应度。

优选地，所述步骤S3还包括：步骤S3.5：对种群中各个体进行适应度排序，差异越小，适应度越好；步骤S3.6：判断是否达到结束条件；如果是，则输出最优的烧结参数；如果否，则进行选择操作，剔除种群中设定数量的适应度不好的个体。

优选地，所述步骤S3还包括：步骤S3.7：剩下的父代进行交叉重组、变异，产生新的子代；步骤S3.8：将父代和新的子代放入机器学习模型中，重复步骤S3.3-步骤S3.7操作。

根据本发明提供的一种MIM金属注射成型烧结产品质量控制系统，包括：模块M1：搜集工厂以往的烧结生产数据和DOE试验数据，形成数据库，获取数据库形成结果信息；模块M2：建立机器学习模型，模型学习以往的数据，形成一种烧结炉参数与烧结产品参数之间的映射关系，即能够实现根据烧结参数，获取烧结产品的质量信息；模块M3：引入优化算法中的遗传算法，采用机器学习和遗传算法的组合能够根据产品所需参数要求而反推所需的烧结参数，获取MIM金属注射成型烧结产品质量控制结果信息；

优选地，所述模块M2包括：模块M2.1：建立机器学习模型，形成烧结炉参数与烧结产品参数之间的映射关系；根据烧结炉参数、烧结产品参数，获取烧结产品的质量信息。

优选地，所述模块M3包括：模块M3.1：首先确定生产产品的各目标质量参数；模块M3.2：初始化设定数量的遗传算法烧结参数种群；其中，每个种群中有多个个体，一个个体代表一组烧结参数；模块M3.3：将烧结参数种群放入机器学习模型当中，预测出各烧结参数下的产品质量参数；模块M3.4：根据产品目标质量参数和机器学习预测的质量参数之间的差异，计算种群中个体的适应度。

优选地，所述模块M3还包括：模块M3.5：对种群中各个体进行适应度排序，差异越小，适应度越好；模块M3.6：判断是否达到结束条件；如果是，则输出最优的烧结参数；如果否，则进行选择操作，剔除种群中设定数量的适应度不好的个体。

优选地，所述模块M3还包括：模块M3.7：剩下的父代进行交叉重组、变异，产生新的子代；模块M3.8：将父代和新的子代放入机器学习模型中，重复模块M3.3-模块M3.7操作。

与现有技术相比，本发明具有如下的有益效果：

1、本发明的实施能够较大地提升烧结工厂的生产效益；

2、本发明流程构造合理，使用方便，能够克服现有技术中的缺陷；

3、本发明能够根据烧结产品质量要求，快速反推出烧结炉所需要设置的参数。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明中的机器学习预测模型

图2为本发明实施例中机器学习和遗传算法参数寻优模型示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

根据本发明提供的一种MIM金属注射成型烧结产品质量控制方法，包括：步骤S1：搜集工厂以往的烧结生产数据和DOE试验数据，形成数据库，获取数据库形成结果信息；步骤S2：建立机器学习模型，模型学习以往的数据，形成一种烧结炉参数与烧结产品参数之间的映射关系，即能够实现根据烧结参数，获取烧结产品的质量信息；步骤S3：引入优化算法中的遗传算法，采用机器学习和遗传算法的组合能够根据产品所需参数要求而反推所需的烧结参数，获取MIM金属注射成型烧结产品质量控制结果信息；

优选地，所述步骤S2包括：步骤S2.1：建立机器学习模型，形成烧结炉参数与烧结产品参数之间的映射关系；根据烧结炉参数、烧结产品参数，获取烧结产品的质量信息。

优选地，所述步骤S3包括：步骤S3.1：首先确定生产产品的各目标质量参数；步骤S3.2：初始化设定数量的遗传算法烧结参数种群；其中，每个种群中有多个个体，一个个体代表一组烧结参数；步骤S3.3：将烧结参数种群放入机器学习模型当中，预测出各烧结参数下的产品质量参数；步骤S3.4：根据产品目标质量参数和机器学习预测的质量参数之间的差异，计算种群中个体的适应度。

优选地，所述步骤S3还包括：步骤S3.5：对种群中各个体进行适应度排序，差异越小，适应度越好；步骤S3.6：判断是否达到结束条件；如果是，则输出最优的烧结参数；如果否，则进行选择操作，剔除种群中设定数量的适应度不好的个体。

优选地，所述步骤S3还包括：步骤S3.7：剩下的父代进行交叉重组、变异，产生新的子代；步骤S3.8：将父代和新的子代放入机器学习模型中，重复步骤S3.3-步骤S3.7操作。

根据本发明提供的一种MIM金属注射成型烧结产品质量控制系统，包括：模块M1：搜集工厂以往的烧结生产数据和DOE试验数据，形成数据库，获取数据库形成结果信息；模块M2：建立机器学习模型，模型学习以往的数据，形成一种烧结炉参数与烧结产品参数之间的映射关系，即能够实现根据烧结参数，获取烧结产品的质量信息；模块M3：引入优化算法中的遗传算法，采用机器学习和遗传算法的组合能够根据产品所需参数要求而反推所需的烧结参数，获取MIM金属注射成型烧结产品质量控制结果信息；

优选地，所述模块M2包括：模块M2.1：建立机器学习模型，形成烧结炉参数与烧结产品参数之间的映射关系；根据烧结炉参数、烧结产品参数，获取烧结产品的质量信息。

优选地，所述模块M3包括：模块M3.1：首先确定生产产品的各目标质量参数；模块M3.2：初始化设定数量的遗传算法烧结参数种群；其中，每个种群中有多个个体，一个个体代表一组烧结参数；模块M3.3：将烧结参数种群放入机器学习模型当中，预测出各烧结参数下的产品质量参数；模块M3.4：根据产品目标质量参数和机器学习预测的质量参数之间的差异，计算种群中个体的适应度。

优选地，所述模块M3还包括：模块M3.5：对种群中各个体进行适应度排序，差异越小，适应度越好；模块M3.6：判断是否达到结束条件；如果是，则输出最优的烧结参数；如果否，则进行选择操作，剔除种群中设定数量的适应度不好的个体。

优选地，所述模块M3还包括：模块M3.7：剩下的父代进行交叉重组、变异，产生新的子代；模块M3.8：将父代和新的子代放入机器学习模型中，重复模块M3.3-模块M3.7操作。

本发明的关键点在于烧结过程中，能够依据产品所需的质量参数，反推出烧结炉的参数，因此能够较大地缩短工厂的生产周期，提升效益。

本发明保护点为烧结过程中，利用基于机器学习方法和优化算法(如遗传算法)，实现依据产品质量参数反推所需要设置的烧结炉参数这样一类方法。

具体地，在一个实施例中，首先，生产一组新的产品，产品质量参数要求如下表所示：

首先将上述产品质量参数编写成一组向量，留待比较。

初始化遗传算法的种群，采用二进制编码，经反复尝试并修改遗传算法参数，最终参数为：种群大小(烧结炉参数组数)为400，最大遗传代数(算法最大迭代数)为300，个体长度(描述一组烧结参数的二进制位数)为20，交叉概率为0.7，变异概率为0.01，代沟为0.95(选择95％的种群中的个体作为新的父代)。

算法步骤如下：

1、首先初始化离散二进制烧结炉参数种群，并确定表1所示的目标产品质量参数向量；

2、将烧结炉参数种群转换成十进制后计算个体适应度(机器学习预测烧结产品质量与目标产品质量之间的均方误差)，并按照适应度大小进行排序；

3、进行选择操作(淘汰适应度差的烧结炉参数个体)、交叉操作(通过留下的父代产生新的烧结炉参数子代个体)、变异操作(对一些个体进行编码转换，防止陷入局部最优解)，产生下一代种群；

4、重复第2、3步，直至产生最优的烧结炉参数个体。

经过算法计算，得到需要达到上述产品质量参数所需要设置的烧结炉参数为：温度1300K，烧结时间3小时，烧结分压为30Pa。

本发明的实施能够较大地提升烧结工厂的生产效益；本发明流程构造合理，使用方便，能够克服现有技术中的缺陷；本发明能够根据烧结产品质量要求，快速反推出烧结炉所需要设置的参数。

在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。