具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如附图1所示，本发明所涉及的一种压铸件缺陷预测及诊断系统包括一个或多个处理器获取工艺参数；所述一个或多个处理器用于执行深度学习模型；所述一个或多个处理器将所述工艺参数输入所述深度学习模型中；执行所述深度学习模型的所述一个或多个处理器使用所述深度学习模型预测缺陷信息；所述一个或多个处理器输出所述预测的缺陷信息。

所述深度学习模型包括输入层、中间层、输出层，所述中间层包括卷积层、池化层、全连接层。

所述工艺参数输入所述深度学习模型中的输入层，得到工艺参数向量； 所述工艺参数向量输入所述深度学习模型中的卷积层，以基于至少一个特征维度对所述工艺参数向量进行特征提取，并得到所述工艺参数特征； 将所述工艺参数特征输入所述深度学习模型中的池化层，以筛选得到缺陷特征；将所述缺陷特征输入所述深度学习模型中的全连接层，以确定所述缺陷特征归属于缺陷信息类别的概率；之后经输出层输出缺陷信息。

所述工艺参数为多个，包括工艺参数以及相应参数在压铸过程中的变化值，一般为压铸工艺中压力、速度、时间、温度相关的工艺参数。

在一些实现方式中，为了实现本发明所涉及计算机实现方法精度和效率的平衡，需要对输入到所述深度学习模型中的工艺参数进行数据处理。

所述深度学习模型还包括输入处理组件，所述输入处理组件用以将所述一个或多个处理器输入的所述工艺参数进行数据处理后输入到所述深度学习模型的输入层。

所述数据处理包括加权处理和归一化处理。

所述加权处理为对所述工艺参数乘以每个工艺参数的权重系数。

所述归一化处理是直接对输入深度学习模型中的工艺参数或者加权处理后的工艺参数进行归一化处理。

所述归一化处理采用min-max标准化方法，具体转换函数：

上式中，为工艺参数或加权处理的工艺参数的具体值，为该工艺参数所在 参数集中的最小值或该工艺参数所在参数集经过加权处理后的最小值，该工艺参数所 在参数集中的最大值或该工艺参数所在参数集经过加权处理后的最大值，为对应工艺 参数归一化为0~1之间的无量纲特征参数。

在一些实现方式中，为了实现本发明所涉及计算机实现方法更好的预测精度，所述工艺参数包括平均低速、平均高速、高速起点、料柄厚度、建压时间、填充时间、铸造压力、挤压销行程、锁模力、金属液温度、系统油温、喷涂剂量。其中所述平均低速是指压射的平均低速，本专利中默认为平均速度低于1m/s的速度区间，数据在采集时会采用连续时间段进行平均中位值计算；所述平均高速是指压射的平均高速，本专利中会以最大速度的波动减小8%范围的过程速度区间，进行平均高速的计算；所述高速起点是指压射速度从低速切换到高速时的位置，本专利中的高速起点使用以低速切换高速过程中延时0.1ms计算出的高速起点；所述料柄厚度是指金属液填充到模具型腔后，余料在压室内的长度，本专利中采用空压射行程与压射结束位置的差值作为计算值；所述建压时间是指压铸机锤头铸造压力从快速压射阶段结束后到增压阶段结束时间，具体表现为铸造压力从指定压力上升到达设定压力的90%的时间，快压射结束后，入口压力到达设定值的时间，本专利在计算过程中以锤头位置小于0.05mm,开始计时，到稳态压力达到的90%之间的时间间隔为计算值；所述填充时间是指金属液到达内浇口时间到金属液填满模具的时间；所述铸造压力是指压射锤头的压力，即金属液受到的压力；所述挤压销行程是指用于补缩模具内金属液的抽芯模块行程；所述锁模力是指压铸机在压铸高压状态下，合模机构在高压锁模状态下的合模力；所述金属液温度是指工艺中铝液的温度；所述系统油温是指压铸机液压系统中，用于驱动机械结构的传动介质，主要表现为油液的温度；所述喷涂剂量是指在模具表面喷涂相应脱模剂的剂量，主要为体现为模具表面覆盖的喷涂厚度，脱模剂主要是用于模具表面的有机液体。

在一些实现方式中，所述一个或多个处理器通过工艺参数采集模块实时获取工艺参数；所述工艺参数采集模块包括数据采集终端、数据处理模块单元；所述数据采集终端获取多个工艺参数后，传输到数据处理模块单元，所述数据的处理模块单元对数据采集终端采集到的工艺参数进行数据处理后传输给所述一个或多个处理器。所述数据采集终端通过若干传感器和/或同压铸机或压铸机配套设备的控制器的通讯获取工艺参数。所述通讯包括有线通讯和无线通讯，由于压铸机或压铸机配套设备内部采用的数据格式，传送协议有所不同，所述数据采集终端需要根据使用场景设置多个连接方式和数据协议。所述传感器为压力传感器、脉冲编码器数据、温度传感器、锁模力传感器、热敏电阻、超声波测量仪中任多种的组合。所述数据处理模块单元采用巴特沃斯滤波算法对所述数据采集终端采集到的信息进行处理。

所述缺陷信息包括期望缺陷类型。所述期望缺陷类型包括无缺陷、压铸件缺陷类型、压铸件是否为热模状态下的压铸件。

所述压铸件缺陷类型包括压冷隔、欠铸、气泡、凹陷、飞边、分层、拉痕、开裂、边角残缺、毛刺等压铸件表面缺陷；气孔、空气孔、缩孔、夹渣等压铸件内部缺陷。

压铸件在生产过程中存在模具预热阶段，简称为热模状态，在热模状态生产的压铸件为一种特殊的质量缺陷，需要进行识别和预测，所述压铸件是否为热模状态下的压铸件即用来表示压铸件是热模状态下的压铸件或不是热模状态下的压铸件。

由于压铸件缺陷类型较多，在一些实现方式中，为了提高本发明所涉及计算机实现方法训练效率和计算效率，对所述深度学习模型输出的期望缺陷类型分类如下：类型1表示压铸件表面缺陷，例如冷隔、欠铸、气泡、凹陷、飞边、分层、拉痕、开裂、边角残缺、毛刺；类型2 表示压铸件内部缺陷，例如气孔、空气孔、缩孔、夹渣；类型3 表示压铸件为压铸机热模状态下的压铸件；类型4 表示压铸件为良品，无缺陷。

在一些实现方式中，所述一个或多个处理器还可以根据所述预测的缺陷信息执行所述缺陷原因规则搜索。

所述缺陷原因规则搜索根据所述预测的缺陷信息在压铸件质量数据库内进行搜索输出造成期望缺陷类型的原因，包括造成压铸件出现期望缺陷类型的工艺参数的项目、偏离方向、建议取值范围中任一种或多种的组合。

所述压铸件质量数据库来源自行业、企业经验，包括缺陷类型及其对应原因的数据集，例如深度学习模型输出的预测缺陷信息为“气孔”，根据行业经验不良气孔产生的主要原因为铸造压力不足，在压铸件质量数据库存储有“缺陷-气孔，缺陷原因：铸造压力”的数据；系统输出的缺陷原因规则可以为“铸造压力”，即铸造压力这个工艺参数设置导致该缺陷出现，还可以为“铸造压力设定值低于工艺标准”，即当前铸造压力设置值低于正常值（不造成缺陷的值），还可以为“铸造压力设定值建议为60～70MPa”，即给出建议取值范围。需要说明的是不良气孔产生的主要原因为铸造压力不足仅为举例说明，实际输出结果可能包括多个原因或多个原因的排序。

需要说明的是，来自于行业、企业经验的压铸件质量数据库中的压铸件缺陷同工艺参数之间的对应关系一般是单向的，定性的，即根据行业经验不良气孔产生的主要原因为铸造压力不足，但是行业经验并不能建立铸造压力同不良气孔之间的数据关联，即在工艺参数设定时，并不能基于铸造压力的设定预测出不良气孔是否会出现。这种现象广泛出现在各个领域，例如健康领域，当人某个脏器出现明显病变，如出现脂肪肝，可以根据生活习惯，其他检查，相对容易的确定病因，比如酒精性脂肪肝，但是在当今医院技术条件下，很难针对健康的个体预测出其出现脂肪肝的精确概率。

由于压铸过程工艺参数众多，如果将可收集到的工艺参数均输入到所述深度学习模型会造成训练周期较长、计算效率较低，同时对运行所述深度学习模型的硬件要求较高，因此如附图2所示本发明提供了一种工艺参数的筛选方法，所述筛选方法包括如下步骤：

步骤1，收集工艺参数，建立第一参数集（记为s1，s2…………si）；在一个实施例中收集到的工艺参数包括如下17种：平均低速s1、平均高速s2、最高速度s3、高速起点s4、料柄厚度s5、建压时间s6、填充时间s7、铸造压力s8、入口压力s9、挤压销行程s10、 模具温度s11、喷涂剂量s12、喷涂次数s13、锁模力s14、系统油温s15、金属液温度s16、压射行程s17。

步骤2，工艺参数相关性分析，在实践中可使用的工艺参数数量往往是较大的，同时工艺参数之间有些工艺参数存在直接或间接的相关关系，部分相关关系可以通过压铸机机械结构、物理规律等推算出，如速度同时间的关系。因此需要对收集到的工艺参数进行相关性分析，识别出相关性较强的工艺参数。比如平均高速s2和最大速度s3，铸造压力s8和入口压力s9具有很强的相关性，也具有相似的模式。也可以通过相关性分析方法，如灰色关联度分析法对工艺参数间的相关性进行分析，识别出相关性较强的工艺参数。之后对具有强相关性的两个或多个工艺参数，仅保留其中一个工艺参数，获得第二参数集，即平均高速s2和最大速度s3，铸造压力s8和入口压力s9中只保留平均高速s2和铸造压力s8。

步骤3，收集第二参数集中工艺参数对应的压铸件缺陷数据，该数据来自于设备的历史数据，缺陷情况通过人工检测获得。之后对压铸件缺陷情况和多个工艺参数进行相关性分析；所述相关性分析方法为多变量相关性分析，识别出同缺陷具有强相关性的工艺参数，所述强相关性是指相关性系数R大于0.75。选择出相关性系数R大于0.75的工艺特征参数，获得第三参数集。所述第三参数集内的工艺参数为输入到所述深度学习网络的工艺参数。

在一些实现方式中，为了实现本发明所涉及计算机实现方法精度和效率的平衡，需要对输入到所述深度学习网络的工艺参数，即第三参数集内的工艺参数，进行加权处理，所述每个工艺参数权重系数的计算方法如下：

步骤1，以压铸件缺陷数据（变量记为Y），工艺参数（变量记为）构 造线性模型如下：；

步骤2，采用一次线性回归的方式，估算的值，具体采用最小二乘法 估算辅助参数，即可得到；

步骤3，每个工艺参数权重系数R的计算方法如下：

上式中cov代表协方差、var代表方差，以上公式确定出压铸件缺陷与工艺特征参数的相关性值。需要说明的是，上文所提及的压铸件缺陷情况和多个工艺参数进行多变量相关性分析计算得出的相关性系数R的计算过程同每个工艺参数权重系数R计算过程相同。

本发明提供了一种用于训练上述预测压铸缺陷深度计算模型的方法，包括如下步骤：

步骤1，构造训练样本，所述训练样本包括工艺参数以及该工艺参数生产出压铸件的缺陷数据，该数据来自于设备的历史数据；

步骤2，将训练样本中的工艺参数输入深度学习模型，获得深度学习模型输出的缺陷信息；

步骤3，通过均方差误差函数计算深度学习模型输出的缺陷信息的预测精确度；

步骤4，采用随机梯度下降方法、BPTT算法、前向传播算法、反向传播算法中任一种或任多种的组合对深度学习模型进行优化，通过优化深度学习模型的权重和偏置来减小与缺陷样本之间的误差；当误差稳定后，完成用于预测压铸缺陷训练的深度学习模型的训练。

在一些实现方式中，所述深度学习模型的输入层数据为X_i = {x_1，x_2，……x₁₂.}所述 中间层数据；所述深度学习模型的输出层为，为期望缺陷类型，为提高 计算效率，如上文所述期望缺陷类型分为四种类型，其数据标签为。

所述输入层到中间层的权重为；所述中间层 到输出层的权重为；偏置系数为。

所述深度学习模型数学模型如下：

上述模型中F₁为为输入层到中间层的激活函数，F₂为中间层到输出的激活函数。F₁(x) 、F₂(x) 取Sigmoid(x) 函数，Sigmoid函数常被用作神经网络的激活函数，将变量映射到0，1之间。

G、M为中间变量参数，为损失函数，RMSE为均方根误差。

在梯度下降方法和策略上采用随机梯度下降方法，随机梯度下降指每次在所有样本中随机抽取一个样本求梯度，并利用该梯度进行更新。

其中，W为待更新的参数;t为第t次迭代;为第t次迭代的学习率，代表求梯度算 子；为随机抽样的样本损失函数。

在一些实现方式中，采用的BPTT算法模型如下：

其中、、为输入所述深度学习模型的参数，是时刻的输入，、、为中间变量，和分别为输入到中间层和中间层到输出的激活函数 BPTT算法为：

即某一时刻t的参数更新，都需要之前每一时刻的梯度参与运算。

在一些实现方式中，所述前向传播算法利用若干个权重系数矩阵和偏倚向量和输入值向量进行一系列线性运算和激活运算，从输入层开始，一层层的向后计算，一直运算到输出层，得到输出结果为止。所述反向传播算法是对深度学习模型的损失函数用梯度下降法进行迭代优化求极小值的过程。

在一些实现方式中，步骤3中均方差误差函数用于计算深度学习模型输出的缺陷信息与训练样本中压铸件缺陷数据之间的误差，得出所述深度学习模型预测精确度。

在一些实现方式中，步骤3中均方差误差函数用于计算深度学习模型输出的缺陷信息之间的误差，得出所述深度学习模型预测精确度

首先需要明确的是均方根误差（Root Mean Squared Error，RMSE）是均方误差的 平方根，代表了预测值的离散程度，也称为标准误差，最佳拟合情况为RMSE=0。均方根误差 的定义如下(其中E _i 表示i个参考值与预测值的绝对误差；Y _i 表示i个参考值;表示i个预 测值) ：

结合如下实施例对本发明所涉及预测诊断系统的构建与训练（包括上述工艺参数筛选、训练方法）和使用进行简单说明如下：

在开始所述深度学习模型构建和训练前，需要先确定输入的工艺参数，在本专利中通过工艺参数采集模块进行相关工艺参数的采集，获得的数据集包括工艺参数数据，其中工艺参数为Si=（S_1，S_2，……S_i）以及其变化值，同时还包括该工艺参数下压铸件缺陷数据，该压铸件缺陷数据通过人工对压铸件检测获得，包括前文所述的无缺陷、压铸件缺陷类型、压铸件是否为热模状态下的压铸件。为便于数值计算与统计，上述压铸件的缺陷类型可以被定义为数值，比如无缺陷为“0”、压铸件缺陷类型为“1”、压铸件是否为热模状态下的压铸件为“2”。

在进行训练之前需要对数据集中的工艺参数采用前文所述的筛选方法进行筛选，以提高计算效率。同时为了计算效率和计算精度的平衡，对筛选后的工艺参数采用前文所述的权重系数计算方法获取其权重系数。所述权重系数用于构建前文所述深度学习模型中的输入处理组件。将筛选后的工艺参数及其对应的压铸件缺陷数据构成训练样本，为达到训练效果一般要有多组上述数据，获得训练样本后将多组数据分为训练组和验证组。

例如获取最初参数数据集为S=（S₁，S₂，S₃，S₄，S₅，S₆，S₇，S₈），通过工艺参数相关性分析确定S_4、S₅两个工艺参数相关性高，只保留S₄。

将该数据集工艺参数对应的压铸件缺陷数据同S₁，S₂，S₃，S₄，S₆，S₇，S₈进行多变量相关性分析，需要说明的是进行多变量分析时包括多组数据，即需要多次压铸过程的数据，收集每次压铸过程中S₁，S₂，S₃，S₄，S₆，S₇，S₈的数据和该次压铸过程生产的压铸件缺陷数据。计算得出相关系数为R=（R₁，R₂，R₃，R₄，R₆，R₇，R₈）=（0.8，0.9，0.2，0.75，0.2，0.75，0.8），根据R_i>0.75,即筛选出来的数据S=（S₁，S₂，S₄，S₇，S₈），在此基础上确定训练样本中工艺参数为W=（S₁，S₂，S₄，S₇，S₈）。

同时在输入处理组件中根据上述计算得出的相关系数确定权重系数。之后就可以通过训练样本对深度学习模型进行训练，在训练过程中，向深度学习模型进输入数据时不再需要手动输入权重。

对于输入处理组件中的归一化处理举例说明如下，上文所述工艺参数包括工艺参数以及相应参数在压铸过程中的变化值，在实践中，工艺参数采集模块根据预设的周期进行采样，并按照预设的周期向深度学习模型传输工艺参数。

例如连续5组工艺参数输入如下：

归一化后的数据：

在深度学习模型的训练上，首先用训练组的数据训练所述深度学习模型，所述深度学习模型输出结果为Y _out，在训练过程中所述Y _out可以为上述“0，1，2”中的任一个或多个，也可以是压铸件缺陷类型为期望缺陷类型的概率，如为无缺陷的概率，比如90%为无缺陷。

在一个实施例中采用均方差误差函数计算深度学习模型输出的缺陷信息与训练样本中压铸件缺陷数据之间的误差，得出所述深度学习模型预测精确度。根据该精确度对深度学习模型进行调整。

在另外一个实施例中，均方差误差函数用于计算深度学习模型输出的缺陷信息之间的误差，即针对同一个缺陷类型，所述深度学习模型输出的Y _out之间的误差，比如针对多组预测出冷隔缺陷类型的数据，其Y _out的数值未0.961、0.986、0.996等，通过不断的调整，使其针对同一缺陷类型的Y _out的数值分布在一个限定的范围内，比如冷隔对应的Y _out的数值为0.9605-0.9609。

当误差稳定后，采用验证组数据对深度学习模型输送结果进行验证，如验证结果合格，比如针对200组验证数据，深度学习模型199次的输出是正确的，即完成用于预测压铸缺陷训练的深度学习模型的训练。

如附图3，4所示，完成训练的深度学习模型即可进行缺陷预测，在进行预测时通过工艺参数采集模块在线实时采集工艺参数传送到深度学习模型，该工艺参数为通过上述筛选方法进行筛选确定后的工艺参数。基于该工艺参数深度学习模型输出预测的缺陷信息。基于该缺陷信息，通过前文所述的缺陷原因规则搜索输出造成期望缺陷类型的原因。

下表给出上述预测的一个说明案例，其中期望缺陷类型是深度学习模型根据定义输出，造成期望缺陷类型的原因是根据目前生产工艺的经验，对于压铸件的缺陷内容，归纳相关的原理，该原理存储在压铸件质量数据库，处理器根据期望缺陷类型在压铸件质量数据库中搜索该期望缺陷类型对应的原因规则并将搜索结果输出。需要说明的是下表给出的缺陷原因规则仅为举例说明，实际输出结果可能包括多个原因或多个原因的排序。

表1：输出的预测情况

本发明提供了一种计算机可读介质，存储用于预测压铸缺陷的计算机指令，所述计算机指令由一个或多个处理器执行时，使所述一个或多个处理器执行上述用于预测压铸缺陷的计算机实现方法。

本发明的说明书与权利要求书中描述的主题和功能操作的实现可以在数字电子电路、有形的计算机软件或固件、计算机硬件中实现，也可以以一种或多种的组合实现。

本发明的说明书与权利要求书中所述“处理器”“数据处理模块”、“计算机”或“电子计算机设备”(或本领域普通技术人员理解的同等术语) 指的是数据处理硬件，包括用于处理数据的各种装置、设备和机器，包括例如可编程处理器、计算机或多个处理器或计算机。所述设备还可以包括或进一步包括专用逻辑电路，例如中央处理器(CPU) 、FPGA(现场可编程门阵列) 或ASIC(专用集成电路) 。在一些实现方式中，所述数据处理装置或专用逻辑电路(或数据处理装置或专用逻辑电路的组合) 可基于硬件或软件(或基于硬件和软件的组合) 。所述设备可以选择包括为计算机程序创建执行环境的代码，例如构成处理器固件、协议栈、数据库管理系统、操作系统或执行环境的组合的代码。本发明考虑使用具有或不具有常规操作系统的数据处理设备，例如LINUX、UNIX、WINDOWS、MAC OS、ANDROID、IOS或任何其它合适的常规操作系统。

本说明书中描述的主题的实现可以在计算系统中实现，所述计算系统包括后端组件(例如，作为数据服务器) ，或者包括中间件组件(例如，应用服务器) ，或者包括前端组件，例如，客户端计算机具有用户可以通过该客户端计算机与本说明书中描述的主题的实现交互的图形用户界面或网络浏览器，或一个或多个此类后端、中间件或前端组件的任意组合。所述系统的组件可以通过有线或无线数字数据通信(或数据通信的组合) 的任何形式或介质互连，例如通信网络。

所述计算系统可以包括客户端和服务器。客户端和服务器通常彼此远程，通常通过通信网络进行交互。客户端和服务器之间的关系是由于各自计算机上运行的计算机程序以及彼此之间具有客户端-服务器关系而产生的。

虽然本发明的说明书与权利要求书中包含许多具体实现细节，但这些不应理解为对任何发明的范围或可能要求的范围的限制，而应理解为特定于特定发明的特定实现的功能的描述。在之前描述的实现中，各种系统模块和组件的分离或集成不应理解为需要在所述实现中进行此类分离或集成，应理解的是，所描述的程序组件和系统通常可以集成在单个软件产品中，或封装在多个软件产品中。 上述示例实现并未定义或限制本发明。在不脱离本发明的精神和范围的情况下，也可以进行其它更改、替换和变更。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本发明的说明书与权利要求书中会使用某些词汇来指称特定产品。本技术领域中具有通常知识者应理解，制造商可能会以不同的名称来指称相同的组件。本文并不意在区分那些功能相同但名称不同的组件。在下文说明书与申请专利范围中，“包含”、“具有”与“包括”等词为开放式词语，因此其应被解释为“含有但不限定为...”之意。

以上所述是本发明的优选实施方式，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，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。