基于负样本学习的振荡压力烧结工艺优化方法及系统与流程
本发明属于材料制备及人工智能工艺优化,具体涉及一种利用烧结失败案例(负样本)构建数据库、训练时序分类模型,以在振荡压力烧结过程中实时预测异常风险并主动干预的方法及系统。本发明适用于陶瓷材料、金属材料、金属陶瓷复合材料及硬质合金等多种材料的振荡压力烧结工艺优化。
背景技术:
1、振荡压力烧结是一种在传统热压烧结基础上叠加周期性动态压力振荡的先进材料致密化技术。通过调节压力幅值、振荡频率、压力均值及波形等参数,该技术能够显著促进颗粒重排、消除残余气孔并抑制晶粒异常长大,从而获得高密度、高性能的烧结制品。然而,振荡压力烧结工艺在实际生产中仍然面临以下与失败案例相关的技术难题:
2、(1)失败案例蕴含的宝贵知识未被有效利用,重复试错导致研发成本高昂。在振荡压力烧结过程中,失败案例(如开裂、密度不足、组织不均等)的发生往往伴随着昂贵的材料成本、设备占用时间和人力投入。传统工艺开发中,失败案例仅被简单记录为“废品”,其蕴含的工艺参数与失效模式之间的关联知识未能被结构化提取和系统化复用。不同操作人员、不同批次之间,相同的错误可能反复发生,导致研发周期延长和成本居高不下。尤其是在振荡压力烧结中,压力振荡参数(幅值、频率、波形)与开裂等缺陷之间存在复杂的非线性关系,仅靠人工经验难以系统总结。
3、(2)现有控制系统缺乏对异常工况的提前预判能力,只能在缺陷发生后被动响应。当前主流的烧结控制系统(包括已有的ai辅助控制系统)大多采用“设定工艺→执行→检测结果”的开环或半闭环模式。即使在具备反馈学习能力的系统中(如中国专利文献cn117109324a),其模型更新也是基于烧结完成后的整体结果,无法在烧结过程中实时判断当前状态是否正在向失败方向发展。当开裂等缺陷实际发生时,往往已经不可逆转,造成样品报废。因此,急需一种能够在烧结过程中提前数分钟甚至更早预测异常风险、并主动调整工艺参数以规避缺陷的技术手段。
4、(3)振荡压力烧结特有的失效模式及压力振荡参数特征,使得通用异常检测方法难以直接适用。与常规热压烧结相比,振荡压力烧结引入了动态压力参数(幅值、频率、波形),其失效模式更为复杂。例如,开裂可能源于压力幅值过大、频率不当引起的疲劳效应,也可能源于升温速率与压力振荡的耦合作用。这些失效模式往往在传感数据(压力、温度、位移、声发射)的时序变化中表现出特定的前兆特征(如压力波形畸变、位移速率异常波动、声发射信号突增)。然而,现有技术中尚未出现一种专门针对振荡压力烧结工艺、利用历史失败案例的时序传感数据训练模型、实现在线风险预测的方法。
5、(4)成功案例与失败案例数量严重不平衡,常规机器学习方法难以有效学习失败模式。在实际生产中,成功烧结的批次远多于失败批次(通常正负样本比例可达10:1甚至更高)。常规分类模型在此类不平衡数据集上训练,容易偏向多数类(成功案例),导致对失败案例的召回率极低,难以满足工业应用的可靠性要求。因此,需要设计专门的样本不平衡处理策略(如代价敏感学习、过采样等)及针对性的模型架构。
6、综上所述,现有技术中尚未公开一种能够系统性地利用振荡压力烧结负样本进行时序异常预测,并在烧结过程中实时预警和主动干预的方法及系统。
技术实现思路
1、本发明要解决的技术问题是克服现有技术的不足,提供一种基于负样本学习的振荡压力烧结工艺优化方法及系统。
2、为解决上述技术问题,本发明采用以下技术方案:
3、一种基于负样本学习的振荡压力烧结工艺优化方法,包括以下步骤:
4、s1:构建负样本数据库,所述负样本数据库记录烧结失败案例的结构化信息,每条负样本至少包括:失败发生时的工艺参数值、失败类型、以及失败发生前预设时间窗口内的多源传感数据序列;其中,所述失败类型包括开裂、密度不足、组织不均中的一种或多种,所述多源传感数据序列包括压力值序列、温度值序列和位移值序列;
5、s2:利用所述负样本数据库以及正样本数据库训练时序分类模型,所述时序分类模型以多源传感数据序列为输入,输出异常风险类别或异常风险概率;训练时采用代价敏感学习或过采样方法处理正负样本不平衡;
6、s3:在振荡压力烧结过程中,实时采集当前的多源传感数据序列,并将其输入训练好的时序分类模型,预测当前烧结状态是否存在异常风险,以及预测异常风险的具体类型;
7、s4:若预测存在异常风险且异常风险概率超过预设阈值,则自动执行干预操作,所述干预操作包括以下中的至少一种:降低升温速率、减小压力幅值、降低压力频率、延长保温时间、发出报警信号。
8、作为上述技术方案的进一步改进:
9、步骤s1中,所述多源传感数据序列还包括声发射信号序列、红外热成像温度分布序列或炉内气氛浓度序列中的一种或多种。
10、所述负样本数据库还记录失败原因文本描述;所述失败原因包括:升温速率过快、压力幅值超过材料强度极限、模具磨损导致压力分布不均、粉体批次烧结活性异常中的一种或多种。
11、所述时序分类模型为长短期记忆网络模型、时间卷积网络模型或基于注意力机制的transformer模型。
12、所述正样本数据库记录烧结成功案例的工艺参数及多源传感数据序列;所述时序分类模型的训练采用正负样本联合训练,其中负样本的损失权重高于正样本的损失权重。
13、所述代价敏感学习的损失函数表达式为:
14、
15、其中,为批量大小,为第个样本的真实标签,为类别对应的损失权重,正样本类别权重设为1,负样本类别权重设为大于1的数值,为类别总数,为模型对第个类别的输出对数概率。
16、所述过采样方法采用smote算法合成新的负样本,新样本的生成公式为:
17、
18、其中,为选定的一个负样本特征向量,为与该负样本最邻近的另一负样本特征向量,为0到1之间的随机数。
19、当所述时序分类模型为长短期记忆网络模型时,其单元状态更新遵循以下公式:
20、
21、
22、
23、
24、
25、
26、其中,为时刻的输入传感数据向量,为隐藏状态,为单元状态,为遗忘门的激活值,为输入门的激活值,为输出门的激活值,和为可训练权重和偏置,为sigmoid函数,⊙为逐元素乘法。
27、所述预设阈值根据当前烧结阶段动态调整:
28、
29、其中,为基础阈值,、为正的调整量,且≥,为烧结初期结束时间阈值,为烧结末期开始时间阈值;
30、或者,所述预设阈值根据最近次预测的准确率自动调整:
31、
32、其中,为学习率,为目标准确率,为最近次预测的实际准确率。
33、步骤s4中,所述降低升温速率具体为:将当前升温速率乘以0.5~0.8的系数;所述减小压力幅值具体为:将当前压力幅值降低0.2t~0.5t,或降低至当前压力幅值的50%~80%;所述降低压力频率具体为:将当前压力频率降低0.1hz~0.3hz;所述延长保温时间具体为:在原有保温时间基础上增加10%~30%。
34、所述方法用于碳化硅陶瓷、氮化硅陶瓷、钛合金、镍基高温合金或硬质合金的振荡压力烧结。
35、本发明还提供一种基于负样本学习的振荡压力烧结工艺优化系统,包括:
36、负样本构建模块,用于记录烧结失败案例的结构化信息,构建负样本数据库;
37、时序分类模型,部署于边缘计算单元或云平台,采用上述的方法训练得到,用于实时预测当前烧结状态的异常风险;
38、预警与干预模块,用于在预测存在异常风险且概率超过预设阈值时,自动执行步骤s4所述的干预操作;
39、模型更新模块,用于将新发生的失败案例或成功案例加入相应数据库,定期重新训练或微调所述时序分类模型。
40、作为上述技术方案的进一步改进:
41、所述预警与干预模块包括:人机界面显示预警信息及建议操作,以及自动发送控制指令至烧结设备的执行机构。
42、所述模型更新模块被配置为:每当新增m条负样本或n条正样本时自动触发增量训练,其中m≤10,n≤50。
43、与现有技术相比,本发明的优点在于:
44、本发明的基于负样本学习的振荡压力烧结工艺优化方法,通过s1构建负样本数据库并记录失败发生前的多源传感数据序列(压力值序列、温度值序列、位移值序列)及失败类型,使历史失败案例中隐含的异常演变过程被结构化保存,将废弃的“负面知识”转化为可计算的数据资产,直接解决了“失败案例蕴含知识未被利用、重复试错成本高”的问题;通过s2利用负样本及正样本训练时序分类模型并采用代价敏感学习或过采样处理样本不平衡,解决了“正负样本数量严重不平衡、常规模型难以学习失败模式”的问题,使模型能够从稀缺的失败样本中有效学习异常前兆的时序特征;通过s3在烧结过程中实时采集当前传感数据序列并输入模型预测异常风险及具体类型,实现了对开裂、密度不足、组织不均等失效模式的提前感知,解决了“缺乏异常工况提前预判能力、只能被动响应”的问题;通过s4在预测风险概率超过阈值时自动执行干预操作(降低升温速率、减小压力幅值、降低压力频率、延长保温时间或报警),将预测结果转化为主动控制动作,在缺陷形成之前调整工艺参数以规避风险,最终达到了降低重复试错成本、提升产品良率、避免相同失败重复发生的技术效果。
45、本发明的基于负样本学习的振荡压力烧结工艺优化系统,通过负样本构建模块记录烧结失败案例的结构化信息并建立负样本数据库,使系统具备了从失败中自主积累知识的能力,解决了“失败案例知识未被利用”的问题;通过部署于边缘计算单元或云平台的时序分类模型实时预测当前烧结状态的异常风险,该系统能够利用历史失败案例的时序模式对正在进行的烧结过程进行连续风险评估,解决了“缺乏提前预判能力”的问题;通过预警与干预模块在预测风险概率超过阈值时自动执行步骤s4所述的干预操作,将风险预测结果直接耦合到执行机构控制链路中,形成从数据采集、模型推理到设备调控的闭环,解决了“只能在缺陷发生后被动响应”的问题;通过模型更新模块将新发生的失败或成功案例加入数据库并定期重新训练或微调模型,该系统具备了随生产数据积累而持续进化的自优化能力,解决了“常规模型无法有效学习失败模式”及“知识无法沉淀”的问题,最终实现了对振荡压力烧结过程中异常工况的主动预警与自动规避的技术效果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com