基于数据驱动的镁合金压铸件质量智能预测Intelligent Quality Prediction of Magnesium Alloy Die-Casting Parts Based on Data-Driven Method
汪星辰,王鑫,付彭怀,童胜坤,陈滨,彭立明
摘要(Abstract)：
为实现镁合金压铸件质量的智能预测，降低人工下线检测成本，提升镁合金压铸产业智能化水平，通过收集镁合金大型薄壁压铸件“工艺参数-质量参数”大数据，采用随机森林模型建立工艺参数与铸件产生的缺陷种类间的关系，分析了工业数据中的标签长尾分布现象对机器学习模型预测性能的影响，通过“随机降采样+SMOTE过采样”算法对数据集分布进行均衡化，最终获得了准确率为89.54%、受试者工作特征曲线（ROC）下面积为0.983 8、平均真正率为87.65%的准确预测模型，实现了极少数含缺陷样本的精准检出，并获得了镁合金压铸关键工艺参数重要性排序。
关键词(KeyWords)： 高压铸造;镁合金;机器学习;质量智能预测
基金项目(Foundation): 国家重点研发计划项目（2021YFB3701000）;; 宁波科技项目(20241ZDYF020400）;; 自然科学基金项目（U21A2048、51821001）;; 广东省重点领域研发计划（2020B010186001）;; 上海市科委重点项目(21DZ1208200）;; 广东省基础与应用基础研究基金（2022B1515120046）
作者(Author): 汪星辰,王鑫,付彭怀,童胜坤,陈滨,彭立明
DOI: 10.19710/J.cnki.1003-8817.20240363
参考文献(References)：
- [1] MA C S, YU W B, ZHANG T T, et al. The Effect of Slow Shot Speed and Casting Pressure on the 3D Microstructure of High Pressure Die Casting AE44 Magnesium Alloy[J].Journal of Magnesium and Alloys, 2023, 11(2):753-761.
- [2] HOU Y Y, WU M W, HUANG F, et al. Defect Band Formation in High Pressure Die Casting AE44Magnesium Alloy[J]. China Foundary, 2022, 19(3):1-10.
- [3] XIE Q, SUVARNA M, LI J L, et al. Online Prediction of Mechanical Properties of Hot Rolled Steel Plate Using Machine Learning[J]. Materials Design, 2021, 197.
- [4] XU X N, WANG L Y, ZHU G M, et al. Predicting Tensile Properties of AZ31 Magnesium Alloys by Machine Learning[J]. JOM, 2020, 72(11):1-8.
- [5] CHAUDRY U M, HAMAD K, ABUHMED T. Machine Learning-Aided Design of Aluminum Alloys with High Performance[J]. Materrial Today Communications, 2021,26.
- [6] OH J M, NARAYANA P L, HONG J K, et al. Property Optimization of TRIP Ti Alloys Based on Artificial Neural Network[J]. Journal of Alloys and Compounds, 2021, 884.
- [7]刘彬,汤爱涛,潘复生,等.基于参数优化的人工神经网络的AZ31镁合金力学性能预测模型[J].重庆大学学报, 2011, 34(3):44-49.
- [8] LI N, ZHAO S Y, ZHANG Z G. Property Prediction of Medical Magnesium Alloy Based on Machine Learning[C]//2021 IEEE 6th International Conference on Big Data Analytics(ICBDA),, 2021.
- [9] CAO X Y, ZHANG Y B, CHEN H. Predicting Mechanical Properties and Corrosion Resistance of Heat-Treated7N01 Aluminum Alloy by Machine Learning Methods[J].IOP Conference Series:Materials Science and Engineering, 2020, 774.
- [10]郝永志,赵海东,林嘉华.基于机器学习的挤压铸造铝合金力学性能预测[J].特种铸造及有色合金, 2019, 39(8):859-862.