应用LSTM网络的缸体压铸质量预测

赵圆方，高 媛，钱 峰，亢欣欣

（大连理工大学机械工程学院，辽宁 大连 116024）

1 引言

汽车的发动机缸体是发动机里最重要的零件，采用铝合金压铸法制造。发动机缸体压铸工艺包括铝合金熔炼、铝合金熔融液贮存与运输、压力铸造等，具有数据高维非线性、生产过程不确定性、子过程相互耦合、控制要求性能指标要求高等复杂生产过程特点[1]。针对复杂生产过程，质量控制问题是普遍的又是难以解决的问题。传统上所使用的统计过程控制是一种滞后控制，质量预测能够提早发现问题，成为人们关注焦点。

产品质量预测通常有基于数学模型方法、基于知识方法和基于统计方法[2]。由于压铸生产过程复杂，难以对其进行数学建模或应用先验知识。随着智能制造的发展，基于数据统计的数据挖掘方法常常被用于生产过程的质量预测。文献[3]基于CART决策树对复杂生产过程构建质量预测模型，证明CART决策树方法能较为准确地预测陶瓷管生产质量。当生产数据量变大时，CART决策树和支持向量回归等数据挖掘方法，将面临较大的时间复杂度压力[4]，而复杂生产过程的连续性需要应用适应大数据的数据挖掘方法。文献[5]应用神经网络方法预测磨削力，并基于遗传算法对方法进行优化，克服传统BP算法进化速度慢等缺点，证明神经网络在预测任务中的有效性。

压铸过程中，很多工艺参数具有时序性，属于时间序列。前述方法没有考虑输入的时间序列特性。建立质量特征参数序列的主要方法主要有两种，时间序列法和神经网络法。时间序列法主要采用Holt-Winter、多元线性回归等预测模型，针对质量特征序列建模[6-7]；神经网络方法通常采用前馈网络建立预测模型，离线学习质量特征参数序列，然后对后续质量特征进行预测[8]。循环神经网络（Recurrent Neural Network，RNN）在网络结构设计时，引入时序概念，使其更加适应时序数据分析。长短期记忆（long short-term memory，LSTM）模型是RNN 的一种变体，在神经元设计时引入记忆单元，解决了以往RNN的梯度消失与爆炸、长期记忆能力不足等问题，在众多领域的时序研究中取得成功[9]。然而在压铸质量预测领域，LSTM模型的应用非常有限。

针对缸体压铸生产过程，提出一种基于LSTM循环神经网络的缸体压铸质量预测方法，包括网络设计、质量预测模型及其求解方法；通过与时间序列法对比，验证了方法的有效性。

2 缸体压铸动态过程数学模型

2.1 压铸工艺分析

压力铸造简称压铸，是指将熔融或半熔融的金属以高速压射入金属铸型内，并在压力下结晶的快速成型方法。压铸工艺将压铸机、压铸合金和压铸模具，三大要素合理地结合。汽车发动机缸体的压铸生产工艺包括：铝锭熔炼及除气、铝液运输与贮存、铝液上料、缸套加热并嵌入、铝液压射、保压冷却、开模取件下线等关键工序。影响压铸件质量的工艺因素极多，且压铸生产过程子过程相互耦合、数据高维度非线性。在工艺流程分析过程中，应用鱼骨图方法，全面考虑可能影响质量的可测生产工艺参数。

图1 压铸件质量鱼骨图（局部）Fig.1 Fishbone Diagram of Die Casting Quality（Local）

2.2 缸体压铸过程建模

根据压铸件质量鱼骨图可以得出，缸体压铸件孔径y1、表面粗糙度y2等质量指标的影响因素极为复杂：人员方面，人员的操作水平将影响作业质量，因此取工艺参数“工人编号”，记为x1；机器方面，压铸机模具的尺寸精度无法实时测量，但压铸机模具的维护状态将影响模具精度，因此取工艺参数“距上次模具维护时间长度”，记为x2；物料方面，根据发动机缸体压铸材料要求，取铝液中Fe、Al等11种成分含量，分别记为x3～x13；方法方面，铝液除气工序将铝液内气泡去除，保证压铸出的缸体无气孔缩孔，因此取“喷吹时间”和“喷头旋转速度”，记为x14，x15，铝液压铸是整个发动机缸体压铸过程中最重要的工序，将影响缸体压铸件的尺寸、表面粗糙度等重要质量参数，因此取“铸造压力”和“冲头高速速度”，记为x16，x17；环境方面取环境温度，记为x18。同时，一些影响因素如模具温度，距上次模具维护时间长度等，作为时间序列与时间有着密切关系，因此缸体压铸是一个多输入、多输出、存在严重非线性的动态系统，可用以下动态系统经典形式表示：

Y(t)=F(Y(t-1)，X(t)；θ) （1）

F()为结构与参数未知的非线性函数。由于神经网络可以拟合任意非线性函数，因此基于神经网络建模，预测缸体压铸质量。

3 基于RNN的压铸质量预测方法

3.1 LSTM神经元结构

对于标准RNN模型，如图2所示。给定的输入序列x=(x(1)，x(2)，…，x(t))，通过式（2）～式（3）计算隐藏层序列h=(h(1)，h(2)，…，h(t))和输出序列y=(y(1)，y(2)，…，y(t))。

图2 RNN网络及神经元结构Fig.2 RNN Network and Neuron Structure

式中：W—权重矩阵；b—偏置矩阵；f—激活函数。

RNN能较为准确地处理非线性高维时间序列，但是存在以下问题[10]：（1）权值更新时的梯度消失与爆炸问题使RNN 难以适应压铸预测时较长的时间序列；（2）压铸生产过程无法确定延迟窗口长度的最优值。用LSTM神经元代替RNN网络中隐藏层神经元，可使其获得长期记忆能力。LSTM 神经元结构，如图3 所示。图中i、f、c、o分别代表输入门、遗忘门、细胞状态、输出门。其前向计算方法可表示为：

图3 LSTM神经元结构Fig.3 LSTM Neuron Structure

在t时刻，隐藏层LSTM神经元接受上一时刻输出h(t-1)与当前输入x(t)对信息进行筛选；式（5）根据上一时刻的细胞状态c(t-1)更新当前细胞遗忘门状态f(t)，式（6）由当前细胞遗忘门状态更新当前细胞状态c(t)，最终根据式（7）、式（8）共同计算当前细胞输出y(t)、h(t)。LSTM模型处理序列数据时采用线性累加形式，避免梯度消失，同时具有学习长周期信息的能力，克服了RNN模型的缺点。

3.2 误差反向传播算法

逆误差传播（Back Propagation，BP）是迄今最成功的多层网络学习算法[11]。对一条历史数据(xk，yk)，假定神经网络输出为则整个网络的均方误差为：

基于梯度下降策略，有：

类似的，可以得到其他参数的更新公式。

经典的反向传播算法可表示，如图4所示。

图4 误差反向传播算法Fig.4 Error Back Propagation Algorithms

更新网络权值矩阵和阈值向量时，采用Adam 梯度优化算法。Adam在实际中整体表现优于其他随机优化方法。

3.3 基于LSTM的压铸质量预测模型

压铸产品质量预测问题可以描述为，根据压铸件的历史数据求解式（1）中的非线性函数F()，采用以LSTM神经元为隐藏层的循环神经网络逼近该非线性函数。将历史数据作为输入层以及理论输出，经过隐藏层逼近获得输出层的模型输出，与理论输出比较并采用Adam优化更新网络参数，最终获得基于LSTM的压铸质量预测模型，如图5所示。

图5 基于LSTM的压铸质量预测模型Fig.5 Prediction Model of Die Casting Quality Based on LSTM

4 发动机缸体压铸质量预测

4.1 对比模型

将LSTM与以下两种模型进行实验对比。

Holt-Winter又称三次指数平滑，能够处理趋势性和周期性的时间序列[6]。三次指数平滑有累加和累乘两种版本，迭代公式，如式（11）、式（12）所示。

多元线性回归（Multiple Linear Regression，MLR）广泛应用于预测任务，是一种多因素分析方法[7]。模型可以表示为：

k也称为窗口长度。假定每件压铸缸体受前5件产品影响，即k=5。

4.2 预测结果

营口H公司生产4A9型号汽车发动机缸体，如图6所示。

图6 4A9汽车发动机缸体Fig.6 4A9 Automobile Engine Cylinder Block

取H公司2017年生产的发动机缸体压铸数据，如表1所示。应用3.2节提出的方法训练LSTM网络，并与4.1节提出的两种模型进行对比，缸体质量预测结果，如表2所示。可以看出，LSTM网络拟合精度优于其他两种模型，同时也取得了较高的预测精度。

表1 发动机缸体压铸历史数据表（部分）Tab.1 Die Casting History Data Table for Engine Cylinder Block（Part）

表2 不同预测模型结果对比Tab.2 Comparison of the Results of Different Prediction Models

5 结语

研究了汽车发动机缸体压铸件质量预测问题，对缸体压铸过程进行动态建模，并应用LSTM作为隐藏层的循环神经网络对动态模型进行求解，将结果与其他两种时间序列法相比较，结果表明，提出的基于LSTM的质量预测方法具有良好的预测性能。

为压铸及其他复杂生产过程的质量预测提出了新方法，考虑生产过程中工艺参数影响质量的时序特性，提高了质量预测的准确度，对于复杂生产过程的质量预测有一定的实用意义。基于研究内容，后续可以开展进一步研究工作：解决LSTM 循环神经网络的过拟合及其他参数优化问题；基于LSTM网络的预测结果进行特征工程，寻找并优化影响压铸件质量的工艺参数组合；神经网络对过程描述近乎黑箱，寻找一种准确且清晰的压铸及其他生产过程描述是新的挑战。