基于机器学习与元启发式优化的砂型铸造工艺质量改进混合方法

本研究针对生产系统中复杂工艺参数优化难题，提出了一种融合机器学习（ML）与元启发式算法（MA）的混合优化框架。来自某研究团队的研究人员通过该框架，利用常规工艺数据驱动缺陷率预测与参数寻优，在铸铁行业砂型铸造过程中成功将烧结缺陷率降低了78.9%，为工业缺陷最小化提供了高效、可落地的数据驱动解决方案。

　　

本文提出了一种结合机器学习（ML）与元启发式优化算法（MA）的混合工艺优化方法，旨在减少生产系统中的质量缺陷。在这类系统中，降低缺陷往往需要对复杂的工艺参数进行优化。尽管机器学习模型被广泛用于缺陷预测，但由于其可解释性有限，在识别最优输入参数设置方面可能力有未逮。

为了解决这些挑战，研究人员开发了一种新颖的ML-MA集成框架，该框架能够从常规工艺测量数据中学习，而无需产生额外的实验成本。在该框架内，机器学习模型用于预估缺陷率，而元启发式算法技术则负责确定能够最小化这些缺陷率的最优工艺参数。与先前专注于特征层面洞察的研究不同，本框架直接生成最优的工艺参数集合，为缺陷最小化提供了一个更具可操作性和数据驱动性的解决方案。

作为案例研究，该框架被应用于铸铁行业的砂型铸造工艺，以减少烧结缺陷。研究评估了三种机器学习算法——梯度提升回归（GB）、随机森林回归（RF）和极端随机树回归（ET）——用于缺陷率预测。随后，运用三种元启发式算法技术——遗传算法（GA）、粒子群优化（PSO）和模拟退火算法（SA）——来最小化由表现最佳的ML模型所预测的缺陷率。尽管受限于实际操作条件，本研究的实验验证仅包含十次生产试验，但该框架成功地将烧结缺陷率降低了78.9%，清晰地证明了其在真实工业条件下识别最优工艺设置的实际可行性。