(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111132737.5 (22)申请日 2021.09.27 (71)申请人 中国计量大 学 地址 310018 浙江省杭州市下沙高教园区 学源街258号 (72)发明人 朱俊江　宋进宏　陈红岩　李孝禄　 (74)专利代理 机构 台州杭欣专利代理事务所 (普通合伙) 33333 代理人 潘欣欣 (51)Int.Cl. G06F 30/27(2020.01) G06F 16/58(2019.01) G06F 16/583(2019.01) B22D 17/22(2006.01) B22D 17/32(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/22(2020.01) G06F 119/08(2020.01) (54)发明名称 一种基于深度学习的压铸系统自动冷却方 法 (57)摘要 本发明公开了基于深度学习的压铸系统自 动冷却方法。 通过引入卷积神经网络(CNN)与深 度学习的方式， 对金属液体凝固形成产品后模具 表面热成像图和冷却系统工作结束后模具表面 热成像图进行特征提取， 使 得冷却系统原本的输 入与输出由图像形式 改变为数学矩阵形式， 损失 函数就能实现对输入与输出图像的计算， 进而获 得通水量和通水时间的理想值。 本发明中通过 CNN神经网络确定冷却系统中的通水量与通水时 间来实现理想的冷却效果， 相比于经验法， 在实 际生产中本发 明的方法在调节的过程中更灵活； 实现了科学的控制冷却系统的目的， 更可以达到 延长模具使用寿 命、 缩小加工误差的目标。 权利要求书3页 说明书7页 附图2页 CN 113887133 A 2022.01.04 CN 113887133 A 1.一种基于深度学习的压铸系统自动冷却方法， 其特 征在于： 包括 (1)对压铸机冷却系统中的水阀进行标号， 分别为水阀1号—水阀N号； 设定每一个水阀 的通水量 为a1...aN、 每一个水阀的通水时间为b1...bN； (2)建立CN N卷积神经网络训练数据库； (21)随机执行T次压铸系统， 每次压铸系统的按照不同的通水量和通水时间， 则通水量 为 通水时间为 (22)采用热像仪记录每次压铸系统的输入图像X1...XT、 输出图像Y1...YT； (23)按照每次压铸系统的工作将对应的通水量 通水时间 输入图像X1...XT、 输出图像Y1...YT统计形成模具 热像图数据库； (24)以输出图像的降温效果为条件从步骤(23)模具热像图数据库中筛选训练数据以 形成训练数据库， 训练数据数据库包括彼此对应的通水量 通水时间 输入图像X1...XM、 输出图像Y1...YM； (3)对CNN卷积神经网络进行训练 (31)采用CNN卷积神经网络对步骤(24)训练数据库中的输入图像X1...XM与输出图像 Y1...YM进行特征提取， 生成深度学习所需要的训练数据与对应的标签； (32)设定关于输入图像、 输出 图像、 通水量、 通水时间相关性的第一损失函数Loss_1， 以第一损失函数Loss_1达到最小为条件对步骤(32)中的CNN卷积神经网络进行训练得到 CNN的权重与偏差； 以得到 CNN1卷积神经网络； (4)对步骤(3)中所获得的CN N1卷积神经网络进行二次训练； (41)二次训练数据库的建立： (411)让压铸系统再次进行L次压铸生产， 得到新的输入图像 权　利　要　求　书 1/3 页 2 CN 113887133 A 2(412)通过步骤(2)中的输出图像Y1...YM中得到平均输出图像 将平均输出图像 为作二次训练的输出图像； (42)以通水量、 通水时间为未知量， 以步骤(41)中输入图像 平均输出图像 为已知量， 设定关于 输入图像、 输出图像、 通水量、 通水时间相关性的第二损失函数L oss_2； (43)以第二损失函数Loss_2达到最小值为条件， 对步骤(3)中训练好的CNN1卷积神经 网络进行第二次训练得到CNN2卷积神经网络， 获得通水量a1...aN的理想值、 通水时间 b1...bN的理想值； (5)采用步骤(43)中获得的通水量a1...aN和通水时间b1...bN， 应用于正式生产。 2.根据权利要求1所述的基于深度学习的压铸系统自动冷却方法， 其特征在于： 步骤 (32)中生成深度学习所需要的训练数据与对应的标签的过程 是： 把输入图像X1...XM与输出 图像Y1...YM中中包含的模具表面温度分布信息， 通过卷积神经网络， 提取转换为一维数组 向量。 3.根据权利要求2所述的基于深度学习的压铸系统自动冷却方法， 其特征在于： 在这里 采用VGGNet网络做 为特征提取的主干网络， 将 输入输出图像的大小预 处理为224 ×224像素 大小， Layer1卷积层由64个3 ×3大小的卷积核构成， 采用BN批标准化处理， 激活函数为 ‘relu’； Layer2卷积层由64个3 ×3大小的卷积核构成， 采用BN批标准化处理， 激活函数为 ‘relu’， 采用步长为2的最大池化； Layer3卷积层由128个3 ×3大小的卷积核构成， 采用BN批 标准化处理， 激活函数为 ‘relu’； Layer4卷积层由128个3 ×3大小的卷积核构成， 采用BN批 标准化处理， 激活函数为 ‘relu’,采用步长为2的最大池化； Layer5卷积层由256个3 ×3大小 的卷积核构成， 采用BN批标准化处理， 激活函数为 ‘relu’； Layer6卷积层由256个3 ×3大小 的卷积核构成， 采用BN批标准化处理， 激活函数为 ‘relu’； Layer7卷积层由256个1 ×大小的 卷积核构成， 采用BN批标准化处理， 激活函数为 ‘relu’,采用步长为2的最大池化； Layer8卷 积层由512个3 ×3大小的卷积核构成， 采用BN批标准化处理， 激活函数为 ‘relu’； Layer9卷 积层由512 个3×3大小的卷积核构成， 采用BN批标准化处理， 激活函数为 ‘relu’； Layer10卷 积层由512个1 ×1大小的卷积核构成， 采用BN批标准化处理， 激活函数为 ‘relu’,采用步长 为2的最大池化； Layer11卷积层由512个3 ×3大小的卷积核构成， 采用BN批标准化处理， 激 活函数为‘relu’； Layer12卷积层由512 个3×3大小的卷积核构成， 采用BN批标准化处理， 激 活函数为‘relu’； Layer13卷积层由512 个1×1大小的卷积核构成， 采用BN批标准化处理， 激 活函数为‘relu’,采用步长为2的最大池化； Layer14全连接层由512个神经元组成， 激活函 数为‘relu’； Layer15全连接层由512个神经 元组成， 激活函数为 ‘relu’。 4.根据权利要求3所述的基于深度学习的压铸系统自动冷却方法， 其特征在于： 训练算 法为随机梯度下降算法、 优化器选择Adam算法 5.根据权利要求1所述的基于深度学习的压铸系统自动冷却方法， 其特征在于： 步骤 (33) 中的 第一损失函数为 ： Loss_1＝||A*CNN (X) ‑B‑CNN (Y) ||2， 其中 X＝[X1...XM]、 Y＝[Y1...YM]、 CNN为卷权　利　要　求　书 2/3 页 3 CN 113887133 A 3