PREP工艺多金属粉末松装密度评估数据

来源于PREP工艺制备TC4/45钢/IN625三种金属粉末的松装密度综合评估与对比数据。 数据结构中含了主弧电流、进给速度、主轴转速等参数和材料类型分类字段，用于驱动多材料随机森林回归模型计算松装密度预测值；松装密度实测值和评估指数用于评价粉末填充性能；材料间松装密度对比指数用于跨材料横向对比。各字段协同形成完整的松装密度评估体系。 具体应用包括：（1）为粉末冶金压制成型工艺人员提供TC4/45钢/IN625三种粉末的松装密度预测数据，辅助计算模具填充量和压坯初始密度；（2）为热等静压（HIP）工艺人员提供松装密度评估指数，辅助评估包套内粉末初始填充率；（3）为制粉工艺研发人员提供材料间松装密度对比数据，支持制备工艺参数的差异化调整，提升不同金属粉末的批次一致性。（4）可供AI模型训练PREP工艺参数与多材料粉末性能的关联标注数据，支撑粉末制备工艺优化模型的训练与泛化能力提升。【加工前的数据说明】原始数据来源于PREP工艺制备TC4钛合金、45钢、IN625镍基合金三种金属粉末的松装密度测试记录。数据以结构化格式存储，包含测试批次编号、金属材料类型、测试时间、主弧电流、进给速度、主轴转速、松装密度等字段，数据规模涵盖全部历史生产测试记录。 【处理规则】（1）数据采集与预处理：采集三种金属粉末PREP工艺的松装密度测试数据，字段包括材料类型、主弧电流、进给速度、主轴转速、松装密度；采用3σ准则识别并剔除松装密度异常测试数据，对缺失值采用同材料类型均值填充；（2）多材料数据聚合与数据集构建：将三种材料的松装密度测试数据按材料类型标注聚合，形成多材料数据集X；（3）多材料松装密度预测模型构建：以材料类型、主弧电流、进给速度、主轴转速为输入特征，以松装密度为预测目标，构建XGBoost回归模型，设置学习率为0.08、最大深度为7层、子采样率为0.9、迭代次数为250轮；（4）松装密度评估指数计算：基于松装密度实测值，采用Min-Max标准化方法对松装密度进行归一化处理，松装密度评估指数=(实测值-最小值)/(最大值-最小值)，指数越接近1表示松装密度越高；（5）材料间松装密度对比：以TC4材料的松装密度预测值为基准值，计算45钢和IN625的松装密度预测值与TC4基准值的比值作为材料间松装密度对比指数；（6）松装密度等级判定：当松装密度评估指数≥0.80时判定为“优良”，当指数≥0.60时判定为“合格”，当指数<0.60时判定为“待改善”。 【数据内容描述】最终输出PREP工艺TC4、45钢、IN625三种金属粉末在不同工艺参数组合下的松装密度评估结果，包含各材料松装密度预测值、预测误差率、松装密度评估指数、材料间对比指数和等级等评估指标。 以上计算结果均保留2位小数。

搜集汇总

背景与挑战

背景概述

该数据集记录了采用PREP工艺制备的TC4、45钢和IN625三种金属粉末的松装密度评估数据，包含主弧电流、进给速度、主轴转速等工艺参数以及松装密度实测值、预测值、评估指数和等级等字段。数据经过预处理和多材料聚合，构建了XGBoost回归模型进行松装密度预测，并计算了评估指数和材料间对比指数，用于辅助粉末冶金、热等静压等工艺参数优化和AI模型训练。