PREP工艺多金属粉末流动性评估数据

来源于PREP工艺制备TC4/45钢/IN625三种金属粉末的流动性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，用于驱动以材料类型为分类特征的多材料随机森林回归模型计算流动性预测值；流动性实测值和流动性评估指数用于评估粉末流动性能；材料间流动性对比指数用于跨材料横向比较。 具体应用包括：（1）为增材制造工艺人员提供TC4/45钢/IN625三种粉末在不同工艺参数下的流动性预测数据，辅助根据送粉设备要求选择合适流动性的粉末批次；（2）为粉末冶金工程师提供流动性评估指数，辅助判断粉末在压制/注射成型中的填充表现；（3）为PREP工艺优化人员提供材料间流动性对比参考，支持不同金属粉末的工艺参数差异化调控。（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流动性测试记录。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、流动性等字段，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工艺的流动性测试数据，字段包括材料类型、主弧电流、进给速度、主轴转速、流动性；采用3σ准则识别并剔除流动性异常测试数据，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：将三种材料的流动性测试数据按材料类型标注聚合，形成多材料数据集X；（3）多材料流动性预测模型构建：以材料类型、主弧电流、进给速度、主轴转速为输入特征，以流动性为预测目标，构建梯度提升树（GBDT）回归模型，设置学习率为0.1、最大深度为6层、子采样率为0.8、迭代次数为300轮；（4）流动性评估指数计算：基于流动性实测值，采用Min-Max标准化方法对流动性进行归一化处理，流动性评估指数=1-(实测值-最小值)/(最大值-最小值)，指数越接近1表示流动性越好；（5）材料间流动性对比：以TC4材料的流动性预测值为基准值，计算45钢和IN625的流动性预测值与TC4基准值的比值作为材料间流动性对比指数；（6）流动性等级判定：当流动性评估指数≥0.90时判定为“优良”，当指数≥0.70时判定为“合格”，当指数<0.70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流动性评估结果，包含各材料流动性预测值、预测误差率、流动性评估指数、材料间流动性对比指数和流动性等级等评估指标。 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

该数据集基于PREP工艺制备的TC4、45钢、IN625三种金属粉末的流动性测试记录，经异常值剔除、缺失值填充及多材料聚合后，采用梯度提升树模型预测流动性，并计算流动性评估指数、材料间流动性对比指数及流动性等级。数据可用于增材制造工艺选粉、粉末冶金填充性能判断及PREP工艺参数优化，也支持AI模型训练关联预测。