CN103632014B - 一种热连轧产品生产流程的工艺参数预测方法 - Google Patents
一种热连轧产品生产流程的工艺参数预测方法 Download PDFInfo
- Publication number
- CN103632014B CN103632014B CN201310697911.XA CN201310697911A CN103632014B CN 103632014 B CN103632014 B CN 103632014B CN 201310697911 A CN201310697911 A CN 201310697911A CN 103632014 B CN103632014 B CN 103632014B
- Authority
- CN
- China
- Prior art keywords
- technological parameter
- case
- mechanical property
- chemical element
- production
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种热连轧产品生产流程的工艺参数预测方法,辅助热连轧工艺设计人员进行创新的活动。包括以下步骤:数据采集、数据预处理,数据相关性分析等;对数据进行加权聚类处理,并对得到的数据集进行回归分析,得到相关的回归函数;最后利用得到的知识知道热连轧产品的创新,预测热连轧生产流程的工艺参数。本发明通过对大量热连轧工艺各个过程的数据进行分析,挖掘出热连轧工艺产品数据之间的关联以及热连轧产品知识,实现了热连轧产品设计的优化,有效地提高了热连轧产品设计的效率,降低了产品的生产成本且避免了资源的浪费,实现热连轧高效率高质量的生产,具有可观的经济价值和实用价值。
Description
技术领域
本发明涉及钢铁冶金行业热连轧控制技术领域,特别涉及一种热连轧产品生产流程的工艺参数预测方法。
背景技术
热连轧生产技术是钢铁领域生产钢材的一种最常用的方式,它广泛采用薄板坯连铸连轧技术,从炼钢,连铸经均热后坯料直接进入轧线,具有短流程、能耗低、生产效率高的工艺特点。设计人员在进行热连轧新型产品的设计时,为了达到新产品质量的标准,设计人员往往要在生产车间采用已有的原材料,对生产流程加工方式进行多次调整来进行试验,以找到最符合要求的原材料和加工方式。但是这种热连轧产品生产方式不仅大量浪费了生产的资源,消耗了设计人员大量的精力,不满足热连轧新产品能量消耗低,高效率且成本低的特点,而且没有充分利用前人在以往生产过程中产生的数据和累积的经验知识,造成了这些宝贵资源的极大浪费。
随着计算机技术的发展,目前基本上所有的热轧带钢厂都实现了电子化信息化管理,热连轧生产流程中各个中间过程的数据都可以收集起来。现有的热连轧新产品设计方式无法充分利用这些数据进行指导生产,且对设计人员的依赖性较大,具有一定的局限性。
发明内容
本发明所要解决的技术问题是对热连轧产品生产流程的工艺参数提出一种预测方法,提供一种从产品数据中挖掘知识的方式,并指导热连轧生产人员进行新产品的设计。
为实现上述目的,本发明的具体实施步骤如下:
步骤一:收集属性数据,形成案例数据库;其中,案例数据库中每个案例包括热连轧产品生产的化学元素成分和含量、工艺参数和产品的力学性能;
步骤二:基于化学元素含量对案例库中的案例进行聚类,获得簇Ai;基于力学性能对案例库中的案例进行聚类,获得簇Bi;
步骤三:以基于化学元素含量形成的簇Ai为行,以力学性能形成的簇为列,构建矩阵,矩阵的交点为所在行的簇与所在列的簇的交集;
步骤四:对矩阵中不为空的交点中的案例,基于所有化学元素含量和力学性能对每个工艺参数进行相关性分析,得到每个工艺参数与所有化学元素含量和力学性能的相关性系数的大小,若存在工艺参数的相关性系数不小于设定值,计算相关性系数最大的工艺参数的回归函数;
之后对没有得到回归函数的工艺参数基于化学元素含量和力学性能以及已有回归函数的工艺参数进行相关性分析,在剩余工艺参数中找到相关性系数最大的工艺参数,得到它的回归函数,并重复这一过程直到得到所有工艺参数的回归函数;
其中,在步骤四中:若交点中案例所有的工艺参数与所有化学元素含量和力学性能的相关性系数都小于设定值,且交点中的案例个数不小于某个数,则对原矩阵进行嵌套,以该交点的案例为总数据,重新按照化学元素含量和力学性能分别聚类,构建一个嵌套的矩阵,得到该嵌套的矩阵的回归函数;
步骤五:按照目标产品的力学性能在案例库中与已有案例进行匹配,若匹配成功,则直接给出匹配案例相应的化学元素含量和工艺参数;若匹配不成功,利用步骤四中的矩阵来确定化学元素含量和工艺参数,具体包括以下步骤:
5.1先将目标案例的力学性能分配到基于力学性能的簇Bi中,找到该簇Bi所在列中不为空的交点,则与每一个交点中化学元素含量相应的原材料经过一定加工方式的热连轧工艺可得到目标产品的力学性能要求;
5.2利用步骤四得到的矩阵的回归函数分别对每一种原材料的化学元素含量计算相应的工艺参数,选择得到热连轧目标产品的原材料和加工方式的工艺参数。
优选地,步骤一和步骤二之间还包括分析数据步骤,从数据中得到热连轧产品生产的特点,可知不同的原材料经过一定的工艺参数的加工工艺方式,能得到相同的力学性能,同时,相同的原材料经过不同的工艺参数的工艺方式可以得到不同的力学性能;同时也可知工艺参数不仅与原材料的化学元素和产品的力学性能有关,同时也与某些其他的工艺参数有关。
优选地,步骤一还包括对案例数据库中的案例的属性数据进行数据预处理。
优选地,所述预处理包括标准化、缺失值处理和去噪.
优选地,步骤二中对案例数据库中的案例进行聚类前还包括将各案例中的化学元素含量按照化学元素的含量与力学性能的相关性大小进行加权处理。
优选地,步骤5.2中分别对每一种可能的化学元素含量计算相应的工艺参数,进一步是对工厂已有的原材料的化学元素含量计算相应的工艺参数;所述选择进一步为选择最符合人员需要且成本最低的热连轧新目标产品的原材料和加工方式的工艺参数。
本发明的优点在于,首先充分地对已有的大量热连轧产品生产数据进行分析,挖掘出生产数据中所蕴含的热连轧生产知识,帮助热连轧产品知识的形成和储存,形成热连轧产品生产流程的工艺参数预测方法,辅助了热连轧生产人员进行新产品的设计工作,实现了热连轧产品创新过程的优化,有效地降低了热连轧工艺的生产成本且避免了资源的浪费,实现高效率高质量的生产,具有可观的经济价值和实用价值。本发明还可以推广到其他行业的产品设计过程。
附图说明
图1为本发明的热连轧产品总体数据伸长率小提琴图。
图2为本发明的热连轧产品案例数据的全属性散点图。
图3为本发明的热连轧产品知识矩阵构建流程图。
图4位本发明的热连轧产品知识矩阵示例图。
图5为本发明的生产流程的工艺参数预测流程图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案做进一步具体说明。
第一,收集属性数据,形成案例数据库,并对案例中的属性数据进行预处理。将热连轧生产工艺的各个过程产生属性数据收集起,形成案例数据库,为了提高数据的可靠性,可以根据需要对其进行缺失值处理和数据去噪。案例数据库中每个案例包括产品生产中收集的热连轧生产工艺的各个过程中影响热连轧生产工艺的关键属性,主要包括三大类,化学元素含量、加工方式工艺参数和产品的力学性能,其中化学元素包括碳,硅,锰,磷,硫。工艺参数包括目标厚度,目标卷曲温度,目标终轧温度,粗扎入口厚度,精轧入口温度,精轧出口温度和实际卷曲温度。力学性能指标包括抗拉强度和伸长率。
第二,对案例的属性数据进行画图分析,观察数据各个属性的分布特点。
图1为针对不同的钢种,找出伸长率的分布特点。从图中可以看出,不同钢种的伸长率明显具有不同的特点,他们分别具有自己的取值范围,但是不同种类的钢种有时能够达到相同的伸长率。由此我们可以得知钢种并不是区分原材料的标准,不同种类的钢种经过一定的加工方式能够得到相同的力学性能。
图2为案例数据的全属性散点图可知,产品的力学性能与原材料的化学元素含量和加工方式的工艺参数具有很强的相关性,最终产品的质量是由原材料和工艺参数决定的。同时不同的工艺参数之间有时也具有很强的相关性,由此可知,热连轧产品生产流程的工艺参数不仅与化学元素含量和力学性能有关,且与某些其他的工艺参数有联系。
因此对工艺参数进行定性地预测时,需要综合的对原材料的化学元素含量和加工方式工艺参数以及某些工艺参数进行定性的分析,得到他们之间定性的关系,实现热连轧新产品工艺参数的预测。
第三,分别根据案例中属性数据的化学元素含量与力学性能对案例进行聚类,分别获得基于化学元素含量形成的案例的簇Ai,以力学性能形成的案例的簇Bi。为了正确区分化学元素含量对产品质量的影响,同时由于每一种化学元素含量对力学性能的贡献值是不同的,可以按照他们之间的相关性大小对化学元素含量进行加权处理,不同化学元素含量与力学性能的相关性大小如表1所示,因此在本例中将碳硅锰含量的权重增加到原始的四倍,以加大他们的对结果的影响,磷和硫的值不与原始相同。将原始案例基于加权的化学元素含量按照数据的特点进行聚类处理,使化学元素含量相近的案例成一个簇。再对原始案例基于力学性能进行聚类处理,使力学性能类似的案例形成一个簇,将最终产品质量相近的案例放在一起。
表1所示为化学元素与力学性能之间的相关性系数
抗拉强度 | 伸长率 | |
C | 0.82 | 0.68 |
SI | 0.82 | 0.64 |
MN | 0.83 | 0.58 |
P | 0.079 | 0.15 |
S | 0.02 | 0.12 |
第四,按照图3的流程构造热连轧产品知识矩阵。该热连轧产品知识矩阵是以基于化学元素含量形成的簇为行,以力学性能形成的簇为列,构建的矩阵,矩阵的交点为所在行的簇与列的簇的交集。矩阵示例如图4所示,基于化学元素含量构造的簇用Ai表示,基于力学性能的簇用Bi表示,Ai和Bi的交集用AiBi表示。对于AiBi中的案例分别基于所有的化学元素含量和力学性能做关于工艺参数的相关性分析,得到每个工艺参数与所有化学元素含量和力学性能的相关性系数的大小。若有工艺参数的相关性系数不小于设定值,选择相关性系数最大的工艺参数进行回归分析,得到一个回归函数。例如,若针对某一交点中的案例,存在多个工艺参数如:目标终轧温度、精轧入口温度与所有化学元素含量和力学性能的相关性系数大于设定值,选择其中相关性系数最大的目标终轧温度进行回归分析,获得的目标终轧温度的回归函数表示为:
CY_COIL_FT_AIM=-255.8584*SY_C+-225.0692*SY_SI+100.7394*SY_MN+3952.9007*SY_P+-233.1672*SY_S+0*QM_ENLONGATION_RATE+847.7832(1)
式(1)中CY_COIL_FT_AIM就是目标终轧温度,SY_C为碳的含量,SY_SI为硅的含量,SY_MN为锰的含量,SY_P为磷的含量,SY_S为硫的含量,QM_ENLONGATION_RATE为伸长率。在这个回归方程的基础上就可以利用已知的化学元素含量和力学性能求出目标终轧温度。
对其它的工艺参数基于化学元素含量和力学性能以及已有回归方程的工艺参数(如目标终轧温度)进行相关性分析,取相关性系数最大的工艺参数进行多元回归分析,得到回归函数。重复这一过程,直到得到所有工艺参数的回归函数。
如果不存在工艺参数的相关性系数大于设定值且交点AiBi的案例个数不小于某个数,则对原热连轧产品知识矩阵进行嵌套处理,以这个交点的案例数据为总数据,重新按照化学元素含量和力学性能分别聚类,构建嵌套原矩阵的矩阵,接着按照上面的方法求这个矩阵中的回归函数。
第五,最后进行热连轧产品生产流程的工艺参数预测。具体的流程如图5所示:首先按照目标产品的力学性能目标在已有案例数据中进行匹配,若已有与目标相同的案例,则直接给出该案例相应的化学元素含量和工艺参数。若是没有匹配的案例,则将这一问题放到热连轧产品知识矩阵中来解决。第一步计算目标力学指标与矩阵中力学性能簇Bi中心点的距离,找到与目标力学性能指标最相近的力学性能簇Bi,查看该簇Bi所在的列,找到该列中有案例的交点。只要该交点中有案例,则具有该交点的案例的化学元素及其含量的原材料经过一定加工方式的热连轧工艺能够得到目标产品的力学性能要求。为了实现这一目标,利用热连轧产品知识矩阵中的回归函数分别对上述原材料的化学元素含量计算相应的工艺参数,得到热连轧新产品原材料的化学元素含量和加工方式的工艺参数。最后设计人员可以按照自己工厂已有的原材料,考虑产品的成本,选择最优的设计方式。
本发明通过对大量热连轧工艺各个过程的数据进行分析,挖掘出热连轧工艺产品生产的特点以及热连轧产品知识,提出一种热连轧产品生产流程的工艺参数预测方法,实现了热连轧产品设计的优化,有效地提高了热连轧产品设计的效率,降低了产品的生产成本且避免了资源的浪费,节约了设计人员精力,实现热连轧高效率高质量的生产,具有可观的经济价值和实用价值。本发明还可以推广到其他行业的产品设计过程。
Claims (6)
1.一种热连轧产品生产流程的工艺参数预测方法,包括以下步骤:
步骤一:收集属性数据,形成案例数据库;其中,案例数据库中每个案例包括热连轧产品生产的化学元素成分和含量、工艺参数和产品的力学性能;
步骤二:基于化学元素含量对案例库中的案例进行聚类,获得簇Ai;基于力学性能对案例库中的案例进行聚类,获得簇Bi;
步骤三:以基于化学元素含量形成的簇Ai为行,以力学性能形成的簇为列,构建矩阵,矩阵的交点为所在行的簇与所在列的簇的交集;
步骤四:对矩阵中不为空的交点中的案例,基于所有化学元素含量和力学性能对每个工艺参数进行相关性分析,得到每个工艺参数与所有化学元素含量和力学性能的相关性系数的大小,若存在工艺参数的相关性系数不小于设定值,计算相关性系数最大的工艺参数的回归函数;
之后对没有得到回归函数的工艺参数基于化学元素含量和力学性能以及已有回归函数的工艺参数进行相关性分析,在剩余工艺参数中找到相关性系数最大的工艺参数,得到它的回归函数,并重复这一过程直到得到所有工艺参数的回归函数;
其中,在步骤四中:若交点中案例所有的工艺参数与所有化学元素含量和力学性能的相关性系数都小于设定值,且交点中的案例个数不小于某个数,则对原矩阵进行嵌套,以该交点的案例为总数据,重新按照化学元素含量和力学性能分别聚类,构建一个嵌套的矩阵,得到该嵌套的矩阵的回归函数;
步骤五:按照目标产品的力学性能在案例库中与已有案例进行匹配,若匹配成功,则直接给出匹配案例相应的化学元素含量和工艺参数;若匹配不成功,利用步骤四中的矩阵来确定化学元素含量和工艺参数,具体包括以下步骤:
5.1先将目标案例的力学性能分配到基于力学性能的簇Bi中,找到该簇Bi所在列中不为空的交点,则与每一个交点中化学元素含量相应的原材料经过一定加工方式的热连轧工艺可得到目标产品的力学性能要求;
5.2利用步骤四得到的矩阵的回归函数分别对每一种原材料的化学元素含量计算相应的工艺参数,选择得到热连轧目标产品的原材料和加工方式的工艺参数。
2.一种如权利要求1所述的热连轧产品生产流程的工艺参数预测方法,其特征在于,步骤一和步骤二之间进一步包括分析数据步骤,从数据中得到热连轧产品生产的特点,可知不同的原材料经过一定的工艺参数的加工工艺方式,能得到相同的力学性能,同时,相同的原材料经过不同的工艺参数的工艺方式可以得到不同的力学性能;同时也可知工艺参数不仅与原材料的化学元素和产品的力学性能有关,同时也与某些其他的工艺参数有关。
3.一种如权利要求1所述的热连轧产品生产流程的工艺参数预测方法,其特征在于,步骤一还包括对案例数据库中的案例的属性数据进行数据预处理。
4.一种如权利要求3所述的热连轧产品生产流程的工艺参数预测方法,其特征在于,所述预处理包括标准化、缺失值处理和去噪。
5.一种如权利要求1所述的热连轧产品生产流程的工艺参数预测方法,其特征在于,步骤二中对案例数据库中的案例进行聚类前还包括将各案例中的化学元素含量按照化学元素的含量与力学性能的相关性大小进行加权处理。
6.一种如权利要求1所述的热连轧产品生产流程的工艺参数预测方法,其特征在于,步骤5.2中分别对每一种可能的化学元素含量计算相应的工艺参数,进一步是对工厂已有的原材料的化学元素含量计算相应的工艺参数;所述选择进一步为选择最符合人员需要且成本最低的热连轧新目标产品的原材料和加工方式的工艺参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310697911.XA CN103632014B (zh) | 2013-12-18 | 2013-12-18 | 一种热连轧产品生产流程的工艺参数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310697911.XA CN103632014B (zh) | 2013-12-18 | 2013-12-18 | 一种热连轧产品生产流程的工艺参数预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103632014A CN103632014A (zh) | 2014-03-12 |
CN103632014B true CN103632014B (zh) | 2016-06-15 |
Family
ID=50213054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310697911.XA Active CN103632014B (zh) | 2013-12-18 | 2013-12-18 | 一种热连轧产品生产流程的工艺参数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103632014B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104375478B (zh) * | 2014-09-04 | 2018-09-14 | 太极计算机股份有限公司 | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 |
CN104537449B (zh) * | 2014-11-10 | 2017-11-14 | 辽宁大学 | 一种基于d_s证据理论信息重构的热连轧板厚预测方法 |
CN110244670A (zh) * | 2019-05-31 | 2019-09-17 | 山东中烟工业有限责任公司 | 一种卷包过程设备工艺参数管控方法及系统 |
CN111399453B (zh) * | 2020-03-23 | 2023-06-27 | 无锡威孚环保催化剂有限公司 | 一种基于mes大数据的催化剂智能制造方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08202757A (ja) * | 1995-01-31 | 1996-08-09 | Sekisui Chem Co Ltd | 製品データ蓄積装置 |
CN101814105A (zh) * | 2009-04-14 | 2010-08-25 | 西南交通大学 | 一种机械产品设计与分析的方法 |
-
2013
- 2013-12-18 CN CN201310697911.XA patent/CN103632014B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08202757A (ja) * | 1995-01-31 | 1996-08-09 | Sekisui Chem Co Ltd | 製品データ蓄積装置 |
CN101814105A (zh) * | 2009-04-14 | 2010-08-25 | 西南交通大学 | 一种机械产品设计与分析的方法 |
Non-Patent Citations (2)
Title |
---|
CSP热连轧组织性能预报数据库的建立;李敬民等;《轧钢》;20070430;第24卷(第2期);第48-50页 * |
Hybrid neural-GA model to predict and minimise flatness value of hot strips;Shylu John等;《Journal of Materials Processing Technology》》;20080131;第195卷(第1期);第314-320页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103632014A (zh) | 2014-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107042234B (zh) | 基于棒材全流程大数据采集的智能化工艺生产方法 | |
CN103632014B (zh) | 一种热连轧产品生产流程的工艺参数预测方法 | |
CN105740467B (zh) | 一种C-Mn钢工业大数据的挖掘方法 | |
CN106802977A (zh) | 一种用于烧结矿性能指标预测及综合质量评价方法 | |
CN106345823B (zh) | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 | |
CN101329683A (zh) | 推荐系统及方法 | |
CN102982466B (zh) | 一种基于用户活跃度的评分预测方法 | |
CN114091800A (zh) | 硅钢产品生产方案的智能设计评估方法 | |
CN104990893B (zh) | 一种基于相似判别的汽油辛烷值检测方法 | |
CN112036081B (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
CN106228011B (zh) | 焦炭质量稳定性的评价方法 | |
CN106777684B (zh) | 一种建立综合焦比预测模型和预测综合焦比的方法 | |
CN106777652B (zh) | 一种预测高炉透气性的方法 | |
CN108921232B (zh) | 一种热轧带钢冷却历史数据聚类及相似性度量方法 | |
KR20210114993A (ko) | 금속 재료의 설계 지원 방법, 예측 모델의 생성 방법, 금속 재료의 제조 방법 및, 설계 지원 장치 | |
CN113836786A (zh) | 一种结合焦炉加热制度参数的智能冶金焦炭预测方法 | |
CN104794366A (zh) | 喷油嘴磨粒流加工全因子试验分析方法 | |
Li et al. | Deep learning for predictive mechanical properties of hot-rolled strip in complex manufacturing systems | |
WO2020148918A1 (ja) | 金属材料の設計支援方法及び設計支援装置 | |
CN111047103A (zh) | 基于多工况模式辨识的烧结过程碳效在线预测方法及设备 | |
CN112418522B (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
Li et al. | Physical metallurgy guided industrial big data analysis system with data classification and property prediction | |
CN111798023A (zh) | 一种炼钢烧结生产中综合焦比预测的方法 | |
Dong et al. | Just-in-time learning-based soft sensor for mechanical properties of strip steel via multi-block weighted semisupervised models | |
CN108073778B (zh) | 提高fcl机组成品率的自动切割方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |