CN104694720B - 一种热轧板卷力学性能预测与判定系统 - Google Patents
一种热轧板卷力学性能预测与判定系统 Download PDFInfo
- Publication number
- CN104694720B CN104694720B CN201510146452.5A CN201510146452A CN104694720B CN 104694720 B CN104694720 B CN 104694720B CN 201510146452 A CN201510146452 A CN 201510146452A CN 104694720 B CN104694720 B CN 104694720B
- Authority
- CN
- China
- Prior art keywords
- data
- hot
- rolled sheet
- forecast model
- file
- 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
Landscapes
- General Factory Administration (AREA)
- Control Of Metal Rolling (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
本发明提供一种热轧板卷力学性能预测与判定系统,包括力学性能预测模型,综合处理平台,通过综合处理平台对采集的待预测参数进行初步判定,在判定成功后,启动力学性能预测模型根据所述热轧板卷的种类选取对应的预测模型文件对所述待预测数据进行预测,获得所述热轧板卷的力学性能预测值,然后综合处理平台再自动对性能预测结果进行自动判定,并返回到制造执行系统的数据库中,实现与制造执行系统的无缝集成,以便于减少产品的质量检验量,缩短生产和发货周期,在提高生产率的同时,降低生产成本。
Description
技术领域
本申请涉及轧钢技术领域,尤其涉及一种热轧板卷力学性能预测与判定系统。
背景技术
热轧性能预测技术是利用物理冶金学模型、信息化技术,对热轧生产过程中各种物理冶金现象进行综合数值模拟,从而预测出轧后产品的力学性能。该技术的应用前景非常广阔,可形成一系列以预测模型为核心的应用技术,如减少带钢取样量、控制带钢力学性能、优化钢种成分,甚至还可用于设计新钢种、进而改进生产组织方式等。
这项技术在国外已经实际应用,在替代性能检测、分析组织分布均匀性和开发新工艺方面显示出良好的可靠性。在国际钢铁界这种技术发展总体趋势的推动下,我国也以跟踪这项技术的国际发展为主要形式开始了探索研究。
但是,目前的在线预测和判定的准确率较低,可能出现误判的情况,会重新进行判定,进而延误生产,降低了生产率。
发明内容
本发明了提供了一种热轧板卷力学性能预测与判定系统,以解决目前通过板卷取样进行性能检测造成的质量损失的技术问题。
为解决上述技术问题,本发明提供了一种热轧板卷力学性能预测与判定系统,所述系统包括:力学性能预测模型,综合处理平台;所述综合处理平台,用于获得并判定所述热轧板卷的待预测数据是否符合第一预设条件,若是,将所述待预测数据传输给所述力学性能预测模型,所述待预测数据根据所述热轧板卷的种类不同而不同;所述力学性能预测模型,包含N个预测模型文件,每个预测模型文件对应各自的热轧板卷种类,N为大于2的正整数;所述力学性能预测模型用于从所述综合处理平台处接收所述待预测数据,然后根据所述热轧板卷的种类选取对应的预测模型文件对所述待预测数据进行预测,获得所述热轧板卷的力学性能预测值;所述力学性能预测值包括:屈服强度、抗拉强度、延伸率;所述综合处理平台,用于接收并判定所述力学性能预测值是否符合第二预设条件,并将判定结果传输给制造执行系统进行处理。
优选的,所述综合处理平台具体用于每隔预设时间自动从所述制造执行系统的数据库中获得所述待预测数据;或者所述综合处理平台具体用于从数据表格中获得所述待预测数据。
优选的,若所述待预测数据不符合所述第一预设条件,所述综合处理平台还用于将对应的判定结果传送给所述制造执行系统进行处理。
优选的,所述系统还包括:包含N个训练模型文件,每个训练模型文件对应各自的热轧板卷种类,用于从所述综合处理平台处接收根据钢种分类的待训练数据并使用对应的训练模型文件进行数据迭代训练,以获得所述N个预测模型文件;其中,每一类待训练数据对应获得一个预测模型文件,所述待训练数据包括输入数据和输出数据两部分;所述输入数据为对应的热轧板卷的历史值;所述输出数据为对应的热轧板卷的力学性能历史检测值,包括:屈服强度、抗拉强度、延伸率。
优选的,所述力学性能训练模型,具体用于从所述综合处理平台处接收根据钢种分类的待训练数据并使用对应的训练模型文件进行数据迭代训练,以获得对应的模型参数;然后根据对应的模型参数构建对应的预测模型文件,以获得所述N个预测模型文件。
优选的,所述N个预测模型文件具体包含对应的热轧板卷各自的变化规律;不同种类的热轧板卷对应各自的预测模型文件,并具有各自的变化规律。
本发明还提供了一种热轧板卷力学性能预测与判定方法,所述方法包括:获得并判定所述热轧板卷的待预测数据是否符合第一预设条件,所述待预测数据根据所述热轧板卷的种类不同而不同;若是,根据所述热轧板卷的种类从N个预测模型文件中选取对应的预测模型文件对所述待预测数据进行预测,获得所述热轧板卷的力学性能预测值;所述力学性能预测值包括:屈服强度、抗拉强度、延伸率;其中,每个预测模型文件对应各自的热轧板卷种类,N为大于2的正整数;判定所述力学性能预测值是否符合第二预设条件,并将判定结果传输给制造执行系统进行处理。
优选的,所述方法还包括:接收根据钢种分类的待训练数据并使用对应的训练模型文件进行数据迭代训练,以获得N个预测模型文件;其中,每一类待训练数据对应获得一个预测模型文件,所述待训练数据包括输入数据和输出数据两部分;所述输入数据为对应的热轧板卷的历史值;所述输出数据为对应的热轧板卷的力学性能历史检测值,包括:屈服强度、抗拉强度、延伸率。
优选的,所述接收根据钢种分类的待训练数据并使用对应的训练模型文件进行数据迭代训练,以获得所述N个预测模型文件,具体包括:接收根据钢种分类的待训练数据并使用对应的训练模型文件进行数据迭代训练,以获得对应的模型参数;然后根据对应的模型参数构建对应的预测模型文件,以获得所述N个预测模型文件。
优选的,所述N个预测模型文件具体包含对应的热轧板卷各自的变化规律;不同种类的热轧板卷对应各自的预测模型文件,并具有各自的变化规律。
通过本发明的一个或者多个技术方案,本发明具有以下有益效果或者优点:
本发明提供一种热轧板卷力学性能预测与判定系统,包括力学性能预测模型,综合处理平台,通过综合处理平台对采集的待预测参数进行初步判定,在判定成功后,启动力学性能预测模型根据所述热轧板卷的种类选取对应的预测模型文件对所述待预测数据进行预测,获得所述热轧板卷的力学性能预测值,然后综合处理平台再自动对性能预测结果进行自动判定,并返回到制造执行系统的数据库中,实现与制造执行系统的无缝集成,以便于减少产品的质量检验量,缩短生产和发货周期,在提高生产率的同时,降低生产成本。
附图说明
图1为本发明实施例中热轧板卷力学性能预测与判定系统的示意图;
图2为本发明实施例中热轧板卷力学性能预测与判定方法流程图。
具体实施方式
为了使本申请所属技术领域中的技术人员更清楚地理解本申请,下面结合附图,通过具体实施例对本申请技术方案作详细描述。
本发明的目的是提供一种热轧板卷力学性能预测与判定系统,用于对不同钢种的热轧板卷进行力学性能的预测与判定。
本发明设计思想是:以BP神经元网络技术为基础建立力学性能训练模型01和力学性能预测模型02,每个钢种均可以建立自己独享的力学性能训练模型01文件和力学性能预测模型02文件,模型文件中可以存在待定参数,2个模型均采用Matlab文件的形式保存;综合处理平台03通过配置界面进行参数配置,包括对每个钢种这2个模型文件的选择和模型文件中输入和输出参数的名称及其值的配置。模型训练阶段,综合处理平台03根据用户配置,拾取训练模型文件并向Matlab传送;综合处理平台03向制造执行系统的数据库中抽取热轧板卷相关的化学成分、工艺、规格、力学性能等历史数据并根据用户配置向Matlab传送相关参数值。至此,Matlab接收到明确的算法和参数值,开始训练,达到训练模型指定要求时Matlab将训练后的神经元网络参数文件保存到指定位置并退出,训练过程可以反复进行,直到达到预测的目的;在获得训练后的神经元网络参数文件后,就可以进行实际板卷的性能预测了,当板卷完成轧制生产后,综合处理平台03自动读取这卷钢的化学成分、工艺、规格等参数,自动拾取预测模型文件,并调用Matlab,Matlab读取训练后的神经元网络参数文件,结合综合处理平台03传输过来的预测模型文件、化学成分、工艺、规格等进行预测操作,获得性能的预测结果,根据用户配置的预测结果的判定规则自动进行结果的判定,并将预测结果和判定结论自动填写到数据库中。实际使用时,训练和预测是分离的,即先获得满意的网络参数,才可以用来预测。综合处理平台03对多个钢种进行在线预测时,采取的策略是一个钢种预测完成后再进行另一个钢种的预测,直至完成。本发明实现了和制造执行系统的无缝集成,并支持板卷力学性能的在线预测和在线判定,减少了产品的质量检验量,缩短了生产、检验和发货周期,在提高生产率的同时,降低了生产成本。
下面介绍本发明的具体实施过程。
本发明设计的系统请参看图1,主要包括:力学性能训练模型01,力学性能预测模型02,综合处理平台03。
下面介绍模型训练阶段时各个模块的工作原理。
综合处理平台03,用于从数据表格或制造执行系统的数据库中抽取根据钢种分类的待训练数据,并传输给力学性能训练模型01。
具体来说,待训练数据根据钢种进行分类的,待训练数据具体是制造执行系统的数据库中存储的有关各个种类的热轧板卷相关的化学成分、工艺、规格、力学性能等历史数据。而根据热轧板卷的种类不同,待训练数据会不一样。进一步来说,待训练数据包括输入数据和输出数据两部分。输入数据为对应的热轧板卷的历史值,包括:屈服强度、抗拉强度、延伸率;输出数据为对应的热轧板卷的力学性能历史检测值。例如,SS400热轧板卷的待训练数据就是有关于SS400热轧板卷的各方面的历史数据,SS400热轧板卷的输入数据是S400热轧板卷的的历史值,包括15个因子数据:C含量、Si含量、Mn含量、P含量、S含量、Cu含量、Als含量、Alt含量、终轧厚度、中间坯厚度、终轧宽度、出炉温度、RT2温度、终轧温度、卷曲温度。SS400热轧板卷的输出数据是SS400热轧板卷的力学性能历史检测值,包括:屈服强度、抗拉强度、延伸率。再例如,SPHC热轧板卷的待训练数据具体是输入数据包括10个因子数据(C含量、Si含量、Mn含量、P含量、S含量、终轧厚度、终轧宽度、RT2温度、终轧温度、卷曲温度),输出数据包括屈服强度、抗拉强度、延伸率3个数据。
进一步的,热轧板卷的待训练数据可以让操作人员进行自定义设置,例如,SS400热轧板卷原本需采集15个参数,可以接收操作人员的调整,将SS400热轧板卷的待训练数据调整为14个参数。当然,若将SS400热轧板卷的待训练数据调整为14个参数,那么在采集SS400热轧板卷的待预测数据时,也会对应采集14个相同的参数。
力学性能训练模型01,以Matlab文件方式保存,用于从综合处理平台03处接收根据钢种分类的待训练数据并使用对应的训练模型文件进行数据迭代训练,以获得N个预测模型文件。
具体来说,力学性能训练模型01,实际上是先从综合处理平台03处接收待训练数据并使用对应的训练模型文件进行数据迭代训练以获得对应的模型参数,模型参数以Matlab文件保存;然后根据对应的模型参数构建对应的预测模型文件,以获得N个预测模型文件。
应当注意的是,力学性能训练模型01,包含N个训练模型文件,每个训练模型文件对应各自的热轧板卷种类。
另外,每一类待训练数据对应获得一个预测模型文件,但是有可能出现两类待训练数据获得的预测模型文件是相同的预测模型文件的情况。出现这类情况的原因是两类钢种种类很相似,导致各自的待训练数据也较为类似。例如钢种Q235B、钢种S235JR、钢种HP265等,其实都是属于SS400系列的钢种,因此,制造执行系统获得的这几个钢种的待训练数据的差别就会很小,这样训练出来的预测模型文件很有可能是一样的。因此,对钢种Q235B或钢种S235JR或钢种HP265进行预测时,选用的就是同一个预测模型文件。由此可知,钢种和预测模型文件的对应关系,有可能是一个钢种对应一个预测模型文件,也有可能是多个钢种对应一个预测模型文件。
对于预测模型文件来说,实际上表示的是钢种的变化规律;N个预测模型文件具体包含对应的热轧板卷各自的变化规律。不同种类的热轧板卷对应各自的预测模型文件,并具有各自的变化规律。在表现方式上来说,预测模型文件使用Matlab函数的方式表现出来。不同的钢种具有各自特有的函数,当然,也有可能出现两个钢种对应相同函数的情况,具体原因在前面已经说明,在此不再赘述。
从技术上来说,本发明采用BP神经元网络建立力学性能训练模型01,模型由输入层,隐含层,输出层以及各层之间的节点的连接权值和阀值所组成。学习过程的算法由信息的正向传播和误差的反向传播构成,在正向传播过程中,输入数据从输入层经隐含层逐层处理,并传向输出层,每一层神经元只影响下一层神经元的输出。如果不能在输出层得到期望的输出,则转入误差的反向传播阶段,误差反传是运用链导数法则将连接权关于误差函数的导数沿原来的连接通路返回,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号既作为修正各单元权值和阈值的依据,这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始进行的,权值不断调整的过程,也就是网络的学习训练过程。
本发明利用Matlab神经元网络工具箱建立3层力学性能训练模型01,训练函数在模型中起到至关重要的作用,可将网络的输入和输出反复作用于网络,不断调整其权重和阈值,以使网络性能函数performFcn达到最小,从而实现输入输出间的非线性映射。本发明使用训练函数trainlm即Levenberg-Marquardt(列文伯格-马夸尔特法)优化方法,这种训练方法可使学习时间更短。它是使用最广泛的非线性最小二乘算法,利用梯度求最大(小)值,兼具梯度法和牛顿法的优点。调用训练函数之前,需要对此训练函数的参数进行设置,包括net.trainParam.show(多少轮显示一次)、net.trainParam.Lr(学习速度)、net.trainParam.epochs(最大训练轮回数)、net.trainParam.goal(目标函数误差),这些参数根据实践情况不断摸索而定。此外,需要对层与层之间的传递函数进行设置,本发明中网络1层和2层间的传递函数采用非线性函数Log-sigmoid,2层和3层的传递函数采用线性函数Purelin。
本发明的力学性能预测模型02必须和训练模型相对应,即模型的输入输出参数一致、BP网络一致,预测模型才能使用训练后的网络参数。
在分析预测之前,会通过训练样本进行神经元网络的训练,将训练较好的神经元网络作为预测网络,然后预测时输入待预测数据,得到热轧板卷的力学性能预测值。而对神经元网络的训练样本可以来自外部的Excel(.xls或.xlsx)或CSV数据表,也可以来自数据库,保存预测结果较好的神经网络。
以上是从原理上和技术上介绍的预测模型文件的构建过程,下面具体介绍使用预测模型文件进行预测的具体实施过程。
综合处理平台03,用于获得并判定热轧板卷的待预测数据是否符合第一预设条件,若是,将待预测数据传输给力学性能预测模型02。若待预测数据不符合第一预设条件,综合处理平台03还用于将对应的判定结果传送给制造执行系统进行处理。
具体来说,由于本发明涉及的系统支持在线预测和离线预测两种模式(具体可以通过配置界面来设置系统是在线预测模式或是离线预测模式),两种模式不同之处在于待预测数据的数据来源。在线预测模式的数据来源是制造执行系统的数据库。离线预测模式的数据来源是存储器上存储的数据表格,数据表格中罗列了各类热轧板卷的待训练数据。
在线预测时,综合处理平台03会每隔预设时间(预设时间可以是用户根据实际需要在配置界面中设置的自动触发时间)自动从制造执行系统的数据库中读取没有处理过的数据作为待预测数据。然后再根据判定规则对这些数据进行合法性判定,剔除非法数据(即不满足要求的数据)。应当注意,判定规则可由操作人员自定义配置。
离线预测时,综合处理平台03会直接从数据表格中获得待预测数据。当离线模式时,待预测数据以表格文件的形式存在,通过系统对Excel(.xls或.xlsx)或CSV数据表进行导入操作,运算结果的输出同样可以是Excel(.xls或.xlsx)或CSV格式。
具体来说,对于不同种类的热轧板卷来说,待预测数据有所不同,由于待预测数据是热轧板卷力学性能的主要影响因子,包括热轧板卷的化学成分、规格、热轧轧制过程的工艺参数等,影响每个板卷钢种的力学性能的因子各不相同,为此其待预测数据也会不同。例如,SS400热轧板卷的待预测数据具体是:SS400热轧板卷的化学成分(C含量、Si含量、Mn含量、P含量、S含量、Cu含量、Als含量、Alt含量),SS400热轧板卷的规格参数(终轧厚度、中间坯厚度、终轧宽度),SS400热轧板卷轧制工艺参数(出炉温度、RT2温度、终轧温度、卷曲温度)。再例如,SPHC热轧板卷的待预测数据具体是:SPHC热轧板卷的化学成分(C含量、Si含量、Mn含量、P含量、S含量),SPHC热轧板卷的规格参数(终轧厚度、终轧宽度),SPHC热轧板卷轧制工艺参数(RT2温度、终轧温度、卷曲温度)。
进一步的,热轧板卷的待预测数据可以让操作人员进行自定义设置,例如,SS400热轧板卷原本需采集15个参数,可以接收操作人员的调整,将SS400热轧板卷的待预测数据调整为14个参数。当然,此处所做的调整是在SS400热轧板卷的待训练参数也是14个参数的前提下所做的调整。即本发明的力学性能预测模型02必须和训练模型相对应,即模型的输入输出参数需一致,力学性能预测模型02才能使用训练后的预测模型文件。
在进行具体的判定操作时,第一预设条件根据钢种的不同而不同,例如A类热轧板卷的第一预设条件是需要10个参数都符合各参数各自设定的预设范围。而B类热轧板卷的第一预设条件则是需要15个参数都符合各参数各自设定的预设范围。而对于不同的钢种来说,相同的参数也具有不同的预设范围。例如,A类热轧板卷的C含量的预设范围是0.12~0.2,而B类热轧板卷的C含量的预设范围是0.025~0.055。
在具体的判定过程中,以A类热轧板卷为例,则会将包括的10个参数一一进行判定,以A类热轧板卷的C含量为例,假设A类热轧板卷的C含量为0.15,和上述公开的预设范围比较之后,可以判定出A类热轧板卷的C含量处于其对应的范围中。然后再对其他的参数进行类似判定。应当注意,对于A类热轧板卷来说,需要其10个参数都满足综合处理平台03中对于各参数设定的范围,才表示A类热轧板卷的待预测数据符合第一预设条件,然后再将A类热轧板卷的待预测数据发送给力学性能预测模型02进行预测。若其中有一个参数的含量超标或者不足,就表示A类热轧板卷的待预测数据不符合第一预设条件,综合处理平台03会将判定结果告知制造执行系统进行处理,应当注意,制造执行系统的处理过程本申请不做详细的介绍。
力学性能预测模型02,与力学性能训练模型01相匹配,以Matlab文件方式保存,包含N个预测模型文件,每个预测模型文件对应各自的热轧板卷种类,力学性能预测模型02用于从综合处理平台03处接收待预测数据,然后根据热轧板卷的种类选取对应的预测模型文件对待预测数据进行预测,获得热轧板卷的力学性能预测值;力学性能预测值包括:屈服强度、抗拉强度、延伸率。
具体来说,力学性能预测模型02,至少应该包括两个预测模型文件,每个预测模型文件对应各自的热轧板卷种类。而对多个钢种进行预测时,采取的策略是一个钢种预测完成后再进行另一个钢种的预测,直至完成。
当预测完成之后,综合处理平台03,用于接收并判定力学性能预测值是否符合第二预设条件,并将判定结果传输给制造执行系统进行处理。
在具体的判定过程中,由于力学性能预测值包括屈服强度、抗拉强度、延伸率。而这三个参数的范围也会根据钢种的不同而不同。以抗拉强度为例,对于A类热轧板卷,抗拉强度的范围是[410,500]。对于B类热轧板卷,抗拉强度的范围是[410,520]。假设A类热轧板卷的抗拉强度为450,那么和上述公开的预设范围比较之后,可以判定出A类热轧板卷的抗拉强度处于其对应的范围中。然后再对屈服强度、延伸率进行类似判定。应当注意,对于A类热轧板卷来说,需要这三个值都满足设定的范围,才表示A类热轧板卷的力学性能预测值满足第二预设条件。若有一个值不符合预设的范围,就表示A类热轧板卷的力学性能预测值不满足第二预设条件。
在判定过后,综合处理平台03都会将判定结果发送给制造执行系统进行处理,制造执行系统再使用这些结果数据处理进一步业务。
具体来说,力学性能预测模型02的预测结果和综合处理平台03的判定结果都会传给制造执行系统,并存储在Oracle数据库中。
在技术层面上来说,综合处理平台03,具体是通过调用C#编写的表达式解析器(一种递归下降解析器)动态链接库对力学性能预测值根据用户配置的判定规则进行自动判定,判定后给出判定结果和具体原因。递归下降分析器的功能是按照指定的语法规则解析一个字符串,在对字符串中特定参数进行赋值后,再对解析结果进行算术或者逻辑运算或者自定义函数处理,最终返回运算结果。此类动态链接库一般用来实现预测结果的在线判定,直接给出判定结果。
另外,综合处理平台03还通过使用C#对配置类对象进行可扩展标记语言(XML)的序列化和反序列化操作,把类对象绑定到.NET的属性编辑器上,从而在C#开发的综合处理平台03的配置界面中对参数进行自定义配置。
基于同一发明构思,在本发明的另一个实施例中,还提供了一种热轧板卷力学性能预测与判定方法,该方法应用在上述实施例提供的系统中。
具体来说,请查看图2,该方法包括:
S1,获得并判定热轧板卷的待预测数据是否符合第一预设条件。
待预测数据根据热轧板卷的种类不同而不同。对于不同种类的热轧板卷来说,待预测数据有所不同,由于待预测数据是热轧板卷力学性能的主要影响因子,包括热轧板卷的化学成分、规格、热轧轧制过程的工艺参数等,影响每个板卷钢种的力学性能的因子各不相同,为此其待预测数据也会不同。例如,SS400热轧板卷的待预测数据和SPHC热轧板卷的待预测数据就不同。
S2,若是,根据热轧板卷的种类从N个预测模型文件中选取对应的预测模型文件对待预测数据进行预测,获得热轧板卷的力学性能预测值。
其中,力学性能预测值包括:屈服强度、抗拉强度、延伸率;其中,每个预测模型文件对应各自的热轧板卷种类,N为大于2的正整数。
对于预测模型文件来说,实际上表示的是钢种的变化规律;N个预测模型文件具体包含对应的热轧板卷各自的变化规律。不同种类的热轧板卷对应各自的预测模型文件,并具有各自的变化规律。在表现方式上来说,预测模型文件使用Matlab函数的方式表现出来。不同的钢种具有各自特有的函数,当然,也有可能出现两个钢种对应相同函数的情况,具体原因在前面已经说明,在此不再赘述。
而本发明主要是接收根据钢种分类的待训练数据并使用对应的训练模型文件进行数据迭代训练来获得N个预测模型文件;其中,每一类待训练数据对应获得一个预测模型文件,待训练数据包括输入数据和输出数据两部分;输入数据为对应的热轧板卷的历史值;输出数据为对应的热轧板卷的力学性能历史检测值,包括:屈服强度、抗拉强度、延伸率。
具体来说,首先接收根据钢种分类的待训练数据并使用对应的训练模型文件进行数据迭代训练,以获得对应的模型参数;然后根据对应的模型参数构建对应的预测模型文件,以获得N个预测模型文件。
S3,判定力学性能预测值是否符合第二预设条件,并将判定结果传输给制造执行系统进行处理。
通过本发明的一个或者多个实施例,本发明具有以下有益效果或者优点:
本发明通过综合处理平台对SS400热轧板卷相关的化学成分、工艺、规格、力学性能等数据的抽取,再利用以BP神经元网络技术为基础建立力学性能预测模型;然后综合处理平台启动力学性能预测模型,并向力学性能预测模型传递训练参数、抽取的热轧板卷相关数据和算法文件,该算法文件是以Matlab文件的形式存在,可以根据实际需要接受用户对算法进行编辑,支持算法的可修改。力学性能预测模型进行分析预测之后,把预测结果返回到综合处理平台,综合处理平台自动对性能预测结果进行自动判定,并返回到制造执行系统中,实现与制造执行系统的无缝集成,以便于减少产品的质量检验量,缩短生产和发货周期,在提高生产率的同时,降低生产成本。
尽管已描述了本申请的优选实施例,但本领域内的普通技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种热轧板卷力学性能预测与判定系统,其特征在于,所述系统包括:力学性能预测模型,综合处理平台,力学性能训练模型;
所述综合处理平台,用于获得并判定所述热轧板卷的待预测数据是否符合第一预设条件,若是,将所述待预测数据传输给所述力学性能预测模型,所述待预测数据根据所述热轧板卷的种类不同而不同;
所述力学性能预测模型,包含N个预测模型文件,每个预测模型文件对应各自的热轧板卷种类,N为大于2的正整数;所述力学性能预测模型用于从所述综合处理平台处接收所述待预测数据,然后根据所述热轧板卷的种类选取对应的预测模型文件对所述待预测数据进行预测,获得所述热轧板卷的力学性能预测值;所述力学性能预测值包括:屈服强度、抗拉强度、延伸率;
所述综合处理平台,用于接收并判定所述力学性能预测值是否符合第二预设条件,并将判定结果传输给制造执行系统进行处理;
所述力学性能预测模型和所述力学性能训练模型的输入输出参数一致、BP网络一致,使得所述力学性能预测模型可使用所述力学性能训练模型训练后获得的所述N个预测模型文件。
2.如权利要求1所述的系统,其特征在于,
所述综合处理平台具体用于每隔预设时间自动从所述制造执行系统的数据库中获得所述待预测数据;或者
所述综合处理平台具体用于从数据表格中获得所述待预测数据。
3.如权利要求1所述的系统,其特征在于,若所述待预测数据不符合所述第一预设条件,所述综合处理平台还用于将对应的判定结果传送给所述制造执行系统进行处理。
4.如权利要求1所述的系统,其特征在于,所述力学性能训练模型,包含N个训练模型文件,每个训练模型文件对应各自的热轧板卷种类,用于从所述综合处理平台处接收根据钢种分类的待训练数据并使用对应的训练模型文件进行数据迭代训练,以获得所述N个预测模型文件;其中,每一类待训练数据对应获得一个预测模型文件,所述待训练数据包括输入数据和输出数据两部分;所述输入数据为对应的热轧板卷的历史值;所述输出数据为对应的热轧板卷的力学性能历史检测值,包括:屈服强度、抗拉强度、延伸率。
5.如权利要求4所述的系统,其特征在于,
所述力学性能训练模型,具体用于从所述综合处理平台处接收根据钢种分类的待训练数据并使用对应的训练模型文件进行数据迭代训练,以获得对应的模型参数;然后根据对应的模型参数构建对应的预测模型文件,以获得所述N个预测模型文件。
6.如权利要求1所述的系统,其特征在于,
所述N个预测模型文件具体包含对应的热轧板卷各自的变化规律;不同种类的热轧板卷对应各自的预测模型文件,并具有各自的变化规律。
7.一种热轧板卷力学性能预测与判定方法,其特征在于,所述方法包括:
获得并判定所述热轧板卷的待预测数据是否符合第一预设条件,所述待预测数据根据所述热轧板卷的种类不同而不同;
若是,根据所述热轧板卷的种类从N个预测模型文件中选取对应的预测模型文件对所述待预测数据进行预测,获得所述热轧板卷的力学性能预测值;所述力学性能预测值包括:屈服强度、抗拉强度、延伸率;其中,每个预测模型文件对应各自的热轧板卷种类,N为大于2的正整数;
判定所述力学性能预测值是否符合第二预设条件,并将判定结果传输给制造执行系统进行处理;所述N个预测模型文件保存在力学性能预测模型中;所述N个预测模型文件由力学性能训练模型训练获得;所述力学性能预测模型和所述力学性能训练模型的输入输出参数一致、BP网络一致,使得所述力学性能预测模型可使用所述力学性能训练模型训练后获得的所述N个预测模型文件。
8.如权利要求7所述的方法,其特征在于,所述方法还包括:
接收根据钢种分类的待训练数据并使用对应的训练模型文件进行数据迭代训练,以获得所述N个预测模型文件;其中,每一类待训练数据对应获得一个预测模型文件,所述待训练数据包括输入数据和输出数据两部分;所述输入数据为对应的热轧板卷的历史值;所述输出数据为对应的热轧板卷的力学性能历史检测值,包括:屈服强度、抗拉强度、延伸率。
9.如权利要求8所述的方法,其特征在于,所述接收根据钢种分类的待训练数据并使用对应的训练模型文件进行数据迭代训练,以获得N个预测模型文件,具体包括:
接收根据钢种分类的待训练数据并使用对应的训练模型文件进行数据迭代训练,以获得对应的模型参数;
然后根据对应的模型参数构建对应的预测模型文件,以获得所述N个预测模型文件。
10.如权利要求7所述的方法,其特征在于,
所述N个预测模型文件具体包含对应的热轧板卷各自的变化规律;不同种类的热轧板卷对应各自的预测模型文件,并具有各自的变化规律。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510146452.5A CN104694720B (zh) | 2015-03-31 | 2015-03-31 | 一种热轧板卷力学性能预测与判定系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510146452.5A CN104694720B (zh) | 2015-03-31 | 2015-03-31 | 一种热轧板卷力学性能预测与判定系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104694720A CN104694720A (zh) | 2015-06-10 |
CN104694720B true CN104694720B (zh) | 2017-05-17 |
Family
ID=53342265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510146452.5A Active CN104694720B (zh) | 2015-03-31 | 2015-03-31 | 一种热轧板卷力学性能预测与判定系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104694720B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740467B (zh) * | 2016-03-07 | 2019-02-05 | 东北大学 | 一种C-Mn钢工业大数据的挖掘方法 |
CN106570576A (zh) * | 2016-09-29 | 2017-04-19 | 深圳智盛信息技术股份有限公司 | 数据预测方法及预测装置 |
CN106971026B (zh) * | 2017-03-08 | 2020-06-16 | 武汉科技大学 | 基于全局可加模型的微合金钢力学性能预报方法 |
CN106991242A (zh) * | 2017-04-12 | 2017-07-28 | 柳州市同维达豪科技有限公司 | 一种钢板性能优化的控制方法 |
CN107016509B (zh) * | 2017-04-12 | 2019-11-29 | 柳州市同维达豪科技有限公司 | 一种降低轧钢工序吨钢能耗的方法 |
DE102018220382A1 (de) | 2018-11-28 | 2020-05-28 | Sms Group Gmbh | Verfahren zur Herstellung eines metallischen Bandes |
CN109902872B (zh) * | 2019-02-28 | 2021-10-01 | 北京首钢股份有限公司 | 一种性能预测模型与产品研发相结合的方法和装置 |
CN113569374A (zh) * | 2020-04-29 | 2021-10-29 | 上海宝信软件股份有限公司 | 钢铁产品可制造性评估的方法和系统 |
CN111931425A (zh) * | 2020-09-15 | 2020-11-13 | 山东钢铁集团日照有限公司 | 一种基于rf算法的热轧q355b钢种的性能预测系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02228423A (ja) * | 1989-03-02 | 1990-09-11 | Nippon Steel Corp | 加工性に優れた高強度熱間圧延鋼板の製造方法およびその材質予測方法 |
CN1201880C (zh) * | 2002-01-11 | 2005-05-18 | 中国科学院金属研究所 | 一种热轧过程带钢组织演变与性能预测的方法 |
EP1608472B1 (en) * | 2003-03-28 | 2016-09-07 | Tata Steel Limited | A system for on-line property prediction for hot rolled coil in a hot strip mill |
CN102632082B (zh) * | 2011-02-11 | 2014-03-19 | 宝山钢铁股份有限公司 | 基于性能预报模型的热轧带钢力学性能的动态控制方法 |
CN102560081B (zh) * | 2012-02-27 | 2013-10-30 | 宝山钢铁股份有限公司 | 一种基于带钢力学性能预报模型的加热炉节能控制方法 |
-
2015
- 2015-03-31 CN CN201510146452.5A patent/CN104694720B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104694720A (zh) | 2015-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104694720B (zh) | 一种热轧板卷力学性能预测与判定系统 | |
He et al. | Prediction model of end-point phosphorus content in BOF steelmaking process based on PCA and BP neural network | |
Vimal et al. | Application of artificial neural network for fuzzy logic based leanness assessment | |
CN100383796C (zh) | 铜合金管材铸轧工艺参数设计及优化的方法 | |
CN109447346A (zh) | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 | |
CN101391268B (zh) | 一种钢板控轧控冷过程温度制度的逆向优化方法 | |
CN106779220A (zh) | 一种炼钢‑连铸‑热轧集成调度方法与系统 | |
CN104614656B (zh) | 半导体芯片重测系统及其重测方法 | |
CN106527757A (zh) | 一种输入纠错方法及装置 | |
CN108388762A (zh) | 基于深度置信网络的烧结矿化学成分预测方法 | |
CN109636213A (zh) | 订单分配、评价方法及装置、电子设备及存储介质 | |
Martín et al. | Hot metal temperature prediction in blast furnace using advanced model based on fuzzy logic tools | |
CN104657602A (zh) | 一种热连轧生产过程中带钢厚度预测方法及系统 | |
CN107274067A (zh) | 一种配电变压器过载风险评估方法 | |
CN106650944A (zh) | 一种基于知识的冶金企业转炉煤气调度方法 | |
CN107886160A (zh) | 一种bp神经网络区间需水预测方法 | |
CN109783062A (zh) | 一种人在回路的机器学习应用开发方法和系统 | |
CN106886799B (zh) | 一种基于混合集成学习的连续退火带钢质量在线检测方法 | |
CN106845696A (zh) | 一种智能优化水资源配置方法 | |
CN105808840B (zh) | 一种兼顾玻璃原片下料率与钢化炉装载率的集成优化方法 | |
CN110674568A (zh) | 一种预测棒材力学性能的方法 | |
CN108805313A (zh) | 面向全球供应链的需求预测方法、装置、以及系统 | |
CN109902872A (zh) | 一种性能预测模型与产品研发相结合的方法和装置 | |
CN106980613A (zh) | 一种搜索导航方法及设备 | |
CN103002458B (zh) | 基站选址方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200509 Address after: 100040 Shijingshan Road, Shijingshan District, Beijing Co-patentee after: SHOUGANG ZHIXIN QIAN'AN ELECTROMAGNETIC MATERIALS Co.,Ltd. Patentee after: BEIJING SHOUGANG Co.,Ltd. Address before: 100041 No. 68, Shijingshan Road, Beijing, Shijingshan District Patentee before: BEIJING SHOUGANG Co.,Ltd. |