CN110321658B - 一种板材性能的预测方法及装置 - Google Patents
一种板材性能的预测方法及装置 Download PDFInfo
- Publication number
- CN110321658B CN110321658B CN201910626875.5A CN201910626875A CN110321658B CN 110321658 B CN110321658 B CN 110321658B CN 201910626875 A CN201910626875 A CN 201910626875A CN 110321658 B CN110321658 B CN 110321658B
- Authority
- CN
- China
- Prior art keywords
- model
- type
- performance
- prediction
- predicted
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/24—Sheet material
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种板材性能的预测方法及装置。所述方法包括:获取待预测板材的生产数据,针对任一类型的性能指标,根据性能指标的类型,以及预先存储的性能指标的类型与预测模型的对应关系,确定多个候选预测模型,进而根据多个候选预测模型以及预先设置的候选预测模型的权重值,确定组合模型,以及将待预测板材的生产数据输入组合模型中,得到性能指标对应的预测性能数据。采用上述方法对板材进行性能预测时,一方面能够减少频繁取样的操作步骤,缩短等待性能检测的时间,进而可以加快生产节奏,提高生产效率;另一方面,该方法综合考虑了多个预测模型,从而能够进一步提高板材性能的预测准确率。
Description
技术领域
本申请涉及板材质量技术领域,特别涉及一种板材性能的预测方法及装置。
背景技术
随着工业4.0、中国制造2025以及人工智能技术的普及,智能制造的理念深入各行各业,对传统制造业产生了巨大的影响。例如,对钢铁行业来说,其生产流程包括从铁矿石到钢水、连铸坯、再到热轧、冷轧等一系列的步骤,是一个极度复杂的流程。在这个复杂的生产流程中,对钢铁板材的质量控制始终是重中之重。
现有技术通常采用物理冶金模型来预测钢铁板材的性能数据,进而控制钢铁板材的质量。物理冶金模型由温度场、再结晶、流变应力、析出和相变等子模型构成,可以对钢铁板材的化学成分、工艺参数、微观组织以及力学性能进行定性分析。然而,随着工艺要求的多样化和产品定制的多元化,依赖物理冶金模型预测钢铁板材的性能数据的方法,准确率不断降低,进而使得控制钢铁板材的质量变得越来越困难。
基于此,目前亟需一种板材性能的预测方法,用于解决现有技术中采用物理冶金模型来预测钢铁板材的性能数据导致准确率较低的问题。
发明内容
本申请提供了一种板材性能的预测方法及装置,可用于解决在现有技术中采用物理冶金模型来预测钢铁板材的性能数据导致准确率较低的技术问题。
第一方面,本申请实施例提供一种板材性能的预测方法,所述方法包括:
获取待预测板材的生产数据,所述生产数据包括所述待预测板材的化学成分、工艺参数和化验数据中的至少一项;
针对所述待预测板材的任一类型的性能指标,根据所述性能指标的类型,以及预先存储的性能指标的类型与预测模型的对应关系,确定多个候选预测模型;根据所述多个候选预测模型以及预先设置的候选预测模型的权重值,确定组合模型;将所述待预测板材的生产数据输入所述组合模型中,得到所述待预测板材在所述性能指标上的预测性能数据。
可选地,所述候选预测模型包括输出层,所述组合模型包括输入层;
根据所述多个候选预测模型以及预先设置的候选预测模型的权重值,确定组合模型,包括:
将所述多个候选预测模型的输出层分别与所述预先设置的候选预测模型的权重值相乘后,作为所述组合模型的输入层,确定所述组合模型。
可选地,将所述待预测板材的生产数据输入所述组合模型中,得到所述待预测板材在所述性能指标上的预测性能数据,包括:
将所述待预测板材的生产数据输入所述候选预测模型中,得到候选预测结果;
根据所述候选预测结果,以及预先设置的候选预测模型对应的权重值,确定所述组合模型的输入层对应的输入数据;
将所述输入数据输入所述组合模型的输入层,得到所述待预测板材在所述性能指标上的预测性能数据。
可选地,所述性能指标的类型与预测模型的对应关系通过以下方式确定:
获取训练数据集,所述训练数据集包括多个待训练板材的训练生产数据及所述待训练板材中多个类型的性能指标分别对应的实际性能数据;
针对第一类型的性能指标,将所述训练生产数据分别输入多个初始的预测模型,得到所述初始的预测模型所对应的预测结果;所述第一类型的性能指标为多个类型的性能指标中的任意一个类型;
根据所述初始的预测模型所对应的预测结果以及所述第一类型的性能指标所对应的实际性能数据,进行反向训练,生成多个第一类型的预测模型;所述第一类型的预测模型用于预测所述第一类型的性能指标对应的性能数据;
针对任意一个第一类型的预测模型,将所述训练生产数据输入所述第一类型的预测模型,得到所述第一类型的预测模型所对应的预测结果;
根据所述第一类型的预测模型所对应的预测结果以及所述第一类型的性能指标对应的实际性能数据,确定所述第一类型的预测模型的误差率;
根据每个第一类型的预测模型的误差率,从所述多个第一类型的预测模型中确定候选预测模型;
建立所述第一类型的性能指标与所述候选预测模型之间的对应关系。
可选地,所述预测模型包括多项式回归模型、岭回归模型、核岭回归(KernelRidge Regression,KRR)模型、支持向量机(Support Vector Machine,SVM)模型、邻近算法(K-NearestNeighbor,KNN)模型、随机森林模型、渐进梯度回归树(GradientBoostRegression Tree,GBRT)模型、极端梯度助推(Extreme Gradient Boosting,XGboost)模型、分布式梯度提升框架(Light Gradient Boosting Machine,LightGBM)模型和迭代算法(Adaboost)模型中的任意一项。
第二方面,本申请实施例提供一种板材性能的预测装置,所述装置包括:
获取单元,用于获取待预测板材的生产数据,所述生产数据包括所述待预测板材的化学成分、工艺参数和化验数据中的至少一项;
处理单元,用于针对所述待预测板材的任一类型的性能指标,根据所述性能指标的类型,以及预先存储的性能指标的类型与预测模型的对应关系,确定多个候选预测模型;根据所述多个候选预测模型以及预先设置的候选预测模型的权重值,确定组合模型;将所述待预测板材的生产数据输入所述组合模型中,得到所述待预测板材在所述性能指标上的预测性能数据。
可选地,所述候选预测模型包括输出层,所述组合模型包括输入层;
所述处理单元具体用于:
将所述多个候选预测模型的输出层分别与所述预先设置的候选预测模型的权重值相乘后,作为所述组合模型的输入层,确定所述组合模型。
可选地,所述处理单元具体用于:
将所述待预测板材的生产数据输入所述候选预测模型中,得到候选预测结果;以及,根据所述候选预测结果,以及预先设置的候选预测模型对应的权重值,确定所述组合模型的输入层对应的输入数据;以及,将所述输入数据输入所述组合模型的输入层,得到所述待预测板材在所述性能指标上的预测性能数据。
可选地,所述性能指标的类型与预测模型的对应关系通过以下方式确定:
获取训练数据集,所述训练数据集包括多个待训练板材的训练生产数据及所述待训练板材中多个类型的性能指标分别对应的实际性能数据;
针对第一类型的性能指标,将所述训练生产数据分别输入多个初始的预测模型,得到所述初始的预测模型所对应的预测结果;所述第一类型的性能指标为多个类型的性能指标中的任意一个类型;
根据所述初始的预测模型所对应的预测结果以及所述第一类型的性能指标所对应的实际性能数据,进行反向训练,生成多个第一类型的预测模型;所述第一类型的预测模型用于预测所述第一类型的性能指标对应的性能数据;
针对任意一个第一类型的预测模型,将所述训练生产数据输入所述第一类型的预测模型,得到所述第一类型的预测模型所对应的预测结果;
根据所述第一类型的预测模型所对应的预测结果以及所述第一类型的性能指标对应的实际性能数据,确定所述第一类型的预测模型的误差率;
根据每个第一类型的预测模型的误差率,从所述多个第一类型的预测模型中确定候选预测模型;
建立所述第一类型的性能指标与所述候选预测模型之间的对应关系。
可选地,所述预测模型包括多项式回归模型、岭回归模型、核岭回归KRR模型、支持向量机SVM模型、邻近算法KNN模型、随机森林模型、渐进梯度回归树GBRT模型、极端梯度助推XGboost模型、分布式梯度提升框架LightGBM模型和迭代算法Adaboost模型中的任意一项。
采用上述方法,一方面,相对于现有技术中采用物理冶金模型的方式而言,本申请实施例可以根据化学成分、工艺参数和化验数据来预测板材的性能,在对板材进行性能预测时,能够减少频繁取样的操作步骤,缩短等待性能检测的时间,进而可以加快生产节奏,提高生产效率;另一方面,本申请实施例中采用了组合模型的方式来预测板材的性能数据,由于组合模型是结合多个候选预测模型确定的,因此,该方法综合考虑了多个预测模型,从而能够进一步提高板材性能的预测准确率。
附图说明
图1为本申请实施例提供的一种板材性能的预测方法所对应的流程示意图;
图2为本申请实施例提供的一种性能指标的类型与预测模型的对应关系的确定方式所对应的流程示意图;
图3为本申请实施例提供的一种板材性能的预测装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
图1示例性示出了本申请实施例提供的一种板材性能的预测方法所对应的流程示意图。如图1所示,具体包括如下步骤:
步骤101,获取待预测板材的生产数据。
步骤102,针对待预测板材的任一类型的性能指标,根据所述性能指标的类型,以及预先存储的性能指标的类型与预测模型的对应关系,确定多个候选预测模型。
步骤103,根据所述多个候选预测模型以及预先设置的候选预测模型的权重值,确定组合模型。
步骤104,将所述待预测板材的生产数据输入所述组合模型中,得到所述待预测板材在所述性能指标上的预测性能数据。
采用上述方法,一方面,相对于现有技术中采用物理冶金模型的方式而言,本申请实施例可以根据化学成分、工艺参数和化验数据来预测板材的性能,在对板材进行性能预测时,能够减少频繁取样的操作步骤,缩短等待性能检测的时间,进而可以加快生产节奏,提高生产效率;另一方面,本申请实施例中采用了组合模型的方式来预测板材的性能数据,由于组合模型是结合多个候选预测模型确定的,因此,该方法综合考虑了多个预测模型,从而能够进一步提高板材性能的预测准确率。
具体来说,步骤101中,生产数据可以包括待预测板材的化学成分、工艺参数和化验数据中的至少一项。
其中,以钢铁板材为例,化学成分可以包括碳、硅、锰、铬、镍和铜等化学元素。工艺参数可以是指钢板的加工工艺参数,可以包括板材厚度、板材幅面尺寸、轧制压力参数和淬火温度等参数。化验数据可以是指各化学成分的含量百分比。
步骤102中,待预测板材的性能指标的类型有多种,以钢铁板材为例,性能指标的类型可以包括屈服强度、抗拉强度、延伸率和冲击功中的至少一项。
预测模型可以包括多项式回归模型、岭回归模型、KRR模型、SVM模型、KNN模型、随机森林模型、GBRT模型、XGboost模型、LightGBM模型和Adaboost模型中的任意一项。
性能指标的类型与预测模型的对应关系可以通过多种方式确定,一种可能的实现方式为,如图2所示,为本申请实施例提供的一种性能指标的类型与预测模型的对应关系的确定方式所对应的流程示意图,具体包括如下步骤:
步骤201,获取训练数据集。
其中,训练数据集可以包括多个待训练板材的训练生产数据及待训练板材中多个类型的性能指标分别对应的实际性能数据。训练生产数据可以是指用于训练模型的生产数据,训练生产数据包括的具体数据与上文所描述的生产数据所包括的具体数据可以一致。
进一步地,训练数据集的获取方式可以通过ERP、MES等办公系统得到化学成分、工艺参数和化验数据等生产数据,然后对这些数据进行数据整合,比如可以使用数据抽取ETL的相关技术将生产数据存储到制定的数据库。其中,存储的生产数据可以是数据表的形式。
步骤202,针对第一类型的性能指标,将训练生产数据分别输入多个初始的预测模型,得到初始的预测模型所对应的预测结果。
其中,第一类型的性能指标为多个类型的性能指标中的任意一个类型。以钢铁板材为例,第一类型的性能指标可以是屈服强度、抗拉强度、延伸率和冲击功中的任意一项。
需要说明的是,在执行上述步骤202之前,可以对训练数据集进行数据预处理。具体地,可以对存储的生产数据进行数据清洗,包括对空值和异常值的处理,类别变量的向量化,数据去重和数据去燥处理等操作。
步骤203,根据初始的预测模型所对应的预测结果以及第一类型的性能指标所对应的实际性能数据,进行反向训练,生成多个第一类型的预测模型。
其中,第一类型的预测模型可以用于预测所述第一类型的性能指标对应的性能数据。
步骤204,针对任意一个第一类型的预测模型,将训练生产数据输入第一类型的预测模型,得到第一类型的预测模型所对应的预测结果。
步骤205,根据第一类型的预测模型所对应的预测结果以及第一类型的性能指标对应的实际性能数据,确定第一类型的预测模型的误差率。
具体来说,第一类型的预测模型的误差率可以采用均方根误差来计算,具体的计算方式可以参考公式(1)。
公式(1)中,RMSE为第一类型的预测模型的误差率;N为训练数据集中带训练板材的样本数目,N为大于1的整数;yi为训练数据集中第i个样本的真实值;为第一类型的预测模型对训练数据集中第i个样本的预测结果。
需要说明的是,公式(1)仅为一种可能的计算方法,本领域技术人员也可以根据经验和实际情况选取其他误差计算方法,具体不做限定。
步骤206,根据每个第一类型的预测模型的误差率,从多个第一类型的预测模型中确定候选预测模型。
具体来说,从多个第一类型的预测模型中确定候选预测模型的方式可以有多种,一个示例中,可以将误差率按从小到大进行排名,然后将排名前M位的预测模型作为候选预测模型,其中,M为大于1的整数。另一个示例中,可以将误差率小于预设阈值的预测模型作为候选预测模型,其中,预设阈值可以是本领域技术人员根据经验和实际情况确定的,具体不做限定。
举个例子,如表1所示,为第一类型的预测模型的误差率的一种示例。具体内容可以参考表1中所列举的内容,此处不再一一描述。
表1:第一类型的预测模型的误差率的一种示例
第一类型的预测模型 | 误差率(RMSE) |
多项式回归模型 | 17.203 |
岭回归模型 | 17.202 |
KRR模型 | 15.085 |
SVM模型 | 19.115 |
KNN模型 | 13.794 |
随机森林模型 | 13.791 |
GBRT模型 | 7.045 |
XGboost模型 | 11.976 |
LightGBM模型 | 14.185 |
Adaboost模型 | 17.617 |
进一步地,根据表1示出的内容,结合上述提供的将排名前M位的预测模型作为候选预测模型的方法,假设M=5,则候选预测模型包括随机森林模型、KNN模型、GBRT模型、XGboost模型和LightGBM模型。
步骤207,建立第一类型的性能指标与候选预测模型之间的对应关系。
需要说明的是,在其它可能的实现方式为,性能指标的类型与预测模型的对应关系也可以是本领域技术人员根据经验或实际情确定的,具体不做限定。
步骤103中,候选预测模型的权重值的设置方式有多种,一个示例中,候选预测模型的权重值可以根据候选预测模型的误差率确定,比如,候选预测模型的误差率越小,对应的权重值越高。
在其它可能的示例中,候选预测模型的权重值也可以是本领域技术人员根据经验和实际情况确定的,比如,本领域技术人员根据经验任务随机森林模型的重要度更高,则可以为随机森林模型设置更高的权重值。
进一步地,候选预测模型可以包括输出层,组合模型可以包括输入层。具体来说,组合模型的确定方式可以有多种,下面描述两种可能的方式。
方式一:可以将多个候选预测模型的输出层分别与预先设置的候选预测模型的权重值相乘后,作为组合模型的输入层,确定组合模型。
方式二:可以将候选预测模型作为一个子模型,该子模型与预先设置的候选预测模型的权重值相乘后,得到的大模型可以看做是组合模型。
步骤104中,以组合模型的确定方式为上述方式一为例,具体可以将待预测板材的生产数据输入候选预测模型中,得到候选预测结果;然后可以根据候选预测结果,以及预先设置的候选预测模型对应的权重值,确定组合模型的输入层对应的输入数据;最后可以将输入数据输入组合模型的输入层,得到待预测板材在该性能指标上的预测性能数据。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图3示例性示出了本申请实施例提供的一种板材性能的预测装置的结构示意图。如图3所示,该装置具有实现上述板材性能的预测方法的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以包括:获取单元301和处理单元302。
获取单元301,用于获取待预测板材的生产数据,所述生产数据包括所述待预测板材的化学成分、工艺参数和化验数据中的至少一项;
处理单元302,用于针对所述待预测板材的任一类型的性能指标,根据所述性能指标的类型,以及预先存储的性能指标的类型与预测模型的对应关系,确定多个候选预测模型;根据所述多个候选预测模型以及预先设置的候选预测模型的权重值,确定组合模型;将所述待预测板材的生产数据输入所述组合模型中,得到所述待预测板材在所述性能指标上的预测性能数据。
可选地,所述候选预测模型包括输出层,所述组合模型包括输入层;
所述处理单元302具体用于:
将所述多个候选预测模型的输出层分别与所述预先设置的候选预测模型的权重值相乘后,作为所述组合模型的输入层,确定所述组合模型。
可选地,所述处理单元302具体用于:
将所述待预测板材的生产数据输入所述候选预测模型中,得到候选预测结果;以及,根据所述候选预测结果,以及预先设置的候选预测模型对应的权重值,确定所述组合模型的输入层对应的输入数据;以及,将所述输入数据输入所述组合模型的输入层,得到所述待预测板材在所述性能指标上的预测性能数据。
可选地,所述性能指标的类型与预测模型的对应关系通过以下方式确定:
获取训练数据集,所述训练数据集包括多个待训练板材的训练生产数据及所述待训练板材中多个类型的性能指标分别对应的实际性能数据;
针对第一类型的性能指标,将所述训练生产数据分别输入多个初始的预测模型,得到所述初始的预测模型所对应的预测结果;所述第一类型的性能指标为多个类型的性能指标中的任意一个类型;
根据所述初始的预测模型所对应的预测结果以及所述第一类型的性能指标所对应的实际性能数据,进行反向训练,生成多个第一类型的预测模型;所述第一类型的预测模型用于预测所述第一类型的性能指标对应的性能数据;
针对任意一个第一类型的预测模型,将所述训练生产数据输入所述第一类型的预测模型,得到所述第一类型的预测模型所对应的预测结果;
根据所述第一类型的预测模型所对应的预测结果以及所述第一类型的性能指标对应的实际性能数据,确定所述第一类型的预测模型的误差率;
根据每个第一类型的预测模型的误差率,从所述多个第一类型的预测模型中确定候选预测模型;
建立所述第一类型的性能指标与所述候选预测模型之间的对应关系。
可选地,所述预测模型包括多项式回归模型、岭回归模型、核岭回归KRR模型、支持向量机SVM模型、邻近算法KNN模型、随机森林模型、渐进梯度回归树GBRT模型、极端梯度助推XGboost模型、分布式梯度提升框架LightGBM模型和迭代算法Adaboost模型中的任意一项。
在示例性实施例中,还提供了一种计算机可读存储介质,所述存储介质中存储有计算机程序或智能合约,所述计算机程序或智能合约被节点加载并执行以实现上述实施例提供的事务处理方法。可选地,上述计算机可读存储介质可以是只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域的技术人员可以清楚地了解到本申请实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (2)
1.一种板材性能的预测方法,其特征在于,所述方法包括:
获取待预测板材的生产数据,所述生产数据包括所述待预测板材的化学成分、工艺参数和化验数据中的至少一项;
针对所述待预测板材的任一类型的性能指标,根据所述性能指标的类型,以及预先存储的性能指标的类型与预测模型的对应关系;
获取训练数据集,所述训练数据集包括多个待训练板材的训练生产数据及所述待训练板材中多个类型的性能指标分别对应的实际性能数据;
针对第一类型的性能指标,将所述训练生产数据分别输入多个初始的预测模型,得到所述初始的预测模型所对应的预测结果;所述第一类型的性能指标为多个类型的性能指标中的任意一个类型;
根据所述初始的预测模型所对应的预测结果以及所述第一类型的性能指标所对应的实际性能数据,进行反向训练,生成多个第一类型的预测模型;所述第一类型的预测模型用于预测所述第一类型的性能指标对应的性能数据;
针对任意一个第一类型的预测模型,将所述训练生产数据输入所述第一类型的预测模型,得到所述第一类型的预测模型所对应的预测结果;
根据所述第一类型的预测模型所对应的预测结果以及所述第一类型的性能指标对应的实际性能数据,确定所述第一类型的预测模型的误差率;
根据每个第一类型的预测模型的误差率,从所述多个第一类型的预测模型中确定候选预测模型;
建立所述第一类型的性能指标与所述候选预测模型之间的对应关系;
确定多个候选预测模型;
所述预测模型包括多项式回归模型、岭回归模型、核岭回归KRR模型、支持向量机SVM模型、邻近算法KNN模型、随机森林模型、渐进梯度回归树GBRT模型、极端梯度助推XGboost模型、分布式梯度提升框架LightGBM模型和迭代算法Adaboost模型中的任意一项;
根据所述多个候选预测模型以及预先设置的候选预测模型的权重值,确定组合模型;
所述组合模型包括输入层;
根据所述多个候选预测模型以及预先设置的候选预测模型的权重值,确定组合模型,包括:
将所述多个候选预测模型的输出层分别与所述预先设置的候选预测模型的权重值相乘后,作为所述组合模型的输入层,确定所述组合模型;
将所述待预测板材的生产数据输入所述组合模型中,得到所述待预测板材在所述性能指标上的预测性能数据;
将所述待预测板材的生产数据输入所述候选预测模型中,得到候选预测结果;
根据所述候选预测结果,以及预先设置的候选预测模型对应的权重值,确定所述组合模型的输入层对应的输入数据;
将所述输入数据输入所述组合模型的输入层,得到所述待预测板材在所述性能指标上的预测性能数据。
2.一种板材性能的预测装置,其特征在于,所述装置包括:
获取单元,用于获取待预测板材的生产数据,所述生产数据包括所述待预测板材的化学成分、工艺参数和化验数据中的至少一项;
处理单元,用于针对所述待预测板材的任一类型的性能指标,根据所述性能指标的类型,以及预先存储的性能指标的类型与预测模型的对应关系,确定多个候选预测模型;根据所述多个候选预测模型以及预先设置的候选预测模型的权重值,确定组合模型;将所述待预测板材的生产数据输入所述组合模型中,得到所述待预测板材在所述性能指标上的预测性能数据;
所述处理单元具体用于:
将所述多个候选预测模型的输出层分别与所述预先设置的候选预测模型的权重值相乘后,作为所述组合模型的输入层,确定所述组合模型;
所述处理单元具体用于:
将所述待预测板材的生产数据输入所述候选预测模型中,得到候选预测结果;以及,根据所述候选预测结果,以及预先设置的候选预测模型对应的权重值,确定所述组合模型的输入层对应的输入数据;以及,将所述输入数据输入所述组合模型的输入层,得到所述待预测板材在所述性能指标上的预测性能数据;
获取训练数据集,所述训练数据集包括多个待训练板材的训练生产数据及所述待训练板材中多个类型的性能指标分别对应的实际性能数据;
针对第一类型的性能指标,将所述训练生产数据分别输入多个初始的预测模型,得到所述初始的预测模型所对应的预测结果;所述第一类型的性能指标为多个类型的性能指标中的任意一个类型;
根据所述初始的预测模型所对应的预测结果以及所述第一类型的性能指标所对应的实际性能数据,进行反向训练,生成多个第一类型的预测模型;所述第一类型的预测模型用于预测所述第一类型的性能指标对应的性能数据;
针对任意一个第一类型的预测模型,将所述训练生产数据输入所述第一类型的预测模型,得到所述第一类型的预测模型所对应的预测结果;
根据所述第一类型的预测模型所对应的预测结果以及所述第一类型的性能指标对应的实际性能数据,确定所述第一类型的预测模型的误差率;
根据每个第一类型的预测模型的误差率,从所述多个第一类型的预测模型中确定候选预测模型;
建立所述第一类型的性能指标与所述候选预测模型之间的对应关系;
所述预测模型包括多项式回归模型、岭回归模型、核岭回归KRR模型、支持向量机SVM模型、邻近算法KNN模型、随机森林模型、渐进梯度回归树GBRT模型、极端梯度助推XGboost模型、分布式梯度提升框架LightGBM模型和迭代算法Adaboost模型中的任意一项。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910626875.5A CN110321658B (zh) | 2019-07-10 | 2019-07-10 | 一种板材性能的预测方法及装置 |
PCT/CN2020/093942 WO2021004198A1 (zh) | 2019-07-10 | 2020-06-02 | 一种板材性能的预测方法及装置 |
GB2110100.1A GB2600213B (en) | 2019-07-10 | 2020-06-02 | Method and apparatus for predicitng plate performance |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910626875.5A CN110321658B (zh) | 2019-07-10 | 2019-07-10 | 一种板材性能的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110321658A CN110321658A (zh) | 2019-10-11 |
CN110321658B true CN110321658B (zh) | 2023-09-01 |
Family
ID=68123233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910626875.5A Active CN110321658B (zh) | 2019-07-10 | 2019-07-10 | 一种板材性能的预测方法及装置 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN110321658B (zh) |
GB (1) | GB2600213B (zh) |
WO (1) | WO2021004198A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321658B (zh) * | 2019-07-10 | 2023-09-01 | 江苏金恒信息科技股份有限公司 | 一种板材性能的预测方法及装置 |
CN113657490B (zh) * | 2021-08-16 | 2022-05-31 | 沭阳县源美装饰材料有限公司 | 一种基于人工智能的门窗静音检测方法 |
CN114386325B (zh) * | 2021-12-27 | 2023-04-28 | 北京科技大学 | 一种基于规则寻优的带钢力学性能预报方法 |
CN114896860B (zh) * | 2022-03-29 | 2024-05-14 | 武汉纺织大学 | 基于LightGBM和XGBoost组合模型的飞灰含碳量软测量方法 |
CN117265214B (zh) * | 2023-11-22 | 2024-04-02 | 张家港广大特材股份有限公司 | 一种特种钢生产的优化控制方法及系统 |
CN117732886B (zh) * | 2024-02-07 | 2024-04-30 | 东北大学 | 一种基于级联智能诊断的热轧质量预控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102620980A (zh) * | 2012-02-14 | 2012-08-01 | 天津理工大学 | 一种利用神经网络预报板材成形性能的方法 |
CN104517162A (zh) * | 2014-12-30 | 2015-04-15 | 东北大学 | 一种连续退火产品硬度在线集成学习预报方法 |
WO2018062398A1 (ja) * | 2016-09-30 | 2018-04-05 | 株式会社Uacj | アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657602A (zh) * | 2015-02-02 | 2015-05-27 | 北京科技大学 | 一种热连轧生产过程中带钢厚度预测方法及系统 |
CN105929812A (zh) * | 2016-04-18 | 2016-09-07 | 北京科技大学 | 带钢热连轧质量的故障诊断方法及装置 |
US20190102693A1 (en) * | 2017-09-29 | 2019-04-04 | Facebook, Inc. | Optimizing parameters for machine learning models |
CN109657799A (zh) * | 2018-11-20 | 2019-04-19 | 北京首钢自动化信息技术有限公司 | 一种基于场景适配的模型调优方法和装置 |
CN110321658B (zh) * | 2019-07-10 | 2023-09-01 | 江苏金恒信息科技股份有限公司 | 一种板材性能的预测方法及装置 |
-
2019
- 2019-07-10 CN CN201910626875.5A patent/CN110321658B/zh active Active
-
2020
- 2020-06-02 WO PCT/CN2020/093942 patent/WO2021004198A1/zh active Application Filing
- 2020-06-02 GB GB2110100.1A patent/GB2600213B/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102620980A (zh) * | 2012-02-14 | 2012-08-01 | 天津理工大学 | 一种利用神经网络预报板材成形性能的方法 |
CN104517162A (zh) * | 2014-12-30 | 2015-04-15 | 东北大学 | 一种连续退火产品硬度在线集成学习预报方法 |
WO2018062398A1 (ja) * | 2016-09-30 | 2018-04-05 | 株式会社Uacj | アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体 |
Non-Patent Citations (1)
Title |
---|
基于随机森林的钢材性能预报与影响因素筛选;杨威等;《钢铁》;20180315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
GB2600213B (en) | 2023-06-14 |
WO2021004198A1 (zh) | 2021-01-14 |
GB202110100D0 (en) | 2021-08-25 |
GB2600213A (en) | 2022-04-27 |
CN110321658A (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321658B (zh) | 一种板材性能的预测方法及装置 | |
KR101011546B1 (ko) | 예측식 작성장치 및 예측식 작성방법 | |
Logunova et al. | Automatic system for intelligent support of continuous cast billet production control processes | |
CN110858269B (zh) | 事实描述文本预测方法及装置 | |
Wang et al. | A new predictive model for strip crown in hot rolling by using the hybrid AMPSO‐SVR‐based approach | |
JP6439780B2 (ja) | 電磁鋼板の磁気特性予測装置及び磁気特性制御装置 | |
CN105740984A (zh) | 一种基于性能预测的产品概念性能评价方法 | |
CN110991739A (zh) | 一种行业电量需求预测模型的构建方法及预测方法 | |
Derogar et al. | Artificial neural network modeling of forming limit diagram | |
CN110533249B (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
Nenchev et al. | Metallurgical data science for steel industry: A case study on basic oxygen furnace | |
CN116305885A (zh) | 预测或控制硅钢铁损的方法、装置及存储介质 | |
CN114037139A (zh) | 一种基于注意力机制的货运车辆仓库逗留时长预测方法 | |
JP2020115258A (ja) | 金属材料の設計支援方法及び設計支援装置 | |
CN112241832A (zh) | 一种产品质量分级评价标准设计方法及系统 | |
CN109766637B (zh) | 基于Krigng代理模型的桥式起重机结构可靠性优化方法 | |
CN116484745A (zh) | 物理冶金指导工业大数据挖掘的热轧低合金钢设计方法 | |
Peng et al. | Knowledge-driven material design platform based on the whole-process simulation and modeling | |
Tian et al. | A new incremental learning modeling method based on multiple models for temperature prediction of molten steel in LF | |
JP2010235972A (ja) | 高張力鋼板の製造制御装置及び製造方法 | |
CN113343566A (zh) | 基于深度学习的镍基合金断裂韧性预测方法及系统 | |
Thakkar et al. | Prediction of longitudinal facial crack in steel thin slabs funnel mold using different machine learning algorithms | |
Wang et al. | A deep learning model for the accurate prediction of the microstructure performance of hot rolled steel | |
JP2019159988A (ja) | ニューラルネットワーク装置及びプログラム | |
Sivam et al. | A study on deep drawn cups and the selection of optimal settings deploying ANN training and architectural parameters using the Taguchi ARAS approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |