CN111931425A - 一种基于rf算法的热轧q355b钢种的性能预测系统 - Google Patents
一种基于rf算法的热轧q355b钢种的性能预测系统 Download PDFInfo
- Publication number
- CN111931425A CN111931425A CN202010965916.6A CN202010965916A CN111931425A CN 111931425 A CN111931425 A CN 111931425A CN 202010965916 A CN202010965916 A CN 202010965916A CN 111931425 A CN111931425 A CN 111931425A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- data
- performance
- parameters
- 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.)
- Pending
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 30
- 239000010959 steel Substances 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims abstract 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims abstract 3
- 238000005070 sampling Methods 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 13
- 238000004989 laser desorption mass spectroscopy Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000000053 physical method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012552 review Methods 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 239000007769 metal material Substances 0.000 description 7
- 238000001514 detection method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种基于RF算法的热轧Q355B钢种的性能预测系统,包括:数采模块,用于各工序二级系统、MES系统生产过程参数的采集、整合及存储;模型管理模块,数据的读取、整合及预处理,以及模型建立、模型参数调优、模型存储和部署、模型再训练;模型评估模块,用于将预测结果与真实数据对比,得出MAPE、残差、R方统计参数,评估模型的预测精度;规则配置模块,用于规则的增、删、改、查;预测结果模块,用于钢卷基本信息、工艺参数、预测结果等的查询和展示。本发明所构建的模型鲁棒性好,适用于现有的各种工艺状况;通过大数据分析,对部分生产过程参数进行了变换等处理,揭示数据间的关系,提高了模型的预测精度。
Description
技术领域
本发明属于冶金行业制造与信息化技术领域,具体涉及一种基于RF算法的热轧Q355B钢种的性能预测系统。
背景技术
金属材料在载荷作用下抵抗破坏的性能,称为机械性能(或称为力学性能)。金属材料使用性能的好坏,决定了它的使用范围与使用寿命,金属材料的机械性能是零件的设计和选材时的主要依据,外加载荷性质不同(例如拉伸、压缩、扭转、冲击、循环载荷等),对金属材料要求的机械性能也将不同。机械性能是金属材料的常用指标的一个集合,其中主要包括屈服强度、抗拉强度、延伸率、冲击功等真实反应了金属材料的质量。
传统的热轧卷机械性能按照检验批进行取样。同钢种、同规格的热轧卷生产后组成同一检验批,并产生取样卷,对取样卷进行人工检测,检验出取样卷的机械性能,由取样卷性能代表同检验批内其他卷的性能。传统的检验流程存在着如下弊端:
1)检验流程涉及开卷、取样、送样、检验、返回性能等多道流程,检验周期长;
2)需要消耗一定量的人力、物力及财力成本;
3)机械性能检验只是针对取样卷局部检验,并未做整卷检验及全部卷检测,使得检验结果具有局部性;
4)性能检验结果没有展示分析平台;
5)降低成材率;
6)余材浪费。
申请号200810237464.9、201110104088.8、201210032097.5、201310752648.X、201310718490.4、201510044565.4、201510623645.5、201610798370.3的中国发明专利均申请了相关钢铁产品的性能预测方法。其中申请号为200810237464.9、201110104088.8、201310718490.4等中国发明专利均采用了通过相变组织不同含量及晶粒大小等预测钢铁产品性能的方法,此方法虽然适合大多数热轧钢铁产品的性能预测,但是由于每种钢铁产品相组成差别较大,对钢铁组织的相成分的预测也较不准确,因此性能预测的偏差较大。申请号为201210032097.5、201310752648.X的中国发明专利采用了神经网格的预测方法,神经网格适合于数据量大以及数据特征连续的情况,用于工业数据时预测精度有所不足。申请号为201510044565.4的中国发明专利为H型钢的性能预测,由于生产流程及变形过程的不同,此方法不适合热轧钢带的性能预测。申请号为201510623645.5、201610798370.3的中国发明专利通过分析从而确定性能关键因子并建立回归模型,仅适用于生产过程相对稳定,且非性能关键因子波动很小的情况。因而,上述专利不适合在热轧生产线上进行Q355B力学性能的预测。
发明内容
本发明的目的在于提供一种基于RF算法的热轧Q355B钢种的性能预测系统。
本发明解决其技术问题所采用的技术方案是:一种基于RF算法的热轧Q355B钢种的性能预测系统,包括:
数采模块,用于各工序二级系统、MES系统生产过程参数的采集、整合及存储;
模型管理模块,数据的读取、整合及预处理,以及模型建立、模型参数调优、模型存储和部署、模型再训练;
模型评估模块,用于将预测结果与真实数据对比,得出MAPE、残差、R方统计参数,评估模型的预测精度;
规则配置模块,用于规则的增、删、改、查;
预测结果模块,用于钢卷基本信息、工艺参数、预测结果等的查询和展示。
上述基于RF算法的热轧Q355B钢种的性能预测系统的预测方法包括以下步骤:
1)数据的采集:读取各工序二级系统、MES系统的生产过程数据,整合并存储于工业质量云平台系统;
2)模型的建立:读取工业质量云平台系统存储的生产过程历史数据作为输入,读取MES系统存储的实测性能数据作为输出,对读取的数据进行整合和预处理,结合理论和经验对部分数据进行变换,训练RF模型并进行模型参数的调优;
3)模型的评估:利用建模前随机抽取出来的一定比例的独立数据,将预测结果与真实数据对比,得出MAPE、残差、R方统计参数,对模型的预测精度进行评估;
4)模型的部署:将训练好的、预测精度满足要求的模型进行存储和部署,已备随时调用;
5)规则的配置:配置相应的规则,对预测结果值进行自动调整;
6)预测结果的输出和展示:经过调整后的预测结果,发送至LIMS系统,进而传送到MES系统,实现全自动化判定;
7)模型的定期评估:实施在线实时预测的同时,定期对钢卷进行抽样,通过常规的物理方法对性能进行实际检测,将抽检得到的实测性能数据与预测性能数据进行对比评估;
8)模型的再训练:利用抽检得到的实测性能数据对模型进行再训练,如果再训练后的预测精度优于再训练前的预测精度,则存储、部署再训练后的模型。
进一步地,所述步骤6)展示的内容包括钢卷的基本信息、生产过程参数以及性能预测结果,供生产技术人员查看分析。
本发明具有以下有益效果:本发明基于近两年累积的全流程生产过程大数据所构建的模型鲁棒性好,适用于现有的各种工艺状况;采用RF算法,更适用于复杂的实际工业生产过程数据;结合理论知识、经验和热轧钢卷生产流程,通过大数据分析,对部分生产过程参数进行了变换等处理,揭示数据间的关系,提高了模型的预测精度。
附图说明
图1是本发明的业务架构图。
图2是本发明的功能结构图。
具体实施方式
以下是本发明的具体实施例,对本发明的技术方案做进一步描述,但是本发明的保护范围并不限于这些实施例。凡是不背离本发明构思的改变或等同替代均包括在本发明的保护范围之内。
如图1、2所示,一种基于RF算法的热轧Q355B钢种的性能预测系统,包括:
数采模块,用于各工序二级系统、MES系统生产过程参数的采集、整合及存储;
模型管理模块,数据的读取、整合及预处理,以及模型建立、模型参数调优、模型存储和部署、模型再训练;
模型评估模块,用于将预测结果与真实数据对比,得出MAPE、残差、R方统计参数,评估模型的预测精度;
规则配置模块,用于规则的增、删、改、查;
预测结果模块,用于钢卷基本信息、工艺参数、预测结果等的查询和展示。
上述基于RF算法的热轧Q355B钢种的性能预测系统的预测方法包括以下步骤:
1)数据的采集:读取各工序二级系统(L2系统)、MES系统的生产过程数据,整合并存储于工业质量云平台系统。
2)模型的建立:读取工业质量云平台系统存储的生产过程历史数据作为输入,读取MES系统存储的实测性能数据作为输出,对读取的数据进行整合和预处理,结合理论和经验对部分数据进行变换,训练RF模型并进行模型参数的调优。每个性能指标均采用不同的输入及数据预处理,单独构建模型并进行参数调优。确定所有性能指标的模型以后,再将所有模型的输出进行整合并存储到工业质量云平台系统SQL数据库。某个性能指标的模型参数如表1所示。
表1某个性能指标的模型参数:
3)模型的评估:利用建模前随机抽取出来的一定比例的独立数据(不参与模型的建立),将预测结果与真实数据对比,得出MAPE、残差、R方统计参数,对模型的预测精度进行评估。四个性能指标模型的预测精度如表2所示。
表2四个性能指标模型的预测精度:
上表中,MAPE(Mean Absolute Percentage Error)是模型预测值与实际检测值相比较的平均绝对百分误差:
4)模型的部署:将训练好的、预测精度满足要求的模型进行存储和部署,已备随时调用。
5)规则的配置:配置相应的规则,对预测结果值进行自动调整。
6)预测结果的输出和展示:经过调整后的预测结果,发送至LIMS系统,进而传送到MES系统,实现全自动化判定;展示的内容包括钢卷的基本信息、生产过程参数以及性能预测结果,供生产技术人员查看分析。
7)模型的定期评估:实施在线实时预测的同时,定期对钢卷进行抽样,通过常规的物理方法对性能进行实际检测,将抽检得到的实测性能数据与预测性能数据进行对比评估。
8)模型的再训练:利用抽检得到的实测性能数据对模型进行再训练,如果再训练后的预测精度优于再训练前的预测精度,则存储、部署再训练后的模型。
本发明不局限于上述实施方式,任何人应得知在本发明的启示下作出的结构变化,凡是与本发明具有相同或相近的技术方案,均落入本发明的保护范围之内。
本发明未详细描述的技术、形状、构造部分均为公知技术。
Claims (3)
1.一种基于RF算法的热轧Q355B钢种的性能预测系统,其特征在于,包括:
数采模块,用于各工序二级系统、MES系统生产过程参数的采集、整合及存储;
模型管理模块,用于数据的读取、整合及预处理,以及模型建立、模型参数调优、模型存储和部署、模型再训练;
模型评估模块,用于将预测结果与真实数据对比,得出MAPE、残差、R方统计参数,评估模型的预测精度;
规则配置模块,用于规则的增、删、改、查;
预测结果模块,用于钢卷基本信息、工艺参数、预测结果的查询和展示。
2.如权利要求1所述的基于RF算法的热轧Q355B钢种的性能预测系统,其特征在于,预测方法包括以下步骤:
1)数据的采集:读取各工序二级系统、MES系统的生产过程数据,整合并存储于工业质量云平台系统;
2)模型的建立:读取工业质量云平台系统存储的生产过程历史数据作为输入,读取MES系统存储的实测性能数据作为输出,对读取的数据进行整合和预处理,结合理论和经验对部分数据进行变换,训练RF模型并进行模型参数的调优;
3)模型的评估:利用建模前随机抽取出来的一定比例的独立数据,将预测结果与真实数据对比,得出MAPE、残差、R方统计参数,对模型的预测精度进行评估;
4)模型的部署:将训练好的、预测精度满足要求的模型进行存储和部署,已备随时调用;
5)规则的配置:配置相应的规则,对预测结果值进行自动调整;
6)预测结果的输出和展示:经过调整后的预测结果,发送至LIMS系统,进而传送到MES系统,实现全自动化判定;
7)模型的定期评估:实施在线实时预测的同时,定期对钢卷进行抽样,通过常规的物理方法对性能进行实际检测,将抽检得到的实测性能数据与预测性能数据进行对比评估;
8)模型的再训练:利用抽检得到的实测性能数据对模型进行再训练,如果再训练后的预测精度优于再训练前的预测精度,则存储、部署再训练后的模型。
3.如权利要求1所述的基于RF算法的热轧Q355B钢种的性能预测系统,其特征在于,所述步骤6)展示的内容包括钢卷的基本信息、生产过程参数以及性能预测结果,供生产技术人员查看分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010965916.6A CN111931425A (zh) | 2020-09-15 | 2020-09-15 | 一种基于rf算法的热轧q355b钢种的性能预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010965916.6A CN111931425A (zh) | 2020-09-15 | 2020-09-15 | 一种基于rf算法的热轧q355b钢种的性能预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111931425A true CN111931425A (zh) | 2020-11-13 |
Family
ID=73334618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010965916.6A Pending CN111931425A (zh) | 2020-09-15 | 2020-09-15 | 一种基于rf算法的热轧q355b钢种的性能预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931425A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065629A (zh) * | 2021-11-17 | 2022-02-18 | 中冶赛迪重庆信息技术有限公司 | 一种线棒材力学性能预测系统 |
CN114862099A (zh) * | 2022-03-23 | 2022-08-05 | 华院计算技术(上海)股份有限公司 | 一种基于规则引擎的连铸质量预判模型在线系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104694720A (zh) * | 2015-03-31 | 2015-06-10 | 北京首钢股份有限公司 | 一种热轧板卷力学性能预测与判定系统 |
CN106345823A (zh) * | 2016-08-31 | 2017-01-25 | 北京首钢自动化信息技术有限公司 | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 |
CN106971026A (zh) * | 2017-03-08 | 2017-07-21 | 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 |
CN108280167A (zh) * | 2018-01-19 | 2018-07-13 | 山东钢铁集团日照有限公司 | 一种热轧产品生产历史多功能查询软件及查询方法 |
-
2020
- 2020-09-15 CN CN202010965916.6A patent/CN111931425A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104694720A (zh) * | 2015-03-31 | 2015-06-10 | 北京首钢股份有限公司 | 一种热轧板卷力学性能预测与判定系统 |
CN106345823A (zh) * | 2016-08-31 | 2017-01-25 | 北京首钢自动化信息技术有限公司 | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 |
CN106971026A (zh) * | 2017-03-08 | 2017-07-21 | 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 |
CN108280167A (zh) * | 2018-01-19 | 2018-07-13 | 山东钢铁集团日照有限公司 | 一种热轧产品生产历史多功能查询软件及查询方法 |
Non-Patent Citations (4)
Title |
---|
LI, HONGCHUN等: "Tribological features of roll surface in cold metal rolling", 《INTERNATIONAL JOURNAL OF SURFACE SCIENCE AND ENGINEERING》, vol. 03, no. 5, pages 407 - 422 * |
SIWEI WU等: "Comparisons of Different Data-Driven Modeling Techniques for Predicting Tensile Strength of X70 Pipeline Steels", 《TRANSACTIONS OF THE INDIAN INSTITUTE OF METALS》, vol. 72, pages 1 - 5 * |
李维刚等: "融合大数据与冶金机理的热轧带钢力学性能预报模型", 《钢铁研究学报》, vol. 30, no. 04, pages 302 - 308 * |
赵中堂: "《基于智能移动终端的行为识别方法研究》", 30 April 2015, 成都:电子科技大学出版社, pages: 109 - 111 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065629A (zh) * | 2021-11-17 | 2022-02-18 | 中冶赛迪重庆信息技术有限公司 | 一种线棒材力学性能预测系统 |
CN114862099A (zh) * | 2022-03-23 | 2022-08-05 | 华院计算技术(上海)股份有限公司 | 一种基于规则引擎的连铸质量预判模型在线系统 |
CN114862099B (zh) * | 2022-03-23 | 2023-10-13 | 华院计算技术(上海)股份有限公司 | 一种基于规则引擎的连铸质量预判模型在线系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
CN110458474A (zh) | 一种卷烟卷制物理质量综合评价方法 | |
CN112446534B (zh) | 一种输变电工程的建设工期预测方法和装置 | |
CN110569566B (zh) | 一种板带力学性能预测方法 | |
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 | |
CN111931425A (zh) | 一种基于rf算法的热轧q355b钢种的性能预测系统 | |
CN109324014B (zh) | 一种自适应的原油性质近红外快速预测方法 | |
CN109633518A (zh) | 一种智能电能表综合性能评价方法、装置 | |
CN108875118A (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
CN113506121A (zh) | 价格影响因素的分析方法及装置 | |
CN112861436A (zh) | 一种发动机排放实时预测方法 | |
CN105184078A (zh) | 基于专利相对量分析的技术成熟度评价方法 | |
CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
CN110188399B (zh) | 一种基于多相关序列的大坝安全监测单测点评价方法 | |
CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
CN115096357A (zh) | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
CN105740617B (zh) | 一体化天馈系统品质度的衡量方法 | |
CN110196456A (zh) | 一种基于相似年灰色关联分析的中长期降雨径流预报方法 | |
CN113537708A (zh) | 基于组合赋权法的输变电工程造价管理成效综合评价方法 | |
CN116306125B (zh) | 基于检测状态的输电杆塔结构随机建模方法 | |
CN116932679A (zh) | 一种基于gis技术多模式行业气象服务检验应用方法 | |
CN108229541B (zh) | 一种基于k最近邻算法的岸桥中拉杆应力数据分类方法 | |
CN116184533A (zh) | 一种基于新型权重系数的逐小时时间滞后集合降水预报订正方法 | |
CN104331775A (zh) | 一种计量资产全寿命周期质量分析方法 |
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 |