CN112241832A - 一种产品质量分级评价标准设计方法及系统 - Google Patents
一种产品质量分级评价标准设计方法及系统 Download PDFInfo
- Publication number
- CN112241832A CN112241832A CN202011043935.XA CN202011043935A CN112241832A CN 112241832 A CN112241832 A CN 112241832A CN 202011043935 A CN202011043935 A CN 202011043935A CN 112241832 A CN112241832 A CN 112241832A
- Authority
- CN
- China
- Prior art keywords
- mechanical performance
- prediction model
- sample
- process parameters
- index
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 226
- 238000011156 evaluation Methods 0.000 title claims abstract description 43
- 238000013461 design Methods 0.000 title abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 165
- 239000013598 vector Substances 0.000 claims abstract description 57
- 230000035945 sensitivity Effects 0.000 claims abstract description 34
- 230000003595 spectral effect Effects 0.000 claims abstract description 21
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005097 cold rolling Methods 0.000 claims description 5
- 238000009749 continuous casting Methods 0.000 claims description 5
- 238000005098 hot rolling Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000009628 steelmaking Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000007730 finishing process Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 25
- 229910000831 Steel Inorganic materials 0.000 abstract description 17
- 239000010959 steel Substances 0.000 abstract description 17
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 abstract description 10
- 229910052742 iron Inorganic materials 0.000 abstract description 5
- 238000007726 management method Methods 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 60
- 238000010586 diagram Methods 0.000 description 12
- 238000013507 mapping Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000012467 final product Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
Abstract
本发明公开了一种产品质量分级评价标准设计方法及系统，包括：获取全流程工艺参数及对应机械性能指标组成的数据集；基于各工艺参数与机械性能指标的互信息对工艺参数进行筛选，构建特征子集和机械性能预测模型；对机械性能预测模型进行多输出敏感性分析，得出特征子集中的各工艺参数的敏感性指数的估计，得到各工艺参数的敏感性指数组成的向量ω；将特征子集组成的列向量X更新为ωX；对ωX对应的样本集进行谱聚类划分出样本类别，并针对不同样本类别建立其与最终质量指标“窄窗口”间的对应关系，形成相应的质量分级评价标准。采用本发明可基于实际生产历史大数据，事前模拟出各类工艺参数所对应的质量指标范围，从而方便钢铁企业定量地管控产品质量性能。
Description
技术领域
本发明涉及钢铁制造的质量控制技术领域，特别涉及一种产品质量分级评价标准设计方法及系统。
背景技术
钢铁产品生产过程为复杂的多阶段顺序加工过程，原料在信息流与能源流的作用下通过多工序中的物理、化学变化及相变等过程形成冷轧产品，其主要过程大致包括炼钢、连铸、热轧和冷轧等多个阶段。这个制造过程不能分割，每个工序的若干参数不同程度地影响最终产品质量，并且多工序之间存在质量的遗传特性。随着市场供需形势的变化，客户对钢铁产品的质量要求定制化需求成为主流趋势。由于制造过程复杂性及质量遗传特性影响，任一工序的工艺参数以及质量偏差都会影响最终产品质量，极大地降低了产品合格率与企业的生产效率，因此迫切需要基于过程工艺参数进行区分与评价，在产品制造过程即可进行相对可行的质量分级与评价，从而保证钢铁产品经过多工序加工后最终质量处于目标区间。同时，钢铁制造过程中的工艺参数是耦合的、高维的、具有不同尺度的，在欧氏空间难以直接准确地反映全流程工艺参数对应的质量指标水平。针对这个钢铁制造的质量控制问题，需要站在产品质量指标的角度对全流程的工艺参数区分与评价，确定过程参数与质量目标区间之间的对应关系，从而为生产合格产品设计出工艺参数的窄区间进行分级与评价。
发明内容
本发明提供了一种产品质量分级评价标准设计方法及系统，以解决现有技术难以直接准确地反映全流程工艺参数对应的质量指标水平的技术问题。实现基于实际生产历史大数据，事前模拟出各类工艺参数所对应的质量指标范围，从而方便钢铁企业利用过程工艺参数定量地管控产品质量性能指标的技术效果。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供了一种产品质量分级评价标准设计方法，其包括：
获取待评价产品的全流程工艺参数及对应机械性能指标组成的数据集；
基于所述数据集中的各工艺参数与机械性能指标的互信息对所述数据集中的工艺参数进行筛选，并构建特征子集和机械性能预测模型；其中，所述机械性能预测模型的输入为工艺参数组成的向量，输出为机械性能指标组成的向量；
对所述机械性能预测模型进行多输出敏感性分析，得出所述特征子集中的各工艺参数的敏感性指数的估计，得到各工艺参数的敏感性指数组成的向量ω；
将所述特征子集组成的列向量X更新为ωX；
对ωX对应的样本集进行谱聚类，划分出样本类别，并针对不同样本类别建立其与最终质量指标“窄窗口”间的对应关系，形成相应的质量分级评价标准。
可选地，所述全流程工艺参数包括炼钢、连铸、热轧、冷轧以及精整工序的工艺参数。
可选地，所述机械性能指标包括下屈服强度，抗拉强度以及伸长率。
进一步地，基于所述数据集中的各工艺参数与机械性能指标的互信息，对所述数据集中的工艺参数进行筛选，构建特征子集和机械性能预测模型，包括：
S21，计算所述数据集中的各工艺参数与各机械性能指标的互信息；
S22，定义互信息阈值m初值为0；
S23，遍历所述数据集中的工艺参数，如果当前工艺参数与任意一个机械性能指标的互信息超过阈值m，则将当前工艺参数放入特征子集；
S24，将所述特征子集对应的数据集划分成训练集和测试集；
S25，利用S24中划分出的训练集训练预设的机械性能预测模型，计算并记录所述机械性能预测模型在S24中划分出的测试集上的平均相对误差；
S26，令m＝m+0.1，如果当前的m值小于0.5，则返回S23；否则，输出有最小平均相对误差的特征子集以及机械性能预测模型。
进一步地，所述机械性能预测模型在S24中划分出的测试集上的平均相对误差的表达式如下：
其中，aδ表示平均相对误差，d＝3，Ntest表示S24中划分出的测试集的样本数量，yi (l)与
分别表示第l个样本的第i个机械性能指标的真实值及模型预测值。
进一步地，所述机械性能预测模型为采用多输出支持向量回归(multipledimensional output support vector regression，MSVR)算法构建的MSVR模型。
进一步地，对所述机械性能预测模型进行多输出敏感性分析，得出所述特征子集中的各工艺参数的敏感性指数的估计，得到各工艺参数的敏感性指数组成的向量ω，包括：
S31，对所述机械性能预测模型进行多输出敏感性分析，采用下式得出所述特征子集中各工艺参数的敏感性指数的估计：
其中，Su，N(f)表示所述特征子集中第u个工艺参数的敏感性指数的估计，Y＝f(Xu，X～u)，Yu＝f(Xu，X′～u)，其中X′～u与X～u是独立同分布的变量；从变量Y中取样Y1，…，YN；从变量Yu中取样
Yi，l表示Yi的第l维分量；
表示
的第l维分量，k表示预测的质量指标个数，N表示样本数目；
S32，定义向量
进一步地，对所述对ωX对应的样本集进行谱聚类，划分出样本类别，包括：
S51，定义ωX对应的样本集为N，机械性能指标的样本集为O；
S52，定义用于谱聚类的参数σ与参数k的候选值组成的元组的列表P，初始化e并且使得i＝0；
S53，将N的列向量标准化，得到标准化的矩阵N；
S54，根据标准化的矩阵N与P[i]，计算样本的邻接矩阵W；
S55，根据邻接矩阵W计算度矩阵D；
S56，计算拉普拉斯矩阵L＝D-W；
S57，计算标准化的拉普拉斯矩阵D-1/2LD-1/2；
S58，计算D-1/2LD-1/2前k个特征值所对应的特征向量f；
S59，将特征向量f组成的矩阵按行标准化为n×k维矩阵F；
S510，将F与O划分为训练集的输入Ftrain、输出Otrain和测试集的输入Ftest、输出Otest：
S511，将训练集的输入Ftrain、输出Otrain划分为输入Ft1、输出Ot1和输入Ft2、输出Ot2，采用输入Ft1和输出Ot1训练机械性能预测模型fnew，同时根据输入Ft2和输出Ot2的预测误差得到机械性能预测模型fnew的参数C和参数σ；
S512，根据测试集的输入Ftest和输出Otest，利用机械性能预测模型fnew计算并更新测试集的平均相对误差e；
S513，i＝i+1，若e＞0.3则返回S54；否则，返回P[i]中的参数σ，参数k和F。
进一步地，所述对ωX对应的样本集进行谱聚类，划分出样本类别，还包括：
对矩阵F按行进行K-means聚类，划分出样本类别。
另一方面，本发明还提供了一种产品质量分级评价标准设计系统，其包括：
数据集获取模块，用于获取待评价产品的全流程工艺参数及对应机械性能指标组成的数据集；
特征子集和机械性能预测模型构建模块，用于基于所述数据集中的各工艺参数与机械性能指标的互信息对所述数据集中的工艺参数进行筛选，并构建特征子集和机械性能预测模型；其中，所述机械性能预测模型的输入为工艺参数组成的向量，输出为机械性能指标组成的向量；
工艺参数敏感性指数向量获取模块，用于对所述机械性能预测模型进行多输出敏感性分析，得出所述特征子集中的各工艺参数的敏感性指数的估计，得到各工艺参数的敏感性指数组成的向量ω；
特征子集更新模块，用于将所述特征子集组成的列向量X更新为ωX；
样本类别划分模块，用于对ωX对应的样本集进行谱聚类，划分出样本类别；
质量分级评价标准生成模块，用于并针对不同样本类别建立其与最终质量指标“窄窗口”间的对应关系，形成相应的质量分级评价标准。
再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
又一方面，本发明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至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
本发明针对产品的生产过程参数和产品机械性能指标数据集，通过敏感性分析和谱方法克服了工艺参数尺度与高维问题，使得高维工艺参数可以按质量准确地划分。在得知产品的全流程工艺参数后，即可运用本方法得到样本对应的类别。高维空间经非线性映射为内蕴空间，实现了对全流程工艺参数的准确分级，得到了过程参数与质量目标区间之间的对应关系，有助于钢铁企业以更低的成本制造出合格的产品。经过敏感性分析和谱方法处理后的样本点之间的距离可以被内蕴空间准确度量，有助于聚类分析，并且该空间内的工艺参数样本分布可以反映相应的质量指标样本分布。不同于工作人员反复实验工艺参数，本发明可以运用上述方法事前分析出按工艺参数得到的产品的质量情况。本发明可以以质量角度对高维工艺参数划分，也适合于类似的流程工业的质量控制。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的产品质量分级评价标准设计方法的流程示意图；
图2是本发明实施例提供的冷轧产品数据集中的全流程工艺参数投影到三维空间的示意图；
图3是本发明实施例提供的冷轧产品数据集中的全流程工艺参数的谱嵌入投影到三维空间的示意图；
图4是本发明实施例提供的冷轧产品数据集中的全流程工艺参数对应的机械性能在三维空间的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种产品质量分级评价标准设计方法，主要用于钢铁制造过程的产品质量分级评价管理，本实施例定义生产过程参数经特征选择后的特征子集组成的列向量为X，钢铁产品质量指标：下屈服强度，抗拉强度以及伸长率等组成列向量为Y，构建冷轧产品的机械性能预测模型为Y＝f(X)，其中f是训练出的MSVR模型或其他满足预测精度的多输出非线性预测模型。由于钢铁产品的上游工艺过程参数通过多工序遗传影响至最终产品质量，另外过程参数具有不同的尺度，对其进行直接对其聚类结果不能评价过程工艺参数其对最终产品质量影响。本实施例提出一种采用机械性能预测模型参数敏感性指数衡量各个工艺参数的重要性，通过敏感性加权映射变换将制造过程工艺参数的高维空间变换到可以反映质量水平的内蕴空间，建立了工艺参数与最终质量指标内在关联，即定义各工艺参数的敏感性指数组成的向量为ω，将列向量X更新为ωX。另外为降低内蕴空间维度，定义一种非线性映射将X嵌入成X′向量，使得X′与原始坐标X有近似的预测效果，即Y＝fnew(X′)的平均相对误差也低于0.3，那么利用该嵌入也可准确地度量样本间的距离，从而指导工艺参数聚类与分级评价。
本实施例的方法可以由电子设备实现，该电子设备可以是终端或者服务器。具体地，该方法的执行流程如图1所示，包括以下步骤：
S1，获取待评价产品的全流程工艺参数及对应机械性能指标组成的数据集；
需要说明的是，在本实施例中，上述步骤的实现过程为：对钢厂的实际数据进行预处理后得到多阶段生产工艺参数数据集，获取的数据集包含n个样本，其中的全流程工艺参数可以包括炼钢、连铸、热轧、冷轧以及精整等工序的工艺参数，或者其他如中厚板、线材等产品制造全流程中所有工序的工艺参数；机械性能指标可以包括下屈服强度，抗拉强度以及伸长率等数值型质量指标。
S2，基于所述数据集中的各工艺参数与机械性能指标的互信息，对所述数据集中的工艺参数进行筛选，并构建特征子集和机械性能预测模型；
需要说明的是，所述机械性能预测模型为采用多输出支持向量回归(multipledimensional output support vector regression，MSVR)算法构建的MSVR模型，其输入为工艺参数组成的向量，输出为机械性能指标组成的向量。
上述步骤是运用最大互信息(MIC)与MSVR算法构建特征子集与机械性能预测模型，具体地，其实现过程包括：
S21，根据k邻互信息计算方法计算所述数据集中的各工艺参数与下屈服强度、抗拉强度以及伸长率三个机械性能的互信息；
S22，定义互信息阈值m初值为0；
S23，遍历所述数据集中的工艺参数，如果当前工艺参数与任意一个机械性能指标的互信息超过阈值m，则认为当前工艺参数与质量指标有一定的相关性，将当前工艺参数放入特征子集，否则对下一个工艺参数进行判断；
S24，将所述特征子集对应的数据集划分成训练集和测试集；
S25，利用S24中划分出的训练集训练预设的机械性能预测模型，计算并记录所述机械性能预测模型在S24中划分出的测试集上的平均相对误差，如下：
其中，aδ表示平均相对误差，d＝3，Ntest表示S24中划分出的测试集的样本数量，
与
分别表示第l个样本的第i个机械性能指标的真实值及模型预测值；
S26，令m＝m+0.1，如果当前的m值小于0.5，则返回S23；否则，输出有最小平均相对误差的特征子集以及机械性能预测模型。
S3，对所述机械性能预测模型进行多输出敏感性分析，得出特征子集中的各工艺参数的敏感性指数的估计，得到各工艺参数的敏感性指数组成的向量ω；
需要说明的是，所述机械性能预测模型的输出是机械性能组成的向量，因此需要对机械性能预测模型进行多输出敏感性分析，得出上述特征子集中各工艺参数的敏感性指数的估计，该方法能同时地、综合地衡量各工艺参数相对于三个机械性能指标的重要性，从而解决了过程参数的尺度问题。
上述步骤的实现过程包括：
S31，对所述机械性能预测模型进行多输出敏感性分析，采用下式得出所述特征子集中各工艺参数的敏感性指数的估计：
其中，Su，N(f)表示所述特征子集中第u个工艺参数的敏感性指数的估计，Y＝f(Xu，X～u)，Yu＝f(Xu，X′～u)，其中X′～u与X～u是独立同分布的变量；从变量Y中取样Y1，…，YN；从变量Yu中取样
Yi，l表示Yi的第l维分量；
表示
的第l维分量，k表示预测的质量指标个数，N表示样本数目；
S32，定义向量
S4，将所述特征子集组成的列向量X更新为ωX；
S5，对ωX对应的样本集进行谱聚类划分出样本类别并针对不同样本类别建立其与最终质量指标“窄窗口”间的对应关系，形成相应的质量分级评价标准。
需要说明的是，过程工艺参数是耦合的、高维的，欧氏空间难以直接准确地反映全流程工艺参数对应的质量指标水平，因此需要根据非线性映射寻找到可以对过程参数有效划分的低维特征空间，具体来说需要根据不同谱嵌入预测机械性能时的表现得到用于谱聚类的参数；其实现过程包括：
S51，定义ωX对应的样本集为N，机械性能指标的样本集为O；
S52，定义用于谱聚类的参数σ与参数k的候选值组成的元组的列表P，初始化e并且使得i＝0；
S53，将N的列向量标准化，得到标准化的矩阵N；
S54，根据标准化的矩阵N与P[i]，计算样本的邻接矩阵W；
S55，根据邻接矩阵W计算度矩阵D；
S56，计算拉普拉斯矩阵L＝D-W；
S57，计算标准化的拉普拉斯矩阵D-1/2LD-1/2；
S58，计算D-1/2LD-1/2前k个特征值所对应的特征向量f；
S59，将特征向量f组成的矩阵按行标准化为n×k维矩阵F；
S510，将F与O划分为训练集的输入Ftrain、输出Otrain和测试集的输入Ftest、输出Otest：
S511，将训练集的输入Ftrain、输出Otrain划分为输入Ft1、输出Ot1和输入Ft2、输出Ot2，采用输入Ft1和输出Ot1训练机械性能预测模型fnew，同时根据输入Ft2和输出Ot2的预测误差得到机械性能预测模型fnew的参数C和参数σ；
S512，根据测试集的输入Ftest和输出Otest，利用机械性能预测模型fnew计算并更新测试集的平均相对误差e；
S513，i＝i+1，若e＞0.3则返回S54；否则，返回P[i]中的参数σ，参数k和F。
进一步地，所述对ωX对应的样本集进行谱聚类，划分出样本类别，还包括：
S514，对n×k维的矩阵F按行进行K-means聚类，划分出样本类别。
S515，得出划分的簇Ai以及点vj对应的类别Ci，其中Ai＝{j|vj∈Ci}；高维工艺参数按质量划分结束，划分得到的每一类对应的过程参数范围对应着质量分级。
综上，本实施例的产品质量分级评价标准设计方法利用冷轧产品制造过程中高维工艺参数与质量指标的预测模型内函数关系，通过敏感性分析以及非线性映射将工艺参数的高维空间转换成可以反映质量水平的内蕴空间，有效解决了聚类过程中工艺参数的尺度问题以及维度诅咒问题，为钢铁制造的全流程基于工艺过程参数的质量分级评价与控制提供了方案。采用本实施例中的产品质量分级评价标准设计方法，基于实际生产历史大数据，可以事前模拟出各类工艺参数所对应的质量指标范围，从而方便钢铁企业定量地管控产品质量性能。该方法便于应用，适用于冷轧产品的制造过程或类似的多阶段连续生产过程。
针对高维的全流程工艺参数对产品质量影响重要性不同，具有耦合性且处于高维空间，增加了以产品质量的角度分析过程参数分布的难度及分级评价指标难度的问题。本实施例利用冷轧产品的机械性能预测模型中建立的质量指标与工艺参数间非线性映射关系，进行敏感性分析及映射变换后，通过谱聚类方法寻找低维特征空间，实现了对冷轧产品的全流程工艺参数的有效评级与划分。
进一步地，为验证本实施例的产品质量分级评价标准设计方法的有效性，下面结合具体的试验数据对本实施例的方法进行说明。
将本实施例的方法应用于冷轧产品制造流程中的工艺参数的质量分级。针对某个典型品种采集自某钢厂的冷轧产品数据集包含若干条记录，参数包括210个全流程工艺参数以及产品的3个机械性能指标。由于从炼钢、连铸、热轧、冷轧以及连退工序获得的工艺参数是高维的、耦合的，并且对产品质量指标的重要性不同，三维空间中样本集的投影如图2所示。从图2可以看出，工艺参数样本集的分布不具有区分性，该空间内的样本坐标难以直接用于聚类分析，且聚类后效果不佳。对此，将获取的数据集作为输入，执行上述S1～S5。
具体地，按S2得出当互信息阈值为0.2时取得较优的包含111个工艺参数的特征子集，当ε＝0.01，C＝50且σ＝3时MSVR模型为较优的预测模型。
按S3即可得出预测模型中各个工艺参数的敏感性指数组成的向量ω：
按S5即可得出用于谱聚类的参数σ＝0.1，参数k＝10，进而可得出各个样本按质量指标的分级。其中，工艺参数样本集谱嵌入后的矩阵F在三维空间的投影如图3所示，从图3看出该特征空间可以较为准确地度量样本之间的相似度。图4为样本的质量指标的分布图，与图3中全流程工艺参数的分布一致，相当于验证了本实施例中的产品质量分级评价标准设计方法的有效性。
综上，本实施例针对高维工艺参数难以直接准确地反映钢铁产品的质量，目前只能依靠专业人员反复实验工艺参数的问题，提出一种利用产品制造全过程中的高维工艺参数与最终产品质量指标的关系，通过预测模型敏感性加权映射变换将制造过程工艺参数的高维空间转换成可以反映质量水平的内蕴空间，该映射建立了工艺参数与最终质量指标内在关联，并利用谱聚类方法对内蕴空间参参数聚类建模可实现按工艺参数对质量指标分级预判性分级标准。以某企业实际冷轧产品为例，验证了这种方法的有效性，实验表明，不同类别的样本对应的质量指标处于不同区间，也就是说本实施例为质量分级评价及控制提供了一种有效解决方案，可以发现过程参数与产品质量指标之间的对应关系。
第二实施例
本实施例提供了一种产品质量分级评价标准设计系统，该产品质量分级评价标准设计系统包括以下模块：
数据集获取模块，用于获取待评价产品的全流程工艺参数及对应机械性能指标组成的数据集；
特征子集和机械性能预测模型构建模块，用于基于所述数据集中的各工艺参数与机械性能指标的互信息，对所述数据集中的工艺参数进行筛选，并构建特征子集和机械性能预测模型；其中，所述机械性能预测模型的输入为工艺参数组成的向量，输出为机械性能指标组成的向量；
工艺参数敏感性指数向量获取模块，用于对所述机械性能预测模型进行多输出敏感性分析，得出所述特征子集中的各工艺参数的敏感性指数的估计，得到各工艺参数的敏感性指数组成的向量ω；
特征子集更新模块，用于将所述特征子集组成的列向量X更新为ωX；
样本类别划分模块，用于对ωX对应的样本集进行谱聚类，划分出样本类别；
质量分级评价标准生成模块，用于并针对不同样本类别建立其与最终质量指标“窄窗口”间的对应关系，形成相应的质量分级评价标准。
本实施例的产品质量分级评价标准设计系统与上述第一实施例的产品质量分级评价标准设计方法相对应；其中，本实施例的产品质量分级评价标准设计系统中的各功能模块所实现的功能与上述第一实施例的产品质量分级评价标准设计方法中的各流程步骤一一对应；故，在此不再赘述。
第三实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以下步骤：
S1，获取待评价产品的全流程工艺参数及对应机械性能指标组成的数据集；
S2，基于所述数据集中的各工艺参数与机械性能指标的互信息，对所述数据集中的工艺参数进行筛选，并构建特征子集和机械性能预测模型；
S3，对机械性能预测模型进行多输出敏感性分析，得出所述特征子集中的各工艺参数的敏感性指数的估计，得到各工艺参数的敏感性指数组成的向量ω；
S4，将所述特征子集组成的列向量X更新为ωX；
S5，对ωX对应的样本集进行谱聚类划分出样本类别并针对不同样本类别建立其与最终质量指标“窄窗口”间的对应关系，形成相应的质量分级评价标准。
第四实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行以下步骤：
S1，获取待评价产品的全流程工艺参数及对应机械性能指标组成的数据集；
S2，基于所述数据集中的各工艺参数与机械性能指标的互信息，对所述数据集中的工艺参数进行筛选，并构建特征子集和机械性能预测模型；
S3，对机械性能预测模型进行多输出敏感性分析，得出所述特征子集中的各工艺参数的敏感性指数的估计，得到各工艺参数的敏感性指数组成的向量ω；
S4，将所述特征子集组成的列向量X更新为ωX；
S5，对ωX对应的样本集进行谱聚类划分出样本类别并针对不同样本类别建立其与最终质量指标“窄窗口”间的对应关系，形成相应的质量分级评价标准。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。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发明实施例范围的所有变更和修改。
Claims (10)
1.一种产品质量分级评价标准设计方法，其特征在于，所述方法包括：
获取待评价产品的全流程工艺参数及对应机械性能指标组成的数据集；
基于所述数据集中的各工艺参数与机械性能指标的互信息对所述数据集中的工艺参数进行筛选，并构建特征子集和机械性能预测模型；其中，所述机械性能预测模型的输入为工艺参数组成的向量，输出为机械性能指标组成的向量；
对所述机械性能预测模型进行多输出敏感性分析，得出所述特征子集中的各工艺参数的敏感性指数的估计，得到各工艺参数的敏感性指数组成的向量ω；
将所述特征子集组成的列向量X更新为ωX；
对ωX对应的样本集进行谱聚类，划分出样本类别，并针对不同样本类别建立其与最终质量指标“窄窗口”间的对应关系，形成相应的质量分级评价标准。
2.如权利要求1所述的产品质量分级评价标准设计方法，其特征在于，所述全流程工艺参数包括炼钢、连铸、热轧、冷轧以及精整工序的工艺参数。
3.如权利要求2所述的产品质量分级评价标准设计方法，其特征在于，所述机械性能指标包括下屈服强度，抗拉强度以及伸长率。
4.如权利要求3所述的产品质量分级评价标准设计方法，其特征在于，所述基于所述数据集中的各工艺参数与机械性能指标的互信息，对所述数据集中的工艺参数进行筛选，构建特征子集和机械性能预测模型，包括：
S21，计算所述数据集中的各工艺参数与各机械性能指标的互信息；
S22，定义互信息阈值m初值为0；
S23，遍历所述数据集中的工艺参数，如果当前工艺参数与任意一个机械性能指标的互信息超过阈值m，则将当前工艺参数放入特征子集；
S24，将所述特征子集对应的数据集划分成训练集和测试集；
S25，利用S24中划分出的训练集训练预设的机械性能预测模型，计算并记录所述机械性能预测模型在S24中划分出的测试集上的平均相对误差；
S26，令m＝m+0.1，如果当前的m值小于0.5，则返回S23；否则，输出有最小平均相对误差的特征子集以及机械性能预测模型。
5.如权利要求4所述的产品质量分级评价标准设计方法，其特征在于，所述机械性能预测模型在S24中划分出的测试集上的平均相对误差的表达式如下：
其中，aδ表示平均相对误差，d＝3，Ntest表示S24中划分出的测试集的样本数量，
与
分别表示第l个样本的第i个机械性能指标的真实值及模型预测值。
6.如权利要求4所述的产品质量分级评价标准设计方法，其特征在于，所述机械性能预测模型为采用多输出支持向量回归(multiple dimensional output support vectorregression，MSVR)算法构建的MSVR模型。
7.如权利要求1所述的产品质量分级评价标准设计方法，其特征在于，对所述机械性能预测模型进行多输出敏感性分析，得出所述特征子集中的各工艺参数的敏感性指数的估计，得到各工艺参数的敏感性指数组成的向量ω，包括：
S31，对所述机械性能预测模型进行多输出敏感性分析，采用下式得出所述特征子集中各工艺参数的敏感性指数的估计：
其中，Su，N(f)表示所述特征子集中第u个工艺参数的敏感性指数的估计，Y＝f(Xu，X～u)，Yu＝f(Xu，X′～u)，其中X′～u与X～u是独立同分布的变量；从变量Y中取样Y1，…，YN；从变量Yu中取样
Yi，l表示Yi的第l维分量；
表示
的第l维分量，k表示预测的质量指标个数，N表示样本数目；
S32，定义向量
8.如权利要求1所述的产品质量分级评价标准设计方法，其特征在于，对所述对ωX对应的样本集进行谱聚类，划分出样本类别，包括：
S51，定义ωX对应的样本集为N，机械性能指标的样本集为O；
S52，定义用于谱聚类的参数σ与参数k的候选值组成的元组的列表P，初始化e并且使得i＝0；
S53，将N的列向量标准化，得到标准化的矩阵N；
S54，根据标准化的矩阵N与P[i]，计算样本的邻接矩阵W；
S55，根据邻接矩阵W计算度矩阵D；
S56，计算拉普拉斯矩阵L＝D-W；
S57，计算标准化的拉普拉斯矩阵D-1/2LD-1/2；
S58，计算D-1/2LD-1/2前k个特征值所对应的特征向量f；
S59，将特征向量f组成的矩阵按行标准化为n×k维矩阵F；
S510，将F与O划分为训练集的输入Ftrain、输出Otrain和测试集的输入Ftest、输出Otest；
S511，将训练集的输入Ftrain、输出Otrain划分为输入Ft1、输出Ot1和输入Ft2、输出Ot2，采用输入Ft1和输出Ot1训练机械性能预测模型fnew，同时根据输入Ft2和输出Ot2的预测误差得到机械性能预测模型fnew的参数C和参数σ；
S512，根据测试集的输入Ftest和输出Otest，利用机械性能预测模型fnew计算并更新测试集的平均相对误差e；
S513，i＝i+1，若e＞0.3则返回S54；否则，返回P[i]中的参数σ，参数k和F。
9.如权利要求8所述的产品质量分级评价标准设计方法，其特征在于，所述对ωX对应的样本集进行谱聚类，划分出样本类别，还包括：
对矩阵F按行进行K-means聚类，划分出样本类别。
10.一种产品质量分级评价标准设计系统，其特征在于，所述系统包括：
数据集获取模块，用于获取待评价产品的全流程工艺参数及对应机械性能指标组成的数据集；
特征子集和机械性能预测模型构建模块，用于基于所述数据集中的各工艺参数与机械性能指标的互信息对所述数据集中的工艺参数进行筛选，并构建特征子集和机械性能预测模型；其中，所述机械性能预测模型的输入为工艺参数组成的向量，输出为机械性能指标组成的向量；
工艺参数敏感性指数向量获取模块，用于对所述机械性能预测模型进行多输出敏感性分析，得出所述特征子集中的各工艺参数的敏感性指数的估计，得到各工艺参数的敏感性指数组成的向量ω；
特征子集更新模块，用于将所述特征子集组成的列向量X更新为ωX；
样本类别划分模块，用于对ωX对应的样本集进行谱聚类，划分出样本类别；
质量分级评价标准生成模块，用于并针对不同样本类别建立其与最终质量指标“窄窗口”间的对应关系，形成相应的质量分级评价标准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011043935.XA CN112241832B (zh) | 2020-09-28 | 2020-09-28 | 一种产品质量分级评价标准设计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011043935.XA CN112241832B (zh) | 2020-09-28 | 2020-09-28 | 一种产品质量分级评价标准设计方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112241832A true CN112241832A (zh) | 2021-01-19 |
| CN112241832B CN112241832B (zh) | 2024-03-05 |
Family
ID=74171867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011043935.XA Active CN112241832B (zh) | 2020-09-28 | 2020-09-28 | 一种产品质量分级评价标准设计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112241832B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113109A (zh) * | 2023-07-26 | 2023-11-24 | 常州润来科技有限公司 | 基于机器学习的无缝内螺纹铜管制造工艺确定方法及系统 |
| CN117807424A (zh) * | 2024-02-29 | 2024-04-02 | 山东钢铁股份有限公司 | 工业大数据驱动的宽厚钢板质量动态在线识别方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871937A (zh) * | 2018-11-14 | 2019-06-11 | 江苏师范大学 | 一种基于rbf神经网络的铝型材机械性能预测方法 |
| WO2020041955A1 (zh) * | 2018-08-28 | 2020-03-05 | 大连理工大学 | 一种基于改进型拉开档次法的数控机床综合性能评价方法 |
| WO2020056405A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Data-driven representation and clustering discretization method and system for design optimization and/or performance prediction of material systems and applications of same |
| CN111191884A (zh) * | 2019-12-16 | 2020-05-22 | 首都医科大学附属北京中医医院 | 一种基于数据集距离评价样本集划分质量的方法 |
-
2020
- 2020-09-28 CN CN202011043935.XA patent/CN112241832B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020041955A1 (zh) * | 2018-08-28 | 2020-03-05 | 大连理工大学 | 一种基于改进型拉开档次法的数控机床综合性能评价方法 |
| WO2020056405A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Data-driven representation and clustering discretization method and system for design optimization and/or performance prediction of material systems and applications of same |
| CN109871937A (zh) * | 2018-11-14 | 2019-06-11 | 江苏师范大学 | 一种基于rbf神经网络的铝型材机械性能预测方法 |
| CN111191884A (zh) * | 2019-12-16 | 2020-05-22 | 首都医科大学附属北京中医医院 | 一种基于数据集距离评价样本集划分质量的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 颜弋凡等: "基于最大互信息系数属性选择的冷轧产品机械性能预测", 《中南大学学报(自然科学版)》, vol. 51, no. 1, 26 January 2020 (2020-01-26), pages 68 - 75 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113109A (zh) * | 2023-07-26 | 2023-11-24 | 常州润来科技有限公司 | 基于机器学习的无缝内螺纹铜管制造工艺确定方法及系统 |
| CN117113109B (zh) * | 2023-07-26 | 2024-02-27 | 常州润来科技有限公司 | 基于机器学习的无缝内螺纹铜管制造工艺确定方法及系统 |
| CN117807424A (zh) * | 2024-02-29 | 2024-04-02 | 山东钢铁股份有限公司 | 工业大数据驱动的宽厚钢板质量动态在线识别方法及装置 |
| CN117807424B (zh) * | 2024-02-29 | 2024-04-30 | 山东钢铁股份有限公司 | 工业大数据驱动的宽厚钢板质量动态在线识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112241832B (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2022500769A (ja) | 電力システム熱負荷の予測方法及び予測装置 | |
| CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
| CN110659207B (zh) | 基于核谱映射迁移集成的异构跨项目软件缺陷预测方法 | |
| CN108985335B (zh) | 核反应堆包壳材料辐照肿胀的集成学习预测方法 | |
| CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
| CN110298663A (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
| CN113408869A (zh) | 一种配电网建设目标风险评估方法 | |
| CN111028100A (zh) | 考虑气象因素的精细化短期负荷预测方法、装置及介质 | |
| CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
| JP2012137813A (ja) | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 | |
| CN112241832B (zh) | 一种产品质量分级评价标准设计方法及系统 | |
| CN115796372A (zh) | 一种基于scor的供应链管理优化方法及系统 | |
| CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
| CN113986869A (zh) | 基于机器学习时序预测算法的建设工程材料价格信息数据计算方法 | |
| CN107016416B (zh) | 基于邻域粗糙集和pca融合的数据分类预测方法 | |
| CN113822499A (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
| CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| 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 | |
| CN111861002A (zh) | 基于数据驱动高斯学习技术的建筑物冷热负荷预测方法 | |
| Sagar et al. | A novel prediction algorithm for multivariate data sets | |
| CN115994784A (zh) | 一种价格确定模型及其构建方法 | |
| CN113393023B (zh) | 模具质量评估方法、装置、设备及存储介质 | |
| CN112184037B (zh) | 一种基于加权svdd的多模态过程故障检测方法 | |
| CN110673470B (zh) | 基于局部加权因子模型的工业非平稳过程软测量建模方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |