CN115132298A - 弹簧钢脱碳分析预测方法 - Google Patents
弹簧钢脱碳分析预测方法 Download PDFInfo
- Publication number
- CN115132298A CN115132298A CN202110335133.4A CN202110335133A CN115132298A CN 115132298 A CN115132298 A CN 115132298A CN 202110335133 A CN202110335133 A CN 202110335133A CN 115132298 A CN115132298 A CN 115132298A
- Authority
- CN
- China
- Prior art keywords
- decarburization
- data
- spring steel
- prediction
- analysis
- 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
- 238000005261 decarburization Methods 0.000 title claims abstract description 159
- 229910000639 Spring steel Inorganic materials 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 238000004519 manufacturing process Methods 0.000 claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000005284 excitation Effects 0.000 claims abstract description 11
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 10
- 239000010959 steel Substances 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 47
- 238000012821 model calculation Methods 0.000 claims description 36
- 238000005096 rolling process Methods 0.000 claims description 24
- 238000010438 heat treatment Methods 0.000 claims description 22
- 238000003066 decision tree Methods 0.000 claims description 19
- 238000001816 cooling Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004886 process control Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000006870 function Effects 0.000 description 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000002791 soaking Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000009987 spinning Methods 0.000 description 4
- 239000002436 steel type Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种弹簧钢脱碳分析预测方法，依次包括如下步骤：建立分析预测系统；收集弹簧钢的生产过程数据、生产计划数据和脱碳质量数据；先对收集得到数据进行预处理和存储，并定义脱碳标签；根据当前生产的钢种和规格，采用XGBoost算法依次定义目标函数、求解目标函数最小值并由预设阈值筛选得到关键影响因子；采用Pearson相关系数算法得到关键影响因子和脱碳标签的线性相关性；采用SVM算法建立目标函数，再将关键影响因子和脱碳标签作为样本集并进行归一化处理，然后采用拉格朗日乘子法求解目标函数最大值得到最优分类函数，对目标函数进行迭代训练后得到最新的最优分类函数并作为脱碳预测模型；根据脱碳预测模型对处于预设激励位置的弹簧钢进行计算。
Description
技术领域
本发明涉及弹簧钢加工技术，特别涉及一种采用高速线材生产工艺的弹簧钢脱碳分析预测方法。
背景技术
弹簧钢广泛应用于各种机械、仪器仪表、交通、石油化工等领域，通常要求其具有较高的抗拉强度、弹性极限和疲劳强度，因此弹簧钢在高速线材生产工艺上要求其脱碳越少越好，尤其是在热加工过程中。脱碳主要是钢坯和轧件在高温环境下钢表面的碳和氧发生氧化反应，导致弹簧钢产品表面碳含量减少，不仅对表面质量造成影响，还会显著降低弹簧钢的疲劳极限，严重影响产品的使用性能和寿命。一般来说，高速线材生产工艺包括多个工艺区间，例如加热区、轧制区、风冷区等，每个工艺区间包括多个工艺控制参数，这些参数都会对弹簧钢脱碳产生不同程度的影响，其中影响最大的是加热区(例如加热炉温度和气氛)，其次是风冷区(例如风冷系统风量和速度)，还有轧制区(例如轧制温度和速度)。由于生产过程中的各种波动以及不同工艺区间的各个工艺参数对弹簧钢脱碳的影响，且大部分工艺参数和最终的脱碳结果为非线性关系，使得弹簧钢脱碳很难控制，从而制约了产品质量稳定性的提高。
中国专利201210487716.X针对弹簧钢热加工过程的脱碳问题提出了一种防止小规格弹簧钢脱碳的控制冷却工艺，通过控制终轧温度、吐丝温度、风冷辊道和出罩盖温度使得最终成品内各部位组织均匀，防止小规格弹簧钢在拉拔过程中脆断。中国专利201510685469.8公开了一种预测弹簧钢铸坯脱碳的有限元方法，解决了加热炉加热工艺制度不合理造成的铸坯脱碳超标问题。中国专利201910865995.0公开了一种脱碳弹簧钢表面脱碳层厚度的计算方法，该方法结合炉内气氛、加热温度和加热时间的实时数据，实现实时预测脱碳层厚度变化，从而达到调整工艺参数以控制脱碳层厚度。但是，上述专利均没有充分利用高速线材生产中的生产过程数据和脱碳质量数据，也没有从全流程多角度对加热、轧制、风冷等工艺区间进行分析并控制弹簧钢脱碳。
鉴于此，迫切需要一种直观可视化的脱碳分析预测方法，能对弹簧钢脱碳进行智能分析和预测，能为弹簧钢高速线材生产操作提供预警和指导，从而提高产品质量和产品制造的稳定性。
发明内容
本发明的目的在于提供一种弹簧钢脱碳分析预测方法，所述分析预测方法基于高速线材生产过程中的各项数据，采用XGBoost算法得到关键影响因子，采用Pearson算法得到关键影响因子和脱碳标签的相关性，根据SVM算法构建并训练得到脱碳预测模型，能对实际高速线材生产过程中处于不同工艺区间位置的弹簧钢产品进行动态脱碳分析和预测。
本发明是这样实现的：
一种弹簧钢脱碳分析预测方法，所述弹簧钢采用高速线材生产工艺；所述分析预测方法包括如下步骤：
步骤一，建立分析预测系统，所述系统包括数据采集模块、数据处理模块、模型计算模块和画面展示模块；
步骤二，数据采集模块收集得到弹簧钢的生产过程数据、生产计划数据和脱碳质量数据；
步骤三，数据处理模块先对步骤二得到的数据进行预处理和存储，并根据脱碳质量数据定义脱碳标签，再将处理结果提供给模型计算模块并保存模型计算模块的计算结果；
步骤四，根据当前生产的钢种和规格，模型计算模块采用XGBoost算法依次定义目标函数、求解目标函数最小值并由预设阈值筛选得到关键影响因子；
步骤五，模型计算模块采用Pearson相关系数算法得到关键影响因子和脱碳标签的线性相关性，并采用Hist统计函数得到关键影响因子的直方图；
步骤六，模型计算模块采用SVM算法建立目标函数，再将关键影响因子和脱碳标签作为样本集并进行归一化处理，然后采用拉格朗日乘子法求解目标函数最大值得到最优分类函数，对目标函数进行迭代训练后得到最新的最优分类函数并将其作为脱碳预测模型；
步骤七，模型计算模块根据脱碳预测模型对处于预设激励位置的弹簧钢进行脱碳预测计算，计算得到的脱碳预测数据由画面展示模块显示。
所述步骤二中，所述生产过程数据由过程控制系统采集得到，所述生产计划数据和脱碳质量数据由生产管理系统采集得到。
所述步骤三中，脱碳质量数据包括脱碳深度，根据脱碳深度定义脱碳标签。
所述步骤三中，预处理包括对数据的勾连、异常值进行处理。
所述步骤四中，目标变量定义如下：
式中，y′i为目标变量的预测值，xi为生产过程数据中不同工艺区间的多个特征组成的训练数据，K为决策树的数量，fk是决策树空间F中的一个决策树；
目标函数如下：
式中，第一项l为一个可微凸损失函数，用于度量目标变量的预测值y′i和实际值yi的差值，n为输入样本数量；第二项Ω用于惩罚目标函数模型的复杂度，其表达式如下：
式中，T为决策树fk叶子节点的数量，ω为叶子节点的权重，γ和λ分别为叶子节点数量和权重的惩罚系数。
所述步骤五中，所述关键影响因子和脱碳标签的相关系数定义如下：
式中，ρxy为x和y的Pearson相关系数，x为关键影响因子，y为脱碳标签，cov(x,y)为x和y的协方差，σx和σy分别为x和y的标准差。
所述步骤六中，目标函数和约束条件如下：
式中，n为输入样本数量，αi为拉格朗日乘子，yi和yj为脱碳标签，xi和xj为关键影响因子，K(xi,xj)为核函数，C为正则化参数；
所述K(xi,xj)为高斯核函数，表达式如下：
K(xi,xj)＝exp(-γ‖xi-xj‖2)
式中，γ为输入样本特征数量的倒数；
采用拉格朗日乘子法求解所述目标函数最大值得到最优分类函数如下：
式中，
为求解得到的最优拉格朗日乘子，
为最优超平面的权重向量，b*为最优超平面偏移。
所述步骤七中，数据处理模块收集得到弹簧钢的实时位置，如弹簧钢抵达预设激励位置，将弹簧钢所处位置和所述位置之前工艺区间的生产过程数据、弹簧钢从所处位置到风冷区出口的工艺目标值组成输入样本，由模型计算模块基于所述输入样本通过脱碳预测模型计算得到脱碳预测数据。
所述步骤七中，激励位置包括加热区段末、加热区出口、轧制区出口、风冷区出口。
所述步骤七中，脱碳预测数据包括关键影响因子的重要性排序、相关性、直方图、特征实绩值以及弹簧钢在不同工艺区间的脱碳预测数据。
本发明弹簧钢脱碳分析预测方法，通过收集弹簧钢高速线材生产工艺过程中不同工艺区间的生产过程数据、生产计划数据和脱碳质量数据，采用定性和定量相结合的方法对弹簧钢脱碳进行脱碳分析和预测。首先，在数据采集模块得到大量数据的基础上，模型计算模块采用XGBoost算法根据脱碳影响程度得到关键影响因子，能够很方便地实现各种数据的特征提取。其次，模型计算模块采用Pearson线性相关性计算方法得到Pearson相关系数，以度量关键影响因子和脱碳标签之间的线性相关性，并通过Hist统计函数得到关键影响因子的直方图，能提供关键影响因子的全局性参考指导。再者，模型计算模块采用SVM算法构建目标函数并通过拉格朗日乘子法得到最优分类函数，随着生产过程数据积累对目标函数进行迭代计算，然后将得到最新的最优分类函数作为脱碳预测模型。由此，基于多种算法结合得到的脱碳预测模型具有较高的稳健性，其精度能满足弹簧钢在高速线材生产工艺中的脱碳分析预测要求。本发明能对高速线材生产工艺中大量非线性关系数据进行分析，并由脱碳预测模型来预测弹簧钢产品的脱碳结果，使得脱碳分析过程更为合理且脱碳预测精度更好，能为弹簧钢高速线材生产工艺提供有效的、及时的脱碳分析和预测，有助于指导生产操作和工艺控制。
本发明与现有技术相比，具有如下有益效果：充分利用弹簧钢高速线材生产工艺过程中的各项数据，通过直观可视化的脱碳预测模型能及时提供弹簧钢在高速线材生产工艺过程中的脱碳分析和预测，有助于提高弹簧钢产品质量和产品制造的稳定性。
附图说明
图1为本发明弹簧钢脱碳分析预测方法的流程示意图；
图2为本发明的分析预测系统模块示意图；
图3为本发明实施例一的关键影响因子轧制速度的直方图；
图4为本发明实施例一的关键影响因子风机1#功率的直方图；
图5为本发明实施例一的关键影响因子风机2#功率的直方图；
图6为本发明实施例一的关键影响因子均热下部左侧平均炉温的直方图。
图中，1分析预测系统，11数据采集模块，12数据处理模块，13模型计算模块，14画面展示模块，2过程控制系统，3生产管理系统。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
一种弹簧钢脱碳分析预测方法，所述弹簧钢采用高速线材生产工艺，所述高速线材生产工艺依次包括加热区、轧制区、风冷区等多个工艺区间，用于高速线材生产工艺的设备包括加热炉、轧机组、吐丝机、风冷系统等，用于高速线材生产工艺的系统包括过程控制系统和生产管理系统。
参见图1，所述分析预测方法包括如下步骤：
步骤一，建立分析预测系统，所述系统包括数据采集模块、数据处理模块、模型计算模块和画面展示模块，参见图2。其中，数据采集模块的输入数据由过程控制系统和生产管理系统提供，数据采集模块的输出数据作为数据处理模块的输入数据。数据处理模块对数据进行存储和预处理后将数据输出给模型计算模块，同时数据处理模块保存模型计算模块的计算结果。模型计算模块是在数据处理模块提供的数据基础上通过多种算法得到脱碳预测模型，并根据脱碳预测模型对不同工艺区间的弹簧钢产品进行脱碳分析和预测。画面展示模块将模型计算模块的计算结果输出到画面。
步骤二，数据采集模块收集得到弹簧钢的生产过程数据、生产计划数据和脱碳质量数据。在高速线材生产过程中，由过程控制系统采集得到生产过程数据，由生产管理系统采集得到生产计划数据和脱碳质量数据。
生产过程数据是指整个高速线材生产工艺上和各个工艺区间相关的数据，生产过程数据由过程控制系统采集得到，生产过程数据包括但不限于加热区数据、轧制区数据、风冷区数据。加热区数据、轧制区数据、风冷区数据均包括多个特征，具体地，加热区数据包括产品跟踪号、钢坯位置、炉气温度、炉气氧含量、煤气流量、空气流量、煤气热值、钢坯温度、在段时间、在炉时间、抽钢节奏等；轧制区数据包括产品跟踪号、产品温度、机架功率、水箱水量、轧制速度、轧件位置等；风冷区数据包括产品跟踪号、吐丝温度、各段辊道速度、各段风量、保温罩状态、盘条位置等。
生产计划数据包括多个特征，具体为钢种、规格、生产工艺等。
脱碳质量数据包括产品跟踪号、取样位置、脱碳深度等信息。其中，脱碳深度一般包括表面脱碳深度、全脱碳深度等。
本实施例中，数据采集是以产品跟踪号为键值的过程实绩统计信息，即每个钢坯或者钢卷的数据采集实绩统计汇总为一条记录。
步骤三，数据处理模块先对步骤二得到的数据进行预处理和存储，并根据脱碳质量数据定义脱碳标签，再将处理结果提供给模型计算模块并保存模型计算模块的计算结果。预处理包括对数据的勾连、异常值等进行处理，从而为模型计算模块提供必要的驱动数据。根据脱碳质量数据定义脱碳标签，即根据脱碳深度定义脱碳标签为0或1。
步骤四，模型计算模块采用XGBoost算法得到关键影响因子。根据当前生产的钢种和规格，依次定义目标函数、求解目标函数最小值、选择关键影响因子。
XGBoost是利用训练数据来预测目标变量，目标变量定义如下：
式中，y′i为目标变量的预测值，xi为生产过程数据中不同工艺区间的多个特征组成的训练数据座作为输入样本，K为决策树的数量，fk是决策树空间F中的一个决策树，即每个fk对应于一个独立的树结构和叶子权重。
建立目标函数如下：
式中，第一项l为一个可微凸损失函数，用于度量目标变量的预测值y′i和实际值yi的差值，n为输入样本数量；第二项Ω用于惩罚目标函数模型的复杂度，其表达式如下：
式中，T为决策树fk叶子节点的数量，ω为叶子节点的权重，γ和λ分别为叶子节点数量和权重的惩罚系数。
求解目标函数最小值的过程为：不断通过特征分裂得到新的决策树fk，在进行特征分裂时，采用贪心算法原理，选择信息增益最大的分裂方式，提高训练速度，并在特征分裂产生的信息增益低于预定阈值时，停止分裂；分裂得到的新的决策树用来拟合前一次的预测残差，即y′i(k)＝y′i(k-1)+fk，将每次分裂得到的新的决策树代入目标函数进行泰勒展开并求导计算极小值，所有计算结果中的最小值即为最优解，采用最优解对应的一组决策树f。
选择关键影响因子的过程为：基于最优解对应的一组决策树f，计算每一个特征在所述决策树中的结果，并进行加权平均后得到重要性得分，即特征对弹簧钢脱碳的影响程度，再将所有特征按照重要性进行排序，然后基于预先设定的合理阈值筛选得到关键影响因子。
本步骤中采用的XGBoost(Extreme Gradient Boosting)是在GBDT(GradientBoosting Decision Tree)的基础上对Boosting算法进行的改进。Boosting是一种有效的集成学习方法，可将弱分类器转化为强分类器。XGBoost算法在机器学习中是一个比较重要的算法模块，在数据预处理和特征工程上具有很多明显优势，而且也有很多成熟的XGBoost算法库，可直接调用，能够很方便地实现大数据关键特征的高效提取。
步骤五，模型计算模块采用Pearson相关系数算法得到关键影响因子和脱碳标签的线性相关性，并采用Hist统计函数得到关键影响因子的直方图。
所述关键影响因子和脱碳标签的相关系数的计算公式如下：
式中，ρxy为x和y的Pearson相关系数，x为关键影响因子，y为脱碳标签且取值范围为0或1，cov(x,y)为x和y的协方差，σx和σy分别为x和y的标准差。
相关系数ρxy的数值在[-1,1]之间，数值为负表示负相关性，数值为正表示正相关，数值的绝对值越大则表示相关性越强。
具体地，先依次选取一个特征作为变量x和脱碳标签作为变量y，并将它们标准化；再依次将变量x和变量y代入相关系数的计算公式中，得到一个对应于该特征的相关系数，直到所有特征计算完成；然后根据步骤四得到的关键影响因子，采用Hist统计函数得到关键影响因子的直方图，用于提供关键影响因子的全局性参考指导。
步骤六，模型计算模块采用SVM算法构建并训练得到脱碳预测模型。根据关键影响因子和当前钢种、规格所对应的脱碳质量数据，采用SVM算法建立目标函数，并将关键影响因子和脱碳标签作为样本集并进行归一化处理，再采用拉格朗日乘子法求解目标函数最大值得到最优分类函数。随着数据积累，对目标函数进行迭代训练后得到最新的最优分类函数，并将其作为脱碳预测模型用于弹簧钢在高速线材生产中的脱碳预测。
所述目标函数和约束条件如下：
式中，n为输入样本数量，αi为拉格朗日乘子，yi和yj为脱碳标签，xi和xj为关键影响因子，K(xi,xj)为核函数，C为正则化参数。
所述K(xi,xj)为高斯核函数，表达式如下：
K(xi,xj)＝exp(-γ‖xi-xj‖2)
式中，γ为输入样本特征数量的倒数。
将关键影响因子xi和脱碳标签yi作为样本集并进行归一化处理，即：
(xi,yi),i＝1,2,…,n,x∈Rd,y∈{+1,-1}
采用拉格朗日乘子法求解所述目标函数最大值得到最优分类函数如下：
式中，
为求解得到的最优拉格朗日乘子，
为最优超平面的权重向量，b*为最优超平面偏移，sgn{X}为分类函数并可根据输入值X的正负相应输出1和-1，以实现分类。
当数据积累到一定程度时，对目标函数迭代训练得到最新的最优分类函数并作为脱碳预测模型，实现弹簧钢脱碳的智能预测。
本步骤中采用的SVM算法为支持向量机，属于监督学习，是一种二分类模型。通过求解二次规划问题，寻找将数据分为两类的最佳超平面，SVM算法是一种成熟的机器学习方法。
步骤七，模型计算模块根据脱碳预测模型对处于预设激励位置的弹簧钢进行脱碳预测计算，计算得到的脱碳预测数据由画面展示模块显示。
具体地，数据处理模块收集得到弹簧钢的实时位置，如弹簧钢抵达预设的激励位置，将弹簧钢所处位置和所述位置之前工艺区间的生产过程数据、弹簧钢从所处位置到风冷区出口的工艺目标值组成输入样本，其中工艺目标值可以从生产计划数据中获取，由模型计算模块基于所述输入样本通过脱碳预测模型计算得到脱碳预测数据。激励位置包括但不限于加热区段末、加热区出口、轧制区出口、风冷区出口。画面展示模块显示的脱碳预测数据包括关键影响因子的排序、相关性、直方图、特征实绩值以及弹簧钢在不同工艺区间的脱碳预测数据。
实施例一
建立分析预测系统，所述系统包括数据采集模块、数据处理模块、模型计算模块和画面展示模块。
数据采集模块收集得到弹簧钢的生产过程数据、生产计划数据和脱碳质量数据。在高速线材生产过程中，由过程控制系统采集得到生产过程数据，由生产管理系统采集得到生产计划数据和脱碳质量数据。收集得到的数据是以产品跟踪号为键值的过程实绩统计信息，即每个钢坯或者钢卷的数据采集实绩统计汇总为一条记录。
数据处理模块先收集得到的数据进行勾连、异常值等预处理和存储，并根据脱碳质量数据中脱碳深度定义脱碳标签为0或1，再将处理结果提供给模型计算模块。经过上述步骤后，本实施例收集得到生产过程数据、生产计划数据和脱碳质量数据中的不同特征总计113个，并组成后续XGBoost算法进行数据训练的输入样本。
采用XGBoost算法得到关键影响因子，表1列出了筛选得到的关键影响因子的特征名称及其重要性排序。
表1
| 特征名称 | 特征名称说明 | 重要性排序 |
| MILL_SPEED | 轧制速度 | 0.091 |
| COIL_ACT_DIA | 规格 | 0.075 |
| STELMOR_1 | 风机1#功率 | 0.063 |
| STELMOR_2 | 风机2#功率 | 0.052 |
| calorific | 煤气热值 | 0.041 |
| avgHeatCenterTemp | 方坯均热中部温度 | 0.040 |
| avgHeatDownMiddleAvg | 均热下部中间平均炉温 | 0.036 |
| TEMP_LAYING_HEAD | 吐丝温度 | 0.035 |
| avgHeatDownTemp | 方坯均热下部温度 | 0.031 |
| avgHeatDownLeftAvg | 均热下部左侧平均炉温 | 0.031 |
| WATER_FLOW_3 | 3#水箱水量 | 0.029 |
| AFT_TEMP_V18 | 精轧出口温度 | 0.027 |
| WATER_FLOW_4 | 4#水箱水量 | 0.024 |
由于本实施例中是基于不同规格的弹簧钢进行分析和预测，因此在表1得到关键影响因子中将特征“COIL_ACT_DIA”(规格)剔除。
根据得到的关键影响因子，采用Pearson相关系数算法得到各个特征和脱碳标签的线性相关性。表2列出了关键影响因子的特征名称及其相关系数。
表2
针对关键影响因子，分别采用Hist统计函数输出其直方图，并可通过画面展示模块选择某个关键影响因子来查看其具体的直方图分布，本实施例选取轧制速度、风机1#功率、风机2#功率、均热下部左侧平均炉温四个关键影响因子并分别得到直方图分布，参见图3～图6。图中，标签为0表示正常样本(即无全脱碳样本)，标签为1表示异常样本(即全脱碳样本)。
根据得到的关键影响因子，采用SVM算法对脱碳预测模型进行训练。表3列出了脱碳预测模型的训练结果评估，其中精度为正确预测为正的占全部预测为正的比例，召回率为正确预测为正的占全部实际为正的比例，F1评分与精度和召回率有关，F1评分的数值越大说明脱碳预测模型效果越好，准确率为所有的正确预测数量占预测总数的比例。F1评分的计算公式如下：
式中，P为精度，R为召回率。
表3
由表3可以得出，考虑到不同问题对训练指标的选择不一样，对于弹簧钢脱碳预测，现场关心的是类别1的F1评分指标，结果显示为0.92，可认为脱碳预测模型的预测结果满足对现场对弹簧钢脱碳控制的精度要求。
根据得到的脱碳预测模型对在不同工艺区间的弹簧钢进行动态脱碳分析预测。表4列出了直径为8mm的弹簧钢产品的脱碳预测结果。表4中带有下划线的数据为对应于当前预测位置时预测所需的后序工艺区间工艺目标值(如若没有工艺目标值，则取同钢种规格的历史平均值)，没有带下划线的数据为已完成工艺区间的特征实际值。本实施例中，用于建模和训练的样本集数据为已完成工艺区间的历史数据，而在生产过程中进行动态预测的数据包括部分实绩数据和部分工艺目标值数据，即已完成工艺区间的实绩统计数据和未完成工艺区间的工艺目标值。
表4
由表4可以得出，在加热区段末和加热区出口的2次滚动预测结果均为1，即表明脱碳预测模型认为该弹簧钢产品按照当前工艺控制具有脱碳倾向，由此通过这样的脱碳预测数据可以给出相应工艺控制参数调整的指导意见，例如降低轧制速度、降低加热温度、降低吐丝温度、增加3#水箱水量、降低轧制过程温度等，从而改善弹簧钢产品表面脱碳状态。通过对相应工艺控制的参数调整后，在轧制区出口和风冷区出口的滚动预测结果为0，即表明脱碳预测模型认为该弹簧钢产品按照当前工艺控制不会发生脱碳，而且生产实绩的检测结果(即真实标签)为0，即表明该弹簧钢产品没有发生脱碳。
画面展示模块滚动输出脱碳预测数据，同时结合关键影响因子及其直方图分布信息提供操作指导意见。
本发明弹簧钢脱碳分析预测方法，基于大数据和机器学习技术，通过收集高速线材生产工艺全流程的生产过程数据和脱碳质量数据，采用定性和定量相结合的方法对处于不同工艺区间激励位置的弹簧钢产品进行脱碳分析和预测，适用于高速线材生产工艺中大量非线性关系数据分析，通过智能的脱碳预测模型能够为弹簧钢生产工艺提供实时的预警指示和操作指导。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，因此，凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种弹簧钢脱碳分析预测方法，所述弹簧钢采用高速线材生产工艺；其特征在于：所述分析预测方法包括如下步骤：
步骤一，建立分析预测系统，所述系统包括数据采集模块、数据处理模块、模型计算模块和画面展示模块；
步骤二，数据采集模块收集得到弹簧钢的生产过程数据、生产计划数据和脱碳质量数据；
步骤三，数据处理模块先对步骤二得到的数据进行预处理和存储，并根据脱碳质量数据定义脱碳标签，再将处理结果提供给模型计算模块并保存模型计算模块的计算结果；
步骤四，根据当前生产的钢种和规格，模型计算模块采用XGBoost算法依次定义目标函数、求解目标函数最小值并由预设阈值筛选得到关键影响因子；
步骤五，模型计算模块采用Pearson相关系数算法得到关键影响因子和脱碳标签的线性相关性，并采用Hist统计函数得到关键影响因子的直方图；
步骤六，模型计算模块采用SVM算法建立目标函数，再将关键影响因子和脱碳标签作为样本集并进行归一化处理，然后采用拉格朗日乘子法求解目标函数最大值得到最优分类函数，对目标函数进行迭代训练后得到最新的最优分类函数并将其作为脱碳预测模型；
步骤七，模型计算模块根据脱碳预测模型对处于预设激励位置的弹簧钢进行脱碳预测计算，计算得到的脱碳预测数据由画面展示模块显示。
2.根据权利要求1所述的弹簧钢脱碳分析预测方法，其特征在于：所述步骤二中，所述生产过程数据由过程控制系统采集得到，所述生产计划数据和脱碳质量数据由生产管理系统采集得到。
3.根据权利要求1所述的弹簧钢脱碳分析预测方法，其特征在于：所述步骤三中，脱碳质量数据包括脱碳深度，根据脱碳深度定义脱碳标签。
4.根据权利要求1所述的弹簧钢脱碳分析预测方法，其特征在于：所述步骤三中，预处理包括对数据的勾连、异常值进行处理。
5.根据权利要求1所述的弹簧钢脱碳分析预测方法，其特征在于：所述步骤四中，目标变量定义如下：
式中，y′i为目标变量的预测值，xi为生产过程数据中不同工艺区间的多个特征组成的训练数据，K为决策树的数量，fk是决策树空间F中的一个决策树；
目标函数如下：
式中，第一项l为一个可微凸损失函数，用于度量目标变量的预测值y′i和实际值yi的差值，n为输入样本数量；第二项Ω用于惩罚目标函数模型的复杂度，其表达式如下：
式中，T为决策树fk叶子节点的数量，ω为叶子节点的权重，γ和λ分别为叶子节点数量和权重的惩罚系数。
6.根据权利要求1所述的弹簧钢脱碳分析预测方法，其特征在于：所述步骤五中，所述关键影响因子和脱碳标签的相关系数定义如下：
式中，ρxy为x和y的Pearson相关系数，x为关键影响因子，y为脱碳标签，cov(x,y)为x和y的协方差，σx和σy分别为x和y的标准差。
7.根据权利要求1所述的弹簧钢脱碳分析预测方法，其特征在于：所述步骤六中，目标函数和约束条件如下：
式中，n为输入样本数量，αi为拉格朗日乘子，yi和yj为脱碳标签，xi和xj为关键影响因子，K(xi,xj)为核函数，C为正则化参数；
所述K(xi,xj)为高斯核函数，表达式如下：
K(xi,xj)＝exp(-γ‖xi-xj‖2)
式中，γ为输入样本特征数量的倒数；
采用拉格朗日乘子法求解所述目标函数最大值得到最优分类函数如下：
式中，
为求解得到的最优拉格朗日乘子，
为最优超平面的权重向量，b*为最优超平面偏移。
8.根据权利要求1所述的弹簧钢脱碳分析预测方法，其特征在于：所述步骤七中，数据处理模块收集得到弹簧钢的实时位置，如弹簧钢抵达预设激励位置，将弹簧钢所处位置和所述位置之前工艺区间的生产过程数据、弹簧钢从所处位置到风冷区出口的工艺目标值组成输入样本，由模型计算模块基于所述输入样本通过脱碳预测模型计算得到脱碳预测数据。
9.根据权利要求1或8所述的弹簧钢脱碳分析预测方法，其特征在于：所述步骤七中，激励位置包括加热区段末、加热区出口、轧制区出口、风冷区出口。
10.根据权利要求1或8所述的弹簧钢脱碳分析预测方法，其特征在于：所述步骤七中，脱碳预测数据包括关键影响因子的重要性排序、相关性、直方图、特征实绩值以及弹簧钢在不同工艺区间的脱碳预测数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110335133.4A CN115132298A (zh) | 2021-03-29 | 2021-03-29 | 弹簧钢脱碳分析预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110335133.4A CN115132298A (zh) | 2021-03-29 | 2021-03-29 | 弹簧钢脱碳分析预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115132298A true CN115132298A (zh) | 2022-09-30 |
Family
ID=83375432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110335133.4A Pending CN115132298A (zh) | 2021-03-29 | 2021-03-29 | 弹簧钢脱碳分析预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115132298A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117494531A (zh) * | 2023-12-29 | 2024-02-02 | 苏州方兴信息技术有限公司 | 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102962267A (zh) * | 2012-11-27 | 2013-03-13 | 南京钢铁股份有限公司 | 一种防止小规格弹簧钢脱碳的控制冷却工艺 |
| CN105302952A (zh) * | 2015-10-20 | 2016-02-03 | 首钢总公司 | 一种预测弹簧钢铸坯脱碳的有限元方法 |
| CN110648421A (zh) * | 2019-09-12 | 2020-01-03 | 北京科技大学 | 一种脱碳弹簧钢表面脱碳层厚度的计算方法 |
| CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
-
2021
- 2021-03-29 CN CN202110335133.4A patent/CN115132298A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102962267A (zh) * | 2012-11-27 | 2013-03-13 | 南京钢铁股份有限公司 | 一种防止小规格弹簧钢脱碳的控制冷却工艺 |
| CN105302952A (zh) * | 2015-10-20 | 2016-02-03 | 首钢总公司 | 一种预测弹簧钢铸坯脱碳的有限元方法 |
| CN110648421A (zh) * | 2019-09-12 | 2020-01-03 | 北京科技大学 | 一种脱碳弹簧钢表面脱碳层厚度的计算方法 |
| CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
Non-Patent Citations (1)
| Title |
|---|
| 陈银莉;左茂方;罗兆良;孙蓟泉;: "60Si2Mn弹簧钢表面脱碳理论及试验研究", 材料热处理学报, vol. 36, no. 01, 25 January 2015 (2015-01-25), pages 192 - 198 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117494531A (zh) * | 2023-12-29 | 2024-02-02 | 苏州方兴信息技术有限公司 | 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 |
| CN117494531B (zh) * | 2023-12-29 | 2024-03-01 | 苏州方兴信息技术有限公司 | 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6129028B2 (ja) | 建物動力設備のエネルギー消費量予測方法 | |
| CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
| CN111444942B (zh) | 一种高炉铁水硅含量智能预报方法及系统 | |
| CN110175416A (zh) | 基于主成分分析和神经网络的三峡水库水温预测方法 | |
| CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
| CN113378908B (zh) | 基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法 | |
| CN106896219A (zh) | 基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法 | |
| CN112749763B (zh) | 用于玻璃质量影响因素的时间序列分类分析方法及系统 | |
| CN116070527B (zh) | 基于退化模型的铣削刀具剩余寿命预测方法 | |
| CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
| CN115132298A (zh) | 弹簧钢脱碳分析预测方法 | |
| CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
| CN115511100A (zh) | 一种基于环境温度相关数据学习的空调负荷回归预测方法 | |
| CN114692677A (zh) | 一种基于多目标特征选择的焊接缺陷识别方法 | |
| CN116992246B (zh) | 一种矿井下风流参数智能感知方法及系统 | |
| CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 | |
| CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
| CN117072338A (zh) | 柴油发动机自适应喷油控制策略系统及优化方法 | |
| CN112418522A (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 | |
| CN107992454B (zh) | 一种基于在线顺序回归的空气质量等级预测方法 | |
| CN114549082A (zh) | 一种基于网络大数据的经济信息预测分析系统 | |
| CN114266192A (zh) | 一种基于热轧带钢的测温仪表在线精度评价方法 | |
| Kovačević et al. | Effect of labeling algorithms on financial performance metrics | |
| Chen et al. | An intelligent online detection approach based on big data for mechanical properties of hot-rolled strip | |
| CN111080365A (zh) | 一种基于大数据的商场门店存续预测方法 |
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 |