CN115239155A - 一种薄板带钢冲压开裂的预测方法和装置 - Google Patents
一种薄板带钢冲压开裂的预测方法和装置 Download PDFInfo
- Publication number
- CN115239155A CN115239155A CN202210892869.6A CN202210892869A CN115239155A CN 115239155 A CN115239155 A CN 115239155A CN 202210892869 A CN202210892869 A CN 202210892869A CN 115239155 A CN115239155 A CN 115239155A
- Authority
- CN
- China
- Prior art keywords
- data
- process data
- rolling process
- module
- unit
- 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
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D22/00—Shaping without cutting, by stamping, spinning, or deep-drawing
- B21D22/02—Stamping using rigid devices or tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种薄板带钢冲压开裂的预测方法和装置,涉及钢铁工厂质量技术领域,通过设置冶炼工序数据采集模块、热轧工序数据采集模块以及冷轧工序数据采集模块分别收集冶炼工序数据、热轧工序数据以及冷轧工序数据;通过设置数据前处理模块对工序数据进行特征提取、交换坯类型判定、数据整合以及数据清洗获得训练用数据;通过模型预测模块对筛选后的初始训练数据进行主成分分析;并添加新随机正样本数据;再使用GBDT算法建立并训练预测模型;使用训练模型预测生产中的冲压开裂情况;解决了薄板带钢冲压开裂无法预测的问题。
Description
技术领域
本发明属于钢铁工厂质量领域,涉及智能预测技术,具体是一种薄板带钢冲压开裂的预测方法和装置。
背景技术
钢铁生产是一项具有长流程、高耦合的复杂生产工艺,而薄板带作为钢铁行业重要的产品之一,其生产工序更多,生产流程更长;冲压是钢铁薄板带十分常见的一种深加工成型方法,其主要的质量问题为冲压开裂;自钢铁冶炼生产开始至冲压工序,其周期一般为1~2月,受过去落后的生产技术影响,钢铁生产过程中的质量问题需要在冲压时才可发现,其质量问题必然伴随着以百吨、千吨的大批量和多工序的成本损失;而事实上,冲压开裂的情况与冶炼过程中的工艺参数有很大关系;而目前生产中的冲压开裂问题需要人工观察才能发现;缺少根据冶炼的工艺参数预测冲压开裂情况的方法;
为此,提出一种薄板带钢冲压开裂的预测方法和装置。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种薄板带钢冲压开裂的预测方法和装置,该一种薄板带钢冲压开裂的预测方法和装置通过设置冶炼工序数据采集模块、热轧工序数据采集模块以及冷轧工序数据采集模块分别收集冶炼工序数据、热轧工序数据以及冷轧工序数据;通过设置数据前处理模块对工序数据进行特征提取、交换坯类型判定、数据整合以及数据清洗获得训练用数据;通过模型预测模块对筛选后的初始训练数据进行主成分分析;并添加新随机正样本数据;再使用GBDT算法建立并训练预测模型;使用训练模型预测生产中的冲压开裂情况;解决了薄板带钢冲压开裂智能预测的问题。
为实现上述目的,根据本发明的第一方面的实施例提出一种薄板带钢冲压开裂的预测方法,包括以下步骤:
步骤一:冶炼工序数据采集模块收集冶炼工序数据;冶炼工序数据采集模块将采集的冶炼工序数据通过电气方式发送至数据前处理模块;
步骤二:热轧工序数据采集模块采集热轧工序数据;热轧工序数据采集模块将收集的热轧工序数据通过电气方式发送至数据前处理模块;
步骤三:冷轧工序数据采集模块采集冷轧工序数据;冷轧工序数据采集模块将收集的冷轧工序数据通过电气方式发送至数据前处理模块;
步骤四:数据前处理模块将收集的冶炼工序数据、热轧工序数据以及冷轧工序数据进行数据预处理;所述数据预处理包括特征提取、交换坯类型判定、数据整合以及数据清洗;数据前处理模块将预处理后的数据发送至前数据存储模块;
步骤五:前数据处理模块使用关系型数据库存储清洗后的数据;前数据存储模块与模型预测模块以电气方式连接;
步骤六:模型预测模块获取前数据存储模块存储的清洗后的数据;并将数据与实际的冲压开裂反馈数据共同构成初始训练数据;通过实际经验设置的相关因素筛选,删除初始训练数据中的无关因素;
对筛选后的初始训练数据进行主成分分析;并添加新随机正样本数据后使用RUSBOOT采样算法从初始训练数据中进行采样,对采样后的数据使用GBDT算法建立预测模型并进行训练;将训练完成的预测模型标记为G;所述正样本为冲压开裂的样本;GBDT算法的预测目标为判断样本是否开裂;
步骤七:模型预测模块使用预测模型G对生产中产生的实时冶炼工序数据、热轧工序数据以及冷轧工序数据对冲压开裂情况进行预测;
其中,所述冶炼工序数据采集模块包括转炉数据单元、LF数据单元、RH数据单元以及连铸数据单元;各个数据单元收集不同的冶炼数据;其中转炉数据单元收集的数据包括转炉成分、废钢量、铁水量以及钢水量;其中,LF数据单元收集的数据包括废钢量、白渣保护时间、软吹时间、镇静时间、出站温度、铝耗以及渣中T.Fe含量;其中,RH数据单元收集的数据包括废钢量、吹氧量、脱碳终点氧、极限真空度、脱气时间、合金添加量以及成分;其中,连铸数据单元收集的数据包括流次、保护渣、拉速、中包铝、中包钛、板坯号、液位波动量、塞棒位置、中包吨位、过钢量、过热度、氩气流量、中包车、中间包号以及成分;其中,氩气流量包括含塞棒、塞棒氩气背压、上水口氩气以及上水口氩气背压;汇总转炉数据单元、LF数据单元、RH数据单元以及连铸数据单元;
所述热轧工序数据采集模块包括加热炉数据单元、粗轧数据单元、精轧单元以及卷取单元;各个数据单元收集不同的热轧数据;其中,加热炉数据单元收集的数据包括库龄、入炉温度、各加热段温度与时间、固溶时间以及出炉温度;所述粗轧数据单元收集的数据包括各道次宽度、各道次厚度以及出口温度;所述精轧数据单元收集的数据包括入口温度、出口温度、轧制速度以及ISC水量;卷取单元收集的数据包括各位置温度以及卷取速度;
所述冷轧工序数据采集模块收集的冷轧工序数据包括变形量、退火炉各段温度、退火炉各段气氛、退火炉运行速度以及光整机伸长率;
其中,所述数据前处理模块包括特征提取单元、交换坯类型判定单元、数据整合单元、数据清洗单元;
其中,所述特征提取单元用于对数据进行特征提取;所述特征提取为将冶炼工序数据、热轧工序数据以及冷轧工序数据,根据实际经验对每项数据采用计算数据平均值、中位数、标准差、最大值、最小值、斜率、时长、峰值、峰宽、累计值、频率、CPK、离散度、命中率、偏度以及峰度中的某一项或若干项结合的方式,获取每项数据的数字化表达;将每项数字化表示的数据称为工艺参数;
其中,所述交换坯类型判定单元用于根据中包吨位曲线判断交换坯类型,在更换大包时中间包液位下降阶段对应的板坯为下降坯,中间包液位上升阶段对应板坯为上升坯,如果上升阶段和下降阶段在同一块板坯则该板坯为上升下降坯,其余为正常坯;
其中,所述数据整合单元用于将预处理后的数据进行整合,整合成模型训练模块可使用的数据集合;
其中,所述数据清洗单元用于对整合好的数据进行数据清洗;
其中,所述模型预测模块对数据进行筛选的方式包括因子分析、相关性分析以及最佳子集;
其中,i为工艺参数,n为第n个数据值,为正样本数据的i工艺平均值为负样本数据的i工艺平均值,rand(-1,1)为在(-1,1)范围内的随机数,α为根据实际经验设置的范围在0.5-5之间的增益系数;分别为旧数据和基于旧数据产生的新数据。
根据本发明的第二方面的实施例提出一种薄板带钢冲压开裂的预测装置,包括冶炼工序数据采集模块、热轧工序数据采集模块、冷轧工序数据采集模块、数据前处理模块、前数据处理模块以及模型预测模块;
其中,冶炼工序数据采集模块、热轧工序数据采集模块、冷轧工序数据采集模块分别收集冶炼工序数据、热轧工序数据、冷轧工序数据;
冶炼工序数据采集模块、热轧工序数据采集模块、冷轧工序数据采集模块通过电气方式分别将冶炼工序数据、热轧工序数据、冷轧工序数据发送至数据前处理模块;
数据前处理模块将收集的冶炼工序数据、热轧工序数据以及冷轧工序数据进行数据预处理;数据前处理模块将预处理后的数据发送至前数据存储模块;
模型预测模块获取前数据存储模块存储的清洗后的数据;并将数据与实际的冲压开裂反馈数据共同构成初始训练数据;通过实际经验设置的相关因素筛选,删除初始训练数据中的无关因素;
对筛选后的初始训练数据进行主成分分析;并添加新随机正样本数据;后使用RUSBOOT采样算法从初始训练数据中进行采样,对采样后的数据使用GBDT算法建立预测模型并进行训练;
模型预测模块使用预测模型对生产中产生的实时冶炼工序数据、热轧工序数据以及冷轧工序数据对冲压开裂情况进行预测。
与现有技术相比,本发明的有益效果是:
本发明通过设置冶炼工序数据采集模块、热轧工序数据采集模块以及冷轧工序数据采集模块分别收集冶炼工序数据、热轧工序数据以及冷轧工序数据;通过设置数据前处理模块对工序数据进行特征提取、交换坯类型判定、数据整合以及数据清洗获得训练用数据;通过模型预测模块对筛选后的初始训练数据进行主成分分析;并添加新随机正样本数据;再使用GBDT算法建立并训练预测模型;使用训练模型预测生产中的冲压开裂情况;解决了薄板带钢冲压开裂智能预测的问题。
附图说明
图1为薄板带钢冲压开裂的预测方法流程图;
图2为薄板带钢冲压开裂的预测装置结构图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,一种薄板带钢冲压开裂的预测方法,包括以下步骤:
步骤一:冶炼工序数据采集模块收集冶炼工序数据;冶炼工序数据采集模块将采集的冶炼工序数据通过电气方式发送至数据前处理模块;
步骤二:热轧工序数据采集模块采集热轧工序数据;热轧工序数据采集模块将收集的热轧工序数据通过电气方式发送至数据前处理模块;
步骤三:冷轧工序数据采集模块采集冷轧工序数据;冷轧工序数据采集模块将收集的冷轧工序数据通过电气方式发送至数据前处理模块;
步骤四:数据前处理模块将收集的冶炼工序数据、热轧工序数据以及冷轧工序数据进行数据预处理;所述数据预处理包括特征提取、交换坯类型判定、数据整合以及数据清洗;数据前处理模块将预处理后的数据发送至前数据存储模块;
步骤五:前数据处理模块使用关系型数据库存储清洗后的数据;前数据存储模块与模型预测模块以电气方式连接;
步骤六:模型预测模块获取前数据存储模块存储的清洗后的数据;并将数据与实际的冲压开裂反馈数据共同构成初始训练数据;通过实际经验设置的相关因素筛选,删除初始训练数据中的无关因素;
对筛选后的初始训练数据进行主成分分析;并添加新随机正样本数据后使用RUSBOOT算法采样算法从初始训练数据中进行采样,对采样后的数据使用GBDT算法建立预测模型并进行训练;将训练完成的预测模型标记为G;所述正样本为冲压开裂的样本;GBDT算法的预测目标为判断样本是否开裂;
步骤七:模型预测模块使用预测模型G对生产中产生的实时冶炼工序数据、热轧工序数据以及冷轧工序数据对冲压开裂情况进行预测;
在一个优选的实施例中,所述冶炼工序数据采集模块包括转炉数据单元、LF数据单元、RH数据单元以及连铸数据单元;各个数据单元收集不同的冶炼数据;其中转炉数据单元收集的数据包括转炉成分、废钢量、铁水量以及钢水量;其中,LF数据单元收集的数据包括废钢量、白渣保护时间、软吹时间、镇静时间、出站温度、铝耗以及渣中T.Fe含量;其中,RH数据单元收集的数据包括废钢量、吹氧量、脱碳终点氧、极限真空度、脱气时间、合金添加量以及成分;其中,连铸数据单元收集的数据包括流次、保护渣、拉速、中包铝、中包钛、板坯号、液位波动量、塞棒位置、中包吨位、过钢量、过热度、氩气流量、塞棒氩气背压、中包车、中间包号以及成分;其中,氩气流量包括含塞棒、塞棒氩气背压、上水口氩气以及上水口氩气背压;汇总转炉数据单元、LF数据单元、RH数据单元以及连铸数据单元;
在一个优选的实施例中,所述热轧工序数据采集模块包括加热炉数据单元、粗轧数据单元、精轧单元以及卷取单元;各个数据单元收集不同的热轧数据;其中,加热炉数据单元收集的数据包括库龄、入炉温度、各加热段温度与时间、固溶时间以及出炉温度;所述粗轧数据单元收集的数据包括各道次宽度、各道次厚度以及出口温度;所述精轧数据单元收集的数据包括入口温度、出口温度、轧制速度以及ISC水量;卷取单元收集的数据包括各位置温度以及卷取速度;
在一个优选的实施例中,所述冷轧工序数据采集模块收集的冷轧工序数据包括变形量、退火炉各段温度、退火炉各段气氛、退火炉运行速度以及光整机伸长率;
在一个优选的实施例中,所述数据前处理模块包括特征提取单元、交换坯类型判定单元、数据整合单元、数据清洗单元;
其中,所述特征提取单元用于对数据进行特征提取;所述特征提取为将冶炼工序数据、热轧工序数据以及冷轧工序数据,根据实际经验对每项数据采用计算数据平均值、中位数、标准差、最大值、最小值、斜率、时长、峰值、峰宽、累计值、频率、CPK、离散度、命中率、偏度以及峰度中的某一项或若干项结合的方式,获取每项数据的数字化表达;将每项数字化表示的数据称为工艺参数;
其中,所述交换坯类型判定单元用于根据中包吨位曲线判断交换坯类型,在更换大包时中间包液位下降阶段对应的板坯为下降坯,中间包液位上升阶段对应板坯为上升坯,如果上升阶段和下降阶段在同一块板坯则该板坯为上升下降坯,其余为正常坯;
其中,所述数据整合单元用于将预处理后的数据进行整合,整合成模型训练模块可使用的数据集合;
其中,所述数据清洗单元用于对整合好的数据进行数据清洗;清洗过程包括剔除重复数据、对缺失值进行整行数据删除、采用3sigma进行整行数据删除、采用KNN模型或者均值进行缺失值设定、对异常值进行整行删除或设置为默认值;所述异常值为超出设定的上下限的数值;
其中,所述模型预测模块对数据进行筛选的方式包括因子分析、相关性分析以及最佳子集;
其中,i为工艺参数,n为第n个数据值,为正样本数据的i工艺平均值为负样本数据的i工艺平均值,rand(-1,1)为在(-1,1)范围内的随机数,α为根据实际经验设置的范围在0.5-5之间的增益系数;分别为旧数据和基于旧数据产生的新数据。
如图2所示,一种薄板带钢冲压开裂的预测装置,包括冶炼工序数据采集模块、热轧工序数据采集模块、冷轧工序数据采集模块、数据前处理模块、前数据处理模块以及模型预测模块;
其中,冶炼工序数据采集模块、热轧工序数据采集模块、冷轧工序数据采集模块分别收集冶炼工序数据、热轧工序数据、冷轧工序数据;
冶炼工序数据采集模块、热轧工序数据采集模块、冷轧工序数据采集模块通过电气方式分别将冶炼工序数据、热轧工序数据、冷轧工序数据发送至数据前处理模块;
数据前处理模块将收集的冶炼工序数据、热轧工序数据以及冷轧工序数据进行数据预处理;数据前处理模块将预处理后的数据发送至前数据存储模块;
模型预测模块获取前数据存储模块存储的清洗后的数据;并将数据与实际的冲压开裂反馈数据共同构成初始训练数据;通过实际经验设置的相关因素筛选,删除初始训练数据中的无关因素;
对筛选后的初始训练数据进行主成分分析;并添加新随机正样本数据;后使用RUSBOOT采样算法从初始训练数据中进行采样,对采样后的数据使用GBDT算法建立预测模型并进行训练;
进一步的,模型预测模块使用预测模型对生产中产生的实时冶炼工序数据、热轧工序数据以及冷轧工序数据对冲压开裂情况进行预测。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (7)
1.一种薄板带钢冲压开裂的预测方法,其特征在于,包括以下步骤:
步骤一:冶炼工序数据采集模块收集冶炼工序数据;冶炼工序数据采集模块将采集的冶炼工序数据通过电气方式发送至数据前处理模块;
步骤二:热轧工序数据采集模块采集热轧工序数据;热轧工序数据采集模块将收集的热轧工序数据通过电气方式发送至数据前处理模块;
步骤三:冷轧工序数据采集模块采集冷轧工序数据;冷轧工序数据采集模块将收集的冷轧工序数据通过电气方式发送至数据前处理模块;
步骤四:数据前处理模块将收集的冶炼工序数据、热轧工序数据以及冷轧工序数据进行数据预处理;所述数据预处理包括特征提取、交换坯类型判定、数据整合以及数据清洗;数据前处理模块将预处理后的数据发送至前数据存储模块;
步骤五:前数据处理模块使用关系型数据库存储清洗后的数据;
步骤六:模型预测模块获取前数据存储模块存储的清洗后的数据;并将数据与实际的冲压开裂反馈数据共同构成初始训练数据;通过实际经验设置的相关因素筛选,删除初始训练数据中的无关因素;
对筛选后的初始训练数据进行主成分分析;并添加新随机正样本数据后使用RUSBOOT采样算法从初始训练数据中进行采样,对采样后的数据使用GBDT算法建立预测模型并进行训练;将训练完成的预测模型标记为G;所述正样本为冲压开裂的样本;GBDT算法的预测目标为判断样本是否开裂;
步骤七:模型预测模块使用预测模型G对生产中产生的实时冶炼工序数据、热轧工序数据以及冷轧工序数据对冲压开裂情况进行预测。
2.根据权利要求1所述的一种薄板带钢冲压开裂的预测方法,其特征在于,所述冶炼工序数据采集模块包括转炉数据单元、LF数据单元、RH数据单元以及连铸数据单元;各个数据单元收集不同的冶炼数据;
其中转炉数据单元收集的数据包括转炉成分、废钢量、铁水量以及钢水量;其中,LF数据单元收集的数据包括废钢量、白渣保护时间、软吹时间、镇静时间、出站温度、铝耗以及渣中T.Fe含量;
其中,RH数据单元收集的数据包括废钢量、吹氧量、脱碳终点氧、极限真空度、脱气时间、合金添加量以及成分;
其中,连铸数据单元收集的数据包括流次、保护渣、拉速、中包铝、中包钛、板坯号、液位波动量、塞棒位置、中包吨位、过钢量、过热度、氩气流量、塞棒氩气背压、中包车、中间包号以及成分;
其中,氩气流量包括含塞棒、塞棒氩气背压、上水口氩气以及上水口氩气背压;汇总转炉数据单元、LF数据单元、RH数据单元以及连铸数据单元。
3.根据权利要求1所述的一种薄板带钢冲压开裂的预测方法,其特征在于,所述热轧工序数据采集模块包括加热炉数据单元、粗轧数据单元、精轧单元以及卷取单元;各个数据单元收集不同的热轧数据;
其中,加热炉数据单元收集的数据包括库龄、入炉温度、各加热段温度与时间、固溶时间以及出炉温度;
所述粗轧数据单元收集的数据包括各道次宽度、各道次厚度以及出口温度;
所述精轧数据单元收集的数据包括入口温度、出口温度、轧制速度以及ISC水量;
所述卷取单元收集的数据包括各位置温度以及卷取速度。
4.根据权利要求1所述的一种薄板带钢冲压开裂的预测方法,其特征在于,所述冷轧工序数据采集模块收集的冷轧工序数据包括变形量、退火炉各段温度、退火炉各段气氛、退火炉运行速度以及光整机伸长率。
5.根据权利要求1所述的一种薄板带钢冲压开裂的预测方法,其特征在于,所述数据前处理模块包括特征提取单元、交换坯类型判定单元、数据整合单元、数据清洗单元;
其中,所述特征提取单元用于对数据进行特征提取;所述特征提取为将冶炼工序数据、热轧工序数据以及冷轧工序数据,根据实际经验对每项数据采用计算数据平均值、中位数、标准差、最大值、最小值、斜率、时长、峰值、峰宽、累计值、频率、CPK、离散度、命中率、偏度以及峰度中的某一项或若干项结合的方式,获取每项数据的数字化表达;将每项数字化表示的数据称为工艺参数;
其中,所述交换坯类型判定单元用于根据中包吨位曲线判断交换坯类型;
其中,所述数据整合单元用于将预处理后的数据进行整合,整合成模型训练模块可使用的数据集合;
其中,所述数据清洗单元用于对整合好的数据进行数据清洗。
7.一种薄板带钢冲压开裂的预测装置,其特征在于,包括冶炼工序数据采集模块、热轧工序数据采集模块、冷轧工序数据采集模块、数据前处理模块、前数据处理模块以及模型预测模块;
其中,冶炼工序数据采集模块、热轧工序数据采集模块、冷轧工序数据采集模块分别收集冶炼工序数据、热轧工序数据、冷轧工序数据;
冶炼工序数据采集模块、热轧工序数据采集模块、冷轧工序数据采集模块通过电气方式分别将冶炼工序数据、热轧工序数据、冷轧工序数据发送至数据前处理模块;
数据前处理模块将收集的冶炼工序数据、热轧工序数据以及冷轧工序数据进行数据预处理;数据前处理模块将预处理后的数据发送至前数据存储模块;
模型预测模块获取前数据存储模块存储的清洗后的数据;并将数据与实际的冲压开裂反馈数据共同构成初始训练数据;通过实际经验设置的相关因素筛选,删除初始训练数据中的无关因素;
对筛选后的初始训练数据进行主成分分析;并添加新随机正样本数据;后使用RUSBOOT采样算法从初始训练数据中进行采样,对采样后的数据使用GBDT算法建立预测模型并进行训练;
模型预测模块使用预测模型对生产中产生的实时冶炼工序数据、热轧工序数据以及冷轧工序数据对冲压开裂情况进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210892869.6A CN115239155A (zh) | 2022-07-27 | 2022-07-27 | 一种薄板带钢冲压开裂的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210892869.6A CN115239155A (zh) | 2022-07-27 | 2022-07-27 | 一种薄板带钢冲压开裂的预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115239155A true CN115239155A (zh) | 2022-10-25 |
Family
ID=83676424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210892869.6A Pending CN115239155A (zh) | 2022-07-27 | 2022-07-27 | 一种薄板带钢冲压开裂的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239155A (zh) |
-
2022
- 2022-07-27 CN CN202210892869.6A patent/CN115239155A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991916A (zh) | 一种铸坯质量判定系统和方法 | |
CN107179749B (zh) | 热镀锌产品全流程质量控制方法 | |
CN108672625B (zh) | 一种利用径锻机生产多台阶冷轧工作辊坯的加工方法 | |
CN110989510A (zh) | 一种热镀锌产品全流程质量控制与等级自动判断系统 | |
CN112232703A (zh) | 铸坯质量判定方法及系统 | |
CN110232232A (zh) | 一种适用于连退来料板形目标曲线优化设定 | |
TW202113521A (zh) | 品質預測模型生成方法、品質預測模型、品質預測方法、金屬材料的製造方法、品質預測模型生成裝置以及品質預測裝置 | |
CN113033974A (zh) | 基于改进lstm网络的数字钢卷特征质量预测及工艺参数动态调整方法及系统 | |
CN110628981A (zh) | 界定转炉吹炼期发生喷溅的固化经验方法 | |
CN115239155A (zh) | 一种薄板带钢冲压开裂的预测方法和装置 | |
CN107716840A (zh) | 一种环锻件的生产工艺 | |
CN108364095B (zh) | 基于数据挖掘的炼钢生产过程钢水质量诊断方法 | |
CN108941496B (zh) | 炼钢连铸过程质量实时跟踪及控制系统及方法 | |
CN106844831B (zh) | 一种优化if钢冶炼参数降低冷轧夹杂类缺陷的方法 | |
CN117171936A (zh) | 基于缺陷机理提取结晶器实时特征值的板坯质量预测方法 | |
CN114781110B (zh) | 一种基于数据分析的热轧卷板翘皮缺陷追溯方法及系统 | |
CN113791009A (zh) | 一种预报铸坯加热后原始奥氏体晶粒尺寸的方法 | |
CN116174493A (zh) | 一种中厚板轧制节奏的时位图分析方法 | |
CN115933395A (zh) | 一种基于大数据的转炉生产预报方法 | |
CN112085391A (zh) | 一种基于工艺规则的带钢生产过程数据特征值提取方法 | |
CN112699534A (zh) | 一种用于生产冷轧产品的方法及装置 | |
CN117540867A (zh) | 基于多模型融合的推焦工况预测方法、设备及存储介质 | |
CN107314910A (zh) | 一种微合金化高强汽车用钢铸坯低倍制取样的方法 | |
CN113843282A (zh) | 一种中厚板轧制节奏的在线监控方法 | |
CN113689091A (zh) | 一种智能钢卷质量分级的方法 |
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 |