CN116702632B - 一种基于全流程冷轧硅钢磁性能在线预测方法及装置 - Google Patents
一种基于全流程冷轧硅钢磁性能在线预测方法及装置 Download PDFInfo
- Publication number
- CN116702632B CN116702632B CN202310988260.3A CN202310988260A CN116702632B CN 116702632 B CN116702632 B CN 116702632B CN 202310988260 A CN202310988260 A CN 202310988260A CN 116702632 B CN116702632 B CN 116702632B
- Authority
- CN
- China
- Prior art keywords
- silicon steel
- data
- prediction
- iron loss
- cold
- 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
- 229910000976 Electrical steel Inorganic materials 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 143
- 230000008569 process Effects 0.000 claims abstract description 78
- 238000004519 manufacturing process Methods 0.000 claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 48
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 193
- 230000006698 induction Effects 0.000 claims description 97
- 229910052742 iron Inorganic materials 0.000 claims description 96
- 238000012549 training Methods 0.000 claims description 66
- 238000012360 testing method Methods 0.000 claims description 30
- 238000005096 rolling process Methods 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 239000002253 acid Substances 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000011056 performance test Methods 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000000137 annealing Methods 0.000 claims description 6
- 238000005098 hot rolling Methods 0.000 claims description 6
- 238000009749 continuous casting Methods 0.000 claims description 5
- 238000011425 standardization method Methods 0.000 claims description 5
- 238000009628 steelmaking Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 239000002436 steel type Substances 0.000 claims 1
- 238000005070 sampling Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 229910000831 Steel Inorganic materials 0.000 description 13
- 239000010959 steel Substances 0.000 description 13
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 9
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 6
- 239000000523 sample Substances 0.000 description 5
- 238000003723 Smelting Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 229910052717 sulfur Inorganic materials 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000002788 crimping Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 101150085096 fur4 gene Proteins 0.000 description 2
- 230000005415 magnetization Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 229910052720 vanadium Inorganic materials 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 101100391182 Dictyostelium discoideum forI gene Proteins 0.000 description 1
- 101000807008 Homo sapiens Uracil phosphoribosyltransferase homolog Proteins 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 102100037717 Uracil phosphoribosyltransferase homolog Human genes 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/0633—Workflow analysis
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明涉及一种基于全流程冷轧硅钢磁性能在线预测方法及装置。该方法将冷轧硅钢生产全过程中各工序生产过程数据作为数据源进行建模，将生产过程中的所有因素都考虑在预测模型之内，基于高斯过程回归建立的预测模型对冷轧硅钢磁性能具有较高的预测精度，因此，能够实现冷轧硅钢磁性能在线预测功能，可以替代冷轧硅钢现场取样检测，减少检测时间，提高生产效率，对优化冷轧硅钢工艺参数具有重要的指导意义，并能够提高企业效益。
Description
技术领域
本发明属于冷轧硅钢技术领域，具体涉及一种基于全流程冷轧硅钢磁性能在线预测方法及装置。
背景技术
磁性能是衡量硅钢产品质量水平的重要指标，也是判定硅钢牌号等级的关键指标。硅钢的磁性能主要分为磁感及铁损两个指标，磁感表示硅钢片被磁化的难易程度，磁感高意味着磁化能力强，可以节约硅钢片、铜线及绝缘材料等的使用，减少电机及变压器的铁芯体积及重量；铁损代表着能量损耗，是划分硅钢牌号的重要依据，铁损愈低，品级愈高。
目前，硅钢出厂牌号和磁性能水平严重依赖于成品的取样检测结果，检测周期长，容易导致产品库存积压。虽然国内外硅钢企业配备了在线铁损检测设备，但其检测结果受环境及设备影响，且与离线检测结果存在明显差异，导致在线检测结果只能作为参考，不能作为最终磁性能检测结果。
现有技术一公开了采集酸轧、退火机组的工艺数据，并且以在线铁损数据为检测结果，但这种方法并未考虑全流程各工序间的工艺参数及离线磁性能检测结果对预测结果的影响；现有技术二中采用的工艺参数只有带钢张力值及测试探头距带钢的高度，没有涉及硅钢生产过程中的生产工艺参数；现有技术三的方法只考虑了化学成分硅、锰、铝含量及退回温度对铁损的影响，而没有考虑轧制过程的影响。实际上，除了上述因素外，硅钢生产过程中各生产工序都会对最终的磁性能产生影响，但目前已有的磁性能预测模型并没有综合考虑硅钢生产过程中各工序数据对模型的影响。
发明内容
为了克服现有技术存在的上述问题，本发明提供一种基于全流程冷轧硅钢磁性能在线预测方法及装置，用于解决现有技术中存在的上述问题。
一种基于全流程冷轧硅钢磁性能在线预测方法，所述方法包括步骤：
S1.建立包括硅钢的磁感和铁损性能的冷轧硅钢生产全流程历史数据集；
S2.对所述冷轧硅钢生产全流程历史数据集进行数据的清洗、填充及标准化处理；
S3.对处理后得到的数据集进行特征选择，建立与所述磁感及铁损性能相关的特征子集，并将处理后的数据集划分为训练集和测试集；
S4.构建硅钢磁感预测模型和硅钢铁损预测模型，采用所述训练集来训练两个所述预测模型，并采用测试集来优化两个所述预测模型；
S5.基于所述优化后的两个所述预测模型，结合在线获得的硅钢生产实际工艺参数，实现对冷轧硅钢磁感和/或铁损进行在线预测。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S1中冷轧硅钢生产全流程历史数据集包括：炼钢、连铸、加热、热轧、酸轧、退火硅钢生产工序中的工艺参数数据和硅钢磁性能检测结果数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述步骤S2具体包括：
对所述冷轧硅钢生产全流程历史数据集中的缺失值使用同规格钢种的均值进行填充，对于所述冷轧硅钢生产全流程历史数据集中的异常值进行筛选；对填充筛选后的所述冷轧硅钢生产全流程历史数据集中不同量纲的数据进行标准化处理。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S3具体包括：
S31.将S2处理后的数据集中的数据特征划分为工艺参数和磁性能检测结果；
S32.分别计算所述工艺参数与磁性能检测结果的最大互信息系数，得到相关性值，与设定的阈值相比较，根据所述比较筛选出相应特征子集；
S33.将S2处理后的数据集按照8:2的比例划分为所述训练集和测试集，使用S32选取的特征子集作为后续训练模型的特征。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述标准化处理具体包括：使用Z-score标准化方法对填充筛选后的数据集中不同量纲的数据进行标准化处理，所述Z-score标准化变换公式如下：
，
其中，z是所述工艺参数中某数据的某特征的实际值，z'为该数据的该特征进行标准化处理后的标准化后的值，μ为该特征在填充筛选后的数据集中的平均值，为该特征在填充筛选后的数据集中的标准差。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S32分别计算所述工艺参数与磁性能检测结果的最大互信息系数，具体包括如下步骤：
S321.首先将工艺参数U中的某个特征u及磁性能检测结果V的某个特征v画成散点
图，然后将u等比例划分为份，将v等比例划分为份，形成个网格，为自然数，且，为S2处理后数据集的数据数量；
S322.计算最大互信息系数，公式如下：
，
式中, 即所求特征与特征的最大互信息系数，为与
两个数中的最小值，是与之间的互信息系数，的计算公式如下：
，
是和的联合概率分布和是和的边缘概率分布。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述硅钢磁感预测模型和硅钢铁损预测模型的构建基于高斯过程回归，所述模型的核函数为常数核与高斯核的组合。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述硅钢磁
感预测模型和硅钢铁损预测模型的核函数的表达式为：，其中，θ1为常数核的超参数、θ2为高斯核的超参数，表示第i条数据与第j条数据工艺参数的欧氏距离。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S5具体包括：获取硅钢生产实时数据，对所述实时数据进行缺失、异常及标准化处理后，然后将处理后的数据输入到所述硅钢磁感预测模型和硅钢铁损预测模型后进行处理，得到磁感和铁损的实时预测结果。
本发明还提供了一种基于全流程冷轧硅钢磁性能在线预测装置，所述装置用于实现所述的预测方法，所述装置包括：
建立模块，用于建立包括硅钢的磁感和铁损性能的冷轧硅钢生产全流程历史数据集；
处理模块，用于对所述冷轧硅钢生产全流程历史数据集进行数据的清洗、填充及标准化处理；
特征选择模块，用于对处理后得到的数据集进行特征选择，建立与所述磁感和铁损性能相关的特征子集，并将处理后的数据集划分为训练集和测试集；
模型构建模块，构建硅钢磁感预测模型和硅钢铁损预测模型，采用所述训练集来训练两个所述预测模型，并采用测试集来优化两个所述预测模型；
在线预测模块，用于基于所述优化后的两个所述预测模型，结合在线获得的硅钢生产实际工艺参数，实现对冷轧硅钢的磁感和/或铁损进行在线预测。
本发明的有益效果
与现有技术相比，本发明有如下有益效果：
本发明的基于全流程冷轧硅钢磁性能在线预测方法及装置，该方法将冷轧硅钢生产全过程中各工序生产过程数据作为数据源进行建模，将生产过程中的所有因素都考虑在预测模型之内，基于高斯过程回归建立的预测模型对冷轧硅钢性能具有较高的预测精度，因此，能够实现冷轧硅钢在线预测功能，可以替代冷轧硅钢现场取样检测，减少检测时间，提高生产效率，对优化冷轧硅钢工艺参数具有重要的指导意义，并能够提高企业效益。
附图说明
图1为本发明的预测方法流程示意图。
图2为不同最大互信息系数阈值下，与磁感和铁损相关的特征数示意图。
图3为采用本发明方法预测的磁感数据与实际检测磁感数据对比示意图。
图4为采用本发明方法预测的铁损数据与实际检测铁损数据对比示意图。
图5为采用本发明方法预测的磁感、铁损预测值与实际检测值分布示意图。
具体实施方式
为了更好的理解本发明的技术方案，本发明内容包括但不限于下文中的具体实施方式，相似的技术和方法都应该视为本发明保护的范畴之内。为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
应当明确，本发明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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
如图1所示，本发明提供了一种基于全流程冷轧硅钢磁性能在线预测方法，所述方法包括步骤：
S1.建立包括硅钢的磁感和铁损性能的冷轧硅钢生产全流程历史数据集；
S2.对所述冷轧硅钢生产全流程历史数据集进行数据的清洗、填充及标准化处理；
S3.对处理后得到的数据集进行特征选择，建立与所述磁感及铁损性能相关的特征子集，并将处理后的数据集划分为训练集和测试集；
S4.构建硅钢磁感预测模型和硅钢铁损预测模型，采用所述训练集来训练两个所述预测模型，并采用测试集来优化两个所述预测模型；
S5.基于所述优化后的两个所述预测模型，结合在线获得的硅钢生产实际工艺参数，实现对冷轧硅钢磁感和/或铁损进行在线预测。
优选地，所述S1中冷轧硅钢生产全流程历史数据集具体包括炼钢、连铸、加热、热轧、酸轧、退火等硅钢生产工序中的工艺参数和硅钢磁性能检测结果数据；
通过熔炼号、板坯号、热轧卷号、硅钢卷号等制造过程物料关键信息将硅钢生产过程中各工序之间的生产历史数据与硅钢磁性能检测结果历史数据进行一一对应。获取到的所有数据看作一个二维表格，表格中的每一行代表每一条硅钢生产工艺数据和磁性能检测结果数据，每一列的“钢卷号、板坯号、C、S、F1轧制力、磁感和铁损”等代表该数据的每个特征，本发明共包括1614行，71列，如下表1所示：
表1工艺参数和硅钢磁性能检测结果历史数据
| 钢卷号 | 板坯号 | C | S | F1轧制力 | … | FUR1温度 | SF1温度 | 磁感 | 铁损 |
| G200461 | B73815 | 180 | 98700 | 1860 | … | 636.3561 | 825.6549 | 1.752 | 4.80 |
| D231011 | B52203 | 250 | 72000 | 2371 | … | 668.3116 | 833.2865 | 1.757 | 5.81 |
| … | … | … | … | … | … | … | … | … | … |
| D234511 | B52252 | 200 | 89000 | 2011 | … | 628.3116 | 854.2558 | 1.721 | 4.31 |
优选地，所述步骤S2具体包括：
对所述冷轧硅钢生产全流程数据集中的缺失值使用同规格钢种的均值进行填充，对于所述冷轧硅钢生产全流程数据集中的异常值进行筛选后按照缺失值处理；对填充筛选后的所述冷轧硅钢生产全流程数据集中不同量纲的数据进行标准化处理。
优选地，所述标准化处理具体包括：使用Z-score标准化方法对填充筛选后的数据
集中不同量纲的数据进行标准化处理，所述Z-score标准化变换公式如下： ，
其中，z是所述工艺参数中某数据的某特征的实际值，z'为该数据的该特征进行标准化处理后的标准化后的值，μ为该特征在填充筛选后的数据集中的平均值，为该特征在填充筛选后的数据集中的标准差。
优选地，所述S3具体包括：
S31.将S2处理后的数据集中的数据划分为包括工艺参数U和磁性能检测结果V，其包括磁感性能检测结果和铁损性能检测结果；
S32.分别计算所述工艺参数与磁性能检测结果的最大互信息系数，得到相关性值，将相关性值与设定的阈值相比较，根据所述比较结果筛选出相应特征子集；
S33.将S32处理后的数据集按照8:2的比例划分为所述训练集和测试集，作为后续训练模型的特征。
优选地，所述S32分别计算所述工艺参数与磁性能检测结果的最大互信息系数，具体包括如下步骤：
S321.将工艺参数U中的某个特征u及磁性能检测结果V的某个特征v的数据画成散
点图，然后将u按照S2处理后的数据集中的取值上下限等比例划分为份，将v按照S2处理后
的数据集中的取值上下限等比例划分为份，形成个网格，为自然数，且，最大互信息系数即尝试所有与的满足条件的组合，取计算结果的最大值。
S322.计算最大互信息系数，公式如下：
，
式中, 即所求特征与特征的最大互信息系数，为与
两个数中的最小值，是与之间的互信息系数，的计算公式如下：
，
是和的联合概率分布，即划分的某个表格内的数据量除以全部的数据
量， ，和是和的边缘概率分布，,分别表示某行和某列表格的数据量除以全部的数据量；
优选地，所述硅钢磁感预测模型和硅钢铁损预测模型的构建基于高斯过程回归，所述模型的核函数为常数核与高斯核的组合。
优选地，所述硅钢磁感预测模型和硅钢铁损预测模型的核函数的表达式为：，其中，θ1为常数核的超参数、θ2为高斯核的超参数，表示训练集中第i条数据和第j条数据工艺参数的欧氏距离,计算公式为：
，
式中, 和表示第i条数据的全部工艺参数与第j条数据的全部工艺参数,
表示第i条数据的第h个工艺参数取值，表示第j条数据的第h个工艺参数的取值。h的上
限是64是因为特征选择后得到的特征子集包含64个特征。
优选地，所述S5具体包括：获取硅钢生产实时数据，对所述实时数据进行缺失、异常及标准化处理后，然后将处理后的数据输入到优化和验证后的所述预测模型后进行处理，得到磁感和铁损的实时预测结果。
具体地，本发明的在线预测过程如下：
一种基于全流程工艺数据的冷轧硅钢磁性能在线预测方法，包括如下步骤：
步骤一、构建数据集：选取冷轧硅钢全流程全部生产过程的各工序历史生产数据及硅钢磁性能检测结果历史数据构建冷轧硅钢全流程历史数据集；
步骤二、数据预处理：对步骤一中构建的全流程历史数据集进行数据清洗、填充及标准化处理；
步骤三、特征选择：对步骤二预处理后的数据集使用最大互信息系数的方法进行特征选择，对磁感和铁损设置不同的相关度阈值，获取步骤二预处理后的数据集内相关性大于阈值的工艺参数特征，建立与磁感和铁损相关的特征子集作为后续建模的工艺参数。将数据集中的n条数据按照8:2的比例随机划分训练集(n1条数据)与测试集(n2条数据)（二者的特征一致，只是数据数量不同，n1+n2=n）；
步骤四、模型构建：基于高斯过程回归构建硅钢磁感预测模型和硅钢铁损预测模型，并通过参数优化方法对两个模型中的参数进行迭代优化，确保两个模型预测分析的计算精度；
步骤五、在线预测：基于步骤四构建的硅钢磁感预测模型和硅钢铁损预测模型，结合硅钢生产实时工艺参数对冷轧硅钢磁感及铁损进行在线预测。
进一步地，所述步骤一具体包括：
从硅钢生产历史信息数据库中导出各生产工序历史数据，具体包括炼钢（化学成分[C、SI、TI、MN、NB、S、V、N、P、CR]）连铸（拉速、板坯宽度）、加热、（加热时间、装炉温度、出炉温度）热轧（粗轧出口宽度、粗轧出口厚度、精轧入口温度、精轧出口温度、精轧1-7机架轧制力、精轧出口厚度、精轧出口宽度、卷曲温度）、酸轧（酸轧速度、酸轧出口厚度、酸轧出口宽度）、退火（PH段温度、NOF段温度、RTF段温度、SF段温度、2#RTF段温度、2#SF段温度、CTF段温度、DS段温度、BS段温度、FUR段温度）等硅钢生产工序中的工艺参数和硅钢磁性能检测结果（磁感、铁损）数据；
通过熔炼号、板坯号、热卷号、硅钢卷号等制造过程物料关键信息将硅钢生产过程中各工序之间的生产历史数据与硅钢磁性能检测结果历史数据进行一一对应。获取到的数据看作一个二维表格，表格中的每一行代表每一条数据，每一列代表数据的每个特征（属性），如上表1所示。
进一步地，所述步骤二具体包括：
在实际生产过程中，由于传感器异常、网络波动、数据格式不正确等原因导致数据中出现缺失值和异常值，如果将这些不完整、不正确的数据用来建模可能会产生不可靠的输出。因此需要对数据进行清洗。对于缺失值，相同的钢种决定了这些钢种属于同规格的，所预设的工艺参数相似，其在生产过程中观测的工艺参数数据有着相似的表现，所得到的数据理应相似。因此对步骤1建立的数据集中的缺失值使用同规格钢种的均值进行填充，对于数据集中的异常值采用箱线图法进行识别。箱线图反映连续型数据分布的中心位置和散布范围，在数据大幅度偏离中心时，会被识别为异常数据。具体来讲，将一组数据从小到大排列，Q1为1/4分位数，Q2为中位数，Q3为3/4分位数，四分位距QR定义为QR=Q3-Q1，箱线图的下界和上届分别设置为Q1-1.5QR，Q3+1.5QR，超出界限的部分被判定为异常值，对于异常值，将其当作缺失值进行处理；
使用Z-score标准化方法对填充筛选后的数据集中不同量纲的数据进行标准化处理，以消除量纲对后续建模的影响。所述Z-score标准化变换公式如下：
（1）
式中，z是某数据的某特征的实际值（即二维表格中的一格），z'为标准化后的值，μ为该特征在填充筛选后的数据集中的平均值，为该特征在填充筛选后的数据集中的标准差。
进一步地，所述步骤三具体包括：
步骤三一.将步骤二处理后的数据集中的数据划分为工艺参数和磁性能检测结果；
步骤三二.分别计算所述工艺参数与磁性能检测结果的最大互信息系数，得到相关性值，与设定的阈值相比较，根据所述比较筛选出相应特征子集，具体包括：
首先将工艺参数U中的某个特征u及磁性能检测结果V的某个特征v画成散点图，然
后将u等比例划分为份，将v等比例划分为份，形成个网格，为自然数，且，为S2处理后数据集的数据数量；
然后计算最大互信息系数，公式如下：
（2），
式中, 即所求特征与特征的最大互信息系数，为与
两个数中的最小值，是与之间的互信息系数，的计算公式如下：
（3），
是和的联合概率分布，即划分的某个表格内的数据量除以全部的数据
量，，和是和的边缘概率分布，,分别表示某行和某列表格的数据量除以全部的数据量；
步骤三三. 将步骤二处理后的数据集按照8:2的比例划分为所述训练集和测试集，使用步骤三二选取的特征子集作为后续训练模型的特征。
进一步地，所述步骤四具体包括：
基于高斯过程回归进行冷轧硅钢磁感预测模型和硅钢铁损预测模型的构建，包括选择常数核与高斯核的乘积作为核函数，核函数的超参数θ通过L-BFGS算法进行优化；
高斯过程回归的目的是学习数据中的分布规律，获得训练集中的工艺参数数据X与磁性能检验结果y之间的关系。
设工艺参数X服从多元高斯分布，y的先验分布符合多元高斯分布：
（4）
其中，是关于训练集的单位矩阵，是n1×n1的正定协方差矩阵，n1为训
练集的数据数量，N()是正态分布。
根据高斯过程的性质，高斯过程中随机变量的有限子集服从多元高斯分布，因此，当先验为训练集中的工艺参数数据X时，对于新输入的一条工艺参数数据X*,输出磁性能预测结果y*与训练集的磁性能检验结果y的联合分布也服从高斯分布，即：
（5）
K(X,X*)是训练集中的工艺参数数据X与新输入工艺参数数据X*所求得的协方差组成的n1×1的协方差矩阵，K(X*,X)是1×n1的协方差矩阵，K(X*,X*)是新输入工艺参数数据X*的方差。
根据贝叶斯公式，可以求得y*的后验分布：
（6）
上式表明，在X、y、X*已知的条件下，y*的分布概率服从预测均值为m(y*)，预测方差为cov(y*)的正态分布。
其中：
（7）
y*是为对新输入的工艺参数数据X*对应磁性能的预测结果， m(y*)是y*的均值，cov(y*)是y*的方差。根据损失最小化理论，在预测值y*等于预测均值m(y*)时损失最小，此时的y*则为硅钢磁感预测模型和硅钢铁损预测模型进行计算得到的相应的预测结果，采用下式来表示硅钢磁感预测模型和硅钢铁损预测模型，具体表示为：
（8）
根据磁性能检验结果y的属性，根据此表达式训练硅钢磁感预测模型或硅钢铁损预测模型。在磁性能检验结果y为训练集磁感数据时，训练得到的模型是磁感预测模型，由上述表达式计算所得的y*则为磁感的预测结果；在磁性能检验结果y为训练集铁损数据时，训练得到的模型是铁损预测模型，由上述表达式计算所得y*则为铁损的预测结果。
噪声级别属于硅钢磁感预测模型和硅钢铁损预测模型中的超参数，为一个常数，可事先进行设置，选取值分别为0.01，0.02，…，0.1。
对于协方差矩阵K(X,X)有如下表达式：
（9）
该表达式中的其中一个元素k(xi,xj) （i,j为自然数，分别表示训练集中第i条数据和第j条数据，且1≤i,j≤n1）是一个实数，使用核函数的方法进行计算。在本发明中，使用的核函数为常数核与高斯核的组合，其中常数核是为了对高斯核进行缩放，高斯核RBF()负责高维映射。
常数核的具体表达式为
（10）
高斯核的具体表达式为：
（11）
其中，表示训练集中的第i条数据与第j条数据工艺参数的欧氏距离,计
算公式为：
（12）
式中, 和表示第i条数据的全部工艺参数与第j条数据的全部工艺参数,
表示第i条数据的第h个工艺参数取值，表示第j条数据的第h个工艺参数的取值。h的上
限是64是因为特征选择后得到的特征子集包含64个特征。
则常数核与高斯核二者组合的核函数表达式为：
（13）
由于超参数θ1、θ2影响到核函数，进而影响到整个函数的概率分布和后续建模的预测效果，因此超参数需要进行优化来提高预测的精度。
由式（4）和高斯分布的性质，y的概率密度函数为：
（14）
通过最大化边缘似然可得到高斯过程回归表达式中超参数的最优值。
对式（14）两边取对数再取相反数可得：
（15）
其中，n1为训练集数据集的大小，是超参数，一个二维向量（θ1,θ2），为超参数
协方差矩阵，即：，X为训练集的工艺参数数据，K(X,X)的求取见
式（9）和式（13），为噪声参数，是一个常数，分别设置为0.01，0.02，…，0.1，为n1维的
单位矩阵，为求解的行列式。
因此求解目标由公式（14）的最大化转换为公式（15）的最小化，具体优化求解采用L-BFGS算法进行，L-BFGS求解步骤如下：
（1）初始化：
随机设置二维向量初始的优化值（，），初始迭代次数t = 0。
设置Hessian近似矩阵Bt为2×2的单位矩阵，，Bt用于近似目标函数
的二阶导数的矩阵（Hessian矩阵），简化计算过程；
设置最大迭代次数tmax =10。
（2）迭代步骤：
计算当前优化变量处的梯度，即；
设置优化过程的搜索方向：，其中为搜索方向，为处的近
似二阶导数，由初始化时设置，由上一步迭代更新。
设置步长et分别为（0.55，0.552，…，0.520），使得最小化（即将带入到公式（15）），取该目标函数最小化时的et为搜索步长。
更新优化变量：；
计算新的梯度：；
更新Hessian近似矩阵Bt+1：
式中，为迭代后的Hessian近似矩阵，，，均为中间变量。
（3）终止条件：
t = t +1，若t未达到最大迭代次数tmax，返回步骤（2）；
若t达到最大迭代次数，则终止迭代，返回优化结果。
分别使用磁感数据和铁损数据进行训练，经过训练和迭代，可以得到硅钢磁感预
测模型和硅钢铁损预测模型中的较优超参数。
进一步，在步骤四的模型训练完成之后，将步骤三的测试集的工艺参数特征输入
至训练好的硅钢磁感预测模型和硅钢铁损预测模型中，即将训练得到的作为、训练集
的工艺参数作为X、训练集的磁性能检测结果作为y、测试集的工艺参数作为新的输入X*，随
机常数带入到公式（8），计算得到关于测试集的磁感预测结果和铁损预测结果。为了设
置合适的噪声参数，将计算得到的该测试集的硅钢磁性能检测结果进行评价；
评价指标采用平均绝对误差百分比(MAPE)和R²系数，平均绝对误差百分比消除了量纲带来的影响，R²系数描述了硅钢磁感预测模型和硅钢铁损预测模型对实际数据的拟合程度，具体计算公式如下：
（16）
（17）
分别对磁感和铁损两个指标进行评价，可以得到磁感的MAPE、R2和铁损的MAPE、R2
（MAPE越小，模型的拟合精度越高，R2越接近1，模型的拟合精度越高）。其中是测试集中第条数据磁性能的检测结果，是测试集中第条数据工艺参数输入到硅钢磁感预测模型
和硅钢铁损预测模型中得到的性能指标的预测值，表示整个测试集的磁性能检测结果的
均值。y为磁感时两个指标MAPE和R²用来评价磁感预测模型，y为铁损时两个指标MAPE和R²
用来评价铁损预测模型。
进一步地，所述步骤五具体包括：
获取的硅钢生产的在线实时数据作为新的样本（硅钢的离线性能检测需要对硅钢切头尾取样，本发明是为了避免切头尾取样，因此不使用其离线性能检测结果），对新样本中工艺特征参数进行缺失值、异常值处理，并按建模过程使用的标准化参数进行标准化，然后将该部分数据分别输入到步骤四训练好的硅钢磁感预测模型和硅钢铁损预测模型，可以得到磁感、铁损的实时预测结果，进行在线实时预测。
下面提供一个具体的实施例：
基于全流程工艺数据的冷轧硅钢磁性能在线预测方法，包括如下步骤：
首先，通过SQL语句查询导出国内某钢厂全质量流程大数据系统中硅钢生产过程中的炼钢、连铸、加热、热轧、酸轧、退火等生产工序的工艺参数及磁性能离线检测结果数据，通过熔炼号、板坯号、热卷号、硅钢卷号等关键字段将各工序工艺参数与磁性能检测结果进行关联对应，得到较为完备的硅钢生产工艺参数与性能检验结果的历史数据集，对此数据集进行变量筛选后，进行高斯过程回归模型训练建模。训练和验证时使用的是历史数据，包括工艺参数和性能检测结果，在系统上线后可以输入实时的工艺参数数据，进行实时地性能预测。
上述历史数据集中存在着部分缺失值、异常值和冗余值，如果对这些有缺陷的数据不加以处理，直接将该部分数据进行后续建模，会使得后续建模得到的磁感预测模型和铁损预测模型的预测精度大幅降低，因此需要对历史数据集作预处理。对上述数据集中的缺失值使用同规格钢种的均值进行填充（数据清洗），对数据集中的异常值使用箱线图法和机理知识进行识别，然后将其作为缺失值进行处理，处理后获得1614条数据及69个特征。采用Z-score标准化方法对不同量纲的数据进行标准化处理，消除量纲的影响，最终得到清洗后的数据集。
多余的特征会增加磁感预测和铁损预测模型的计算量且会降低二者的精度，因此需要筛选出与磁性能（磁感和铁损）相关的特征，即特征选择。将清洗后的数据集使用最大互信息系数的方法进行特征选择。分别计算各工艺参数与磁感和铁损的最大互信息系数，按照各工艺参数与磁感、铁损的最大互信息系数不同，将磁感和铁损的特征阈值设置为0.1到0.9，获得与磁感和铁损相关的特征子集（如与磁感的最大互信息系数大于0.1的工艺参数构成的特征子集）。将磁感的相关度阈值设置为0.3，铁损的相关度阈值设置为0.2，分别获得与磁感相关的特征53个、与铁损相关的特征64个，如图2所示，取二者的并集共64个特征为硅钢磁感预测模型和硅钢铁损预测模型输入数据的特征，也就是工艺参数。
具体来讲，筛选后的特征并集（64个特征）包括：钢种化学成分（C、Si、Ti、Mn、Nb、S、V、N、P、Cr）、板坯宽度、加热时间、粗轧出口宽度、粗轧出口厚度、精轧入口温度、精轧出口温度、精轧1-7机架轧制力、精轧出口厚度、精轧出口宽度、卷曲温度、酸轧速度、酸轧出口厚度、酸轧出口宽度、PH段温度、NOF段温度、RTF段温度、SF段温度、2#RTF段温度、2#SF段温度、CTF段温度、DS段温度、BS段温度、FUR段温度等。其中，与磁感高度相关的特征包括：Mn、SF4温度、SF5温度、Si、SF3温度、SF2温度、SF6温度、FUR4温度、SF1温度、FUR3温度等。与铁损高度相关的特征包括：Mn、Si、SF5温度、FUR4温度、FUR3温度、SF2#1温度、SF2#2温度、SF2#3温度、SF6温度、SF3温度等。将这些特征数据按照8:2的比例随机采样划分为训练集和测试集。
将训练集的工艺参数历史数据X和磁感历史数据y输入到式(15)来初始化磁感预
测模型；将训练集的工艺参数历史数据X和铁损历史数据y输入到式(15)来初始化铁损预测
模型。两个模型的核函数都初始设置为C(1)*RBF(1)，通过最小化式（15）来得到较优解。求
解方式使用L-BFGS算法，都设置最大优化迭代次数为10。两个模型的噪声参数都会影响
到其各自的拟合效果，较小的噪声参数会使模型更加拟合训练数据，容易导致模型的过拟
合；而较大的噪声参数会使模型对观测误差更加敏感，降低了对训练数据的拟合程度，容易
导致模型欠拟合。噪声参数分别设置为0.01,0.02，…,0.1进行实验，取最优结果作为噪声
参数，最终磁感预测模型噪声设置为0.05和铁损预测模型噪声设置为0.03。训练完成后，磁
感预测模型的核函数设置为C(0.7252)×RBF(8.32)，铁损预测模型的核函数设置为C
(0.8722)×RBF(8.03)。使用测试集的数据对两个模型进行评价，使用MAPE和R2作为评价指
标，磁感预测模型的预测误差：MAPE为0.241%，R2为0.956；铁损预测模型的预测误差：MAPE
为1.471%，R2为0.980。磁感预测结果如图3所示，铁损的预测结果如图4所示，圆点黑线代表
真实值（磁性能检验结果），方块代表预测值，灰色区域是高斯过程给出的95%的置信区间
（可以获得预测结果的置信上限和置信下限，方便工艺人员进行多结果参考）。图5为测试集
磁性能检验结果与硅钢磁感预测模型和硅钢铁损预测模型的预测结果的样本分布，可知采
用该发明方法取得了较好的预测效果。
最后将该发明方法应用到某钢铁企业全流程生产质量大数据系统，在系统中可以查询到硅钢生产的实时数据，因此可以对这部分数据可以无需等待抽样检验，采用本发明的方法即可进行在线实时的预测，完成硅钢磁性能（磁感、铁损）在线预测的功能。
本发明还提供了一种基于全流程冷轧硅钢磁性能在线预测装置，所述装置用于实现所述的预测方法，所述装置包括：建立模块，用于建立包括硅钢的磁感和铁损性能的冷轧硅钢生产全流程历史数据集；
处理模块，用于对所述冷轧硅钢生产全流程历史数据集进行数据的清洗、填充及标准化处理；
特征选择模块，用于对处理后得到的数据集进行特征选择，建立与所述磁感和铁损性能相关的特征子集，并将所述特征子集划分为训练集和测试集；
模型构建模块，构建硅钢磁感预测模型和硅钢铁损预测模型，采用所述训练集来训练所述预测模型，并采用测试集来优化所述预测模型；
在线预测模块，用于基于所述优化后的所述模型，结合在线获得的硅钢生产实际工艺参数，实现对冷轧硅钢磁感及铁损进行在线预测。
上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述申请构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求书的保护范围内。
Claims (7)
1.一种基于全流程冷轧硅钢磁性能在线预测方法，其特征在于，所述方法包括步骤：
S1.建立包括硅钢的磁感和铁损性能的冷轧硅钢生产全流程历史数据集，具体包括炼钢、连铸、加热、热轧、酸轧、退火硅钢生产工序中的工艺参数数据和硅钢磁性能检测结果数据；
S2.对所述冷轧硅钢生产全流程历史数据集进行数据的清洗、填充及标准化处理；
S3.对处理后得到的数据集进行特征选择，建立与所述磁感及铁损性能相关的特征子集，并将处理后的数据集划分为训练集和测试集，具体包括：
S31.将S2处理后的数据集中的数据划分为工艺参数和磁性能检测结果；
S32.分别计算所述工艺参数与磁性能检测结果的最大互信息系数，得到相关性值，与设定的阈值相比较，根据所述比较筛选出相应特征子集；
S33.将S2处理后的数据集按照8:2的比例划分为所述训练集和测试集，使用S32选取的特征子集作为后续训练模型的特征；
S4.构建硅钢磁感预测模型和硅钢铁损预测模型，采用所述训练集来训练两个所述预测模型，并采用测试集来优化两个所述预测模型，所述硅钢磁感预测模型和硅钢铁损预测模型，具体表示为：
，
其中，在磁性能检验结果y为训练集磁感数据时，训练得到的模型是磁感预测模型，由上述表达式计算所得的y*则为磁感的预测结果；在磁性能检验结果y为训练集铁损数据时，训练得到的模型是铁损预测模型，由上述表达式计算所得y*则为铁损的预测结果，m(y*)为预测均值，K(X*,X)是训练集中的新输入工艺参数数据X*与工艺参数数据X所求得的协方差组成的1×n1的协方差矩阵，是关于训练集的单位矩阵，/>是训练集中的工艺参数数据X的n1×n1的正定协方差矩阵，n1为训练集的数据数量，/>属于硅钢磁感预测模型和硅钢铁损预测模型中的超参数，为一个常数；
S5.基于所述优化后的两个所述预测模型，结合在线获得的硅钢生产实际工艺参数，实现对冷轧硅钢磁感和铁损进行在线预测，具体包括：获取硅钢生产实时数据，对所述实时数据进行缺失、异常及标准化处理后，然后将处理后的数据输入到所述硅钢磁感预测模型或硅钢铁损预测模型后进行处理，得到磁感或铁损的实时预测结果。
2.根据权利要求1所述的基于全流程冷轧硅钢磁性能在线预测方法，其特征在于，所述步骤S2具体包括：
对所述冷轧硅钢生产全流程历史数据集中的缺失值使用同规格钢种的均值进行填充，对于所述冷轧硅钢生产全流程历史数据集中的异常值使用箱线图法进行筛选；对填充筛选后的所述冷轧硅钢生产全流程历史数据集中不同量纲的数据进行标准化处理。
3.根据权利要求2所述的基于全流程冷轧硅钢磁性能在线预测方法，其特征在于，所述标准化处理具体包括：使用Z-score规范标准化方法对填充筛选后的数据集中不同量纲的数据进行标准化处理，所述Z-score标准化变换公式如下：
，
其中，z是所述工艺参数中某数据的某特征的实际值，z'为该特征进行标准化处理后的标准化后的值，μ为该特征在填充筛选后的数据集中的平均值，为该特征在填充筛选后的数据集中的标准差。
4.根据权利要求1所述的基于全流程冷轧硅钢磁性能在线预测方法，其特征在于，所述S32分别计算所述工艺参数与磁性能检测结果的最大互信息系数，具体包括如下步骤：
S321.首先将工艺参数U中的某个特征u及磁性能检测结果V的某个特征v画成散点图，然后将u等比例划分为份，将v等比例划分为/>份，形成/>个网格，/>为自然数，且，/>为S2处理后数据集的数据数量；
S322.计算最大互信息系数，公式如下：
，
式中,即为特征u与特征v的最大互信息系数，/>为/>与/>两个数中的最小值，/>是u与v之间的互信息系数，/>的计算公式如下：
，
是u和v的联合概率分布，即划分的某个表格内的数据量除以全部的数据量，，/>和/>是u和v的边缘概率分布/>，,分别表示某行和某列表格的数据量除以全部的数据量。
5.根据权利要求1所述的基于全流程冷轧硅钢磁性能在线预测方法，其特征在于，所述硅钢磁感预测模型和硅钢铁损预测模型的构建基于高斯过程回归，所述模型的核函数为常数核与高斯核的组合。
6.根据权利要求1所述的基于全流程冷轧硅钢磁性能在线预测方法，其特征在于，所述硅钢磁感预测模型和硅钢铁损预测模型的核函数的表达式为：，其中，/>为常数核的超参数、/>为高斯核的超参数，/>表示第i条数据与第j条数据工艺参数的欧氏距离。
7.一种基于全流程冷轧硅钢磁性能在线预测装置，其特征在于，所述装置用于实现权利要求1-6任一项所述的预测方法，所述装置包括：
建立模块，用于建立包括硅钢的磁感和铁损性能的冷轧硅钢生产全流程历史数据集；
处理模块，用于对所述冷轧硅钢生产全流程历史数据集进行数据的清洗、填充及标准化处理；
特征选择模块，用于对处理后得到的数据集进行特征选择，建立与所述磁感和铁损性能相关的特征子集，并将处理后的数据集划分为训练集和测试集；
模型构建模块，构建硅钢磁感预测模型和硅钢铁损预测模型，采用所述训练集来训练两个所述预测模型，并采用测试集来优化两个所述预测模型；
在线预测模块，用于基于所述优化后的两个所述预测模型，结合在线获得的硅钢生产实际工艺参数，实现对冷轧硅钢的磁感和/或铁损进行在线预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310988260.3A CN116702632B (zh) | 2023-08-08 | 2023-08-08 | 一种基于全流程冷轧硅钢磁性能在线预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310988260.3A CN116702632B (zh) | 2023-08-08 | 2023-08-08 | 一种基于全流程冷轧硅钢磁性能在线预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116702632A CN116702632A (zh) | 2023-09-05 |
| CN116702632B true CN116702632B (zh) | 2023-11-21 |
Family
ID=87837921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310988260.3A Active CN116702632B (zh) | 2023-08-08 | 2023-08-08 | 一种基于全流程冷轧硅钢磁性能在线预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116702632B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103632013A (zh) * | 2013-12-18 | 2014-03-12 | 北京科技大学 | 基于主成分回归分析的晶粒尺寸影响无取向硅钢磁性能的分析方法 |
| CN109214605A (zh) * | 2018-11-12 | 2019-01-15 | 国网山东省电力公司电力科学研究院 | 电力系统短期负荷概率预测方法、装置及系统 |
| CN111339482A (zh) * | 2020-03-17 | 2020-06-26 | 南昌工程学院 | 一种基于最大互信息的离群配电变压器辨识方法 |
| CN113111092A (zh) * | 2021-03-15 | 2021-07-13 | 中冶南方工程技术有限公司 | 一种基于冷轧全流程数据的硅钢铁损预测方法 |
| CN116305885A (zh) * | 2023-03-03 | 2023-06-23 | 中冶南方工程技术有限公司 | 预测或控制硅钢铁损的方法、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220076076A1 (en) * | 2020-09-08 | 2022-03-10 | Wisconsin Alumni Research Foundation | System for automatic error estimate correction for a machine learning model |
-
2023
- 2023-08-08 CN CN202310988260.3A patent/CN116702632B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103632013A (zh) * | 2013-12-18 | 2014-03-12 | 北京科技大学 | 基于主成分回归分析的晶粒尺寸影响无取向硅钢磁性能的分析方法 |
| CN109214605A (zh) * | 2018-11-12 | 2019-01-15 | 国网山东省电力公司电力科学研究院 | 电力系统短期负荷概率预测方法、装置及系统 |
| CN111339482A (zh) * | 2020-03-17 | 2020-06-26 | 南昌工程学院 | 一种基于最大互信息的离群配电变压器辨识方法 |
| CN113111092A (zh) * | 2021-03-15 | 2021-07-13 | 中冶南方工程技术有限公司 | 一种基于冷轧全流程数据的硅钢铁损预测方法 |
| CN116305885A (zh) * | 2023-03-03 | 2023-06-23 | 中冶南方工程技术有限公司 | 预测或控制硅钢铁损的方法、装置及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 热轧硅钢退火工艺的ODP－ANN智能优化;刘洪霖 等;计算机与应用化学;第13卷(第01期);第25-28页 * |
| 织构对无取向硅钢磁性能影响的主成分回归分析;陈凌峰 等;热加工工艺;第44卷(第16期);第62-64, 67页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116702632A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444241B (zh) | 一种基于数据挖掘的台区线损异常关联用户精准定位方法 | |
| CN107377634B (zh) | 一种热轧带钢出口凸度预报方法 | |
| CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
| CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
| 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 | |
| CN111950918A (zh) | 一种基于电力交易数据的市场风险评估方法 | |
| CN104899425A (zh) | 一种高炉铁水硅含量的变量选择预报方法 | |
| CN110309608B (zh) | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 | |
| CN107885928A (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
| CN111250548B (zh) | 一种基于核偏最小二乘结合支持向量机的板凸度预测方法 | |
| CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
| CN110084301B (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
| CN116362376A (zh) | 基于机器学习的综合能源站建设碳排放预测方法 | |
| 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 | |
| CN113806964A (zh) | 一种考虑多因素耦合作用的腐蚀与结垢速率预测方法 | |
| CN116702632B (zh) | 一种基于全流程冷轧硅钢磁性能在线预测方法及装置 | |
| CN112241832B (zh) | 一种产品质量分级评价标准设计方法及系统 | |
| CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
| CN113780852B (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
| CN116384732A (zh) | 场站管道风险智能评估方法、系统、存储介质及计算设备 | |
| CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
| CN111967489B (zh) | 一种基于质量数据流形特征的制造过程异常监测方法 | |
| 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 | |
| Qiang et al. | Forecasting Yield Strength of IF Steel based on ANFIS | |
| CN117808576B (zh) | 一种用于企业融资额度估算的商业汇票大数据分析方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |