CN116779062A - 基于moea/d智能优化算法的热轧带钢生产工艺动态优化方法 - Google Patents
基于moea/d智能优化算法的热轧带钢生产工艺动态优化方法 Download PDFInfo
- Publication number
- CN116779062A CN116779062A CN202310707270.5A CN202310707270A CN116779062A CN 116779062 A CN116779062 A CN 116779062A CN 202310707270 A CN202310707270 A CN 202310707270A CN 116779062 A CN116779062 A CN 116779062A
- Authority
- CN
- China
- Prior art keywords
- optimization
- rolled strip
- moea
- strip steel
- mechanical property
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 80
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 56
- 239000010959 steel Substances 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 69
- 238000013178 mathematical model Methods 0.000 claims abstract description 17
- 238000013461 design Methods 0.000 claims abstract description 5
- 238000005096 rolling process Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 25
- 230000009467 reduction Effects 0.000 claims description 22
- 238000007637 random forest analysis Methods 0.000 claims description 19
- 238000005098 hot rolling Methods 0.000 claims description 9
- 238000002791 soaking Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 abstract description 11
- 239000013598 vector Substances 0.000 description 17
- 238000004220 aggregation Methods 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 229910000746 Structural steel Inorganic materials 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000010955 niobium Substances 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 229910052717 sulfur Inorganic materials 0.000 description 3
- 229910052720 vanadium Inorganic materials 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 229910001566 austenite Inorganic materials 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 229910052758 niobium Inorganic materials 0.000 description 2
- 238000013386 optimize process Methods 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 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
- 229910001563 bainite Inorganic materials 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- GUCVJGMIXFAOAE-UHFFFAOYSA-N niobium atom Chemical compound [Nb] GUCVJGMIXFAOAE-UHFFFAOYSA-N 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000005482 strain hardening Methods 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 239000010936 titanium Substances 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 229910000859 α-Fe Inorganic materials 0.000 description 1
Landscapes
- Control Of Metal Rolling (AREA)
Abstract
本发明公开了基于MOEA/D智能优化算法的热轧带钢生产工艺动态优化方法,包括S1、建立工艺优化基础数据平台;S2、基于工艺优化基础数据平台建立预测模型;S3、根据实际生产工艺要求,设定力学性能预测模型输入参数的范围;S4、基于设定的热轧带钢工艺参数优化设计方案,建立多目标优化策略数学模型;S5、基于MOEA/D智能优化算法对多目标数学模型进行求解,得出合理的工艺参数计算值;S6、根据计算求解的工艺参数值,调整实际生产工艺设定值。本发明采用上述基于MOEA/D智能优化算法的热轧带钢生产工艺动态优化方法,根据实际性能需求,实现工艺参数的及时、精确和高效率优化,有助于提高热轧带钢生产工艺参数选择的科学性,提高热轧带钢力学性能的稳定性。
Description
技术领域
本发明涉及热轧板带生产技术领域,特别是涉及基于MOEA/D智能优化算法的热轧带钢生产工艺动态优化方法。
背景技术
近年来,我国汽车工业高速发展,给社会能源供给和环境保护带来巨大影响。随着环保压力的增加,国内陆续颁布一系列纲领性文件,明确指出我国制造业应加快绿色制造、生态发展的转型步伐,绿色化、高性能化已成为汽车用钢铁材料的发展趋势。然而在钢材生产的过程中,往往会出现不同钢卷之间成分含量存在较大差异的情况,因此如何通过改变生产工艺参数实现性能稳定的生产成为了钢铁行业一项全新课题。
目前,关于热轧汽车结构用钢的专利较多。如:公开号CN107641762B的中国专利公开了一种340MPa级具有优良冷成型性能的热轧汽车结构钢板及制造方法,含有的化学元素成分及其重量百分比为:碳0.03~0.06%、锰0.4~0.6%、铌0.008~0.020%、钛0.008~0.020%、硅<0.10%、硫≤0.005%、磷≤0.025%、氮≤40ppm、酸溶铝0.025~0.050%,余量为铁和不可避免的杂质。采用短流程工艺能够生产屈服强度340MPa级薄规格热轧产品,厚度精度控制在20μm之内、加工硬化率n≥0.19,具有良好的冷成型性能。公开号CN109023110B的中国专利公开了一种采用短流程生产的500MPa级薄规格热轧汽车结构钢及方法,采用短流程生产的500MPa级薄规格热轧汽车结构钢,其组分及重量百分比含量为:C:0.062~0.070%,Si:0.12~0.20%,Mn:1.0~1.25%,Ti:0.025~0.032%,Nb:0.025~0.032%或Nb:0.055%,V≤0.015%,Als:0.020%或Als:0.055~0.060%,P≤0.020%,S≤0.008%,N≤0.006%,其余为Fe及不可避免的杂质;该方法对于产品在生产过程中的控制进行了精确设计,提供一种板形及卷形优良,轧制过程稳定,使原品种成材率提高至90%以上的采用短流程生产的500MPa级薄规格热轧汽车结构钢及方法。公开号CN114345938A的中国专利公开了一种基于短流程低成本生产屈服强度700MPa级高强钢的方法,该方法可以生产的屈服强度700MPa级高强钢晶粒度11-13级,金相组织为铁素体和少量的低碳贝氏体,1.2-8.0mm厚度成品产品上屈服强度ReH≥700MPa,抗拉强度Rm≥785MPa,断后延伸率≥18%,180°冷弯试验,d=a合格的热轧产品。利用短流程生产技术可以实现Nb、V、Mo元素含量的降低,降低生产成本。
以上所有专利提到的方法,普遍是采用短流程工艺生产不同强度级别的钢种,但是对于产品性能稳定性的控制尚未提及。也就是说,现有技术中对于热轧产品的性能,只要各个性能指标达到控制标准,热轧产品性能就为合格。但是对于热轧产品,成分含量存在一定的波动情况,即使是在相同的工艺条件下,得到的产品性能存在较大的波动,因此,如何基于短流程生产工艺实现340MPa级薄规格热轧汽车结构钢板力学性能的稳定性控制是本领域亟待解决的技术难点之一。
发明内容
本发明的目的是提供基于MOEA/D智能优化算法的热轧带钢生产工艺动态优化方法,够生产屈服强度340MPa级薄规格热轧产品,并根据实际性能需求,实现工艺参数的及时、精确和高效率优化,有助于提高热轧带钢生产工艺参数选择的科学性,提高了热轧带钢力学性能的稳定性。
为实现上述目的,本发明提供了基于MOEA/D智能优化算法的热轧带钢生产工艺动态优化方法,包括以下步骤:
S1、采集热轧带钢生产数据,建立工艺优化基础数据平台;
S2、基于工艺优化基础数据平台,分别建立屈服强度、抗拉强度、延伸率三个力学性能的预测模型;
S3、基于力学性能预测模型的输入参数,并结合实际生产工艺要求,设定力学性能预测模型输入参数的范围;
S4、根据工艺参数范围设定策略以及设定的热轧带钢工艺参数优化设计方案,建立多目标优化策略数学模型;
S5、基于MOEA/D智能优化算法对多目标数学模型进行求解,获得多组工艺参数优化方案,筛选一组合理的工艺参数计算值作为热轧带钢生产过程中工艺参数设定值;
S6、根据计算求解的工艺参数值,调整实际生产工艺设定值。
优选的,在步骤S1中,建立工艺优化基础数据平台,采集T时间段内的热轧带钢生产数据样本,获得包括N个数据样本集合A={A1,A2,…,Am,…,AM};
其中Am为第m个完整生产数据样本,m∈{1,2,…,M},Am={Am1,Am2,…,Amz,…,AmZ,YYS,YTS,YEL},{Am1,Am2,…,Amz,…,AmZ}为生产数据样本Am的M个数据属性,Smz为生产数据样本Sm原始数据的第z个属性特征,z∈{1,2,…,Z},Z为生产数据样本的属性特征总数,YYS、YTS和YEL分别为生产数据样本的屈服强度、抗拉强度和延伸率。
优选的,在步骤S2中,力学性能预测模型基于改进的随机森林算法建立,具体包括:
步骤2.1:采用优化算法对基于改进随机森林算法建立的力学性能预测模型参数进行优化,确定随机森林力学性能预测模型中的决策树数量Ntree和单棵树的叶子节点深度Mtry为待优化的超参数;
步骤2.2:设定各个超参数的优化范围,并设定初始迭代次数为Gen=1,设定最大迭代次数为Gen_max,从各个超参数设定优化范围中随机抽取值构成第Gen_i次迭代的超参数组合;
步骤2.3:计算第Gen_i次迭代的超参数组合条件下的随机森林算法建立的力学性能预测模型对生产数据样本预测力学性能值的预测精度;
步骤S2.4:若Gen<Gen_max,则令Gen=Gen+1,返回步骤S2.3;若Gen≥Gen_max,则进入步骤S2.5;
步骤S2.5:选取Gen_max个超参数组合中相关系数最大、均方根误差和平均相对误差最小的超参数组合作为随机森林力学性能预测模型的建模超参数;
步骤S2.6:根据步骤S2.5的超参数组合,得到最终训练的随机森林力学性能预测模型。
优选的,在步骤S3中,力学性能预测模型的输入参数包括:C含量、Si含量、Mn含量、P含量、S含量、Ti含量、Nb含量、在炉时间、出均热炉温度、精轧第一道次压下率、精轧第二道次压下率、精轧第三道次压下率、终轧温度、卷取温度、成品厚度。
再优选的,在步骤S3中,输出的结果包括热轧带钢成分、工艺参数、力学性能预测值集{X1,...,XH};根据实际生产情况,热轧带钢的化学成分在炼钢的过程中就已经确定,因此化学成分参数保持不变,不作为优化参数进一步优化。对于短流程工艺来说,精轧第一道次压下率、第二道次压下率、第三道次压下率均≥50%;为轧制过程中奥氏体充分发生再结晶提供变形条件,消除组织中的混晶。待优化工艺参数为终轧温度和卷取温度,设定控制终轧温度为820~880℃,卷取温度控制在560~620℃。
优选的,在步骤S4中,根据实际工艺要求分别设定屈服强度、抗拉强度、延伸率三个力学性目标值,确保优化计算的力学性能值在设定的目标值范围之间,因此设定的多目标优化策略数学模型为:
式中:z为构建的多目标函数,yi—热轧工艺优化力学性能设定值,fi(x)—已建立的屈服强度、抗拉强度和延伸率的力学性能预测模型,yRel—屈服强度设定值,yRml—抗拉强度设定值,yA—延伸率设定值,xi—待优化的工艺参数。
优选的,在步骤S5中,采用MOEA/D智能优化算法对多目标数学模型进行求解,得到多目标优化的Pareto前沿及对应的优化工艺参数组合,即获得多组工艺参数优化方案,筛选一组合理的工艺参数计算值作为热轧带钢生产过程中工艺参数设定值,具体步骤包括:
步骤5.1:设定初始化种群数;
步骤5.2:将建立的多目标优化数学模型嵌入到评估函数中,计算出帕累托前沿数据集,得到最优解集;
步骤S5.2.1:计算两权重向量之间欧式距离,选择O个权重向量作为λi的邻居E(i),E(i)={i1,i2,...,iO};其中i1,i2,...,iO表示O个权重向量,假设多目标优化问题中包含h个子目标函数,这个多目标优化问题可以通过一系列的非负权重向量λ=(λ1,λ2,...,λm)转变成单目标约束优化问题,其数学公式可以表示为:
式中:λ=(λ1,λ2,...,λm)—非负权重向量,x为向量空间;
步骤S5.2.2::随机产生一个规模为F的种群P={X1,X2,…,XK};
步骤S5.2.3:生成初始理想点Z*;
步骤S5.2.4:初始化存储容器EP为空;
步骤S5.2.5:发展和更新;
步骤S5.2.6:随机选择两个个体进行交叉进化产生新的个体Xnew,其解为f(Xnew);
步骤S5.2.7:更新理想点为Z*;
步骤S5.2.8:更新邻居,计算两两权重向量之间的切比雪夫距离Di和辅助距离Vi,从而得到聚合函数g的值,判断如果g(Xnew|λi,Z*)≤g(Xj|λj,Z*)然后又Xj=Xnew,f(Xj)=f(Xnew);
步骤S5.2.9:更新EP:从EP中移除被f(Xnew)支配的解,直到EP中的向量都不支配f(Xnew),并将f(Xnew)存到EP中;
步骤S5.2.10:更新邻域大小,更新子问题的邻域大小O,并重新分配邻居E(i)={i1,i2,...,iO};
步骤S5.2.11:输出:若满足终止条件,则输出最优工艺参数的帕累托集,否则,继续迭代计算;
步骤5.3:从所有最优解中选取最优终轧温度、卷取温度工艺参数。
优选的,在步骤S6中,调整实际生产工艺设定值调整热轧带钢生产中包括终轧温度、卷取温度的设定值。
本发明的有益效果:
(1)本发明通过搭建工艺优化基础数据平台为实现热轧工艺优化的实施提供了重要数据基础,同时也为力学性能预测模型建立提供了真实、可靠、完备的数据源,为后续实际生产应用提供了灵活、便利的条件。
(2)本发明通过对MOEA/D进行改进,改进MOEA/D的聚合函数和邻域概念来提高MOEA/D的收敛性和种群多样性,使用改进的MOEA/D算法对以屈服强度、抗拉强度、延伸率为目标对热轧带钢工艺参数进行优化,使最终优化结果分布性良好,使得热轧带钢生产过程优化更为精确,有助于提高热轧带钢生产工艺参数选择的科学性,提高了热轧带钢力学性能的稳定性。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明基于改进随机森林算法的力学性能预报方法的流程图;
图2是本发明改进MOEA/D算法的流程图;
图3是本发明改进MOEA/D算法在测试函数上计算结果的示意图;
图4是本发明的优化计算的终轧温度和卷取温度示意图。
具体实施方式
下面结合实施例,对本发明进一步描述。
实施例
图1是本发明基于改进随机森林算法的力学性能预报方法的流程图,如图1所示,本发明在建立了成分、工艺参数和屈服强度、抗拉强度、延伸率之间的预测模型的基础上,提出了一种基于MOEA/D智能优化算法的热轧带钢生产工艺动态优化设计方法,为了更为清晰地阐述具体实施方案流程,专利实施流程具体细节如下:
一、工艺优化基础数据平台的构建
S1.建立工艺优化基础数据平台,采集T时间段内的热轧带钢生产数据样本,获得包括N个数据样本集合A={A1,A2,…,Am,…,AM};
其中Am为第m个生产数据样本,m∈{1,2,…,M},Am={Am1,Am2,…,Amz,…,AmZ,YYS,YTS,YEL},{Am1,Am2,…,Amz,…,AmZ}为生产数据样本Am的M个数据属性,Smz为生产数据样本Sm原始数据的第z个属性特征,z∈{1,2,…,Z},Z为生产数据样本的属性特征总数,YYS、YTS和YEL分别为生产数据样本的屈服强度、抗拉强度和延伸率;
生产数据样本的原始数据信息包括热轧带钢的化学成分及基础数据、工艺参数数据及力学性能检测数据,其中,化学成分及基础数据包括:钢卷号、均热炉炉号、牌号、板坯生产时间、钢卷生产时间、铸坯厚度、铸坯宽度、成品厚度(FDH)、目标宽度、C、Si、Mn、P、S、N、Nb、V、Ti、Al、Als、Cu、Cr、Ni、Co、Mo和B;工艺参数数据包括入均热炉温度、均热段温度、均热时间、终轧速度、轧制入口温度、第一道次压下率、第二道次压下率、第三道次压下率、终轧温度(FDT)、卷取温度(CT)、成品厚度工艺数据;所述力学性能检测数据源于热轧检化验系统,力学性能检测数据包括:屈服强度、抗拉强度、延伸率三个力学性能指标。
工艺优化基础数据平台的搭建为实现热轧工艺优化的实施提供了重要数据基础,同时也为力学性能预测模型建立提供了真实、可靠、完备的数据源。本实施例针对热轧带钢生产数据多、数据结构复杂等情况,根据不同的生产阶段、生产工艺和数据结构将上述数据源进行分表存储,如:化学成分表、平均值表、工艺值及力学性能值四个数据表。随着表结构的增加,对于不同的数据信息表通过钢卷号对各个数据信息进行串联操作,匹配出所需要的数据信息,为后续应用提供了灵活、便利的条件。
S2.基于工艺优化基础数据平台,分别建立屈服强度、抗拉强度、延伸率三个力学性能的预测模型;
步骤S2.1:采用优化算法,对基于改进随机森林算法建立的力学性能预测模型参数进行优化;确定随机森林力学性能预测模型中的决策树数量Ntree和单棵树的叶子节点深度Mtry为待优化的超参数;
步骤S2.2:设定各个超参数的优化范围;并设定初始迭代次数为Gen=1,设定最大迭代次数为Gen_max,从各个超参数设定优化范围中随机抽取值构成第Gen_i次迭代的超参数组合;
步骤S2.3:计算第Gen_i次迭代的超参数组合条件下的随机森林算法建立的力学性能预测模型对生产数据样本预测力学性能值的预测精度;
步骤S2.4:若Gen<Gen_max,则令Gen=Gen+1,返回步骤S2.3;若Gen≥Gen_max,则进入步骤S2.5;
步骤S2.5:选取Gen_max个超参数组合中相关系数最大、均方根误差和平均相对误差最小的超参数组合作为随机森林力学性能预测模型的建模超参数;
步骤S2.6:根据步骤S2.5的超参数组合,得到最终训练的随机森林力学性能预测模型。
多目标优化模型包括变量、约束条件和目标函数,本文根据工艺参数的实际要求情况建立热轧工艺优化数学模型。
(1)模型输入输出变量
S3、基于力学性能预测模型的输入参数,并结合实际生产工艺要求,设定力学性能预测模型输入参数的范围;输出的结果包括热轧带钢成分、工艺参数、力学性能预测值集{X1,...,XH};根据实际生产情况,热轧带钢的化学成分在炼钢的过程中就已经确定,因此化学成分参数保持不变,不作为优化参数进一步优化。
(2)工艺参数约束条件
对于短流程工艺来说,精轧第一道次压下率、第二道次压下率、第三道次压下率均≥50%;为轧制过程中奥氏体充分发生再结晶提供变形条件,消除组织中的混晶。待优化工艺参数为终轧温度和卷取温度,设定控制终轧温度为820~880℃,卷取温度控制在530~580℃。
(3)多目标函数数学模型的建立
S4、根据工艺参数范围设定策略以及设定的热轧带钢工艺参数优化设计方案,建立多目标优化策略数学模型;根据实际工艺要求分别设定屈服强度、抗拉强度、延伸率三个力学性目标值,确保优化计算的力学性能值在设定的目标值范围之间,因此设定的目标函数模型为:
式中:z为构建的多目标函数,yi—热轧工艺优化力学性能设定值,fi(x)—已建立的屈服强度、抗拉强度和延伸率的力学性能预测模型,yRel—屈服强度设定值,yRml—抗拉强度设定值,yA—延伸率设定值,xi—待优化的工艺参数。
二、MOEA/D智能优化算法
在多目标优化函数问题中,智能优化算法在寻找最优点的过程中需要关注两个问题,一个是种群的多样性,另一个是算法的收敛性。高效的智能优化算法不仅要保证种群的多样性还需要具备良好的收敛性,良好的收敛性表示每个子问题的解与帕累托前沿的距离尽量小,而多样性表示每个子问题的解尽量均匀分布在帕累托前沿。
现有MOEA/D存在两个问题,一是传统的MOEA/D使用Tchebyshev聚合函数,该方法仅考虑了算法的收敛性能,而忽视了分配资源过程中种群多样性的问题。二是在MOEA/D中,邻域大小是一个敏感值,过小的邻域大小可能会导致收敛困难,并使优化陷入局部最优,而过大的邻域大小可能会破坏种群多样性。在原始的MOEA/D中邻域大小为定值,在种群进化过程中保持不变,不能有效地在多样性和收敛之间取得平衡。
本发明通过改进MOEA/D的聚合函数和邻域概念来提高MOEA/D的收敛性和种群多样性。对MOEA/D做了两方面的改进,改进的算法流程如图2所示。
1)使用一种新的聚合方法代替传统切比雪夫聚合方法来,新的聚合函数值引入辅助距离来提高种群多样性,同时考虑收敛速度和种群多样性。
2)采用动态邻域大小策略,使得邻域大小在种群进化过程中有序变化,保持良好的种群多样性和算法收敛速度。
基于分解的多目标进化算法(MOEA/D)在ZDT系列测试函数上的优化结果如图3所示,结果表明:优化后的Pareto最优结果与Pareto真实计算结果具有较高的吻合度,呈现均匀分布状态。
三、MOEA/D热轧工艺参数多目标优化方法
前面两部分已经建立热轧带钢工艺参数多目标优化模型并且对现有的基于分解的多目标优化算法(MOEA/D)算法进行了改进优化。改进的MOEA/D算法使用新的聚合函数和动态领域,保证了算法在不同条件下种群多样性和收敛性之间的平衡,提高了算法性能。图2是本发明改进MOEA/D算法的流程图,如图2所示,现将改进MOEA/D算法以屈服强度、抗拉强度、延伸率为目标对热轧带钢工艺参数进行优化。
热轧带钢工艺参数的基本优化过程为:
1)将热轧带钢工艺参数终轧温度(FDT)和卷取温度(CT)设为优化变量,并将屈服强度、抗拉强度、延伸率的预测模型调用设定为目标函数,以构建多目标优化模型;
2)设置参数:包括种群大小F;最大邻域Nmax;最大迭代次数Tmax;交叉概率cr;比例因子α;邻域增速β;J个权重向量λ1,...,λN;
3)生成工艺参数随机种群,并根据改进MOEA/D算法计算流程进行多目标寻优;并输出优化得到的帕累托解集,即为最优工艺参数集合。
S5、基于MOEA/D智能优化算法对多目标数学模型进行求解,获得多组工艺参数优化方案,筛选一组合理的工艺参数计算值作为热轧带钢生产过程中工艺参数设定值,具体步骤如下:
步骤S5.1:设定初始化种群数;
步骤S5.2:将建立的多目标优化数学模型嵌入到评估函数中,计算出帕累托前沿数据集,得到最优解集;
步骤S5.2.1:计算两权重向量之间欧式距离,选择O个权重向量作为λi的邻居E(i),E(i)={i1,i2,...,iO};其中i1,i2,...,iO表示O个权重向量,假设多目标优化问题中包含h个子目标函数,这个多目标优化问题可以通过一系列的非负权重向量λ=(λ1,λ2,...,λm)转变成单目标约束优化问题,其数学公式可以表示为:
式中:λ=(λ1,λ2,...,λm)—非负权重向量,x为向量空间。
步骤S5.2.2:随机产生一个规模为F的种群P={X1,X2,…,XK};
步骤S5.2.3:生成初始理想点Z*;
步骤S5.2.4:初始化存储容器EP为空;
步骤S5.2.5:发展和更新;
步骤S5.2.6:随机选择两个个体进行交叉进化产生新的个体Xnew,其解为f(Xnew);
步骤S5.2.7:更新理想点为Z*;
步骤S5.2.8:更新邻居,计算两两权重向量之间的切比雪夫距离Di和辅助距离Vi,从而得到聚合函数g的值,判断如果g(Xnew|λi,Z*)≤g(Xj|λj,Z*)然后又Xj=Xnew,f(Xj)=f(Xnew);
步骤S5.2.9:更新EP:从EP中移除被f(Xnew)支配的解,直到EP中的向量都不支配f(Xnew),并将f(Xnew)存到EP中;
步骤S5.2.10:更新邻域大小,更新子问题的邻域大小O,并重新分配邻居E(i)={i1,i2,...,iO};
步骤S5.2.11:输出:若满足终止条件,则输出最优工艺参数的帕累托集,否则,继续迭代计算。
在热轧带钢工艺参数多目标优化问题中,屈服强度、抗拉强度和延伸率三个力学性能之间存在关联,因此不能针对于一个力学性能指标进行单一优化,需要对三个力学性能指标进行同时优化,所以优化的工艺参数应是一组最接近帕累托前沿的解集。根据步骤S5中的优化过程,并使用上述优化的算法参数来进行热轧带钢工艺参数多目标优化,最终优化结果分布性良好。
图3是本发明改进MOEA/D算法在测试函数上计算结果的示意图,如图3所示,图3中的a为改进MOEA/D算法在测试函数ZDT2上计算结果的示意图,图3中的b为改进MOEA/D算法在测试函数ZDT4上计算结果的示意图,将部分最优工艺参数优化结果输出,输出工艺组合参数分别是出均热炉温度、精轧第一道次压下率、精轧第二道次压下率、精轧第三道次压下率、终轧温度、卷取温度、成品厚度。根据实际生产情况,热轧带钢工艺参数需要满足:出均热炉温度1120-1180℃、精轧第一道次压下率≥50%、精轧第二道次压下率≥50%、精轧第三道次压下率≥50%、终轧温度820~880℃、卷取温度530~580℃、成品厚度时,得到较优的热轧工艺生产参数。工艺参数范围仅用于分析,实际生产中可以根据屈服强度、抗拉强度和延伸率的要求,有针对性地选择帕累托集中具体的工艺参数进行生产,使得热轧带钢生产过程优化更为精确。
步骤S5.4:图4是本发明的优化计算的终轧温度和卷取温度示意图,如图4所示,从所有最优解中选取最优C含量、Si含量、Mn含量、P含量、Ti含量、实际厚度(H)终轧温度(FDT)、卷取温度(CT)工艺参数,热轧带钢工艺优化结果如表1所示。
表1.热轧带钢工艺优化结果
S6、根据计算求解的工艺参数值,调整实际生产工艺设定值,工艺优化结果与实际生产工艺对比如表2和表3所示,通过实际生产测定屈服强度为413MPa,抗拉强度为500MPa,延伸率为30.3%。
表2.实际生产数据和优化数据的成分
表3.实际生产数据和优化数据的工艺和性能
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (7)
1.基于MOEA/D智能优化算法的热轧带钢生产工艺动态优化方法,其特征在于,包括以下步骤:
S1、采集热轧带钢生产数据,建立工艺优化基础数据平台;
S2、基于工艺优化基础数据平台,分别建立屈服强度、抗拉强度、延伸率三个力学性能的预测模型;
S3、基于力学性能预测模型的输入参数,并结合实际生产工艺要求,设定力学性能预测模型输入参数的范围;
S4、根据工艺参数范围设定策略以及设定的热轧带钢工艺参数优化设计方案,建立多目标优化策略数学模型;
S5、基于MOEA/D智能优化算法对多目标数学模型进行求解,获得多组工艺参数优化方案,筛选一组合理的工艺参数计算值作为热轧带钢生产过程中工艺参数设定值;
S6、根据计算求解的工艺参数值,调整实际生产工艺设定值。
2.根据权利要求1所述的基于MOEA/D智能优化算法的热轧带钢生产工艺动态优化方法,其特征在于,在步骤S2中,力学性能预测模型基于改进的随机森林算法建立,具体包括:
步骤2.1:采用优化算法对基于改进随机森林算法建立的力学性能预测模型参数进行优化,确定随机森林力学性能预测模型中的决策树数量Ntree和单棵树的叶子节点深度Mtry为待优化的超参数;
步骤2.2:设定各个超参数的优化范围,并设定初始迭代次数为Gen=1,设定最大迭代次数为Gen_max,从各个超参数设定优化范围中随机抽取值构成第Gen_i次迭代的超参数组合;
步骤2.3:计算第Gen_i次迭代的超参数组合条件下的随机森林算法建立的力学性能预测模型对生产数据样本预测力学性能值的预测精度;
步骤S2.4:若Gen<Gen_max,则令Gen=Gen+1,返回步骤S2.3;若Gen≥Gen_max,则进入步骤S2.5;
步骤S2.5:选取Gen_max个超参数组合中相关系数最大、均方根误差和平均相对误差最小的超参数组合作为随机森林力学性能预测模型的建模超参数;
步骤S2.6:根据步骤S2.5的超参数组合,得到最终训练的随机森林力学性能预测模型。
3.根据权利要求1所述的基于MOEA/D智能优化算法的热轧带钢生产工艺动态优化方法,其特征在于:在步骤S3中,力学性能预测模型的输入参数包括:C含量、Si含量、Mn含量、P含量、S含量、Ti含量、Nb含量、在炉时间、出均热炉温度、精轧第一道次压下率、精轧第二道次压下率、精轧第三道次压下率、终轧温度、卷取温度、成品厚度。
4.根据权利要求1所述的基于MOEA/D智能优化算法的热轧带钢生产工艺动态优化方法,其特征在于,在步骤S4中,多目标优化策略数学模型为:
式中:z为构建的多目标函数,yi—热轧工艺优化力学性能设定值,fi(x)—已建立的屈服强度、抗拉强度和延伸率的力学性能预测模型,yRel—屈服强度设定值,yRml—抗拉强度设定值,yA—延伸率设定值,xi—待优化的工艺参数。
5.根据权利要求1所述的基于MOEA/D智能优化算法的热轧带钢生产工艺动态优化方法,其特征在于,在步骤S5中,采用MOEA/D智能优化算法对多目标数学模型进行求解,得到多目标优化的Pareto前沿及对应的优化工艺参数组合,具体步骤包括:
步骤5.1:设定初始化种群数;
步骤5.2:将建立的多目标优化数学模型嵌入到评估函数中,计算出帕累托前沿数据集,得到最优解集;
步骤5.3:从所有最优解中选取最优终轧温度、卷取温度工艺参数。
6.根据权利要求1所述的基于MOEA/D智能优化算法的热轧带钢生产工艺动态优化方法,其特征在于,在步骤S6中,调整实际生产工艺设定值调整热轧带钢生产中包括终轧温度、卷取温度的设定值。
7.一种基于MOEA/D智能优化算法的热轧带钢生产工艺动态优化方法的计算机设备,包括存储器和处理器,存储器存储有计算机程序,其特征在于,处理器执行计算机程序时实现权利要求1-5任一项方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310707270.5A CN116779062A (zh) | 2023-06-14 | 2023-06-14 | 基于moea/d智能优化算法的热轧带钢生产工艺动态优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310707270.5A CN116779062A (zh) | 2023-06-14 | 2023-06-14 | 基于moea/d智能优化算法的热轧带钢生产工艺动态优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116779062A true CN116779062A (zh) | 2023-09-19 |
Family
ID=87995727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310707270.5A Pending CN116779062A (zh) | 2023-06-14 | 2023-06-14 | 基于moea/d智能优化算法的热轧带钢生产工艺动态优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116779062A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105302973A (zh) * | 2015-11-06 | 2016-02-03 | 重庆科技学院 | 基于moea/d算法的铝电解生产优化方法 |
US20180260717A1 (en) * | 2017-03-08 | 2018-09-13 | Wuhan University Of Science And Technology | Microalloyed steel mechanical property prediction method based on globally additive model |
CN113313322A (zh) * | 2021-06-17 | 2021-08-27 | 广东工业大学 | Moea/d挤压工艺参数多目标优化方法及装置 |
CN114036827A (zh) * | 2021-11-01 | 2022-02-11 | 浙江大学 | 基于分解的高炉炼铁多目标碳减排方法 |
CN114897227A (zh) * | 2022-04-26 | 2022-08-12 | 东北大学 | 基于改进随机森林算法的多钢种力学性能预报方法 |
-
2023
- 2023-06-14 CN CN202310707270.5A patent/CN116779062A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105302973A (zh) * | 2015-11-06 | 2016-02-03 | 重庆科技学院 | 基于moea/d算法的铝电解生产优化方法 |
US20180260717A1 (en) * | 2017-03-08 | 2018-09-13 | Wuhan University Of Science And Technology | Microalloyed steel mechanical property prediction method based on globally additive model |
CN113313322A (zh) * | 2021-06-17 | 2021-08-27 | 广东工业大学 | Moea/d挤压工艺参数多目标优化方法及装置 |
CN114036827A (zh) * | 2021-11-01 | 2022-02-11 | 浙江大学 | 基于分解的高炉炼铁多目标碳减排方法 |
CN114897227A (zh) * | 2022-04-26 | 2022-08-12 | 东北大学 | 基于改进随机森林算法的多钢种力学性能预报方法 |
Non-Patent Citations (1)
Title |
---|
吴思炜: "基于工业大数据的热轧带钢组织性能预测与优化技术研究", 中国博士学位论文全文数据库工程科技Ⅰ辑, pages 1 - 3 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | Physical metallurgy-guided machine learning and artificial intelligent design of ultrahigh-strength stainless steel | |
US11475317B2 (en) | Microalloyed steel mechanical property prediction method based on globally additive model | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN101391268B (zh) | 一种钢板控轧控冷过程温度制度的逆向优化方法 | |
US6546310B1 (en) | Process and device for controlling a metallurgical plant | |
Wang et al. | Modified backtracking search optimization algorithm inspired by simulated annealing for constrained engineering optimization problems | |
US20220100932A1 (en) | Design support method for metal material, prediction model generation method, metal material production method, and design support apparatus | |
CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
CN111652355A (zh) | 一种基于lstm&dnn的高炉铁水硅含量预测方法及装置 | |
CN112036062A (zh) | 一种金属材料弯曲成形回弹角预测方法 | |
Hore et al. | An adaptive neuro-fuzzy inference system-based modelling to predict mechanical properties of hot-rolled TRIP steel | |
Chen et al. | Genetic optimized Al–Mg alloy constitutive modeling and activation energy analysis | |
CN116484745A (zh) | 物理冶金指导工业大数据挖掘的热轧低合金钢设计方法 | |
EP3913635A1 (en) | Metal material design support method and design support device | |
CN113073267B (zh) | 一种高强韧耐高温rafm钢及其基于机器学习的设计方法 | |
CN116779062A (zh) | 基于moea/d智能优化算法的热轧带钢生产工艺动态优化方法 | |
CN117272782B (zh) | 基于自适应多支路深度可分离的热轧钢力学性能预测方法 | |
CN1766594A (zh) | 一种钢种热模拟试验材质控制方法 | |
Dong et al. | Just-in-time learning-based soft sensor for mechanical properties of strip steel via multi-block weighted semisupervised models | |
CN111861041B (zh) | 一种预测Nb微合金钢动态再结晶型流变应力的方法 | |
CN116312890A (zh) | 粒子群优化算法辅助机器学习筛选高硬度高熵合金的方法 | |
CN110415769A (zh) | 基于物理冶金学指导下机器学习的低活化钢的设计方法 | |
CN115394381A (zh) | 一种基于机器学习和两步法数据扩充的高熵合金硬度预测方法及装置 | |
Altamirano-Guerrero et al. | Intelligent design in continuous galvanizing process for advanced ultra-high-strength dual-phase steels using back-propagation artificial neural networks and MOAMP-Squirrels search algorithm | |
Chen et al. | Flow Behavior Modeling Optimization and Activation Energy Analysis of Al-Mg Alloy Aided by Genetic Algorithm |
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 |