CN116822367A - 一种基于lstm模型的if钢力学性能预测方法 - Google Patents
一种基于lstm模型的if钢力学性能预测方法 Download PDFInfo
- Publication number
- CN116822367A CN116822367A CN202310812967.9A CN202310812967A CN116822367A CN 116822367 A CN116822367 A CN 116822367A CN 202310812967 A CN202310812967 A CN 202310812967A CN 116822367 A CN116822367 A CN 116822367A
- Authority
- CN
- China
- Prior art keywords
- steel
- data
- content
- mechanical properties
- lstm
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 75
- 239000010959 steel Substances 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 230000001502 supplementing effect Effects 0.000 claims abstract description 6
- 238000000137 annealing Methods 0.000 claims description 15
- 238000005096 rolling process Methods 0.000 claims description 5
- 238000010079 rubber tapping Methods 0.000 claims description 4
- 238000002791 soaking Methods 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000010583 slow cooling Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 33
- 238000005098 hot rolling Methods 0.000 abstract description 7
- 238000005097 cold rolling Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 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
- 230000000694 effects Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005272 metallurgy Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 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
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002436 steel type Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于LSTM模型的IF钢力学性能预测方法,S1、选取样本;S2、补充空缺数据;S3、异常值剔除:使用格拉布斯准则对S2中得到的数据集中力学性能异常IF钢钢卷对应的参数数据剔除,得到数据集;S4、训练LSTM模型:将S3中得到的数据集按比例划分为训练数据和预测数据,将关键参数作为输入变量,将力学性能作为输出变量,将输入变量和输出变量用于训练LSTM模型,得到LSTM预测模型。本发明采用上述步骤,LSTM预测模型中既包含IF钢成分对IF钢性能的影响,也包含热轧和冷轧工艺参数对IF钢性能的影响,有助于LSTM模型实现高精度的力学性能预测,优化工艺参数。
Description
技术领域
本发明涉及钢铁工业生产和数据统计建模技术领域,特别是涉及一种基于LSTM模型的IF钢力学性能预测方法。
背景技术
随着汽车行业的不断发展,具有优良综合力学性能的IF钢得到了广泛应用,IF钢市场需求量逐年增加,其产量也逐年上升。生产轻量化且具有高强度的汽车用钢板就显得非常重要。第三代汽车冲压用钢IF钢,因其具有良好的深冲性能,因此被广泛的应用到工业生产当中。
然而,IF钢生产过程中还存在产品质量不稳定等问题。如果基于物理冶金学原理或者生产数据,建立IF钢成分、工艺、性能之间的对应关系,实现IF钢性能的高精度预测,对改善IF性能、提高质量稳定性具有重要的意义。
由于影响IF钢最终产品性能的因素较多,且各个因素之间交互作用复杂,建立可靠的数学模型十分困难。传统基于物理冶金机理模型的力学性能预测技术,通常是在实验室做大量破坏性试验,耗费大量的时间和经济成本,以此建立描述热轧过程中发生的各种物理冶金学现象的数学模型,并基于此数学模型实现IF钢力学性能的预测。
由于此模型是基于实验室数据建立,故在实际工业中应用时将可能出现较大的偏差,甚至是错误的结果,且传统的力学性能预测主要使用少数成分数据和工艺数据以及单一钢种,导致模型拟合性差。
发明内容
本发明的目的是提供一种基于LSTM模型的IF钢力学性能预测方法,运用LSTM预测模型,综合考虑热轧、冷轧过程,对IF钢的屈服强度、抗拉强度、延伸率和r值进行了预测,且预测精度较高,解决了传统IF钢力学性能模拟需要破坏取样,且预测精度不高的问题。
为实现上述目的,本发明提供了一种基于LSTM模型的IF钢力学性能预测方法,S1、选取样本:选取同类别不同强度的IF钢钢卷,对IF钢钢卷的关键参数、非关键参数和力学性能进行收集;
S2、补充空缺数据:对关键参数缺失或数据相同的IF钢钢卷,将该钢卷参数的数据剔除,反之,则采用相邻数据的均值替代;
S3、异常值剔除:使用格拉布斯准则对S2中得到的数据集中力学性能异常IF钢钢卷对应的参数数据剔除,得到数据集;
S4、训练LSTM模型:将S3中得到的数据集按比例划分为训练数据和预测数据,将关键参数作为输入变量,将力学性能作为输出变量,将输入变量和输出变量用于训练LSTM模型,最终得到LSTM预测模型。
优选的,S1中,关键参数包括成分含量和工艺参数,成分含量为C含量、Si含量、Mn含量、P含量、S含量、Al含量、Ti含量、Nb含量、Cr含量和N含量,
优选的,S1中,工艺参数为出炉温度、终轧温度、卷取温度、加热温度、均热温度、快冷温度、缓冷温度、时效温度和退火段带钢运行速度。
优选的,S1中,力学性能为屈服强度、抗拉强度、延伸率和r值。
优选的,S1中,非关键参数为辊径、各道次轧制力。
优选的,S1中,选取的IF钢钢卷为成分含量和工艺参数存在差别的多种IF钢钢卷。
优选的,S4中,训练数据和预测数据的划分比例为3:1。
因此,本发明采用上述步骤的一种基于LSTM模型的IF钢力学性能预测方法,其有益效果为:
1、本专利运用LSTM预测模型,综合考虑热轧、冷轧过程,对IF钢的屈服强度、抗拉强度、延伸率和r值进行了预测,且预测精度较高,解决了传统IF钢力学性能模拟需要破坏取样,且预测精度不高的问题;
2、通过选择成分含量和工艺参数存在差别的多个IF钢钢卷的数据,使数据样本中包含了较为全面的成分含量和工艺参数信息,弥补了单钢种成分含量和工艺数据范围过于狭窄的缺点,同时保证所建立的模型能够反映出更客观的物理冶金规律,使LSTM预测模型具有更广泛的适用性;
3、本专利采用LSTM模型进行建模,剔除误差值,去除冗余数据,减小建模时计算量,使数据呈现出显著的规律性,在力学性能预测过程中对相同或相似批次可以取得更高的预测精度;
4、LSTM预测模型中既包含IF钢成分对IF钢性能的影响,也包含热轧和冷轧工艺参数对IF钢性能的影响,有助于LSTM预测模型实现高精度的力学性能预测;
5、在基于LSTM预测模型进行工艺优化过程中,可以充分考虑轧制过程带钢组织和性能遗传性,优化热轧或冷轧工艺参数。
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是本发明一种基于LSTM模型的IF钢力学性能预测方法中剔除异常值示意图;
图2是本发明一种基于LSTM模型的IF钢力学性能预测方法中隐藏层层数与力学性能的RMSE关系图;
图3是LSTM模型与RBF模型中力学性能预测值与实测值对比图;
图4是LSTM模型与RBF模型的平均绝对误差柱状图;
图5是LSTM模型与RBF模型的预测值与实际值相关系数柱状图;
图6是LSTM模型与RBF模型的预测误差分布图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
实施例1
S1、选取样本:选取同类别不同强度的IF钢钢卷,选取的IF钢钢卷的成分含量和工艺参数存在差别,对IF钢钢卷的关键参数、非关键参数和力学性能进行收集。
通过选择成分含量和工艺参数存在差别的多个IF钢钢卷的数据,使数据样本中包含了较为全面的成分含量和工艺参数信息,弥补了单钢种成分含量和工艺数据范围过于狭窄的缺点,同时保证所建立的模型能够反映出更客观的物理冶金规律,使训练后的LSTM模型具有更广泛的适用性。
关键参数包括成分含量和工艺参数,成分含量为C含量、Si含量、Mn含量、P含量、S含量、Al含量、Ti含量、Nb含量、Cr含量和N含量。
工艺参数为出炉温度、终轧温度、卷取温度、加热温度、均热温度、快冷温度、缓冷温度、时效温度和退火段带钢运行速度。
力学性能为屈服强度、抗拉强度、延伸率和r值。
非关键参数为辊径、各道次轧制力、轧制平均速度。
S2、补充空缺数据:对关键参数缺失或数据相同的IF钢钢卷,将该钢卷参数的数据剔除,反之,则采用相邻数据的均值替代。去除重复数据,减小LSTM模型的计算量,使得数据呈现出显著的规律性,从而根据力学性能目标值得到工艺优化的正确结果。
S3、异常值剔除:使用格拉布斯准则对S2中得到的数据集中力学性能异常IF钢钢卷对应的参数数据剔除,得到数据集。如图1所示,将编号为6的IF钢钢卷剔除。
由于IF钢钢卷在生产过程中生产工艺的波动、检测设备的异常、实验测定的干扰等因素会使得样本数据产生一定偏差,使得检测到的力学性能与实际值误差较大,因此,需要将该类数据剔除。剔除异常值后可减少误差,使得规律性更为显著。
最终的到的数据集中全部输入变量和输出变量的最小值、最大值、平均值和标准差如表1所示,
表1输入变量、输出变量统计表
对各类数据进行归一化处理,将其转化为(0,1)区间内的数据,使得LSTM模型计算快速且准确。
其中,xmax为xi所在参数数据中的最大值,xmin为xi所在参数数据中的最小值,为xi归一化后的数值。
S4、训练LSTM模型:将S3中得到的数据集按3:1的比例划分为训练数据和预测数据,将关键参数作为输入变量,将力学性能作为输出变量,将输入变量和输出变量用于训练LSTM模型,最终得到LSTM预测模型。
LSTM模型参数设置如下:输入特征的维度设定为16,输出响应维度设定为1,BatchSize设定为64,最大训练轮数设定为100,梯度阈值设定为1,全局学习率设定为0.01,学习效率下降因子设定为0.2,将训练数据输入LSTM神经网络用以训练模型。
以上为LSTM模型的固定参数设置,现确定隐藏层层数。层数越深,理论上拟合函数的能力增强,效果会更好,但是实际上更深的层数可能会带来过拟合的问题,同时也会增加训练难度,使模型难以收敛,因此,设定隐藏层测试范围为1到20。
记录LSTM模型的训练效果后进行反归一化处理,待LSTM模型训练完成后,将预测数据输入训练好的LSTM预测模型中,统计均方根误差。
由图2可知,屈服强度(a)、抗拉强度(b)、延伸率(c)和r值(d)预测结果的均方根误差(RMSE)与隐藏层层数的关系为:屈服强度均方根误差最低时,隐藏层层数为16;抗拉强度均方根误差最低时,隐藏层层数为13;延伸率均方根误差最低时,隐藏层层数为4;r值均方根误差最低时,隐藏层层数为11。
实施例2
补充空缺数据和剔除异常值后得到621组完整数据,将621组完整数据按照3:1的比例分为训练数据和预测数据,其中训练数据465组,预测数据155组。
将关键参数作为输入变量,将力学性能作为输出变量,将输入变量和输出变量用于训练LSTM模型,最终得到LSTM预测模型。
实施例3
拟采用同一板坯,通过改变其退火工艺,获得不同的力学性能,借助LSTM预测模型可以快速优化退火工艺。
实验IF钢的化学成分如表2所示,热轧工序出炉温度为1175℃,终轧温度为907℃,卷取温度为710℃。
表2实验IF钢的化学成分(厚度0.9mm)
针对实验IF钢,其常规退火工艺和所取得的力学性能如表3所示,
表3常规退火工艺及力学性能检测值
基于此实验IF钢,利用已建立的LSTM预测模型,结合实际经验调整工艺参数,实现不同退火工艺时对IF钢的力学性能进行预测,并对退火工艺进行设计。
本实施例目的为在现有性能基础上提高延伸率,使用LSTM预测模型并结合经验调试退火工艺,确定设计的退火工艺和目标力学性能如表4所示。
表4设计退火工艺和目标力学性能
将设计得到的退火工艺作为目标工艺进行试验,可获得性能如表5所示。
表5实际退火工艺和力学性能检测值
通过试验结果可知,与常规退火工艺相比,通过将均热温度提高约20℃,屈服强度和抗拉强度略有降低,而伸长率由46%增加至49%,r值也有所改善。由此可见,基于LSTM模型的LSTM预测模型可以用于辅助新工艺开发,实现生产工艺快速优化设计。
对比例1
补充空缺数据和剔除异常值后得到621组完整数据,将621组完整数据按照3:1的比例分为训练数据和预测数据,其中训练数据465组,预测数据155组。
将关键参数作为输入变量,将力学性能作为输出变量,将输入变量和输出变量用于训练RBF模型。
实施例4
4.1、对实施例2中的LSTM预测模型和对比例1中的RBF模型的精度做对比,如图3所示,屈服强度(a)、抗拉强度(b)、延伸率(c)和r值(d)。可知,LSTM模型屈服强度的预测值和实测值的相对误差都在±6MPa以内,精度为96.1%;抗拉强度的预测值和实测值的相对误差都在±6MPa以内,精度为94.1%;延伸率预测值和实测值的绝对误差在±4%以内,精度为95.7%;r值预测值和实测值的绝对误差在±0.5以内,精度为94.2%。
RBF模型屈服强度、抗拉强度、延伸率、r值的精度分别为83.8%、86.4%、84.5%、87.7%,预测结果相比于LSTM预测模型的预测结果而言出现较大偏差,RBF模型预测精度远低于LSTM预测模型,所以LSTM预测模型有着良好的泛化能力。
4.2、以训练数据的实测值和预测值的平均绝对百分比误差(MAPE)作为模型精度的度量标准,
其中,Mi为实测值,Po为模型预测值,n为数据个数。
两模型的平均相对误差如图4所示,LSTM预测模型中,预测屈服强度的MAPE为2.6987、抗拉强度的MAPE为1.2765、延伸率的MAPE为1.2287、r值的MAPE为2.4632。而RBF模型中,预测屈服强度的MAPE为3.5499、抗拉强度的MAPE为1.472、延伸率的MAPE为4.7484、r值的MAPE为5.1268。
对比可知,LSTM预测模型中屈服强度、抗拉强度、延伸率和r值的平均相对误差均低于RBF模型,因此,LSTM预测模型具有较强的拟合能力,克服预测偏差且预测效果较好。
4.3、LSTM预测模型与RBF模型的屈服强度、抗拉强度、延伸率和r值预测值与实际值相关系数R,R大于0时两个变量呈正相关;R小于0时两个变量呈负相关。R的绝对值在1与-1之间,R的绝对值越接近1,两个变量线性相关性越强;R的绝对值接近于0时,表明两个变量几乎不存在线性相关关系。
其中,Mi为实测值,Pi为预测值,和/>分别为实测值和预测值的平均值,N为数据个数。
如图5所示,LSTM预测模型中屈服强度预测值与实际值的相关系数为0.6376,抗拉强度屈服强度预测值与实际值的相关系数为0.8731,延伸率屈服强度预测值与实际值的相关系数为0.7555,r值预测值与实际值的相关系数为0.7696,均达到强相关标准。
而RBF模型中各个相关系数远低于LSTM预测模型,这说明LSTM预测模型的预测值与实际值变化趋势一致,拟合效果良好。
4.4、LSTM模型与RBF模型中屈服强度、抗拉强度、延伸率和r值的误差分布如图6所示,屈服强度(a)、抗拉强度(b)、延伸率(c)和r值(d)。可知,LSTM模型由于具有较强的拟合能力,克服了预测偏差,预测效果较好,屈服强度、抗拉强度、延伸率和r值的误差都为正态分布,而RBF模型的各个误差均为非正态分布,预测效果较差。
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)
1.一种基于LSTM模型的IF钢力学性能预测方法,其特征在于:
S1、选取样本:选取同类别不同强度的IF钢钢卷,对IF钢钢卷的关键参数、非关键参数和力学性能进行收集;
S2、补充空缺数据:对关键参数缺失或数据相同的IF钢钢卷,将该钢卷参数的数据剔除,反之,则采用相邻数据的均值替代;
S3、异常值剔除:使用格拉布斯准则对S2中得到的数据集中力学性能异常IF钢钢卷对应的参数数据剔除,得到数据集;
S4、训练LSTM模型:将S3中得到的数据集按比例划分为训练数据和预测数据,将关键参数作为输入变量,将力学性能作为输出变量,将输入变量和输出变量用于训练LSTM模型,最终得到LSTM预测模型。
2.根据权利要求1所述的一种基于LSTM模型的IF钢力学性能预测方法,其特征在于:S1中,关键参数包括成分含量和工艺参数,成分含量为C含量、Si含量、Mn含量、P含量、S含量、Al含量、Ti含量、Nb含量、Cr含量和N含量。
3.根据权利要求1所述的一种基于LSTM模型的IF钢力学性能预测方法,其特征在于:S1中,工艺参数为出炉温度、终轧温度、卷取温度、加热温度、均热温度、快冷温度、缓冷温度、时效温度和退火段带钢运行速度。
4.根据权利要求1所述的一种基于LSTM模型的IF钢力学性能预测方法,其特征在于:S1中,力学性能为屈服强度、抗拉强度、延伸率和r值。
5.根据权利要求1所述的一种基于LSTM模型的IF钢力学性能预测方法,其特征在于:S1中,非关键参数为辊径、各道次轧制力。
6.根据权利要求1所述的一种基于LSTM模型的IF钢力学性能预测方法,其特征在于:S1中,选取的IF钢钢卷为成分含量和工艺参数存在差别的多种IF钢钢卷。
7.根据权利要求1所述的一种基于LSTM模型的IF钢力学性能预测方法,其特征在于:S4中,训练数据和预测数据的划分比例为3:1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310812967.9A CN116822367A (zh) | 2023-07-03 | 2023-07-03 | 一种基于lstm模型的if钢力学性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310812967.9A CN116822367A (zh) | 2023-07-03 | 2023-07-03 | 一种基于lstm模型的if钢力学性能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116822367A true CN116822367A (zh) | 2023-09-29 |
Family
ID=88114370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310812967.9A Pending CN116822367A (zh) | 2023-07-03 | 2023-07-03 | 一种基于lstm模型的if钢力学性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822367A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740467A (zh) * | 2016-03-07 | 2016-07-06 | 东北大学 | 一种C-Mn钢工业大数据的挖掘方法 |
CN112100745A (zh) * | 2020-09-15 | 2020-12-18 | 东北大学 | 基于lda理论的汽车大梁钢力学性能预测方法 |
CN114798763A (zh) * | 2021-01-29 | 2022-07-29 | 宝山钢铁股份有限公司 | 一种加热炉出钢板坯粗轧出口温度的预测方法及系统 |
CN114881307A (zh) * | 2022-04-25 | 2022-08-09 | 河海大学 | 一种基于WOA优化LightGBM的钢铁成锭率预测方法 |
-
2023
- 2023-07-03 CN CN202310812967.9A patent/CN116822367A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740467A (zh) * | 2016-03-07 | 2016-07-06 | 东北大学 | 一种C-Mn钢工业大数据的挖掘方法 |
CN112100745A (zh) * | 2020-09-15 | 2020-12-18 | 东北大学 | 基于lda理论的汽车大梁钢力学性能预测方法 |
CN114798763A (zh) * | 2021-01-29 | 2022-07-29 | 宝山钢铁股份有限公司 | 一种加热炉出钢板坯粗轧出口温度的预测方法及系统 |
CN114881307A (zh) * | 2022-04-25 | 2022-08-09 | 河海大学 | 一种基于WOA优化LightGBM的钢铁成锭率预测方法 |
Non-Patent Citations (1)
Title |
---|
狄奇: "基于深度学习的轧钢性能预测研究", 中国优秀硕士学位论文全文数据库, no. 2021, pages 1 - 56 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11475317B2 (en) | Microalloyed steel mechanical property prediction method based on globally additive model | |
CN110472349B (zh) | 一种基于eemd和深度卷积网络的热轧钢性能预测方法 | |
CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
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 | |
CN110569566B (zh) | 一种板带力学性能预测方法 | |
CN106345823A (zh) | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 | |
CN115815345A (zh) | 预测全流程热轧带钢力学性能的机理协同预报方法及系统 | |
CN111563686A (zh) | 一种基于全流程数据的冷轧硅钢质量判定方法 | |
Debón et al. | Fault diagnosis and comparing risk for the steel coil manufacturing process using statistical models for binary data | |
CN112149272A (zh) | 基于多元线性回归分析的冷轧钢带力学性能预测模型 | |
Gonzalez-Marcos et al. | Development of neural network-based models to predict mechanical properties of hot dip galvanised steel coils | |
CN114757000A (zh) | 一种高精度自适应弹簧钢拉拔过程优化控制方法 | |
CN103632014B (zh) | 一种热连轧产品生产流程的工艺参数预测方法 | |
CN116822367A (zh) | 一种基于lstm模型的if钢力学性能预测方法 | |
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 | |
CN111798023A (zh) | 一种炼钢烧结生产中综合焦比预测的方法 | |
CN108763637B (zh) | 一种热轧线材抗拉强度的计算与预判方法 | |
CN116682505B (zh) | 一种基于分位数回归森林的hrb400e钢材力学性能预测方法 | |
Dong et al. | Just-in-time learning-based soft sensor for mechanical properties of strip steel via multi-block weighted semisupervised models | |
CN115392007A (zh) | 轧辊差温热处理性能预测方法 | |
Shigemori | Quality and operation management system for steel products through multivariate statistical process control | |
KR102142703B1 (ko) | 인공지능을 이용한 공정 제어 방법 | |
CN117724433B (zh) | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 | |
Shigemori | Mechanical property control system for cold rolled steel sheet through locally weighted regression model |
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 |