CN117217098B - 基于数字孪生和深度学习的钢管力学性能预测方法及装置 - Google Patents
基于数字孪生和深度学习的钢管力学性能预测方法及装置 Download PDFInfo
- Publication number
- CN117217098B CN117217098B CN202311477422.3A CN202311477422A CN117217098B CN 117217098 B CN117217098 B CN 117217098B CN 202311477422 A CN202311477422 A CN 202311477422A CN 117217098 B CN117217098 B CN 117217098B
- Authority
- CN
- China
- Prior art keywords
- interval
- steel pipe
- lube
- prediction
- hot
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 105
- 239000010959 steel Substances 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 76
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 241000287127 Passeridae Species 0.000 claims abstract description 18
- 238000010845 search algorithm Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims description 76
- 210000002569 neuron Anatomy 0.000 claims description 33
- 108090000672 Annexin A5 Proteins 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000010079 rubber tapping Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims 2
- 230000001131 transforming effect Effects 0.000 claims 2
- 230000004888 barrier function Effects 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract 1
- 238000003860 storage Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 230000009466 transformation Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005098 hot rolling Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000227272 Agarista populifolia Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数字孪生和深度学习的钢管力学性能预测方法及装置，涉及数字孪生技术领域。包括：根据热轧无缝钢管产线，建立热轧无缝钢管数字孪生系统，根据热轧无缝钢管数字孪生系统获取生产实时参数；构建基于麻雀搜索算法SSA优化的上下限区间估计LUBE模型；根据生产实时参数以及基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。与传统热轧无缝钢管取样抽检的方法相比，本发明搭建工业互联网平台，打破不同生产过程间的数据壁垒，充分利用工业大数据，实现每支钢管的力学性能高精度预报，满足客户对力学性能区间的要求，减轻了人工劳动强度，降低企业生产成本。
Description
技术领域
本发明涉及数字孪生技术领域，尤其涉及一种基于数字孪生和深度学习的钢管力学性能预测方法及装置。
背景技术
热轧无缝钢管生产以钢坯为原材料，投入环形炉中进行加热，然后在热连轧机组上依次通过穿孔机、连轧机、定径机成为毛管到达冷床，最后，根据工艺要求在精整区再将毛管进行锯切或矫直。与全线信息流贯通的板带产线不同，无缝钢管产线生产工艺复杂、工序多，并兼具流程制造与离散制造的特点，各工序间为“孤岛式”控制，目前尚无法实现全流程信息化和数据化的互联互通。
发明内容
本发明针对现有热轧无缝钢管力学性能依赖人工取样检测，成本高，劳动强度大且效率低，难以实现每支钢管的检测的问题，提出了本发明。
为解决上述技术问题，本发明提供如下技术方案：
一方面，本发明提供了一种基于数字孪生和深度学习的钢管力学性能预测方法，该方法由电子设备实现，该方法包括：
S1、根据热轧无缝钢管产线，建立热轧无缝钢管数字孪生系统，根据热轧无缝钢管数字孪生系统获取生产实时参数。
S2、构建基于麻雀搜索算法SSA优化的上下限区间估计LUBE模型。
S3、根据生产实时参数以及基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
可选地，S2中的构建基于麻雀搜索算法SSA优化的上下限区间估计LUBE模型，包括：
S21、基于全连接神经网络FNN，构建上下限区间估计LUBE模型。
S22、采用麻雀搜索算法SSA，对基于FNN的LUBE模型的权重进行优化，得到基于SSA优化的LUBE模型。
其中，权重，包括隐含层神经元到输出层神经元的权重和输入层神经元到输出层神经元的权重。
可选地，S21中的基于全连接神经网络FNN，构建上下限区间估计LUBE模型，包括：
S211、构建基于FNN的LUBE模型的预测区间PI的上下界。
S212、根据上下界，构建置信水平。
S213、根据置信水平，确定PI的覆盖率PICP。
S214、根据上下界，构建预测区间平均宽度PINAW。
S215、选择最小化的基于组合覆盖宽度判据CWC损失函数，对PICP和PINAW进行优化，得到基于FNN的LUBE模型。
可选地，S211中的预测区间PI的上下界，如下式（1）（2）所示：
（1）
（2）
其中，表示第/>个测试样本的预测上限区间， />表示第/>个测试样本的预测区间输出，/>表示测试样本数量，/>表示第/>个测试样本的预测下限区间。
可选地，S212中的置信水平，如下式（3）所示：
（3）
其中，表示错误的概率，/>表示置信区间，/>表示第/>个测试样本的预测上限区间，/>表示第/>个测试样本的预测下限区间，/>表示第/>个测试样本的真实值。
可选地，S213中的PI的覆盖率PICP，如下式（4）（5）所示：
（4）
（5）
其中，表示测试样本的数量，/>表示第/>个测试样本的预测值是否落入预测区间中，/>表示第/>个测试样本的真实值，/>表示第/>个测试样本的预测上限区间，表示第/>个测试样本的预测下限区间。
可选地，S214中的预测区间平均宽度PINAW，如下式（6）所示：
（6）
其中，表示测试样本的数量，/>表示目标范围，/>表示第/>个测试样本的预测上限区间，/>表示第/>个测试样本的预测下限区间。
可选地，S215中的基于组合覆盖宽度判据CWC损失函数，如下式（7）（8）所示：
（7）
（8）
其中，表示预测区间平均宽度，/>表示是与/>相关的参数，PICP表示PI的覆盖率，/>表示第一超参数，/>表示第二超参数。
可选地，S3中的根据生产实时参数以及基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果，包括：
S31、对生产实时参数中与力学性能相关的参数进行预处理，得到预处理后的参数。
其中，预处理，包括：采用Pauta准则去除噪点和异常值以及线性变换。
S32、将预处理后的参数输入到基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
另一方面，本发明提供了一种基于数字孪生和深度学习的钢管力学性能预测装置，该装置应用于实现基于数字孪生和深度学习的钢管力学性能预测方法，该装置包括：
获取模块，用于根据热轧无缝钢管产线，建立热轧无缝钢管数字孪生系统，根据热轧无缝钢管数字孪生系统获取生产实时参数。
构建模块，用于构建基于麻雀搜索算法SSA优化的上下限区间估计LUBE模型。
输出模块，用于根据生产实时参数以及基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
可选地，构建模块，进一步用于：
S21、基于全连接神经网络FNN，构建上下限区间估计LUBE模型。
S22、采用麻雀搜索算法SSA，对基于FNN的LUBE模型的权重进行优化，得到基于SSA优化的LUBE模型。
其中，权重，包括隐含层神经元到输出层神经元的权重和输入层神经元到输出层神经元的权重。
可选地，构建模块，进一步用于：
S211、构建基于FNN的LUBE模型的预测区间PI的上下界。
S212、根据上下界，构建置信水平。
S213、根据置信水平，确定PI的覆盖率PICP。
S214、根据上下界，构建预测区间平均宽度PINAW。
S215、选择最小化的基于组合覆盖宽度判据CWC损失函数，对PICP和PINAW进行优化，得到基于FNN的LUBE模型。
可选地，预测区间PI的上下界，如下式（1）（2）所示：
（1）
（2）
其中，表示第/>个测试样本的预测上限区间， />表示第/>个测试样本的预测区间输出，/>表示测试样本数量，/>表示第/>个测试样本的预测下限区间。
可选地，置信水平，如下式（3）所示：
（3）
其中，表示错误的概率，/>表示置信区间，/>表示第/>个测试样本的预测上限区间，/>表示第/>个测试样本的预测下限区间，/>表示第/>个测试样本的真实值。
可选地，PI的覆盖率PICP，如下式（4）（5）所示：
（4）
（5）
其中，表示测试样本的数量，/>表示第/>个测试样本的预测值是否落入预测区间中，/>表示第/>个测试样本的真实值，/>表示第/>个测试样本的预测上限区间，表示第/>个测试样本的预测下限区间。
可选地，预测区间平均宽度PINAW，如下式（6）所示：
（6）
其中，表示测试样本的数量，/>表示目标范围，/>表示第/>个测试样本的预测上限区间，/>表示第/>个测试样本的预测下限区间。
可选地，基于组合覆盖宽度判据CWC损失函数，如下式（7）（8）所示：
（7）
（8）
其中，表示预测区间平均宽度，/>表示是与/>相关的参数，PICP表示PI的覆盖率，/>表示第一超参数，/>表示第二超参数。
可选地，输出模块，进一步用于：
S31、对生产实时参数中与力学性能相关的参数进行预处理，得到预处理后的参数。
其中，预处理，包括：采用Pauta准则去除噪点和异常值以及线性变换。
S32、将预处理后的参数输入到基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于数字孪生和深度学习的钢管力学性能预测方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于数字孪生和深度学习的钢管力学性能预测方法。
上述技术方案，与现有技术相比至少具有如下有益效果：
上述方案，通过开发数字孪生系统，打破不同生产过程间的数据壁垒，充分利用工业大数据，实现每支钢管的力学性能高精度预报，满足了客户对力学性能区间的要求，有助于无缝钢管生产企业提高生产效率，降低生产成本，提高产品竞争力。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于数字孪生和深度学习的钢管力学性能预测方法流程示意图；
图2是本发明实施例提供的基于数字孪生和深度学习的钢管力学性能预测装置框图；
图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于数字孪生和深度学习的钢管力学性能预测方法，该方法可以由电子设备实现。如图1所示的基于数字孪生和深度学习的钢管力学性能预测方法流程图，该方法的处理流程可以包括如下的步骤：
S1、根据热轧无缝钢管产线，建立热轧无缝钢管数字孪生系统，根据热轧无缝钢管数字孪生系统获取生产实时参数。
一种可行的实施方式中，本发明首先搭建工业互联网平台，建立热轧无缝钢管数字孪生系统。以数字孪生系统为基础，通过数据接口获取企业的自动化系统、生产管理系统等信息化系统的数据信息，并对设备、物料的关键参数进行实时跟踪，实现对每支钢管全线生产实时参数的管理和存储。
具体地，热轧无缝钢管数字孪生系统要与企业的自动化系统、生产管理系统等信息化系统预留接口进行通讯，数据类型主要包含IOT（DCS（Distributed Control System，分散控制系统）/PLC（Programmable Logic Controller，可编程逻辑控制器）/传感器）数据，业务数据、历史数据、统计数据、BI（Business Intelligence，商业智能）数据；数字孪生系统通过消息队列方式实时采集IOT点位的实时数据，包括年、季度、月、日等纬度历史数据的采集。
S2、构建基于SSA（Sparrow Search Algorithm，麻雀搜索算法）优化的LUBE（LowerUpper Bound Estimation，上下限区间估计）模型。
可选地，上述步骤S2可以包括如下步骤S21- S22：
S21、基于FNN（Fully Neural Network，全连接神经网络），构建上下限区间估计LUBE模型。
可选地，上述步骤S21可以包括如下步骤S211- S215：
S211、构建基于FNN的LUBE模型的PI（Prediction Interval，预测区间）的上下界。
一种可行的实施方式中，LUBE是一种直接构造上下预测区间的方法，利用一个双输出的神经网络同时输出PI的上下界。基于FNN LUBE模型的输入层、隐含层及输出层的神经元数量分别为、/>和2。在FLN运行过程中，第/>个测试样本的预测区间输出表示为/>，真实值为/>，并且/>，预测区间/>的上下界，如下式（1）（2）所示：
（1）
（2）
其中，表示第/>个测试样本的预测上限区间， />表示第/>个测试样本的预测区间输出，/>表示测试样本数量，/>表示第/>个测试样本的预测下限区间。
S212、根据上下界，构建置信水平。
其中，真实值应在PI的范围内，并具有规定的概率，称为置信水平，如下式（3）所示：
（3）
其中，表示错误的概率，/>表示置信区间，/>表示第/>个测试样本的预测上限区间，/>表示第/>个测试样本的预测下限区间，/>表示第/>个测试样本的真实值。
S213、根据置信水平，确定PI的覆盖率PICP。
其中，PI的覆盖率PICP应接近于置信水平，PICP越高表示预测区间越可靠，PI的覆盖率PICP，如下式（4）（5）所示：
（4）
（5）
其中， 表示测试样本的数量，/>表示第/>个测试样本的预测值是否落入预测区间中，/>表示第/>个测试样本的真实值，/>表示第/>个测试样本的预测上限区间，表示第/>个测试样本的预测下限区间。
S214、根据上下界，构建预测区间平均宽度PINAW。
其中，PICP代表了真实值落在预测区间的概率，如果过分增大区间的宽度来获得更大的PICP，那预测区间无实际意义。为了克服这一问题，本发明选择区间平均宽度PINAW指标，对预测区间宽度可靠性进行评价，如下式（6）所示：
（6）
其中，表示测试样本的数量，/>表示目标范围，/>，/>表示第/>个测试样本的预测上限区间，/>表示第/>个测试样本的预测下限区间。
S215、选择最小化的基于组合覆盖宽度判据CWC损失函数，对PICP和PINAW进行优化，得到基于FNN的LUBE模型。
本发明期望得到较窄的PINAW和较高的PICP。实际上，PICP和PINAW是两个相互冲突的指标，PI宽度减小的同时，导致PICP减少。因此，如何同时获得最大的PICP和最小的PINAW，成为多目标优化问题。为了实现这一目标，在LUBE的训练过程中，选择最小化的CWC损失函数来构造最优的PICP和PINAW。基于组合覆盖宽度判据CWC损失函数，如下式（7）（8）所示：
（7）
（8）
其中，常数和/>是超参数，/>与置信水平有关，可设置为/>，/>决定了PICP和/>之间的差别，/>表示预测区间平均宽度，/>表示是与/>相关的参数，PICP表示PI的覆盖率。
损失函数CWC由两个相互矛盾的指标PINAW和PICP构成，这样使基于FLN的LUBE模型的预测区间既能保证一定的区间覆盖率，同时也能使其平均区间宽度较窄。
S22、采用麻雀搜索算法SSA，对基于FNN的LUBE模型的权重进行优化，得到基于SSA优化的LUBE模型。
一种可行的实施方式中，利用SSA优化LUBE模型的隐含层神经元到输出层神经元的权重和输入层神经元到输出层神经元的权重构成得到向量。
S3、根据生产实时参数以及基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
可选地，上述步骤S3可以包括如下步骤S31- S32：
S31、对生产实时参数中与力学性能相关的参数进行预处理，得到预处理后的参数。
其中，影响力学性能的参数主要包括：化学成分、出炉温度（CT）、加热总时间（t）、穿孔入口温度（PT）、轧机入口钢管温度（MT）、减径入口温度（IT）及减径出口温度（ET）等；力学性能参数包括：屈服强度（YS）、抗拉强度（TS）及延伸率（RT）。
进一步地，参数预处理主要包括：
1.采用Pauta准则去除原始数据中的噪点和异常值，如下：
（9）
（10）
其中，、/>分别为样本/>的均值和标准差。
2. 对原始数据的线性变换，将数据变换全部转化到[0,1]：
（11）
其中，为样本数据的最大值，/>为样本数据的最小值。
S32、将预处理后的参数输入到基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
其中，预测结果评价指标主要包括：PICP、PINAW和CWC。
以某钢管厂的无缝钢管热轧产线为实施案例解释本发明方法：
步骤S1：依托某钢管厂的无缝钢管热轧产线建立的数字孪生产线，实现了如表1（部分工艺/质量信息融合数据展示）所示的不同层级的工艺/质量信息融合：
表1
步骤S2：基于快速学习网FNN构建LUBE模型，并采用麻雀搜索算法SSA进行优化。
步骤S3：筛选与力学性能相关的参数进行预处理；
（1）与热轧无缝钢管相关的力学性能相关参数分布如表2所示：
表2
（2）参数预处理。
步骤S4：将预处理后的数据输入至SSA优化的LUBE模型中，输出每支钢管的力学性能区间预测结果并进行评价，预测结果评价如表3所示，其中预测准确率达到91%，并且能够保证较小的预测宽度CWC，这证明了本发明的有效性。本发明成功应用于某钢管厂，已连续稳定运行超过半年时间，通过在线预报实现完全代替人工抽检，大大提高了检测效率，满足了客户的需求。
表3
本发明实施例中，通过开发数字孪生系统，打破不同生产过程间的数据壁垒，充分利用工业大数据，实现每支钢管的力学性能高精度预报，满足了客户对力学性能区间的要求，有助于无缝钢管生产企业提高生产效率，降低生产成本，提高产品竞争力。
如图2所示，本发明实施例提供了一种基于数字孪生和深度学习的钢管力学性能预测装置200，该装置200应用于实现基于数字孪生和深度学习的钢管力学性能预测方法，该装置200包括：
获取模块210，用于根据热轧无缝钢管产线，建立热轧无缝钢管数字孪生系统，根据热轧无缝钢管数字孪生系统获取生产实时参数。
构建模块220，用于构建基于麻雀搜索算法SSA优化的上下限区间估计LUBE模型。
输出模块230，用于根据生产实时参数以及基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
可选地，构建模块220，进一步用于：
S21、基于全连接神经网络FNN，构建上下限区间估计LUBE模型。
S22、采用麻雀搜索算法SSA，对基于FNN的LUBE模型的权重进行优化，得到基于SSA优化的LUBE模型。
其中，权重，包括隐含层神经元到输出层神经元的权重和输入层神经元到输出层神经元的权重。
可选地，构建模块220，进一步用于：
S211、构建基于FNN的LUBE模型的预测区间PI的上下界。
S212、根据上下界，构建置信水平。
S213、根据置信水平，确定PI的覆盖率PICP。
S214、根据上下界，构建预测区间平均宽度PINAW。
S215、选择最小化的基于组合覆盖宽度判据CWC损失函数，对PICP和PINAW进行优化，得到基于FNN的LUBE模型。
可选地，预测区间PI的上下界，如下式（1）（2）所示：
（1）
（2）
其中，表示第/>个测试样本的预测上限区间， />表示第/>个测试样本的预测区间输出，/>表示测试样本数量，/>表示第/>个测试样本的预测下限区间。
可选地，置信水平，如下式（3）所示：
（3）
其中，表示错误的概率，/>表示置信区间，/>表示第/>个测试样本的预测上限区间，/>表示第/>个测试样本的预测下限区间，/>表示第/>个测试样本的真实值。
可选地，PI的覆盖率PICP，如下式（4）（5）所示：
（4）
（5）
其中，表示测试样本的数量，/>表示第/>个测试样本的预测值是否落入预测区间中，/>表示第/>个测试样本的真实值，/>表示第/>个测试样本的预测上限区间，表示第/>个测试样本的预测下限区间。
可选地，预测区间平均宽度PINAW，如下式（6）所示：
（6）
其中，表示测试样本的数量，/>表示目标范围，/>表示第/>个测试样本的预测上限区间，/>表示第/>个测试样本的预测下限区间。
可选地，基于组合覆盖宽度判据CWC损失函数，如下式（7）（8）所示：
（7）
（8）
其中，表示预测区间平均宽度，/>表示是与/>相关的参数，PICP表示PI的覆盖率，/>表示第一超参数，/>表示第二超参数。
可选地，输出模块230，进一步用于：
S31、对生产实时参数中与力学性能相关的参数进行预处理，得到预处理后的参数。
其中，预处理，包括：采用Pauta准则去除噪点和异常值以及线性变换。
S32、将预处理后的参数输入到基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
本发明实施例中，通过开发数字孪生系统，打破不同生产过程间的数据壁垒，充分利用工业大数据，实现每支钢管的力学性能高精度预报，满足了客户对力学性能区间的要求，有助于无缝钢管生产企业提高生产效率，降低生产成本，提高产品竞争力。
图3是本发明实施例提供的一种电子设备300的结构示意图，该电子设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）301和一个或一个以上的存储器302，其中，存储器302中存储有至少一条指令，至少一条指令由处理器301加载并执行以实现下述基于数字孪生和深度学习的钢管力学性能预测方法：
S1、根据热轧无缝钢管产线，建立热轧无缝钢管数字孪生系统，根据热轧无缝钢管数字孪生系统获取生产实时参数。
S2、构建基于麻雀搜索算法SSA优化的上下限区间估计LUBE模型。
S3、根据生产实时参数以及基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于数字孪生和深度学习的钢管力学性能预测方法。例如，计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (8)
1.一种基于数字孪生和深度学习的钢管力学性能预测方法，其特征在于，所述方法包括：
S1、根据热轧无缝钢管产线，建立热轧无缝钢管数字孪生系统，根据所述热轧无缝钢管数字孪生系统获取全线生产实时参数；
S2、构建基于麻雀搜索算法SSA优化的上下限区间估计LUBE模型；
S3、根据所述全线生产实时参数以及基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果；
所述S2中的构建基于麻雀搜索算法SSA优化的上下限区间估计LUBE模型，包括：
S21、基于全连接神经网络FNN，构建上下限区间估计LUBE模型；
S22、采用麻雀搜索算法SSA，对基于FNN的LUBE模型的隐含层神经元到输出层神经元的权重和输入层神经元到输出层神经元的权重进行优化，得到基于SSA优化的LUBE模型；
其中，所述权重，包括隐含层神经元到输出层神经元的权重和输入层神经元到输出层神经元的权重；
所述S3中的根据所述全线生产实时参数以及基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果，包括：
S31、对全线生产实时参数中与力学性能相关的参数进行预处理，得到预处理后的参数；
其中，力学性能相关的参数，包括：化学成分、出炉温度、加热总时间、穿孔入口温度、轧机入口钢管温度、减径入口温度及减径出口温度；
所述预处理，包括：采用Pauta准则去除噪点和异常值以及线性变换；
S32、将所述预处理后的参数输入到基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
2.根据权利要求1所述的方法，其特征在于，所述S21中的基于全连接神经网络FNN，构建上下限区间估计LUBE模型，包括：
S211、构建基于FNN的LUBE模型的预测区间PI的上下界；
S212、根据所述上下界，构建置信水平；
S213、根据所述置信水平，确定PI的覆盖率PICP；
S214、根据所述上下界，构建预测区间平均宽度PINAW；
S215、选择最小化的基于组合覆盖宽度判据CWC损失函数，对所述PICP和PINAW进行优化，得到基于FNN的LUBE模型。
3.根据权利要求2所述的方法，其特征在于，所述S211中的预测区间PI的上下界，如下式（1）（2）所示：
（1）
（2）
其中，表示第/>个测试样本的预测上限区间，/>表示第/>个测试样本的预测区间输出，/>表示测试样本数量，/>表示第/>个测试样本的预测下限区间。
4.根据权利要求2所述的方法，其特征在于，所述S212中的置信水平，如下式（3）所示：
（3）
其中，表示错误的概率，/>表示置信区间，/>表示第/>个测试样本的预测上限区间，/>表示第/>个测试样本的预测下限区间，/>表示第/>个测试样本的真实值。
5.根据权利要求2所述的方法，其特征在于，所述S213中的PI的覆盖率PICP，如下式（4）（5）所示：
（4）
（5）
其中，表示测试样本的数量，/>表示第/>个测试样本的预测值是否落入预测区间中，表示第/>个测试样本的真实值，/>表示第/>个测试样本的预测上限区间，/>表示第/>个测试样本的预测下限区间。
6.根据权利要求2所述的方法，其特征在于，所述S214中的预测区间平均宽度PINAW，如下式（6）所示：
（6）
其中，表示测试样本的数量，/>表示目标范围，/>表示第/>个测试样本的预测上限区间，/>表示第/>个测试样本的预测下限区间。
7.根据权利要求2所述的方法，其特征在于，所述S215中的基于组合覆盖宽度判据CWC损失函数，如下式（7）（8）所示：
（7）
（8）
其中，表示预测区间平均宽度，/>是与/>相关的参数，PICP表示PI的覆盖率，/>表示超参数，/>表示超参数。
8.一种基于数字孪生和深度学习的钢管力学性能预测装置，其特征在于，所述装置包括：
获取模块，用于根据热轧无缝钢管产线，建立热轧无缝钢管数字孪生系统，根据所述热轧无缝钢管数字孪生系统获取全线生产实时参数；
构建模块，用于构建基于麻雀搜索算法SSA优化的上下限区间估计LUBE模型；
输出模块，用于根据所述全线生产实时参数以及基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果；
所述构建基于麻雀搜索算法SSA优化的上下限区间估计LUBE模型，包括：
S21、基于全连接神经网络FNN，构建上下限区间估计LUBE模型；
S22、采用麻雀搜索算法SSA，对基于FNN的LUBE模型的隐含层神经元到输出层神经元的权重和输入层神经元到输出层神经元的权重进行优化，得到基于SSA优化的LUBE模型；
其中，所述权重，包括隐含层神经元到输出层神经元的权重和输入层神经元到输出层神经元的权重；
所述根据所述全线生产实时参数以及基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果，包括：
S31、对全线生产实时参数中与力学性能相关的参数进行预处理，得到预处理后的参数；
其中，力学性能相关的参数，包括：化学成分、出炉温度、加热总时间、穿孔入口温度、轧机入口钢管温度、减径入口温度及减径出口温度；
所述预处理，包括：采用Pauta准则去除噪点和异常值以及线性变换；
S32、将所述预处理后的参数输入到基于SSA优化的LUBE模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477422.3A CN117217098B (zh) | 2023-11-08 | 2023-11-08 | 基于数字孪生和深度学习的钢管力学性能预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477422.3A CN117217098B (zh) | 2023-11-08 | 2023-11-08 | 基于数字孪生和深度学习的钢管力学性能预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117217098A CN117217098A (zh) | 2023-12-12 |
| CN117217098B true CN117217098B (zh) | 2024-02-23 |
Family
ID=89039331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311477422.3A Active CN117217098B (zh) | 2023-11-08 | 2023-11-08 | 基于数字孪生和深度学习的钢管力学性能预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217098B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018191730A1 (en) * | 2017-04-13 | 2018-10-18 | Texas Tech University System | System and method for automated prediction and detection of component and system failures |
| CN112149358A (zh) * | 2020-10-09 | 2020-12-29 | 天津大学 | 一种供水管网水力模型校核的麻雀搜索算法 |
| CN113129266A (zh) * | 2021-03-22 | 2021-07-16 | 太原科技大学 | 基于多域表达数据增强及模型自优化的不锈钢焊缝缺陷检测方法 |
| CN114881084A (zh) * | 2022-05-18 | 2022-08-09 | 太原科技大学 | 一种基于改进ssa优化vmd和cnn参数的滚动轴承故障诊断方法 |
| CN115062368A (zh) * | 2022-05-06 | 2022-09-16 | 华南理工大学 | 一种隧道长管棚数字孪生体和精细建模系统及方法 |
| CN115311200A (zh) * | 2022-06-24 | 2022-11-08 | 广东粤海水务投资有限公司 | 一种基于SSA-PointNet++神经网络混凝土管道损伤识别与体积量化方法 |
| CN116689503A (zh) * | 2023-04-20 | 2023-09-05 | 东北大学 | 一种基于记忆性功能网络的带钢全长厚度预测方法 |
-
2023
- 2023-11-08 CN CN202311477422.3A patent/CN117217098B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018191730A1 (en) * | 2017-04-13 | 2018-10-18 | Texas Tech University System | System and method for automated prediction and detection of component and system failures |
| CN112149358A (zh) * | 2020-10-09 | 2020-12-29 | 天津大学 | 一种供水管网水力模型校核的麻雀搜索算法 |
| CN113129266A (zh) * | 2021-03-22 | 2021-07-16 | 太原科技大学 | 基于多域表达数据增强及模型自优化的不锈钢焊缝缺陷检测方法 |
| CN115062368A (zh) * | 2022-05-06 | 2022-09-16 | 华南理工大学 | 一种隧道长管棚数字孪生体和精细建模系统及方法 |
| CN114881084A (zh) * | 2022-05-18 | 2022-08-09 | 太原科技大学 | 一种基于改进ssa优化vmd和cnn参数的滚动轴承故障诊断方法 |
| CN115311200A (zh) * | 2022-06-24 | 2022-11-08 | 广东粤海水务投资有限公司 | 一种基于SSA-PointNet++神经网络混凝土管道损伤识别与体积量化方法 |
| CN116689503A (zh) * | 2023-04-20 | 2023-09-05 | 东北大学 | 一种基于记忆性功能网络的带钢全长厚度预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于麻雀搜索算法优化双隐含层BP神经网络的张力减径钢管壁厚预测;胡建华 等;塑性工程学报;第29卷(第8期);145-151 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117217098A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
| CN114863661B (zh) | 一种特钢生产车间的监测预警方法及系统 | |
| 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 | |
| CN112108523B (zh) | 一种冷连轧生产中带钢表面缺陷处理方法及系统 | |
| 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 | |
| CN117217098B (zh) | 基于数字孪生和深度学习的钢管力学性能预测方法及装置 | |
| Nenchev et al. | Metallurgical data science for steel industry: A case study on basic oxygen furnace | |
| CN115688581A (zh) | 油气集输站设备参数预警方法、系统、电子设备及介质 | |
| CN114888092A (zh) | 一种基于跨工序数据平台的冷轧变形抗力预测方法 | |
| Agarwal et al. | On line prediction of surface defects in hot bar rolling based on Bayesian hierarchical modeling | |
| Chen et al. | Temperature distribution prediction in control cooling process with recurrent neural network for variable-velocity hot rolling strips | |
| CN116825253B (zh) | 基于特征选择的热轧带钢力学性能预测模型的建立方法 | |
| Meng et al. | Crown Prediction of Hot‐Rolled Silicon Steel Using Transfer Learning Network Fused with Whale Optimization Algorithm | |
| CN116384254A (zh) | 一种用于lf精炼炉钢水温度预测的误差修正方法及系统 | |
| Rojek et al. | Methods of computational intelligence in the context of quality assurance in foundry products | |
| CN117195460A (zh) | 基于动态规划算法的冷轧产品取样方法及系统 | |
| CN114792051A (zh) | 一种带钢冷轧酸洗参数优化方法 | |
| Tang et al. | A novel distributed CVRAE-based spatio-temporal process monitoring method with its application | |
| Zhang et al. | Multi-task prediction of hot rolled steel mechanical properties based on CA-MMCE | |
| CN115062431B (zh) | 一种基于CS-Elman神经网络模型的热轧板凸度预测方法 | |
| Muntin et al. | Digitalization as the Most Important Tool for the Improvement of Metallurgical Technologies | |
| Dwivedi et al. | Yield prediction for seamless tubing processes: a computational intelligence approach | |
| CN114101346B (zh) | 一种冷轧硅钢厚度缺陷识别方法、装置及系统 | |
| CN114611376B (zh) | 一种基于神经网络的连退跑偏预测方法及装置 |
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 |