CN1687935A - 一种极少新钢种数据样本下的质量设计方法 - Google Patents
一种极少新钢种数据样本下的质量设计方法 Download PDFInfo
- Publication number
- CN1687935A CN1687935A CN 200510011865 CN200510011865A CN1687935A CN 1687935 A CN1687935 A CN 1687935A CN 200510011865 CN200510011865 CN 200510011865 CN 200510011865 A CN200510011865 A CN 200510011865A CN 1687935 A CN1687935 A CN 1687935A
- Authority
- CN
- China
- Prior art keywords
- new steel
- steel grade
- data
- modeling
- sample
- 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.)
- Granted
Links
Images
Landscapes
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种极少新钢种数据样本下的质量设计方法,属于钢铁工业的钢种质量自动控制领域。首先从历史样本中提取不少于50个与新钢种生产工艺接近的生产数据,并与新钢种试验数据样本合并后形成最终样本,然后通过加权优化方法建立新钢种模型,最后根据建模目标函数建立新钢种模型后进行质量设计。同时,以加权优化方法为核心形成包括历史数据抽取、新钢种数据抽取、数据处理及合并、加权优化建模、质量设计、建模算法库六个模块的新钢种质量设计系统。本发明的优点在于有效的解决了新钢种试验数据样本极少,无法建立有效模型的问题,提高了新钢种模型的准确性和新钢种设计的可靠件。
Description
技术领域
本发明属于钢铁工业的钢种质量自动控制领域,特别是提供了一种极少新钢种数据样本下的质量设计方法,有效的解决了新钢种试验数据样本极少,无法建立有效模型的问题,提高了新钢种模型的准确性和新钢种设计的可靠性。
背景技术
钢铁工业生产过程中的新钢种设计问题一直是钢铁企业极为关注的领域,它是现代钢铁工业生产的必不可少环节。钢种的设计是一个比较复杂的过程,涉及到材料学、力学、化学反应工程学、燃烧学、系统建模等理论,其中最为关键的就是通过钢的工艺模型进行工艺设计。某种钢的工艺模型可以是以材料学、冶金工艺学、化学反应工程学、燃烧学等理论为基础建立的机理模型,也可以是以数据分析、人工智能等理论为基础建立的统计模型或智能模型。如文献“建筑用耐火钢的设计、性能及微组织”利用微观组织分析技术设计耐火钢中国力学学会材料与结构之力学测试国际会议1998、“耐候钢的设计与综合性能研究钢铁1993”根据机理模型Hall-Petch公式设计耐候钢的强度和韧性、“低碳马氏体型超高强度钢的设计与开发西安交通大学学报1994”利用机理模型设计了低碳合金钢的综合力学性能。这些研究工作都是是在已有的或经过试验调整后的模型基础上进行钢的质量设计,要保证设计结果的可靠性模型必需是足够准确的,机理模型通常是在实验室的环境中经过大量试验后得到的,而各钢厂在生产中的环境是不可能与试验环境完全一致的,这就导致依据机理模型进行的钢的质量设计结果往往差强人意。在这种情况下,往往需要对机理模型进行修正或利用智能技术建立智能模型,这都要求大量的生产数据或试验数据作为分析基础,而大量实际数据的要求对于新钢种的设计来说几乎是不可能的。生产企业出于成本的考虑,不可能在新钢种的开发过程中进行过多的试验,通常新钢种的试验数据只有2~3个,传统的统计和智能技术是不可能利用这么少的样本进行新钢种的工艺建模的,必需利用与新钢种的生产工艺接近的历史数据才能进行建模,如文献“确定复合材料许用值的高精度小样本方法航空学报1999”提出了一种根据以往经验和少量新的试验数据相结合的方法确定符合材料的许用值,“确定疲劳极限的极小样本方法机械强度1999”同样利用了历史数据与新数据结合的方法计算材料的疲劳极限。这些方法虽然考虑到了在极少新样本的情况下需要利用历史信息的办法,但在新样本与历史信息结合的方式上将新样本与历史信息同等对待,没有充分利用到新样本中包含的信息。
本发明在新钢种的设计中同样采用了新样本与历史信息结合的方法,但在两者结合的方式上进行了创新,更加突出了新样本在钢的工艺建模中的作用,充分利用了新样本中包含的信息,得到的新钢种的工艺模型更加准确,钢的设计也更加可靠。
发明内容
本发明的目的在于提供一种极少新钢种数据样本下的质量设计方法及其系统,以解决新钢种试验样本极少(2~3个),无法建立有效的新钢种模型,从而使新钢种的质量设计不准确的问题,利用本发明的方法可以提高新钢种模型的准确性和新钢种设计的可靠性,并设计了一套以该方法为核心的新钢种质量设计系统,可以将本发明的方法应用在新钢种质量设计方面。
本发明首先从历史样本中提取不少于50个与新钢种生产工艺接近的生产数据,并与新钢种试验数据样本合并后形成最终样本,然后通过加权优化方法建立新钢种模型(首先用近似度评估算法对历史样本与新钢种样本间的相似程度进行度量,并产生相似系数,然后由目标加权法产生新钢种的样本加权系数及建模目标函数),最后根据建模目标函数建立新钢种模型后进行质量设计。同时,以加权优化方法为核心形成包括历史数据抽取、新钢种数据抽取、数据处理及合并、加权优化建模、质量设计、建模算法库六个模块的新钢种质量设计系统。具体方案包括:
1、由历史数据抽取模块从关系数据库Oracle、SQL Server或文本文件、EXCEL文件中提取建模历史样本,用户需要确定与新钢种工艺接近的提取条件,如成分、出钢温度、道次压下量等数据,传送到数据合并处理模块:
2、新钢种数据抽取模块从关系数据库Oracle、SQL Server或文本文件、EXCEL文件中提取新钢种试验样本,要求的工艺变量与历史样本相同,并传送到数据合并处理模块;
3、数据处理及合并模块对从历史数据抽取模块首先进行预处理,包括对空值进行平均值替代或剔除的处理、对异常数据进行剔除的处理、对数据进行均值—标准查或极大—极小标准化的处理、处理后的数据与新钢种数据抽取模块传送过来的数据进行合并,并对新钢种的试验数据样本进行标注;
4、加权优化建模模块对合并后的数据进行建模,建模步骤如下:
(1)由近似评估算法对历史样本和新钢种样本的近似程度进行评价,算出近似度系数ε,近似度系数为0~1之间的连续值,系数越接近0表示两种样本间越相近;
(2)计算对新样本的加权系数λ,λ=(ε+1)×5;
(3)生成建模目标函数
其中k为历史样本数目,m为新钢种样本数目,y为质量指标向量;
(4)调用建模算法库中的算法进行单元模型的建模,建模算法可以采用线性回归或非线性回归或BP神经网络或支撑矢量机等;
5、新钢种模型建成后可以利用质量设计模块使用该模型进行新钢种质量设计;设计步骤如下:
(1)首先确定质量指标的目标范围;
(2)确定设计变量,即工艺变量;
(3)确定设计目标,即确定设计变量的范围;
(4)根据新钢种模型和前几步的设定系统进行寻优,找出质量指标在目标范围内的设计变量最优值;
所述的近似评估算法为:首先计算出历史样本和新钢种样本的均值向量,然后计算两个向量间的欧式距离d,最后计算近似度系数
所述的建模算法库中存储有多种模型计算公式,这些算法都是以各种函数的形式向调用者提供计算功能,算法库中主要包括线性回归、非线性回归、偏最小二乘回归、主元回归、支撑矢量回归、BP神经网络等常用的建模算法。
所述的关系数据库为SQL Server2000或Oracle9i。
所述的文本文件为以txt或csv为后缀的ASCII码文件。
本发明的优点在于:与传统的方法相比,本发明在建模目标函数中根据新样本与历史样本之间的相似程度对新钢种样本进行不同程度的加权处理,使得在建立新钢种模型时更大程度的考虑新钢种样本提供的信息,同时也不丢弃历史样本中包含的近似钢种的工艺信息,这样在建立新钢种模型时比传统方法更多的包含了新钢种的信息,使新钢种模型也更准确,依据此模型所做的质量设计也更加可靠。
附图说明
图1为本发明的系统组成图。系统主要由六个部分组成:历史数据抽取模块、新钢种数据抽取模块、数据处理及合并模块、加权优化建模模块、质量设计模块、以及建模算法库。
图2为本发明的新钢种质量设计系统结构图。数据采集卡可以安装系统所在计算机上,也可以安装在单独的数据采集机上,由传感器将生产设备的过程状态信号传递到数据采集卡上,采集卡将信号转换为数字信号,存入存储器中的实时数据库或文本文件中。
存储器是80G以上的SCSI高速硬盘。
数据库是一个关系数据库SQL Server 2000或Oracle 9i。
历史数据抽取模块从关系数据库或文本文件中提取建模所需数据,并传送给数据处理及合并模块。
新钢种数据抽取模块从关系数据库或文本文件中提取新钢种试验数据,并传送给数据处理及合并模块。
数据处理及合并模块将历史数据处理后,再与新钢种数据进行合并,供加权优化建模模块进行建模。
加权优化建模模块利用近似评估算法和目标加权法进行建模,建模时调用建模算法库中的算法。
质量设计模块根据加权优化建模模块提供的新钢种模型进行质量设计。
图3为本发明的菜单图。整个新钢种质量设计过程是采用人机交互式方法完成。用户可以根据自己掌握的信息进行各种选择,也可以通过计算机进行优化设计,提高了设计的效率。
图4为本发明的新钢种质量设计系统的运行程序图。
1)首先进行历史数据的抽取,抽取时应尽量使历史数据与新钢种的生产工艺条件数据接近,若抽取的历史数据与新钢种的生产工艺条件相差太远,将对建模和设计的效果产生较大影响;
2)新钢种样本的抽取将新钢种的试验数据提取出来,必须保证历史数据与新钢种数据的工艺变量一致;
3)历史数据经过处理后与新钢种数据进行合并以便进行建模;
4)加权优化建模模块首先利用近似度评估算法计算出相似系数ε,然后采用目标加权的方法产生建模优化目标,目标产生后就可以调用建模算法库中的算法进行建模运算;
5)新钢种模型建立后,就可以利用它进行新钢种的质量设计,设计时可以由人工方式进行,也可以通过计算机寻优完成,设计结果若不满足要求则重新定义设计参数后继续进行设计,设计结果满足要求后保存结果。
图5为本发明的加权优化建模方法流程图。建模方法为:
1)首先将合并后的建模数据导入;
2)利用近似度评估算法计算出历史样本与新钢种样本之间的相似系数ε,若系数大于0.99则表明两者指甲相差太远需要重新进行历史数据抽取,相似度满足要求后进入下一步;
3)采用目标加权的方法产生建模优化目标,新钢种的加权值λ=(ε+1)×5,得到建模目标为
其中k为历史样本数目,m为新钢种样本数目,y为质量指标向量。这样历史样本与新钢种样本间距离越小对新钢种的加权越小,若两者之间距离较大则相应加大新钢种数据在建模时的作用;
4)目标产生后调用建模算法库中的算法针对加权后的目标进行建模运算。
具体实施方式
1)首先,利用历史数据抽取模块打开历史数据文件(可以是EXCEL文件或文本文件或关系数据库中的数据表);
2)选择需要抽取数据的变量名;
3)定义变量的取值范围,可以定义某个变量的取值范围,也可以定义多个变量的联合取值范围;
4)根据定义的取值范围抽取历史数据,若不足50则重新进行取值范围定义;
5)利用新钢种数据抽取模块打开包含新钢种试验数据的文件(可以是EXCEL文件或文本文件或关系数据库中的数据表);
6)选择需要抽取数据的变量名,变量名必须与历史数据的变量名一致;
7)将所有新钢种数据全部抽取;
8)数据处理及合并模块对历史样本进行处理,去除含有空值的样本。然后将历史样本与新钢种样本按变量名进行合并,成为统一的数据表,需要时可以对合并后的数据进行均值—标准查或极大—极小标准化的处理;
9)利用近似度评估算法计算出历史样本与新钢种样本之间的相似系数ε,若系数大于0.99则表明两者指甲相差太远需要重新进行历史数据抽取,相似度满足要求后进入下一步;
10)采用目标加权的方法产生建模优化目标,对新钢种的数据进行加权,加权值λ=(ε+1)×5,得到建模目标为
其中k为历史样本数目,m为新钢种样本数目,y为质量指标向量。这样历史样本与新钢种样本间距离越小对新钢种的加权越小,若两者之间距离较大则相应加大新钢种数据在建模时的作用;
11)目标产生后调用建模算法库中的算法针对加权后的目标进行建模运算,对于线性或非线性回归以为目标函数进行最小二乘运算,对于BP神经网络以为目标函数进行误差反传优化计算,对于支撑矢量机以为目标函数进行二次规划运算。运算后将得到新钢种的模型参数,也就确定了新钢种模型;
12)新钢种模型建立后,就可以利用它进行新钢种的质量设计,设计时可以由人工方式进行,也可以通过计算机寻优完成,设计结果若不满足要求则重新定义设计参数后继续进行设计,设计结果满足要求后保存结果。
Claims (7)
1、一种极少新钢种数据样本下的质量设计方法,其特征在于:首先从历史样本中提取不少于50个与新钢种生产工艺接近的生产数据,并与新钢种试验数据样本合并后形成最终样本,然后通过加权优化方法建立新钢种模型,最后根据建模目标函数建立新钢种模型后进行质量设计;所述的加权优化方法建立新钢种模型是首先用近似度评估算法对历史样本与新钢种样本间的相似程度进行度量,并产生相似系数,然后由目标加权法产生新钢种的样本加权系数及建模目标函数;同时,以加权优化方法为核心形成包括历史数据抽取、新钢种数据抽取、数据处理及合并、加权优化建模、质量设计、建模算法库六个模块的新钢种质量设计系统;具体方案包括:
a、由历史数据抽取模块从关系数据库Oracle、SQL Server或文本文件、EXCEL文件中提取建模历史样本,用户需要确定与新钢种工艺接近的提取条件,如成分、出钢温度、道次压下量等数据,传送到数据合并处理模块:
b、新钢种数据抽取模块从关系数据库Oracle、SQL Server或文本文件、EXCEL文件中提取新钢种试验样本,要求的工艺变量与历史样本相同,并传送到数据合并处理模块;
c、数据处理及合并模块对从历史数据抽取模块首先进行预处理,包括对空值进行平均值替代或剔除的处理、对异常数据进行剔除的处理、对数据进行均值—标准查或极大—极小标准化的处理、处理后的数据与新钢种数据抽取模块传送过来的数据进行合并,并对新钢种的试验数据样本进行标注;
d、加权优化建模模块对合并后的数据进行建模;
e、新钢种模型建成后利用质量设计模块使用该模型进行新钢种质量设计。
2、按照权利要求1所述的方法,其特征在于:所述的加权优化建模模块对合并后的数据进行建模的步骤为:
a、首先由近似评估算法对历史样本和新钢种样本的近似程度进行评价,算出近似度系数ε,近似度系数为0~1之间的连续值,系数越接近0表示两种样本间越相近;
b、计算对新样本的加权系数λ,λ=(ε+1)×5;
c、生成建模目标函数
其中k为历史样本数目,m为新钢种样本数目,y为质量指标向量;
d、再调用建模算法库中的算法进行单元模型的建模,所述的建模算法采用线性回归或非线性回归或BP神经网络或支撑矢量机。
3、按照权利要求1所述的方法,其特征在于:新钢种质量设计的步骤为:
a、确定质量指标的目标范围;
b、确定设计变量,即工艺变量;
c、确定设计目标,即确定设计变量的范围;
d、根据新钢种模型和a、b、c步的设定进行寻优,找出质量指标在目标范围内的设计变量最优值。
4、按照权利要求1所述的方法,其特征在于:所述的近似评估算法为:首先计算出历史样本和新钢种样本的均值向量,然后计算两个向量间的欧式距离d,最后计算近似度系数
5、按照权利要求1所述的方法,其特征在于:所述的建模算法库中存储有多种模型计算公式,这些算法都是以各种函数的形式向调用者提供计算功能,算法库中主要包括线性回归、非线性回归、偏最小二乘回归、主元回归、支撑矢量回归、BP神经网络等常用的建模算法。
6、按照权利要求1所述的方法,其特征在于:所述的关系数据库为SQLServer2000或Oracle9i。
7、按照权利要求1所述的方法,其特征在于:所述的文本文件为以txt或csv为后缀的ASCII码文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2005100118659A CN100371938C (zh) | 2005-06-03 | 2005-06-03 | 一种极少新钢种数据样本下的质量设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2005100118659A CN100371938C (zh) | 2005-06-03 | 2005-06-03 | 一种极少新钢种数据样本下的质量设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1687935A true CN1687935A (zh) | 2005-10-26 |
CN100371938C CN100371938C (zh) | 2008-02-27 |
Family
ID=35305976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2005100118659A Expired - Fee Related CN100371938C (zh) | 2005-06-03 | 2005-06-03 | 一种极少新钢种数据样本下的质量设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100371938C (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678893A (zh) * | 2013-12-03 | 2014-03-26 | 太原理工大学 | 一种用于特殊钢种的规则建模方法 |
CN108021396A (zh) * | 2016-11-04 | 2018-05-11 | 罗伯特·博世有限公司 | 适用于Windows操作系统的传感器驱动方法和驱动系统 |
CN109902872A (zh) * | 2019-02-28 | 2019-06-18 | 北京首钢股份有限公司 | 一种性能预测模型与产品研发相结合的方法和装置 |
CN115115197A (zh) * | 2022-06-17 | 2022-09-27 | 鞍钢集团北京研究院有限公司 | 一种冶金工艺及质量的规则设计器及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003016147A (ja) * | 2001-06-29 | 2003-01-17 | Nippon Steel Corp | 構造物生産情報処理装置、構造物生産システム、及び構造物生産方法、並びにその記憶媒体及びプログラム |
CN1300649C (zh) * | 2004-11-16 | 2007-02-14 | 冶金自动化研究设计院 | 一种复杂工业过程的组合建模方法 |
-
2005
- 2005-06-03 CN CNB2005100118659A patent/CN100371938C/zh not_active Expired - Fee Related
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678893A (zh) * | 2013-12-03 | 2014-03-26 | 太原理工大学 | 一种用于特殊钢种的规则建模方法 |
CN103678893B (zh) * | 2013-12-03 | 2016-08-17 | 太原理工大学 | 一种用于特殊钢种的规则建模方法 |
CN108021396A (zh) * | 2016-11-04 | 2018-05-11 | 罗伯特·博世有限公司 | 适用于Windows操作系统的传感器驱动方法和驱动系统 |
CN109902872A (zh) * | 2019-02-28 | 2019-06-18 | 北京首钢股份有限公司 | 一种性能预测模型与产品研发相结合的方法和装置 |
CN109902872B (zh) * | 2019-02-28 | 2021-10-01 | 北京首钢股份有限公司 | 一种性能预测模型与产品研发相结合的方法和装置 |
CN115115197A (zh) * | 2022-06-17 | 2022-09-27 | 鞍钢集团北京研究院有限公司 | 一种冶金工艺及质量的规则设计器及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN100371938C (zh) | 2008-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695521B (zh) | 一种基于Attention-LSTM的滚动轴承性能衰退预测方法 | |
CN111784093B (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
CN1945482A (zh) | 一种一体化的钢铁企业在线能源预测系统与方法 | |
CN113344471B (zh) | 一种表征飞机系统气候环境适应性的方法 | |
CN107506863A (zh) | 一种基于大数据电网实物资产运维检修费用预测方法 | |
CN1687935A (zh) | 一种极少新钢种数据样本下的质量设计方法 | |
CN115330130A (zh) | 基于改进ahp-critic的农业园区综合能源系统评估方法 | |
CN112800540B (zh) | 一种基于高斯过程回归的航空发动机载荷谱任务段建模方法 | |
CN117520871A (zh) | 一种基于大数据的配网故障分析方法 | |
CN116720610A (zh) | 一种用于住宅建筑的碳排放预测方法及系统 | |
CN117057668A (zh) | 基于深度学习模型的工业污染物排放量预测方法 | |
CN116738553A (zh) | 抗震结构的不确定参数敏感性分析方法 | |
CN111210147B (zh) | 基于时序特征提取的烧结过程运行性能评价方法及系统 | |
CN116485075A (zh) | 一种基于fts的电网负荷预测方法 | |
CN116362610A (zh) | 一种基于系统方法论的新型电力系统标准体系构建方法 | |
CN115186935A (zh) | 一种机电设备非线性故障预测方法及系统 | |
CN112085257B (zh) | 一种基于时序分析的综合能源业务潜力预测模型 | |
CN112052430A (zh) | 一种基于改进topsis的光伏场站相关性综合评估系统 | |
CN112365168A (zh) | 一种基于主分量分析评价环境空气质量的方法 | |
CN111191826A (zh) | 一种基于余弦相似度分类的负荷预测方法 | |
Zhang et al. | Comprehensive Evaluation of Carbon Emissions from Residential Buildings Based on the TOPSIS Method | |
CN115471060B (zh) | 一种数字化价值监控系统与数字化价值评估方法 | |
Chen et al. | Big Data Analysis Method of Random Stress Spectrum for Crane Equipment | |
CN112508266B (zh) | 生态系统属性组分空间结构演化趋势预测方法 | |
Sun et al. | A Forecast of the Quantity of Rural Migrant Workers in Chinese Construction Industry:‐‐‐Based on the Grey System Theory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20080227 Termination date: 20140603 |