融合半监督学习的小样本条件下热轧带钢力学性能预测

基于工业数据的热轧带钢力学性能预测技术可以有效减少热轧过程中带钢性能检测取样频率、缩短交货周期、降低生产成本，然而针对小样本下的数据驱动建模始终是一个建模难题。本文聚焦小样本条件下的热轧带钢力学性能建模问题，基于工业生产过程中产生的数据，采用安全弱监督学习(safe weakly supervised learning, SAFEW)算法为未标记数据添加伪标签，实现训练数据的扩展，采用随机森林算法建立热轧带钢成分、工艺、性能之间对应关系，并通过贝叶斯优化的方法确定随机森林超参数，实现小样本条件下热轧带钢力学性能预测。针对工业应用，本文在此基础上开发了热轧带钢力学性能预测软件，结果显示，融合半监督学习的随机森林算法较普通随机森林算法在小样本热轧带钢力学性能预测方面表现更为优异。经统计，屈服强度和抗拉强度预测值和实测值绝对误差在±30 MPa以内的命中率较普通随机森林模型分别提高了6.08%和2.60%,伸长率预测值和实测值绝对误差在±3%以内的命中率较随机森林模型提高了4.78%。     

基于随机森林的钢材性能预报与影响因素筛选

钢材力学性能的影响因素众多且存在复杂交互作用,合理筛选性能预报模型的影响因素,将有助于提高模型精度。采用随机森林算法以及数据与机理分析相结合的力学性能建模方法,对热轧带钢力学性能预报与影响因素筛选问题进行了研究。首先,基于收集到的大量热轧生产过程实测数据,采用随机森林算法获得各影响因素的重要性排序;接着,基于各因素的重要性排序,逐个增加自变量建立一系列力学性能预测模型,并根据各模型预测误差的变化趋势,判断各因素对模型预测精度影响的大小,进一步筛选出更为重要的影响因素,最终建立以少量重要性较高的影响因素作为自变量的性能预报模型。最后,对国内某大型热连轧机组生产的热轧含铌高强钢产品进行了抗拉强度建模试验,实践表明,基于Mn、Cs、FDH、Nb C、Nb N、RT、Si、CT以及FET等因素建立的抗拉强度预测模型具有较高的预测精度,平均绝对百分误差为2.52%,均方根误差为21.65 MPa。     

基于遗传算法BP人工神经网络的热轧带钢力学性能预报模型

介绍基于遗传算法BP神经网络建立的热轧带钢力学性能预报模型,对某带钢厂产品的力学性能预测结果:与检测数据对比,屈服强度、抗拉强度、延伸率最大误差分别为2.6%,2.4%,3.1%,并提出改进措施。     

融合大数据与冶金机理的热轧带钢力学性能预报模型

融合工业大数据与冶金机理,提出一种全局可加型热轧带钢力学性能预报模型。首先,给出一套系统的、具有一定通用意义的建模方法,包括:综合应用随机森林、因果图、贝叶斯网等数据挖掘方法,并结合冶金机理与人的先验知识筛选模型的影响因素;接着,构建一元无交互作用广义可加模型,包括数据清洗、子模型建立、子模型验证、子模型修正等环节;探明各影响因素之间的交互作用,构建二元有交互作用的广义可加模型;分析各子模型之间的关系,将各子模型整合构建整体模型。最后,对上述建模方法进行了应用验证,利用大量热轧含铌微合金钢生产数据,建立微合金钢产品力学性能预报模型,获得工艺、成分对力学性能的影响规律,新模型对钢材抗拉强度的预报误差为2.51%。上述研究为复杂工业系统数学建模提供了新的思路。     

热镀铝锌机组产品力学性能预报技术

针对热镀铝锌机组产品力学性能超差的问题,在对产品力学性能影响参数进行重要度分析和数据样本聚类分析的基础上,建立热镀铝锌机组产品力学性能BP神经网络预报模型,实现带钢屈服强度、抗拉强度与断后伸长率等力学性能参数在统计学意义上的计算。基于平整轧制机理模型,以变形抗力为桥梁,根据平整轧制过程中实时轧制力数据模型,反算出带钢出口处变形抗力的波动情况,以此对由BP神经网络模型预报得到的屈服强度、抗拉强度和断后伸长率进行修正,进一步形成了一套神经网络模型与物理冶金模型相结合的热镀产品力学性能预报技术。将此技术应用到了某钢厂热镀铝锌机组生产现场,为该机组生产工艺的制定提供了理论依据。     

基于组织 性能预测的集装箱热轧板工艺优化

 针对产品的性能要求制定合理的热轧工艺,提出将组织性能预测与控制技术应用于热轧工艺的优化设计。基于大量生产数据,建立了包含10个BP神经网络的模型组以描述化学成分、工艺和力学性能的对应关系,屈服强度、抗拉强度和伸长率的预测精度分别达到了±6%、±6%和±4%。结合多目标粒子群优化算法,针对客户对性能的需求,在化学成分和工艺约束已知的条件下,对热轧工艺进行了优化计算。工艺优化计算结果与现场生产数据吻合良好,验证了工艺优化设计的有效性,从而为热轧最优工艺设计提供指导。     

基于大数据的力学性能预测与工艺参数筛选

神经网络数据样本的质量影响着模型的预测精度；选择有效的工艺参数进行建模可以提高模型的训练速度，节省训练时间。针对数据样本质量和输入工艺参数的选择问题进行了研究，采用了计算马氏距离的方法剔除异常点，改善数据样本的质量。基于采集到的热轧汽车大梁板的17个工艺参数的生产数据，采用贝叶斯神经网络建立力学性能预测模型。通过采用平均影响值筛选出对力学性能影响较大的工艺参数进行建模，以简化模型。结果显示：简化后的模型取得了较高的预测精度，对于抗拉强度和屈服强度，分别有96·64％和94·96％的数据预测值和实际值相对误差在±6％以内；对于伸长率，有96·64％的数据预测值和实际值的绝对误差在±4％以内。     

热轧含Nb高强钢力学性能预报模型

借助工业大数据和冶金机理对各要素的影响进行剖析、把复杂问题拆分成若干子问题,建立热轧含Nb高强钢力学性能预报模型。首先,借鉴广义可加模型的思路,提出融合大数据与冶金机理的力学性能建模方法;考虑微合金元素碳氮化物析出对力学性能的影响,开发含Nb钢碳氮化物析出的热力学模型,可对不同温度与成分下的奥氏体平衡成分、碳氮析出物含量进行模拟计算。接着,针对某热轧线进行建模实验,采用三次光滑样条非参数估计方法获得各自变量的单变量光滑函数,得到成分、碳氮化物及工艺参数对抗拉强度的影响关系曲线。实际预测实践表明,抗拉强度、屈服强度的预测误差分别为2.54%和3.34%,新模型具有计算精度高、适应能力强等优点,可为微合金钢产品设计和优化提供参考。     

热连轧钢材力学性能在线预报的研究与应用

 传统的产品力学性能检测是一种建立在统计学随机抽样理论基础上的检验方法,即在实验室中对取样板卷的头尾部切割样品进行检测,检测结果代表整批产品的力学性能。由于钢材生产流程长,生产过程控制参数存在一定的波动,传统力学性能检测方法不能反应每一卷带钢的力学性能,所检测样品的代表性不够充分。随着工业互联网、大数据和人工智能技术的飞速发展,特别是工业大数据相关技术的发展和应用,为这一问题的解决提供了新的途径。以实现山东钢铁集团日照有限公司热连轧产品力学性能在线预报为试验对象,以热连轧产品生产全流程关键控制工艺参数为基础,采用神经元网络、随机森林等算法建立碳素结构钢、低合金高强度结构钢的力学性能预报模型,构建了一种基于工业大数据为基础的热轧产品力学性能预报系统,包括数据采集、数据清洗、模型训练、结果分析、再现性试验和在线应用。力学性能在线预报系统已成功运行2年多时间,系统的预测精度高、稳定可靠。预测结果精度在±6%以内的比例达到90%以上,MAPE(平均绝对百分误差)不大于4%,均低于再现性检测水平,预测结果完全可以取代检测试验;提高了生产效率,缩短了产品的检测周期,轧后即可掌握产品的力学性能,降低了生产成本,已成为生产运行过程不可缺少的环节。     

基于Keras深度学习框架下BP神经网络的热轧带钢力学性能预测

研究了Keras深度学习框架下的BP神经网络在热轧带钢力学性能预测中的应用。首先采用主成分分析PCA对原始数据进行降维,再利用Keras深度学习框架下优化函数及参数对BP神经网络进行优化,最终建立原始化学成分和热轧生产工艺参数与带钢力学性能之间的关系。验证结果表明,模型取得了较高的预测精度,对于抗拉强度,预测值与实际值的相对误差绝对值在10%以内的样本占比93. 4%;对于屈服强度,预测值与实际值的相对误差绝对值在10%以内的样本占比92. 1%;对于伸长率,预测值与实际值的相对误差绝对值在10%以内的样本占比90. 5%。因此,通过验证,预测结果对热轧现场具有较好的指导意义。     

宝钢力学性能预报模型的研究与开发

热轧带钢的力学性能预报是一项非常复杂的冶金前沿技术,经历了几十年的发展而没有走向成熟,其中原因很多。对性能预报问题的复杂性、难点及现实的数据条件进行了深入分析,揭示了传统的基于误差最小化的统计建模方法存在的问题,并指出了单纯追求模型精度难以建立可靠的预报模型。在综合分析基础上,介绍了全局可加力学性能预报模型的建模思路。实践表明,在现有数据条件下,建立全局性能预报模型是正确可行的。     

热轧C-Mn钢工业大数据预处理对模型的改进作用

 在应用C-Mn钢工业大数据进行神经网络建模时,如果将大量原始数据不加处理或者经过简单的剔除异常值处理后进行建模,很容易建立满足一定精度要求的模型。但是,如果进一步研究模型的规律性,却常常有违背客观规律的情况。这是由于原始数据中大量的数据相互干扰和生产数据的离散分布造成的。因此在建模过程中,需要将冗余和误差较大的数据剔除,保证训练数据和预测数据的均匀分布,这样能够在减小建模的计算量的同时保证数据具有显著的规律性,从而建立出合理的模型。文章利用Bayes神经网络建立了多种牌号C-Mn钢力学性能预测模型,并对影响屈服强度的工艺参数进行了分析。经统计,屈服强度和抗拉强度的预测数据中分别有96.64%和99.16%的数据预测值和实测值绝对误差在±30 MPa之内,伸长率的预测数据中有85.71%的数据预测值和实测值绝对误差在±4%内。     

利用人工神经网络模型预测SS400热轧板带力学性能

针对传统的回归方法的某些不足 ,采用了人工神经网络的方法预测力学性能。从宝钢 2 0 5 0热轧管理机中随机抽取数据 ,用人工神经网络中的BP网络建立原始化学成分和热轧生产的主要工艺参数与产品力学性能之间的关系。离线仿真表明 ,产品力学性能的预报值与实际值拟合良好 ,预报结果的相对误差很小 ,屈服强度相对误差 88%在± 4 %以内 ,抗拉强度的相对误差 86 %在± 2 %以内 ,伸长率的相对误差 78%在± 6%以内。     

基于实测数据的热轧带钢变形抗力模型

采用热连轧生产过程实测数据,建立一种新型结构的精轧带钢变形抗力模型。首先,提出热轧带钢变形抗力广义相加模型的建立方法,包括清洗数据、建立子模型、验证子模型、修正子模型等建模步骤,给出了求解广义相加模型的局部积分算法。接着,针对某热连轧生产线进行变形抗力建模实验,基于收集到的大量热连轧带钢生产历史数据,根据轧制机理和先验知识对各模型自变量进行函数变换预处理,再采用参数估计方法并指定变形抗力模型的基本形式,通过局部积分算法迭代计算确定各自变量的单变量光滑函数。预测实践表明,新模型计算精度高于该热连轧机组在线模型,具有计算精度高、适应性强等优点。     

利用性能预报模型对SS400热轧板力学性能实施预报

以现场收集的四钢轧SS400热轧板的原始化学成分、终轧厚度、实测的力学性能数据为基础,通过回归模型和人工神经网络BP算法建模,确定其相互关系,并最终通过其化学成分和终轧厚度来预测产品力学性能。现场使用证明,在现有的条件下,回归模型比人工神经网络更适用。经测试,其抗拉强度预报值与实测值的相对误差有80％7g超过5％,屈服强度预报值与实测值的相对误差有76％不超过10％,延伸率预报值与实测值的相对误差有77％不超过10％。     

基于广义可加模型的热轧变形抗力预报

基于热连轧生产过程实测数据,建立一种具有广义可加形式的热轧带钢变形抗力模型。首先,提出基于广义可加模型框架的热轧带钢变形抗力建模方法,包括变量预分析、模型设定、模型估计与结果分析等步骤;给出了估计模型各自变量平滑函数的back-fitting算法。接着,针对宝钢1880精轧机组进行建模实验,通过收集覆盖多钢种的带钢样本数据,建立了热轧带钢变形抗力的广义可加模型,采用三次光滑样条来估计各个模型自变量的单变量函数,获得了变形温度、变形程度、变形速率等因素对变形抗力的影响规律。实际建模实践表明,新模型的结构优于宝钢1880在线模型,具有计算精度高、适应钢种范围广等优点,可用于热连轧生产在线过程控制。     

热轧带钢组织性能预报模型及应用

 基于物理冶金理论,研究了热轧带钢过程中的奥氏体晶粒长大模型、奥氏体再结晶模型、奥氏体相变模型以及力学性能模型。奥氏体再结晶模型中,通过研究位错密度的变化来描述由于再结晶不完全造成的变形抗力的变化。奥氏体相变模型中,通过碳扩散理论描述了奥氏体-铁素体相界面随冷却过程的变化规律。基于热轧带钢过程中的冶金物理模型,开发热轧带钢组织性能预报系统。系统包括4个模块,分别用于计算板坯在加热炉、粗轧精轧、层流冷却和卷取完成各阶段的组织和力学性能参数,生产工艺是该系统的重要输入参数。利用该系统对某钢厂实际生产过程的组织性能进行预报,预报的力学性能和现场实测值有较好的一致性。     

基于主成分分析-BP神经网络的热精轧带钢跑偏预测研究

由于带钢热轧过程中跑偏的影响因素复杂,传统的机理预测模型难以保证跑偏预测的准确性。本文从数据驱动的角度出发,结合带钢轧制过程跑偏产生原理和实际生产数据,提出了一种基于主成分分析(PCA)与BP神经网络的组合模型用于预测带钢跑偏。该模型精度较高,对提高热连轧成品质量和轧制设备的寿命都具有重大意义。     

关于热轧带钢力学性能预报技术的思考

热轧带钢力学性能预报技术兴起于20世纪70年代,因其具有广阔的应用前景,从而受到了国内外众多学术机构和企业的重视,然而,该技术的实际应用、特别是在线应用效果一直不理想。作者认为,造成这种现象的首要原因,是生产线的数据质量较差,从而使预报的可靠性大为降低。针对该问题,提出了力学性能预报技术实用化的解决思路,即把冶金机理和统计建模相结合,建立热轧带钢力学性能预报的分布式模型。实践证明,这一思路是可行的。     

基于BP神经网络的冷轧带钢力学性能预测

利用BP神经网络方法预测SPCC冷轧带钢产品力学性能并以现场正交试验数据为基础,对比预报结果和试验结果可以知道,该模型具有较高的精度,适用于现场生产。