Nothing Special   »   [go: up one dir, main page]

CN114897227A - 基于改进随机森林算法的多钢种力学性能预报方法 - Google Patents

基于改进随机森林算法的多钢种力学性能预报方法 Download PDF

Info

Publication number
CN114897227A
CN114897227A CN202210444584.6A CN202210444584A CN114897227A CN 114897227 A CN114897227 A CN 114897227A CN 202210444584 A CN202210444584 A CN 202210444584A CN 114897227 A CN114897227 A CN 114897227A
Authority
CN
China
Prior art keywords
mechanical property
data
production data
complete production
steel
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
Application number
CN202210444584.6A
Other languages
English (en)
Other versions
CN114897227B (zh
Inventor
高志伟
汪净
曹光明
梁亮
崔春圆
刘怡私
刘建军
刘振宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Valin Lianyuan Iron & Steel Co Ltd
Northeastern University China
Lysteel Co Ltd
Original Assignee
Hunan Valin Lianyuan Iron & Steel Co Ltd
Northeastern University China
Lysteel Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Valin Lianyuan Iron & Steel Co Ltd, Northeastern University China, Lysteel Co Ltd filed Critical Hunan Valin Lianyuan Iron & Steel Co Ltd
Priority to CN202210444584.6A priority Critical patent/CN114897227B/zh
Publication of CN114897227A publication Critical patent/CN114897227A/zh
Application granted granted Critical
Publication of CN114897227B publication Critical patent/CN114897227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

本发明提供一种基于改进随机森林算法的多钢种力学性能预报方法，涉及热轧带钢轧制生产技术领域。该方法首先搭建综合数据平台，采集一段时间内的热轧带钢生产数据样本，获得完整生产数据样本集合；并对完整生产数据样本集合进行特征信息筛选及数据清洗；然后基于改进随机森林方法构建多钢种力学性能预报模型并进行模型训练；将待预测的完整生产数据样本输入多钢种力学性能预报模型，得到待预测的完整生产数据样本的力学性能值。该方法利用已建立好的力学性能预报模型可以实现力学性能的实时预测，降低产品的检测数量，降低生产成本。

Description

基于改进随机森林算法的多钢种力学性能预报方法
技术领域
本发明涉及热轧带钢轧制生产技术领域，尤其涉及一种基于改进随机森林算法的多钢种力学性能预报方法。
背景技术
近年来，人工智能技术的兴起对钢铁工业的发展具有十分重要的意义，逐步趋向于成熟，为钢铁企业互联网平台的搭建提供了重要的技术手段，提升了企业数据挖掘、应用及创造价值的能力。针对钢铁企业全流程价值创造的需求，结合钢铁企业的生产组织特点，通过数据有效治理，提升数据成为资产的转化率，为企业实现经济效益，助推钢铁企业数字化转型，引领行业高质量发展，在钢材组织性能预测，特别是力学性能预测技术的研究方面，人工智能技术的重要性日益凸显。利用人工智能技术开发高精度的力学性能预测模型已成为重要的研究方向，人工智能技术的应用为实现高精度力学性能预测模型的工业化应用提供了重要的技术手段。
力学性能预测和控制模型通常有两种：物理冶金模型和人工智能模型。物理冶金模型由温度场、再结晶、流变应力、析出和相变等子模型构成，它可以实现化学成分、工艺参数对微观组织与力学性能影响作用的定性分析，但是获得力学性能预测值周期较长。而人工智能模型通过搜集大量生产过程中的历史数据，利用人工神经网络对复杂、非线性物理关系的强大学习能力实现产品力学性能的预测。现在，人工神经网络已经广泛的成功应用于非线性系统和模型以及未知系统的预测和控制。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于改进随机森林算法的多钢种力学性能预报方法，通过改进随机森林算法建立多钢种力学性能预报模型，实现对多钢种力学性能的预报；
为解决上述技术问题，本发明所采取的技术方案是：基于改进随机森林算法的多钢种力学性能预报方法，包括以下步骤：
步骤1：搭建综合数据平台，采集T时间段内的热轧带钢生产数据样本，获得包括N个数据信息的完整生产数据样本集合S＝{S1,S2,…,Sn,…,SN}；
其中Sn为第n个完整生产数据样本，n∈{1,2,…,N},Sn＝{Sn1,Sn2,…,Snm,…,SnM,YYS,YTS,YEL}，{Sn1,Sn2,…,Snm,…,SnM}为生产数据样本Sn的原始数据信息，Snm为生产数据样本Sn原始数据信息的第m个属性特征，m∈{1,2,…,M}，M为完整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；
步骤2：对完整生产数据样本集合进行特征信息筛选及数据清洗；
步骤3：利用属性特征二次筛选后的完整生产数据样本集合U构建并训练基于改进随机森林的多钢种力学性能预报模型；
步骤3.1：采用优化算法，对基于改进随机森林算法建立的多钢种力学性能预报模型参数进行优化；
步骤3.1.1：确定随机森林多钢种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3.1.2：设定各个超参数的优化范围；
步骤3.1.3：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3.1.4：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多钢种力学性能预报模型对完整生产数据样本集合U预测力学性能值的预测精度；构建以力学性能实测值和力学性能预测值为输入、该超参数组合下的相关系数、均方根误差、平均相对误差为输出的评价函数，利用第{1,2,...,Gen_max}次迭代的力学性能实测值和力学性能预测值，得到Gen_i迭代的相关系数、均方根误差和平均相对误差数据；
步骤3.1.5：若Gen＜Gen_max，则令Gen＝Gen+1，返回步骤3.1.4；若Gen≥Gen_max，则进入步骤3.1.6；
步骤3.1.6：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多钢种力学性能预测模型的建模超参数；
步骤3.2：根据步骤3.1.6选取的超参数组合，得到最终训练的随机森林多钢种力学性能预测模型；
步骤4：采集T时间段后待预测的完整生产数据样本集合Test，根据步骤2.1和步骤2.3中相同的方法对待预测的完整生产数据样本集合Test进行特征信息筛选，得到待预测特征信息筛选后的Z个属性特征构成的输入向量，将输入向量输入步骤3.2得到的随机森林多钢种力学性能预测模型中，得到待预测的完整生产数据样本的力学性能值。
步骤1所述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、冶炼炉号、加热炉炉号、板坯号、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炉温度、加入段温度、均热时间、粗轧结束温度、中间坯厚度、终轧速度、加热段时间以及粗轧除鳞各道次开启状态；精轧入口温度；终轧温度(FDT)；卷取温度(CT)；层流冷却温度这些工艺数据；所述力学性能检测数据源于热轧产线的检化验系统，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。
所述步骤2的具体方法为：
步骤2.1：对完整生产数据样本集合S进行属性特征一次筛选，筛除对力学性能检测数据影响小的属性特征，获得属性特征一次筛选后的完整生产数据样本集合S’；
其中，对力学性能检测数据影响小的属性特征包括冶炼炉号、加热炉炉号、板坯号、牌号、板坯生产时间、钢卷生产时间、铸坯厚度、铸坯宽度、目标厚度和目标宽度；
步骤2.2：对属性特征一次筛选后的完整生产数据样本集合S’中存在的力学性能检测数据异常值进行数据异常值处理，得到数据异常值处理后的完整生产数据样本集合为X＝{X1,X2,…,Xp,…,XP}；p∈{1,2,…,P},Xp＝{Xp1,Xp2,…,Xpm,…,XpM}为数据异常值处理后样本数据Xp的属性特征信息，Xpm为生产数据样本Xp原始数据信息的第m个属性特征，P为数据异常值处理后样本数据总数；
步骤2.3：利用主成分分析方法(PCA)对数据异常值处理后的完整生产数据样本集合X进行属性特征二次筛选，得到属性特征二次筛选后的完整生产数据样本集合U＝{U1,U2,…,Up,…,UP}；
其中，Up为第p个完整生产数据样本，Up＝{Up1,Up2,…,Upz,…,UpZ,YYS,YTS,YEL}，{Up1,Up2,…,Upz,…,UpZ}为生产数据样本Up的原始数据信息，Upz为属性特征二次筛选后生产数据样本Up原始数据信息的第z个属性特征，z∈{1,2,…,Z}，Z为属性特征二次筛选后完整生产数据样本的属性特征总数。
所述步骤2.2的具体方法为：
步骤2.2.1：针对属性特征一次筛选后的完整生产数据样本集合S’进行聚类划分，分析C、Si、Mn、Nb、N、Ti、终轧温度、卷取温度和成品厚度参数与屈服强度之间关系，设定C、Si、Mn、Nb、N、Ti、终轧温度、卷取温度和成品厚度参数的波动范围；
步骤2.2.2：随机抽出完整生产数据样本集合S’中的一个样本数据作为聚类中心，根据设定的参数波动范围，计算剩余样本数据的属性特征参数是否在划分中心给定的范围内，如果符合则被划分为一类，选取下一个聚类划分中心，以此类推，直到划分数据完成；
其中，xi为聚类中心的第i个属性特征值，yi为剩余的完整生产数据样本第i个属性特征值；
步骤2.2.3：针对聚类划分的每类数据，计算每类数据中YYS、YTS和YEL的均值x和标准差σ；
其中，m为每类数据的完整生产数据样本的数量，aj为完整生产数据样本第j个属性特征值；
步骤2.2.4：根据每类完整生产数据样本量来选择合理的异常数据剔除方法，设定每类完整生产数据样本量的阈值为A；当每类完整生产数据样本量大于A，计算每类力学性能的残差vr，剔除每类中残差vr>ασ的完整生产数据样本，α为比例系数，本实施例取α为2；当每类完整生产数据样本量小于或等于A，计算每个力学性能值的置信概率Gr，通过查表法确定置信概率临界值GP，当力学性能值的置信概率Gr大于GP时，判定该力学性能值为异常数据；
其中，Yr为完整生产数据样本的力学性能指标；
所述步骤2.3的具体方法为：
步骤2.3.1：针对数据异常值处理后的完整生产数据样本集合的所有属性特征进行去中心化；计算每一个属性特征的平均值，然后对于所有的完整生产数据样本集合，每一个属性特征都减去自身的平均值，实现属性特征的去中心化；
步骤2.3.2：针对去中心化处理后的完整生产数据样本集合计算协方差矩阵C；
步骤2.3.3：基于协方差矩阵C，求解协方差矩阵C的特征值λ和特征向量μ；得到M个特征值λ及每个特征值λk对应的特征向量μk，将特征值λ按照从大到小的顺序排序，选择最大的前h个；
步骤2.3.4：根据选取最大的前h个特征值λ和相对应的特征向量μ，实现完整生产数据样本集合属性特征的降维计算；
所述步骤3.1.4的具体方法为：
步骤3.1.4.1：根据设定的决策树数量Ntree和单棵树的叶子节点深度Mtry这两个超参数范围，随机生成Hn组超参数组合，选取其中的一组超参数组合作为随机森林多钢种力学性能预测模型的建模超参数；
步骤3.1.4.2：构造超参数优化过程的评价函数；选取相关系数R、均方根误差MSE、平均相对误AARE差三个评价函数，根据评价函数得到超参数组合对应的相关系数、均方根误差和平均相对误差数据；
其中：El为力学性能实测值，Fl为力学性能预测值，
Figure BDA0003616078590000041
和
Figure BDA0003616078590000042
为力学性能实测值和力学性能预测值的平均值。
步骤3.1.4.3：更新随机森林多钢种力学性能预测模型的建模超参数组合，针对决策树数量Ntree、单棵树的叶子节点深度Mtry分别构造超参数更新函数：v1(Gen+1)＝v1(Gen)+c1*r1*Δv1，v2(Gen+1)＝v2(Gen)+c2*r2*Δv2；
其中，v1为一组超参数组合中决策树数量值；v2为一组超参数组合中单棵树的叶子节点深度值；c1、c2均为加速调节因子；r1、r2均为0～1之间的随机数；Δv1、Δv2均为比例系数；
步骤3.1.4.4：根据上述计算步骤3.1.4.3分别得到第Gen次迭代和第Gen+1次迭代超参数组合对应的的相关系数、均方根误差和平均相对误差的计算值，当第Gen+1次迭代的相关系数大于第Gen次迭代的相关系数，且第Gen+1次迭代的均方根误差和平均相对误差均小于第Gen次迭代的均方根误差和平均相对误差，c1、c2取正值，否则c1、c2取负值；
所述基于改进随机森林算法的多钢种力学性能预报方法，还包括：验证基于改进随机森林算法的多钢种力学性能预报模型的准确性，具体方法为：
采集待预测的完整生产数据样本的力学性能实测值，根据步骤4中得到的待预测的完整生产数据样本的力学性能预测值，统计力学性能的预测精度，验证基于改进随机森林算法的多钢种力学性能预报模型的准确性。
采用上述技术方案所产生的有益效果在于：本发明提供的基于改进随机森林算法的多钢种力学性能预报方法，利用历史生产的特征属性参数作为力学性能预报模型的输入参数，在训练时选取部分特征属性参数进行聚类，剔除每类样本数据中的异常样本数据，使得训练的力学性能预报模型具备高的预测正确率和效率；利用已建立好的力学性能预报模型可以实现力学性能的实时预测，降低产品的检测数量，降低生产成本。
附图说明
图1为本发明实施例提供的基于改进随机森林算法的多钢种力学性能预报方法的流程图；
图2为本发明实施例提供的化学成分对力学性能的影响图，其中，(a)为C-Mn，(b)为C-Si，(c)为C-Ti，(d)为C-Nb，(e)为N-Ti；
图3为本发明实施例提供的工艺参数对力学性能的影响图，其中，(a)为FDH-FDT，(b)为FDH-CT，(c)为FDT-CT；
图4为本发明实施例提供的力学性能异常样本剔除，其中，(a)为每类完整生产数据样本量大于A异常样本数据剔除图，(b)为每类完整生产数据样本量小于或等于A异常样本数据剔除图；
图5为本发明实施例提供的各个特征属性值和累加贡献率图，其中，(a)为屈服强度，(b)为抗拉强度，(c)为延伸率；
图6为本发明实施例提供的屈服强度预测精度及相对误差分布图，其中，(a)为预测精度，(b)为相对误差分布；
图7为本发明实施例提供的抗拉强度预测精度及相对误差分布图，其中，(a)为预测精度，(b)为相对误差分布；
图8为本发明实施例提供的延伸率预测精度及相对误差分布图，其中，(a)为预测精度，(b)为相对误差分布。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例以某钢厂为例，采用本发明的基于改进随机森林算法的多钢种力学性能预报方法，实现对多钢种力学性能的预报。
本实施例中，基于改进随机森林算法的多钢种力学性能预报方法，如图1所示，包括以下步骤：
步骤1：搭建综合数据平台，采集T时间段内的热轧带钢生产数据样本，获得包括N个数据信息的完整生产数据样本集合S＝{S1,S2,…,Sn,…,SN}；
其中Sn为第n个完整生产数据样本，n∈{1,2,…,N},Sn＝{Sn1,Sn2,…,Snm,…,SnM,YYS,YTS,YEL}，{Sn1,Sn2,…,Snm,…,SnM}为生产数据样本Sn的原始数据信息，Snm为生产数据样本Sn原始数据信息的第m个属性特征，m∈{1,2,…,M}，M为完整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；
所述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、冶炼炉号、加热炉炉号、板坯号、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炉温度、加入段温度、均热时间、粗轧结束温度、中间坯厚度、终轧速度、加热段时间以及粗轧除鳞各道次开启状态；精轧入口温度；终轧温度(FDT)；卷取温度(CT)；层流冷却温度等工艺数据；所述力学性能检测数据源于热轧产线的检化验系统，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。
综合数据平台的搭建为实现工业大数据处理提供了重要数据基础，同时也为力学性能预测模型开发提供了真实、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(Chemelement)、工艺设定值表(Set_Value)、采样点值表(SamplePoint_Value)三个数据表。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。
本实施例以某钢厂2250热轧产线为依托，采集了Q420B、510L、610L、700L、700XL、600XT六个高强钢种生产数据共计15000组数据，经过对生产数据的统计分析可得，屈服强度的总体变化范围是390MPa～860MPa，抗拉强度的总体变化范围是480MPa～930MPa，延伸率的总体变化范围是12％～53％。
步骤2：对完整生产数据样本集合进行特征信息筛选及数据清洗；
步骤2.1：对完整生产数据样本集合S进行属性特征一次筛选，筛除对力学性能检测数据影响小的属性特征，获得属性特征一次筛选后的完整生产数据样本集合S’；
其中，对力学性能检测数据影响小的属性特征包括冶炼炉号、加热炉炉号、板坯号、牌号、板坯生产时间、钢卷生产时间、铸坯厚度、铸坯宽度、目标厚度和目标宽度；
步骤2.2：对属性特征一次筛选后的完整生产数据样本集合S’中存在的力学性能检测数据异常值进行数据异常值处理，得到数据异常值处理后的完整生产数据样本集合为X＝{X1,X2,…,Xp,…,XP}；p∈{1,2,…,P},Xp＝{Xp1,Xp2,…,Xpm,…,XpM}为数据异常值处理后样本数据Xp的属性特征信息，Xpm为生产数据样本Xp原始数据信息的第m个属性特征，P为数据异常值处理后样本数据总数；
步骤2.2.1：针对属性特征一次筛选后的完整生产数据样本集合S’进行聚类划分，根据已有的物理冶金学规律分析组合参数对屈服强度的影响，如图2、3所示，设定C、Si、Mn、Nb、N、Ti、终轧温度(FDT)、卷取温度(CT)和成品厚度(FDH)参数的波动范围；
步骤2.2.2：随机抽出完整生产数据样本集合S’中的一个样本数据作为聚类中心，根据设定的参数波动范围，利用绝对计算公式di＝xi-yi，计算剩余样本数据的属性特征参数是否在划分中心给定的范围内，如果符合则被划分为一类，选取下一个聚类划分中心，以此类推，直到划分数据完成；
其中，xi为聚类中心的第i个属性特征值，yi为剩余的完整生产数据样本第i个属性特征值；
步骤2.2.3：针对聚类划分的每类数据，分别利用公式
Figure BDA0003616078590000071
和
Figure BDA0003616078590000072
计算每类数据中YYS、YTS和YEL的均值
Figure BDA0003616078590000073
和标准差σ；
其中，m为每类数据的完整生产数据样本的数量，aj为完整生产数据样本第j个属性特征值；
步骤2.2.4：如图4所示，根据每类完整生产数据样本量来选择合理的异常数据剔除方法，设定每类完整生产数据样本量的阈值为A；当每类完整生产数据样本量大于A，利用公式
Figure BDA0003616078590000074
计算每类力学性能的残差vr，剔除每类中残差vr>ασ的完整生产数据样本，α为比例系数，本实施例取α为2；当每类完整生产数据样本量小于或等于A，利用公式
Figure BDA0003616078590000081
计算每个力学性能值的置信概率Gr，通过查表法确定置信概率临界值GP，当力学性能值的置信概率Gr大于GP时，判定该力学性能值为异常数据；
其中，Yr为完整生产数据样本的力学性能指标；
步骤2.3：利用主成分分析方法(PCA)对数据异常值处理后的完整生产数据样本集合X进行属性特征二次筛选，得到属性特征二次筛选后的完整生产数据样本集合U＝{U1,U2,…,Up,…,UP}；其中，Up为第p个完整生产数据样本，Up＝{Up1,Up2,…,Upz,…,UpZ,YYS,YTS,YEL}，{Up1,Up2,…,Upz,…,UpZ}为生产数据样本Up的原始数据信息，Upz为属性特征二次筛选后生产数据样本Up原始数据信息的第z个属性特征，z∈{1,2,…,Z}，Z为属性特征二次筛选后完整生产数据样本的属性特征总数；
步骤2.3.1：针对数据异常值处理后的完整生产数据样本集合的所有属性特征进行去中心化；计算每一个属性特征的平均值，然后对于所有的完整生产数据样本集合，每一个属性特征都减去自身的平均值，实现属性特征的去中心化；
步骤2.3.2：针对去中心化处理后的完整生产数据样本集合计算协方差矩阵C；利用公式
Figure BDA0003616078590000082
计算不同属性特征向量之间的协方差，得到协方差矩阵C；
其中，ak为a列属性特征的第k个完整生产数据样本值，和bk为b列属性特征的第k个完整生产数据样本值；
步骤2.3.3：基于协方差矩阵C，求解协方差矩阵C的特征值λ和特征向量μ；得到M个特征值λ及每个特征值λk对应的特征向量μk，将特征值λ按照从大到小的顺序排序，选择最大的前h个；
步骤2.3.4：根据选取最大的前h个特征值λ和相对应的特征向量μ，实现完整生产数据样本集合属性特征的降维计算；
钢铁工业大数据的维度越来越高，但在高维数据中部分数据的特征属性就可以包含较高的数据信息。在高维数据基础虽然可以采用经典算法建立模型，但在处理高维数据特征属性过程中表现效果较差，所建立的模型与用低维数据建立的模型不能相媲美。如果不对数据的特征属性进行处理，构建的特征子空间会包含较少的数据属性信息，甚至会掺杂过多的非信息性数据属性信息。所以会导致所建立的模型的规律性较差，降低模型预测值的准确性。
基于以上分析，本实施例利用PCA算法对采集的15000组数据进行数据降维处理。首先计算各参数的协方差矩阵，然后得出各参数的特征值的大小，最终分别对各个参数和力学性能进行关联系数的分析。通过对各参数累加贡献率的计算，对模型的输入参数进行初步确定。如图5所示，确定最终的模型输入参数。
步骤3：利用属性特征二次筛选后的完整生产数据样本集合U构建并训练基于改进随机森林的多钢种力学性能预报模型；
步骤3.1：采用优化算法，对基于改进随机森林算法建立的多钢种力学性能预报模型参数进行优化；
步骤3.1.1：确定随机森林多钢种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3.1.2：设定各个超参数的优化范围；
步骤3.1.3：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3.1.4：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多钢种力学性能预报模型对完整生产数据样本集合U预测力学性能值的预测精度；构建以力学性能实测值和力学性能预测值为输入、该超参数组合下的相关系数、均方根误差、平均相对误差为输出的评价函数，利用第{1,2,...,Gen_max}次迭代的力学性能实测值和力学性能预测值，得到Gen_i迭代的相关系数、均方根误差和平均相对误差数据；
步骤3.1.4.1：根据设定的决策树数量Ntree和单棵树的叶子节点深度Mtry这两个超参数范围，随机生成Hn组超参数组合，选取其中的一组超参数组合作为随机森林多钢种力学性能预测模型的建模超参数；
步骤3.1.4.2：构造超参数优化过程的评价函数；选取相关系数(R)、均方根误差(MSE)、平均相对误(AARE)差三个评价函数，表达式为：
Figure BDA0003616078590000091
根据评价函数得到超参数组合对应的相关系数、均方根误差和平均相对误差数据；
其中：El为力学性能实测值，Fl为力学性能预测值，
Figure BDA0003616078590000092
和
Figure BDA0003616078590000093
为力学性能实测值和力学性能预测值的平均值。
步骤3.1.4.3：更新随机森林多钢种力学性能预测模型的建模超参数组合，针对决策树数量Ntree、单棵树的叶子节点深度Mtry分别构造超参数更新函数：v1(Gen+1)＝v1(Gen)+c1*r1*Δv1，v2(Gen+1)＝v2(Gen)+c2*r2*Δv2；
其中，v1为一组超参数组合中决策树数量值；v2为一组超参数组合中单棵树的叶子节点深度值；c1、c2均为加速调节因子；r1、r2均为0～1之间的随机数；Δv1、Δv2均为比例系数，本实施例中，Δv1取5，Δv2取1；
步骤3.1.4.4：根据上述计算步骤3.1.4.3分别得到第Gen次迭代和第Gen+1次迭代超参数组合对应的的相关系数、均方根误差和平均相对误差的计算值，当第Gen+1次迭代的相关系数大于第Gen次迭代的相关系数，且第Gen+1次迭代的均方根误差和平均相对误差均小于第Gen次迭代的均方根误差和平均相对误差，c1、c2取正值，否则c1、c2取负值；
步骤3.1.5：若Gen＜Gen_max，则令Gen＝Gen+1，返回步骤3.1.4；若Gen≥Gen_max，则进入步骤3.1.6；
步骤3.1.6：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多钢种力学性能预测模型的建模超参数；
步骤3.2：根据步骤3.1.6选取的超参数组合，得到最终训练的随机森林多钢种力学性能预测模型；
本实施例，基于Q420B、510L、610L、600XT、700L、700XL六个高强钢种数据，采用改进的随机森林算法建立了高精度力学性能预测模型。
步骤4：采集T时间段后待预测的完整生产数据样本集合Test，根据步骤2.1和步骤2.3中相同的方法对待预测的完整生产数据样本集合Test进行特征属性筛选，得到待预测特征属性筛选后的Z个属性特征构成的输入向量，将输入向量输入步骤3.2得到的随机森林多钢种力学性能预测模型中，得到待预测的完整生产数据样本的力学性能值。
步骤5：验证基于改进随机森林算法的多钢种力学性能预报模型的准确性，如图6、7、8所示；
采集待预测的完整生产数据样本的力学性能实测值，根据步骤4中得到的待预测的完整生产数据样本的力学性能预测值，统计力学性能的预测精度，验证基于改进随机森林算法的多钢种力学性能预报模型的准确性。
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，而非对其限制；尽管参照前述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：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (9)

1.一种基于改进随机森林算法的多钢种力学性能预报方法，其特征在于：
搭建综合数据平台，采集一段时间内的热轧带钢生产数据样本，获得完整生产数据样本集合；
对完整生产数据样本集合进行特征信息筛选及数据清洗；
基于改进随机森林方法构建多钢种力学性能预报模型；
将待预测的完整生产数据样本输入多钢种力学性能预报模型，得到待预测的完整生产数据样本的力学性能值。
2.根据权利要求1所述的基于改进随机森林算法的多钢种力学性能预报方法，其特征在于：所述方法具体包括以下步骤：
步骤1：搭建综合数据平台，采集T时间段内的热轧带钢生产数据样本，获得包括N个数据信息的完整生产数据样本集合S＝{S1,S2,…,Sn,…,SN}；
其中Sn为第n个完整生产数据样本，n∈{1,2,…,N},Sn＝{Sn1,Sn2,…,Snm,…,SnM,YYS,YTS,YEL}，{Sn1,Sn2,…,Snm,…,SnM}为生产数据样本Sn的原始数据信息，Snm为生产数据样本Sn原始数据信息的第m个属性特征，m∈{1,2,…,M}，M为完整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；
步骤2：对完整生产数据样本集合进行属性特征信息筛选及数据清洗；
步骤3：利用属性特征筛选及数据清洗后的完整生产数据样本集合构建并训练基于改进随机森林的多钢种力学性能预报模型；
步骤3.1：采用优化算法，对基于改进随机森林算法建立的多钢种力学性能预报模型参数进行优化；
步骤3.1.1：确定随机森林多钢种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3.1.2：设定各个超参数的优化范围；
步骤3.1.3：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3.1.4：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多钢种力学性能预报模型对完整生产数据样本集合U预测力学性能值的预测精度；构建以力学性能实测值和力学性能预测值为输入、该超参数组合下的相关系数、均方根误差、平均相对误差为输出的评价函数，利用第{1,2,...,Gen_max}次迭代的力学性能实测值和力学性能预测值，得到Gen_i迭代的相关系数、均方根误差和平均相对误差数据；
步骤3.1.5：若Gen＜Gen_max，则令Gen＝Gen+1，返回步骤3.1.4；若Gen≥Gen_max，则进入步骤3.1.6；
步骤3.1.6：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多钢种力学性能预测模型的建模超参数；
步骤3.2：根据步骤3.1.6选取的超参数组合，得到最终训练的随机森林多钢种力学性能预测模型；
步骤4：采集T时间段后待预测的完整生产数据样本集合Test，对待预测的完整生产数据样本集合Test进行特征信息筛选，得到待预测特征信息筛选后的Z个属性特征构成的输入向量，将输入向量输入步骤3.2得到的随机森林多钢种力学性能预测模型中，得到待预测的完整生产数据样本的力学性能值。
3.根据权利要求2所述的基于改进随机森林算法的多钢种力学性能预报方法，其特征在于：步骤1所述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、冶炼炉号、加热炉炉号、板坯号、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、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炉温度、加入段温度、均热时间、粗轧结束温度、中间坯厚度、终轧速度、加热段时间以及粗轧除鳞各道次开启状态；精轧入口温度；终轧温度；卷取温度；层流冷却温度这些工艺数据；所述力学性能检测数据源于热轧产线的检化验系统，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。
4.根据权利要求2所述的基于改进随机森林算法的多钢种力学性能预报方法，其特征在于：所述步骤2的具体方法为：
步骤2.1：对完整生产数据样本集合S进行属性特征一次筛选，筛除对力学性能检测数据影响小的属性特征，获得属性特征一次筛选后的完整生产数据样本集合S’；
步骤2.2：对属性特征一次筛选后的完整生产数据样本集合S’中存在的力学性能检测数据异常值进行数据异常值处理，得到数据异常值处理后的完整生产数据样本集合为X＝{X1,X2,…,Xp,…,XP}；p∈{1,2,…,P},Xp＝{Xp1,Xp2,…,Xpm,…,XpM}为数据异常值处理后样本数据Xp的属性特征信息，Xpm为生产数据样本Xp原始数据信息的第m个属性特征，P为数据异常值处理后样本数据总数；
步骤2.3：利用主成分分析方法(PCA)对数据异常值处理后的完整生产数据样本集合X进行属性特征二次筛选，得到属性特征二次筛选后的完整生产数据样本集合U＝{U1,U2,…,Up,…,UP}；
其中，Up为第p个完整生产数据样本，Up＝{Up1,Up2,…,Upz,…,UpZ,YYS,YTS,YEL}，{Up1,Up2,…,Upz,…,UpZ}为生产数据样本Up的原始数据信息，Upz为属性特征二次筛选后生产数据样本Up原始数据信息的第z个属性特征，z∈{1,2,…,Z}，Z为属性特征二次筛选后完整生产数据样本的属性特征总数。
5.根据权利要求2所述的基于改进随机森林算法的多钢种力学性能预报方法，其特征在于：步骤2.1所述对力学性能检测数据影响小的属性特征包括冶炼炉号、加热炉炉号、板坯号、牌号、板坯生产时间、钢卷生产时间、铸坯厚度、铸坯宽度、目标厚度和目标宽度。
6.根据权利要求4所述的基于改进随机森林算法的多钢种力学性能预报方法，其特征在于：所述步骤2.2包括以下步骤：
步骤2.2.1：针对属性特征一次筛选后的完整生产数据样本集合S’进行聚类划分，分析C、Si、Mn、Nb、N、Ti、终轧温度、卷取温度和成品厚度参数与屈服强度之间关系，设定C、Si、Mn、Nb、N、Ti、终轧温度、卷取温度和成品厚度参数的波动范围；
步骤2.2.2：随机抽出完整生产数据样本集合S’中的一个样本数据作为聚类中心，根据设定的参数波动范围，计算剩余样本数据的属性特征参数是否在划分中心给定的范围内，如果符合则被划分为一类，选取下一个聚类划分中心，以此类推，直到划分数据完成；
其中，xi为聚类中心的第i个属性特征值，yi为剩余的完整生产数据样本第i个属性特征值；
步骤2.2.3：针对聚类划分的每类数据，计算每类数据中YYS、YTS和YEL的均值
Figure FDA0003616078580000031
和标准差σ；
其中，m为每类数据的完整生产数据样本的数量，aj为完整生产数据样本第j个属性特征值；
步骤2.2.4：根据每类完整生产数据样本量来选择合理的异常数据剔除方法，设定每类完整生产数据样本量的阈值为A；当每类完整生产数据样本量大于A，计算每类力学性能的残差vr，剔除每类中残差vr>ασ的完整生产数据样本，α为比例系数；当每类完整生产数据样本量小于或等于A，计算每个力学性能值的置信概率Gr，通过查表法确定置信概率临界值GP，当力学性能值的置信概率Gr大于GP时，判定该力学性能值为异常数据；
其中，Yr为完整生产数据样本的力学性能指标。
7.根据权利要求6所述的基于改进随机森林算法的多钢种力学性能预报方法，其特征在于：所述步骤2.3包括以下步骤：
步骤2.3.1：针对数据异常值处理后的完整生产数据样本集合的所有属性特征进行去中心化；计算每一个属性特征的平均值，然后对于所有的完整生产数据样本集合，每一个属性特征都减去自身的平均值，实现属性特征的去中心化；
步骤2.3.2：针对去中心化处理后的完整生产数据样本集合计算协方差矩阵C；
步骤2.3.3：基于协方差矩阵C，求解协方差矩阵C的特征值λ和特征向量μ；得到M个特征值λ及每个特征值λk对应的特征向量μk，将特征值λ按照从大到小的顺序排序，选择最大的前h个；
步骤2.3.4：根据选取最大的前h个特征值λ和相对应的特征向量μ，实现完整生产数据样本集合属性特征的降维计算。
8.根据权利要求2所述的基于改进随机森林算法的多钢种力学性能预报方法，其特征在于：所述步骤3.1.4包括下述步骤：
步骤3.1.4.1：根据设定的决策树数量Ntree和单棵树的叶子节点深度Mtry这两个超参数范围，随机生成Hn组超参数组合，选取其中的一组超参数组合作为随机森林多钢种力学性能预测模型的建模超参数；
步骤3.1.4.2：构造超参数优化过程的评价函数；选取相关系数R、均方根误差MSE、平均相对误AARE差三个评价函数，根据评价函数得到超参数组合对应的相关系数、均方根误差和平均相对误差数据；
其中：El为力学性能实测值，Fl为力学性能预测值，
Figure FDA0003616078580000041
和
Figure FDA0003616078580000042
为力学性能实测值和力学性能预测值的平均值；
步骤3.1.4.3：更新随机森林多钢种力学性能预测模型的建模超参数组合，针对决策树数量Ntree、单棵树的叶子节点深度Mtry分别构造超参数更新函数：v1(Gen+1)＝v1(Gen)+c1*r1*Δv1，v2(Gen+1)＝v2(Gen)+c2*r2*Δv2；
其中，v1为一组超参数组合中决策树数量值；v2为一组超参数组合中单棵树的叶子节点深度值；c1、c2均为加速调节因子；r1、r2均为0～1之间的随机数；Δv1、Δv2均为比例系数；
步骤3.1.4.4：根据上述计算步骤3.1.4.3分别得到第Gen次迭代和第Gen+1次迭代超参数组合对应的的相关系数、均方根误差和平均相对误差的计算值，当第Gen+1次迭代的相关系数大于第Gen次迭代的相关系数，且第Gen+1次迭代的均方根误差和平均相对误差均小于第Gen次迭代的均方根误差和平均相对误差，c1、c2取正值，否则c1、c2取负值。
9.根据权利要求2-8任一项权利要求所述的基于改进随机森林算法的多钢种力学性能预报方法，其特征在于：所述基于改进随机森林算法的多钢种力学性能预报方法，还包括：验证基于改进随机森林算法的多钢种力学性能预报模型的准确性，具体方法为：
采集待预测的完整生产数据样本的力学性能实测值，根据步骤4中得到的待预测的完整生产数据样本的力学性能预测值，统计力学性能的预测精度，验证基于改进随机森林算法的多钢种力学性能预报模型的准确性。
CN202210444584.6A 2022-04-26 2022-04-26 基于改进随机森林算法的多钢种力学性能预报方法 Active CN114897227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210444584.6A CN114897227B (zh) 2022-04-26 2022-04-26 基于改进随机森林算法的多钢种力学性能预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210444584.6A CN114897227B (zh) 2022-04-26 2022-04-26 基于改进随机森林算法的多钢种力学性能预报方法

Publications (2)

Publication Number Publication Date
CN114897227A true CN114897227A (zh) 2022-08-12
CN114897227B CN114897227B (zh) 2024-09-06

Family

ID=82719682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210444584.6A Active CN114897227B (zh) 2022-04-26 2022-04-26 基于改进随机森林算法的多钢种力学性能预报方法

Country Status (1)

Country Link
CN (1) CN114897227B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116682505A (zh) * 2023-06-14 2023-09-01 东北大学 一种基于分位数回归森林的hrb400e钢材力学性能预测方法
CN116776753A (zh) * 2023-08-25 2023-09-19 北京科技大学 一种带钢热连轧过程力学性能指标软测量方法和系统
CN116779062A (zh) * 2023-06-14 2023-09-19 东北大学 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
CN116825253A (zh) * 2023-07-03 2023-09-29 东北大学 基于特征选择的热轧带钢力学性能预测模型的建立方法
CN117055512A (zh) * 2023-10-10 2023-11-14 安徽中科维德数字科技有限公司 一种连续搅拌反应釜的智能模型控制系统及其控制方法
CN117807424A (zh) * 2024-02-29 2024-04-02 山东钢铁股份有限公司 工业大数据驱动的宽厚钢板质量动态在线识别方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543203A (zh) * 2017-09-22 2019-03-29 山东建筑大学 一种基于随机森林的建筑冷热负荷预测方法
CN111790762A (zh) * 2020-07-30 2020-10-20 武汉科技大学 一种基于随机森林的热轧带钢轧制力设定方法
CN113011491A (zh) * 2021-03-17 2021-06-22 东北大学 一种主成分分析协同随机森林的热连轧带钢宽度预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543203A (zh) * 2017-09-22 2019-03-29 山东建筑大学 一种基于随机森林的建筑冷热负荷预测方法
CN111790762A (zh) * 2020-07-30 2020-10-20 武汉科技大学 一种基于随机森林的热轧带钢轧制力设定方法
CN113011491A (zh) * 2021-03-17 2021-06-22 东北大学 一种主成分分析协同随机森林的热连轧带钢宽度预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨威等: "基于随机森林的钢材性能预报与影响因素筛选", 钢铁, vol. 53, no. 3, 31 March 2018 (2018-03-31), pages 1 - 3 *
江朝晖等: "基于聚类和异常检测的作物监测数据预处理研究", 浙江农业学报, vol. 28, no. 5, 25 May 2016 (2016-05-25), pages 1 - 2 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116682505A (zh) * 2023-06-14 2023-09-01 东北大学 一种基于分位数回归森林的hrb400e钢材力学性能预测方法
CN116779062A (zh) * 2023-06-14 2023-09-19 东北大学 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
CN116682505B (zh) * 2023-06-14 2023-11-21 东北大学 一种基于分位数回归森林的hrb400e钢材力学性能预测方法
CN116825253A (zh) * 2023-07-03 2023-09-29 东北大学 基于特征选择的热轧带钢力学性能预测模型的建立方法
CN116825253B (zh) * 2023-07-03 2023-11-21 东北大学 基于特征选择的热轧带钢力学性能预测模型的建立方法
CN116776753A (zh) * 2023-08-25 2023-09-19 北京科技大学 一种带钢热连轧过程力学性能指标软测量方法和系统
CN116776753B (zh) * 2023-08-25 2024-03-26 北京科技大学 一种带钢热连轧过程力学性能指标软测量方法和系统
CN117055512A (zh) * 2023-10-10 2023-11-14 安徽中科维德数字科技有限公司 一种连续搅拌反应釜的智能模型控制系统及其控制方法
CN117807424A (zh) * 2024-02-29 2024-04-02 山东钢铁股份有限公司 工业大数据驱动的宽厚钢板质量动态在线识别方法及装置
CN117807424B (zh) * 2024-02-29 2024-04-30 山东钢铁股份有限公司 工业大数据驱动的宽厚钢板质量动态在线识别方法及装置

Also Published As

Publication number Publication date
CN114897227B (zh) 2024-09-06

Similar Documents

Publication Publication Date Title
CN114897227B (zh) 基于改进随机森林算法的多钢种力学性能预报方法
CN110472349B (zh) 一种基于eemd和深度卷积网络的热轧钢性能预测方法
CN110428876B (zh) 一种基于物理指导的机器学习算法的钢铁材料设计方法
WO2023130666A1 (zh) 一种基于数据驱动和机理模型融合的板带钢凸度预测方法
CN112100745B (zh) 基于lda理论的汽车大梁钢力学性能预测方法
CN111444942B (zh) 一种高炉铁水硅含量智能预报方法及系统
CN112949005B (zh) 一种基于机器学习指导下的高强韧钢设计方法
CN113011491A (zh) 一种主成分分析协同随机森林的热连轧带钢宽度预测方法
CN115860211A (zh) 一种基于局部在线建模的铸坯质量预测方法
CN110442954B (zh) 基于物理冶金学指导下机器学习的超高强不锈钢设计方法
CN113128124B (zh) 基于改进神经网络的多牌号C-Mn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
CN117171521A (zh) 一种针对缺陷检测的钢铁产品性能智能诊断方法
CN115034437A (zh) 一种基于改进XGBoost的热轧板凸度预测方法
CN115169453A (zh) 基于密度聚类协同深度残差网络的热连轧宽度预测方法
Dong et al. Just-in-time learning-based soft sensor for mechanical properties of strip steel via multi-block weighted semisupervised models
CN110415769B (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
Chen et al. Prediction model based on XGBoost for mechanical properties of steel materials
Wang et al. A deep learning model for the accurate prediction of the microstructure performance of hot rolled steel
CN112949203B (zh) 一种基于电参数和xgboost-nn算法的板材激光切割质量判断方法
CN114798763B (zh) 一种加热炉出钢板坯粗轧出口温度的预测方法及系统
CN117753795B (zh) 一种针对多钢种、多规格热轧产品的前馈控制方法
Li et al. Modeling hot strip rolling process under framework of generalized additive model
CN116108733A (zh) 一种预测钢材力学性能的方法
Baig et al. Machine Learning for the Prediction of Springback in High Tensile Strength Steels after V-Bending Process Using Tree-Based Learning

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