[發(fā)明專利]彈簧鋼脫碳分析預測方法

在審

• 申請?zhí)枺?/td>: 202110335133.4
• 申請日: 2021-03-29
• 公開（公告）號: CN115132298A
• 公開（公告）日: 2022-09-30
• 發(fā)明（設計）人: 呂立華;鄧龍;陳虎秋;許曉赟;肖暢;許娜;王墨南
• 申請（專利權）人: 寶山鋼鐵股份有限公司
• 主分類號: G16C60/00
• 分類號: G16C60/00;G06F30/27;G06K9/62;G06F119/08
• 代理公司: 上海科琪專利代理有限責任公司 31117
• 代理人: 張珉;鄭明輝

1.一種彈簧鋼脫碳分析預測方法，所述彈簧鋼采用高速線材生產(chǎn)工藝；其特征在于：所述分析預測方法包括如下步驟：

步驟一，建立分析預測系統(tǒng)，所述系統(tǒng)包括數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、模型計算模塊和畫面展示模塊；

步驟二，數(shù)據(jù)采集模塊收集得到彈簧鋼的生產(chǎn)過程數(shù)據(jù)、生產(chǎn)計劃數(shù)據(jù)和脫碳質量數(shù)據(jù)；

步驟三，數(shù)據(jù)處理模塊先對步驟二得到的數(shù)據(jù)進行預處理和存儲，并根據(jù)脫碳質量數(shù)據(jù)定義脫碳標簽，再將處理結果提供給模型計算模塊并保存模型計算模塊的計算結果；

步驟四，根據(jù)當前生產(chǎn)的鋼種和規(guī)格，模型計算模塊采用XGBoost算法依次定義目標函數(shù)、求解目標函數(shù)最小值并由預設閾值篩選得到關鍵影響因子；

步驟五，模型計算模塊采用Pearson相關系數(shù)算法得到關鍵影響因子和脫碳標簽的線性相關性，并采用Hist統(tǒng)計函數(shù)得到關鍵影響因子的直方圖；

步驟六，模型計算模塊采用SVM算法建立目標函數(shù)，再將關鍵影響因子和脫碳標簽作為樣本集并進行歸一化處理，然后采用拉格朗日乘子法求解目標函數(shù)最大值得到最優(yōu)分類函數(shù)，對目標函數(shù)進行迭代訓練后得到最新的最優(yōu)分類函數(shù)并將其作為脫碳預測模型；

步驟七，模型計算模塊根據(jù)脫碳預測模型對處于預設激勵位置的彈簧鋼進行脫碳預測計算，計算得到的脫碳預測數(shù)據(jù)由畫面展示模塊顯示。

2.根據(jù)權利要求1所述的彈簧鋼脫碳分析預測方法，其特征在于：所述步驟二中，所述生產(chǎn)過程數(shù)據(jù)由過程控制系統(tǒng)采集得到，所述生產(chǎn)計劃數(shù)據(jù)和脫碳質量數(shù)據(jù)由生產(chǎn)管理系統(tǒng)采集得到。

3.根據(jù)權利要求1所述的彈簧鋼脫碳分析預測方法，其特征在于：所述步驟三中，脫碳質量數(shù)據(jù)包括脫碳深度，根據(jù)脫碳深度定義脫碳標簽。

4.根據(jù)權利要求1所述的彈簧鋼脫碳分析預測方法，其特征在于：所述步驟三中，預處理包括對數(shù)據(jù)的勾連、異常值進行處理。

5.根據(jù)權利要求1所述的彈簧鋼脫碳分析預測方法，其特征在于：所述步驟四中，目標變量定義如下：

式中，y′_i為目標變量的預測值，x_i為生產(chǎn)過程數(shù)據(jù)中不同工藝區(qū)間的多個特征組成的訓練數(shù)據(jù)，K為決策樹的數(shù)量，f_k是決策樹空間F中的一個決策樹；

目標函數(shù)如下：

式中，第一項l為一個可微凸損失函數(shù)，用于度量目標變量的預測值y′_i和實際值y_i的差值，n為輸入樣本數(shù)量；第二項Ω用于懲罰目標函數(shù)模型的復雜度，其表達式如下：

式中，T為決策樹f_k葉子節(jié)點的數(shù)量，ω為葉子節(jié)點的權重，γ和λ分別為葉子節(jié)點數(shù)量和權重的懲罰系數(shù)。

6.根據(jù)權利要求1所述的彈簧鋼脫碳分析預測方法，其特征在于：所述步驟五中，所述關鍵影響因子和脫碳標簽的相關系數(shù)定義如下：

式中，ρ_xy為x和y的Pearson相關系數(shù)，x為關鍵影響因子，y為脫碳標簽，cov(x,y)為x和y的協(xié)方差，σ_x和σ_y分別為x和y的標準差。