[發明專利]一種鋼板力學性能預測方法

有效

• 申請號: 202211619454.8
• 申請日: 2022-12-16
• 公開（公告）號: CN115618751B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 朱慶祺;李福存;王蘇揚;馬寧;李志勇;劉小華;楊愛玲;馬超
• 申請（專利權）人: 江蘇金恒信息科技股份有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/0464;G06N3/048;G06N3/08;G06N20/20;G06F119/14
• 代理公司: 蘇州滿天星知識產權代理事務所(普通合伙) 32573
• 代理人: 呂正剛

1.一種鋼板力學性能預測方法，應用于鋼企生產過程，對出產的鋼板力學性能進行預測，其特征在于，包括如下工作步驟：

步驟一：采集數據，由制造執行系統即MES系統中導出鋼板歷史生產數據以及鋼板的力學性能數據；

步驟二：清洗數據，對步驟一采集得到的鋼板數據進行清洗，去除其中的無效數據，并對其余數據進行完善填充；

步驟三：劃分數據，將步驟二清洗得到的鋼板數據按照比例進行劃分，分為用于模型訓練的訓練集和用于模型測試的測試集；

步驟四：構建新訓練集和新測試集，通過所述訓練集對卷積神經網絡進行訓練并保存得到訓練后的卷積神經網絡模型，再將所述訓練集和測試集輸入到訓練后的卷積神經網絡模型中從而得到所述新訓練集和新測試集，所述卷積神經網絡為帶注意力機制的一維卷積神經網絡；

步驟五：構建預測模型，通過所述新訓練集對集成學習模型進行訓練從而獲得訓練后的集成學習模型，通過所述新測試集對所述訓練后的集成學習模型進行評估對比，評估對比合格即將訓練后的集成學習模型作為預測模型；

步驟六：鋼板力學性能預測，將待測鋼板的生產數據先導入到訓練后的卷積神經網絡模型得到處理后的新數據，再將所述新數據導入到所述預測模型中得到最終的鋼板力學性能預測結果。

2.根據權利要求1所述的鋼板力學性能預測方法，其特征在于，鋼板的力學性能數據包括屈服強度、抗拉強度、斷后伸長率、沖擊功四個力學性能標簽值。

3.根據權利要求1所述的鋼板力學性能預測方法，其特征在于，在步驟二中進行鋼板數據的清洗時，對其余數據進行完善填充的過程包括非數值特征編碼、使用特征平均值填充特征缺失值、使用特征平均值代替特征異常值。

4.根據權利要求1所述的鋼板力學性能預測方法，其特征在于，所述帶注意力機制的一維卷積神經網絡包括兩個一維卷積層、兩個一維池化層、一個注意力機制模塊和三個全連接層，經卷積神經網絡模型訓練的數據，數據在一個一維卷積層進行卷積處理后經過ReLU函數激活后輸入到一個一維池化層進行池化處理后再送入另一個一維卷積層進行處理，處理后的數據經過ReLU函數激活后輸入到另一池化層，再次池化處理后的數據經所述注意力機制模塊進行加強處理后得到加強特征數據，最后輸入到三個全連接層中得到最終的輸出數據。

5.根據權利要求4所述的鋼板力學性能預測方法，其特征在于，注意力機制模塊接收一維卷積神經網絡的另一個一維卷積層輸出的特征數據，首先對特征數據進行自適應最大池化，得到一個對應的特征向量，將特征向量輸入到兩層的全連接網絡，從而得到一個權重向量，將特征數據和權重向量相乘后得到新的特征數據再送往一維卷積神經網絡的全連接層進行處理。

6.根據權利要求1所述的鋼板力學性能預測方法，其特征在于，所述通過所述新訓練集對集成學習模型進行訓練，集成學習模型包括多層感知機回歸算法模型、隨機森林回歸算法模型、極限梯度提升回歸算法模型、線性回歸算法模型，新訓練集分別輸入到多層感知機回歸算法模型、隨機森林回歸算法模型、極限梯度提升回歸算法模型、線性回歸算法模型這四種算法模型中進行模型訓練，進而得到所述訓練后的集成學習模型。

7.根據權利要求6所述的鋼板力學性能預測方法，其特征在于，所述通過所述新測試集對所述訓練后的集成學習模型進行評估對比，評估對比合格即將訓練后的集成學習模型作為預測模型，包括：

將所述新測試集分別輸入到訓練后的多層感知機回歸算法模型、隨機森林回歸算法模型、極限梯度提升回歸算法模型、線性回歸算法模型中分別得到一個預測結果，將給出的四種預測結果取平均值，作為最終的預測結果數據，再將所述預測結果數據與實際測得的力學性能數據進行比較得出準確性判斷，通過準確率Acc來綜合評估所述預測模型的整體性能，其中，Correct_nums表示正確預測樣本的個數，All_nums表示新測試集中所有預測樣本的個數。

8.一種計算設備，包括存儲器、處理器和存儲在所述存儲器內并能由所述處理器運行的計算機程序，其中，所述處理器執行所述計算機程序時實現如權利要求1至7中任一項所述的方法。

9.一種計算機可讀存儲介質，其內存儲有計算機程序，所述計算機程序在由處理器執行時實現如權利要求1至7中任一項所述的方法。