[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

本發明涉及一種鋼板力學性能預測方法，其包括：由制造執行系統中導出鋼板數據；采集得到的鋼板數據進行清洗并劃為訓練集和測試集；通過訓練集對卷積神經網絡進行訓練得到訓練后的卷積神經網絡模型，再將訓練集和測試集放入訓練后的卷積神經網絡模型輸出新訓練集和新測試集；通過新訓練集對集成學習模型進行訓練，所得到的訓練后的集成學習模型經新測試集評估對比合格即將訓練后的集成學習模型作為預測模型；進行鋼板力學性能預測時只需導入新的鋼板的生產過程數據、依次經卷積神經網絡模型和集成學習模型處理后即可對其力學性能進行預測。本申請將卷積神經網絡模型和集成學習模型的優點結合，可準確預測鋼板力學性能，同時降低試驗成本。

技術領域

本發明涉及鋼板性能預測技術領域，具體是一種鋼板力學性能預測方法。

背景技術

鋼性能的測試是對于鋼材進行質量把控的關鍵過程，尤其是對于特型鋼材，就更需要對其性能進行精準檢測并把控。例如S355是一種低合金高強度結構鋼，主要應用于礦山機械、壓力容器、電站設備、大型船舶、車輛、橋梁、特種設備等結構件，S355鋼板的力學性能主要包含屈服強度、抗拉強度、斷后伸長率和沖擊功。但是考慮到檢測成本以及檢測時間，無法對產品做到實體盡檢，就需要根據鋼板的生產過程數據以及基本參數，例如終軋溫度、終軋最小溫度、終軋最大溫度、冷卻溫度等對產品的力學性能進行預測。

而S355鋼板力學性能預測是指利用鋼板生產過程中的工藝參數和化學成分預測鋼板的屈服強度、抗拉強度、斷后伸長率和沖擊功，S355鋼板的力學性能預測研究已成為世界各國冶金學家最為關注的研究方向之一，其在鋼板的全流程質量管理過程中具有較高的應用價值，可以減少力學性能試驗次數、優化鋼板生產過程中的工藝流程、避免不合格的鋼板流入市場，從而達到為企業降本增效的效果。

在現有的S355鋼板力學性能預測方法中，主要分為機理模型預測方法和非機理模型預測方法。機理模型預測方法，根據主要因素相互作用的機理建立的預測模型，對數據質量的要求較高，但實際生產中工業數據存在大量噪音，導致機理模型預測方法在測試數據上準確度不高；非機理模型預測方法，也稱為數據驅動預測方法，該方法根據收集的大量S355鋼板的歷史生產數據訓練機器學習模型，在一定程度上克服了工業數據質量不高的問題，但模型在測試數據上的預測準確性仍然不高，這也就導致鋼板力學性能試驗次數隨之提高，導致試驗成本提高，預測周期被拉長。

發明內容

本發明的目的是要提供一種鋼板力學性能預測方法，其可準確預測鋼板力學性能，準確性高，提高了鋼板力學性能預測的準確性，有利于企業減少鋼板力學性能試驗次數，從而降低試驗成本。

為達到上述目的，本發明采用的技術方案是：

本發明提供了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，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；

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。