本发明公开了一种硅钢产品生产方案的智能设计评估方法，包括以下步骤：1、采集数据，并集成用户数据、实验室研发数据和大生产数据；2、构建用户数据主题、实验室研发数据主题和大生产数据主题；3、输入硅钢产品的种类、规格和性能需求的需求信息，并根据需求信息生成若干个硅钢产品的生产方案，生产方案包括优化产品的生产方案和新产品的生产方案；4、多维度综合评估步骤3中生成的每个硅钢产品的生产方案，得到硅钢产品生产方案的绿色设计指数，并根据绿色设计指数推荐生产方案。本发明基于产品设计需求，融合实验研发数据和大生产数据，生成并评估产品设计方案模型，缩短研发周期，提高研发效率。
基本信息
申请号：CN202110778749.9
申请日期：20210709
公开号：CN202110778749.9
公开日期：20220225
申请人：宝山钢铁股份有限公司
申请人地址：201900 上海市宝山区富锦路885号
发明人：房现石;刘宝军;沈侃毅;黄望芽;马长松
当前权利人：宝山钢铁股份有限公司
代理机构：上海科琪专利代理有限责任公司 31117
代理人：董艳慧;郑明辉
主权利要求
1.一种硅钢产品生产方案的智能设计评估方法，其特征是：包括以下步骤：步骤1：采集数据，并集成用户数据、实验室研发数据和大生产数据；步骤2：构建用户数据主题、实验室研发数据主题和大生产数据主题；步骤3：输入硅钢产品的种类、规格和性能需求的需求信息，并根据需求信息生成若干个硅钢产品的生产方案，所述的生产方案包括优化产品的生产方案和新产品的生产方案；步骤4：多维度综合评估步骤3中生成的每个硅钢产品的生产方案，得到硅钢产品生产方案的绿色设计指数，并根据绿色设计指数推荐生产方案。
权利要求
1.一种硅钢产品生产方案的智能设计评估方法，其特征是：包括以下步骤：
步骤1：采集数据，并集成用户数据、实验室研发数据和大生产数据；
步骤2：构建用户数据主题、实验室研发数据主题和大生产数据主题；
步骤3：输入硅钢产品的种类、规格和性能需求的需求信息，并根据需求信息生成若干个硅钢产品的生产方案，所述的生产方案包括优化产品的生产方案和新产品的生产方案；
步骤4：多维度综合评估步骤3中生成的每个硅钢产品的生产方案，得到硅钢产品生产方案的绿色设计指数，并根据绿色设计指数推荐生产方案。
2.根据权利要求1所述的硅钢产品生产方案的智能设计评估方法，其特征是：所述的用户数据包括用户对各种类硅钢产品的性能需求指标、用户ID、询单ID、用户的基本信息；
所述的实验室研发数据包括各种类硅钢产品实验全流程中的化学成分、研发工艺参数、各项性能指标、组织分析结果；
所述的大生产数据为各种类硅钢产品的大生产全流程中各机组的生产数据，包括化学成分、出钢记号生产物料跟踪信息、生产工艺参数实绩、各项性能数据、检化验数据、表面缺陷数据、质量判定数据、出/入口卷重、成材率、入口卷重分摊量、吨钢能耗、吨钢成本。
3.根据权利要求1所述的硅钢产品生产方案的智能设计评估方法，其特征是：所述的生产工艺参数实绩包含按钢卷采集的低频数据和按距离或时间间隔采集的高频数据，每个钢卷有一条低频数据和多条高频数据。
4.根据权利要求1所述的硅钢产品生产方案的智能设计评估方法，其特征是：所述的步骤2包括：
步骤2.1：构建用户需求数据主题；
步骤2.2：构建硅钢产品的实验室研发数据主题；
步骤2.3：构建硅钢产品的大生产数据主题。
5.根据权利要求4所述的硅钢产品生产方案的智能设计评估方法，其特征是：所述的步骤2.1包括：基于用户数据中的用户ID和询单ID，将某个用户的基本信息与该用户对硅钢产品的性能需求指标勾连，形成用户需求数据主题；
所述的步骤2.2包括：
步骤2.2.1：配置硅钢产品的化学成分、研发工艺参数和性能指标的实验室研发数据异常规则；
步骤2.2.2：基于实验室研发数据异常规则对实验室研发数据进行预处理；
步骤2.2.3：基于实验全流程，定义各实验工序的入口样品编号和出口样品编号，以上一实验工序的出口样品编号＝下一实验工序入口样品编号为逻辑，串联硅钢产品的实验全流程数据，构成实验室研发数据主题；
所述的步骤2.3包括：
步骤2.3.1：配置硅钢产品的化学成分、生产工艺参数实绩和性能数据的大生产数据异常规则；
步骤2.3.2：基于大生产数据异常规则对大生产数据进行预处理；
步骤2.3.4：计算硅钢产品的钢卷高频数据、性能数据特征值；
步骤2.3.5：基于大生产全流程，定义各道机组的出口卷号和进口卷号，以前道机组的出口卷号＝后道机组的入口卷号为逻辑，串联硅钢产品的大生产全流程数据，构成大生产数据主题。
6.根据权利要求1所述的硅钢产品生产方案的智能设计评估方法，其特征是：所述的步骤3包括：
步骤3.1：根据需求信息过滤实验室研发数据主题和大生产数据主题，选取两类符合需求信息的相关数据；其中，实验室研发数据主题中的性能指标乘以调整因子后再进行过滤；
步骤3.2：基于需求信息中的性能需求对每类相关数据分别进行归一化和标准化数据处理；
步骤3.3：对于每类相关数据，分别计算性能需求与归一化、标准化后的性能数据之间的第一性能相似度；
步骤3.4：设置性能相似度阈值，若第一性能相似度≥性能相似度阈值时，则将该第一性能相似度对应的硅钢产品标注为优化产品，并执行步骤3.5，若第一性能相似度＜性能相似度阈值时，则将该第一性能相似度对应的硅钢产品标注为新产品，并执行步骤3.6；
步骤3.5：生成优化产品的生产方案：结合第一性能相似度对应的生产工艺参数实绩与大生产各机组的控制精度，划分的生产工艺参数实绩；
步骤3.6：基于性能需求，建立性能指标预测模型，并验证最优的新产品的生产方案模型。
7.根据权利要求6所述的硅钢产品生产方案的智能设计评估方法，其特征是：所述的步骤3.6包括：
步骤3.6.1：从大生产数据中选取历史数据，该历史数据中硅钢产品的种类和规格与输入的硅钢产品种类和规格相同，且大生产数据时间范围为最近一年；
步骤3.6.2：建立若干个性能指标预测模型；其中，每个性能指标预测模型的输入为研发人员选定的关键的化学成分和关键的工艺参数，输出为性能指标，并通过交叉验证确定若干个性能指标预测模型中的最优性能预测模型；
步骤3.6.3：计算步骤3.6.1中选取的大生产数据中对应的化学成分、生产工艺参数实绩的平均值，并将该化学成分、生产工艺参数实绩的平均值作为方案基准点；
步骤3.6.4：从方案基准点出发对性能指标预测模型进行网格化搜索。
8.根据权利要求1所述的硅钢产品生产方案的智能设计评估方法，其特征是：所述的步骤4中，评估维度包括性能相似度、成材率、吨钢能耗和吨钢成本。
9.根据权利要求1所述的硅钢产品生产方案的智能设计评估方法，其特征是：对于每个所述的优化产品的生产方案，其多维度综合评估方法为：
步骤4.11：计算优化产品的生产方案的性能数据与大生产实际性能数据之间的第二性能相似度，若完全满足，即优化产品的生产方案的性能数据与大生产实际性能数据完全匹配，则第一性能评分记为100分，转至步骤4.13，若不完全满足，则执行步骤4.12；
步骤4.12：分别计算优化产品的生产方案的磁感和铁损与大生产实际磁感和铁损的相似度，并基于权重进行性能评估，得到第三性能相似度S3，评估公式为：S3＝λ
11*S
磁感1+λ
21*S
铁损1，第一性能评分记为S3；
其中，S
磁感1为优化产品的生产方案性能数据的磁感与大生产实际性能数据磁感之间的相似度，λ
11为S
磁感1的权重；S
铁损1为优化产品的生产方案性能数据的磁感与大生产实际性能数据的磁感之间的相似度，λ
21为S
铁损1的权重；λ
11+λ
21＝1；
步骤4.13：基于权重评估优化产品的生产方案模型的各道机组的第一成材率，得到第一成材率指标；
每道机组的第一成材率的计算公式为：
第一成材率η
1＝(出口重量/入口卷分摊量重量)*100；
其中，出口重量＝∑(各钢卷出口卷重)，入口卷分摊量重量＝∑(各钢卷入口卷分摊量重量)；
第一成材率指标的计算公式为：第一成材率指标＝∑(λ
3*η
1)，其中，λ
3为各道机组对应的第一成材率的权重，且∑λ
3＝1，第一成材率评分记为第一成材率指标；
步骤4.14：基于钢卷生产单位能耗评估优化产品的生产方案模型的能耗，能耗最低时，第一能耗评分记为100分，能耗最高时，第一能耗评分记为0分；
步骤4.15：基于钢卷生产吨钢成本评估优化产品的生产方案模型的吨钢成本，吨钢成本最低时，第一成本评分记为100分，吨钢成本最高时，第一成本评分为记0分；
步骤4.16：基于权重计算优化产品的绿色设计指数，计算公式为：
优化产品的绿色设计指数＝λ
41*第一性能评分+λ
42*第一成材率评分+λ
43*第一能耗评分+λ
44*第一成本评分；
其中，λ
41为第一性能评分的权重，λ
42为第一成材率评分的权重，λ
43为第一能耗评分的权重，λ
44为第一成本评分的权重，且λ
41+λ
42+λ
43+λ
44＝1。
10.根据权利要求1所述的硅钢产品生产方案的智能设计评估方法，其特征是：对于每个所述的新产品的生产方案，其多维度综合评估方法为：
步骤4.21：计算新产品的生产方案的性能数据与大生产实际性能数据之间的第四性能相似度，若完全满足，即新产品的生产方案的性能数据与大生产实际性能数据完全匹配，则第二性能评分记为100分，转至步骤4.23，若不完全满足，则执行步骤4.22。
步骤4.22：分别计算新产品的生产方案的磁感和铁损与大生产实际磁感和铁损的相似度，并基于权重进行性能评估，得到第五性能相似度S5，评估公式为：S5＝λ
12*S
磁感2+λ
22*S
铁损2；第二性能评分记为S5；
其中，S
磁感2为新产品的生产方案性能数据的磁感与大生产实际性能数据的磁感之间的相似度，λ
12为S
磁感2的权重；S
铁损2为新产品的生产方案性能数据的磁感与大生产实际性能数据的磁感之间的相似度，λ
22为S
铁损2的权重；λ
12+λ
22＝1；
步骤4.23：基于权重评估新产品的生产方案的各道机组的第二成材率，得到第二成材率指标；
每道机组的第二成材率的计算公式为：
第二成材率η
2＝(出口重量/入口卷分摊量重量)*100；
其中，出口重量＝∑(各钢卷出口卷重)，入口卷分摊量重量＝∑(各钢卷入口卷分摊量重量)；
第二成材率指标的计算公式为：第二成材率指标＝∑(λ
5*η
2)，且∑λ
5＝1，第二成材率评分记为第二成材率指标；
步骤4.24：基于钢卷生产单位能耗评估新产品的生产方案的能耗，能耗最低时，第二能耗评分记为100分，能耗最高时，第二能耗评分记为0分；
步骤4.25：基于钢卷生产吨钢成本评估优化产品的生产方案的吨钢成本，吨钢成本最低时，第二成本评分记为100分，吨钢成本最高时，第二成本评分为记0分；
步骤4.26：基于权重计算新产品的绿色设计指数，计算公式为：
新产品的绿色设计指数＝λ
61*第二性能评分+λ
62*第二成材率评分+λ
63*第二能耗评分+λ
64*第二成本评分；
其中，λ
61为第二性能评分的权重，λ
62为第二成材率评分的权重，λ
63为第二能耗评分的权重，λ
64为第二成本评分的权重，且λ
61+λ
62+λ
63+λ
64＝1；
步骤4.27：计算新产品生产方案与最相似的钢种之间的偏离程度系数P＝P
1+P
2；
其中，P
1为新产品生产方案中化学成分与最相似的钢种的化学成分之间的第一偏离程度系数，计算公式为：
其中，λ
i为各个化学成分的权重，
为新产品的生产方案中各个化学成分的设计值，x
ik为最相似钢种的各个化学成分的实绩值，N
i为最相似钢种记录数量，i为化学成分的数量；
P
2为新产品生产方案中工艺参数与最相似的钢种的工艺参数之间的第二偏离程度系数，计算公式为：
其中，β
i为各个工艺参数的权重，
为新产品的生产方案中各个工艺参数的设计值，g
ik为最相似钢种的各个工艺参数的实绩值，N
i为最相似钢种记录数量，i为工艺参数的数量；
步骤4.28：通过偏离程度系数P校正新产品的绿色设计指数，得到新产品的校正绿色设计指数，校正计算公式为：
新产品的校正绿色设计指数＝新产品的绿色设计指数-P。
说明书
硅钢产品生产方案的智能设计评估方法
技术领域
本发明涉及一种钢铁产品生产方案，尤其涉及一种硅钢产品生产方案的智能设计评估方法。
背景技术
目前，国内外钢铁产品的研发主要依赖专家经验或实验室试错式模拟实验，常规的钢铁产品生产方案从用户需求提出到最终转化成符合要求的钢铁产品，中间包括的流程复杂繁多，例如：需求解析、失效模式分析、研究方案制定、实验室化学成分和工艺路线参数实验、产品试制方案输出、工业大生产试制、工艺再优化、用户认证等等。现有技术的方案设计模式不仅开发周期长，产品研制成本高，对专家主观经验和理论知识的依赖性强；同时，从实验室产品试制方案输出现场试制过程中，由于实验室设备与钢厂工业生产线工艺条件存在差异，造成实验室产品方案存在很大不确定性，某些成分或工艺参数可能需要进行实验室重复论证，延长了开发周期。另外，各生产工序的成材率、能耗、成本等关键指标在现有模式下也无法精确评估。
电工钢即硅钢是一种软磁性能优异的钢铁产品，主要用来制造各种电机和变压器的铁芯，是电力、电机工业中重要的金属软磁材料。其制造工艺复杂，特别是取向硅钢产品，全工序生产流程包括铁水预处理、RH精炼、连铸、热轧、常化退火、酸洗、冷轧、脱碳退火、涂MgO、高温退火、平整拉伸退火、涂绝缘层等工序，更高级牌号还包括渗氮处理、激光刻痕等工序，炼钢成分、夹杂元素控制严格，全流程工艺参数和影响因素众多，涉及金属凝固、轧制形变、再结晶形核长大控制、抑制剂固溶析出控制、二次再结晶、晶粒择优取向、钢板脱碳脱硫渗氮脱氮控制、表层氧化层控制等等，是个十分复杂的过程。开发硅钢新产品时需要考虑上述全部影响因素，并在实验方案中进行设计和论证，若仅依靠专家经验或实验室试错实验，开发周期很长，同时无法保证产品设计方案的准确性、合理性和可制造性。
发明内容
本发明的目的在于提供一种硅钢产品生产方案的智能设计评估方法，基于产品设计需求，融合实验室研发数据和大生产数据，生成并评估产品设计方案模型，缩短研发周期，提高研发效率。
本发明是这样实现的：
一种硅钢产品生产方案的智能设计评估方法，包括以下步骤：
步骤1：采集数据，并集成用户数据、实验室研发数据和大生产数据；
步骤2：构建用户数据主题、实验室研发数据主题和大生产数据主题；
步骤3：输入硅钢产品的种类、规格和性能需求的需求信息，并根据需求信息生成若干个硅钢产品的生产方案，所述的生产方案包括优化产品的生产方案和新产品的生产方案；
步骤4：多维度综合评估步骤3中生成的每个硅钢产品的生产方案，得到硅钢产品生产方案的绿色设计指数，并根据绿色设计指数推荐生产方案。
所述的用户数据包括用户对各种类硅钢产品的性能需求指标、用户ID、询单ID、用户的基本信息；
所述的实验室研发数据包括各种类硅钢产品实验全流程中的化学成分、研发工艺参数、各项性能指标、组织分析结果；
所述的大生产数据为各种类硅钢产品的大生产全流程中各机组的生产数据，包括化学成分、出钢记号生产物料跟踪信息、生产工艺参数实绩、各项性能数据、检化验数据、表面缺陷数据、质量判定数据、出/入口卷重、成材率、入口卷重分摊量、吨钢能耗、吨钢成本；其中，生产工艺参数实绩包含按钢卷采集的低频数据和按距离或时间间隔采集的高频数据，每个钢卷有一条低频数据和多条高频数据。
所述的步骤2包括：
步骤2.1：构建用户需求数据主题；
步骤2.2：构建硅钢产品的实验室研发数据主题；
步骤2.3：构建硅钢产品的大生产数据主题。
所述的步骤2.1包括：基于用户数据中的用户ID和询单ID，将某个用户的基本信息与该用户对硅钢产品的性能需求指标勾连，形成用户需求数据主题；
所述的步骤2.2包括：
步骤2.2.1：配置硅钢产品的化学成分、研发工艺参数和性能指标的实验室研发数据异常规则；
步骤2.2.2：基于实验室研发数据异常规则对实验室研发数据进行预处理；
步骤2.2.3：基于实验全流程，定义各实验工序的入口样品编号和出口样品编号，以上一实验工序的出口样品编号＝下一实验工序入口样品编号为逻辑，串联硅钢产品的实验全流程数据，构成实验室研发数据主题；
所述的步骤2.3包括：
步骤2.3.1：配置硅钢产品的化学成分、生产工艺参数实绩和性能数据的大生产数据异常规则；
步骤2.3.2：基于大生产数据异常规则对大生产数据进行预处理；
步骤2.3.4：计算硅钢产品的钢卷高频数据、性能数据特征值；
步骤2.3.5：基于大生产全流程，定义各道机组的出口卷号和进口卷号，以前道机组的出口卷号＝后道机组的入口卷号为逻辑，串联硅钢产品的大生产全流程数据，构成大生产数据主题。
所述的步骤3包括：
步骤3.1：根据需求信息过滤实验室研发数据主题和大生产数据主题，选取两类符合需求信息的相关数据；其中，实验室研发数据主题中的性能指标乘以调整因子后再进行过滤；
步骤3.2：基于需求信息中的性能需求对每类相关数据分别进行归一化和标准化数据处理；
步骤3.3：对于每类相关数据，分别计算性能需求与归一化、标准化后的性能数据之间的第一性能相似度；
步骤3.4：设置性能相似度阈值，若第一性能相似度≥性能相似度阈值时，则将该第一性能相似度对应的硅钢产品标注为优化产品，并执行步骤3.5，若第一性能相似度＜性能相似度阈值时，则将该第一性能相似度对应的硅钢产品标注为新产品，并执行步骤3.6；
步骤3.5：生成优化产品的生产方案：结合第一性能相似度对应的生产工艺参数实绩与大生产各机组的控制精度，划分的生产工艺参数实绩；
步骤3.6：基于性能需求，建立性能指标预测模型，并验证最优的新产品的生产方案模型。
所述的步骤3.6包括：
步骤3.6.1：从大生产数据中选取历史数据，该历史数据中硅钢产品的种类和规格与输入的硅钢产品种类和规格相同，且大生产数据时间范围为最近一年；
步骤3.6.2：建立若干个性能指标预测模型；其中，每个性能指标预测模型的输入为研发人员选定的关键的化学成分和关键的工艺参数，输出为性能指标，并通过交叉验证确定若干个性能指标预测模型中的最优性能预测模型；
步骤3.6.3：计算步骤3.6.1中选取的大生产数据中对应的化学成分、生产工艺参数实绩的平均值，并将该化学成分、生产工艺参数实绩的平均值作为方案基准点；
步骤3.6.4：从方案基准点出发对性能指标预测模型进行网格化搜索。
所述的步骤4中，评估维度包括性能相似度、成材率、吨钢能耗和吨钢成本。
对于每个所述的优化产品的生产方案，其多维度综合评估方法为：
步骤4.11：计算优化产品的生产方案的性能数据与大生产实际性能数据之间的第二性能相似度，若完全满足，即优化产品的生产方案的性能数据与大生产实际性能数据完全匹配，则第一性能评分记为100分，转至步骤4.13，若不完全满足，则执行步骤4.12；
步骤4.12：分别计算优化产品的生产方案的磁感和铁损与大生产实际磁感和铁损的相似度，并基于权重进行性能评估，得到第三性能相似度S3，评估公式为：S3＝λ
11*S
磁感1+λ
21*S
铁损1，第一性能评分记为S3；
其中，S
磁感1为优化产品的生产方案性能数据的磁感与大生产实际性能数据磁感之间的相似度，λ
11为S
磁感1的权重；S
铁损1为优化产品的生产方案性能数据的磁感与大生产实际性能数据的磁感之间的相似度，λ
21为S
铁损1的权重；λ
11+λ
21＝1；
步骤4.13：基于权重评估优化产品的生产方案模型的各道机组的第一成材率，得到第一成材率指标；
每道机组的第一成材率的计算公式为：
第一成材率η
1＝(出口重量/入口卷分摊量重量)*100；
其中，出口重量＝∑(各钢卷出口卷重)，入口卷分摊量重量＝∑(各钢卷入口卷分摊量重量)；
第一成材率指标的计算公式为：第一成材率指标＝∑(λ
3*η
1)，其中，λ
3为各道机组对应的第一成材率的权重，且∑λ
3＝1，第一成材率评分记为第一成材率指标；
步骤4.14：基于钢卷生产单位能耗评估优化产品的生产方案模型的能耗，能耗最低时，第一能耗评分记为100分，能耗最高时，第一能耗评分记为0分；
步骤4.15：基于钢卷生产吨钢成本评估优化产品的生产方案模型的吨钢成本，吨钢成本最低时，第一成本评分记为100分，吨钢成本最高时，第一成本评分为记0分；
步骤4.16：基于权重计算优化产品的绿色设计指数，计算公式为：
优化产品的绿色设计指数＝λ
41*第一性能评分+λ
42*第一成材率评分+λ
43*第一能耗评分+λ
44*第一成本评分；
其中，λ
41为第一性能评分的权重，λ
42为第一成材率评分的权重，λ
43为第一能耗评分的权重，λ
44为第一成本评分的权重，且λ
41+λ
42+λ
43+λ
44＝1。
对于每个所述的新产品的生产方案，其多维度综合评估方法为：
步骤4.21：计算新产品的生产方案的性能数据与大生产实际性能数据之间的第四性能相似度，若完全满足，即新产品的生产方案的性能数据与大生产实际性能数据完全匹配，则第二性能评分记为100分，转至步骤4.23，若不完全满足，则执行步骤4.22。
步骤4.22：分别计算新产品的生产方案的磁感和铁损与大生产实际磁感和铁损的相似度，并基于权重进行性能评估，得到第五性能相似度S5，评估公式为：S5＝λ
12*S
磁感2+λ
22*S
铁损2；第二性能评分记为S5；
其中，S
磁感2为新产品的生产方案性能数据的磁感与大生产实际性能数据的磁感之间的相似度，λ
12为S
磁感2的权重；S
铁损2为新产品的生产方案性能数据的磁感与大生产实际性能数据的磁感之间的相似度，λ
22为S
铁损2的权重；λ
12+λ
22＝1；
步骤4.23：基于权重评估新产品的生产方案的各道机组的第二成材率，得到第二成材率指标；
每道机组的第二成材率的计算公式为：
第二成材率η
2＝(出口重量/入口卷分摊量重量)*100；
其中，出口重量＝∑(各钢卷出口卷重)，入口卷分摊量重量＝∑(各钢卷入口卷分摊量重量)；
第二成材率指标的计算公式为：第二成材率指标＝∑(λ
5*η
2)，且∑λ
5＝1，第二成材率评分记为第二成材率指标；
步骤4.24：基于钢卷生产单位能耗评估新产品的生产方案的能耗，能耗最低时，第二能耗评分记为100分，能耗最高时，第二能耗评分记为0分；
步骤4.25：基于钢卷生产吨钢成本评估优化产品的生产方案的吨钢成本，吨钢成本最低时，第二成本评分记为100分，吨钢成本最高时，第二成本评分为记0分；
步骤4.26：基于权重计算新产品的绿色设计指数，计算公式为：
新产品的绿色设计指数＝λ
61*第二性能评分+λ
62*第二成材率评分+λ
63*第二能耗评分+λ
64*第二成本评分；
其中，λ
61为第二性能评分的权重，λ
62为第二成材率评分的权重，λ
63为第二能耗评分的权重，λ
64为第二成本评分的权重，且λ
61+λ
62+λ
63+λ
64＝1；
步骤4.27：计算新产品生产方案与最相似的钢种之间的偏离程度系数P＝P
1+P
2；
其中，P
1为新产品生产方案中化学成分与最相似的钢种的化学成分之间的第一偏离程度系数，计算公式为：
其中，λ
i为各个化学成分的权重，
为新产品的生产方案中各个化学成分的设计值，x
ik为最相似钢种的各个化学成分的实绩值，N
i为最相似钢种记录数量，i为化学成分的数量；
P
2为新产品生产方案中工艺参数与最相似的钢种的工艺参数之间的第二偏离程度系数，计算公式为：
其中，β
i为各个工艺参数的权重，
为新产品的生产方案中各个工艺参数的设计值，g
ik为最相似钢种的各个工艺参数的实绩值，N
i为最相似钢种记录数量，i为工艺参数的数量；
步骤4.28：通过偏离程度系数P校正新产品的绿色设计指数，得到新产品的校正绿色设计指数，校正计算公式为：
新产品的校正绿色设计指数＝新产品的绿色设计指数-P。
本发明与现有技术相比，具有如下有益效果：
1、本发明由于融合了实验室研发和大生产的全流程数据，能针对硅钢产品生产全流程的关键的化学成分和工艺参数进行方案设计，并进行性能指标等多维综合评估，全程可实现任意钢卷、任意工艺参数、任意性能指标等数据的追溯和调整，有利于辅助优化产品和新产品的研发设计。
2、本发明由于基于用户和研发的性能需求，结合试验室实验室研发和大生产的大量数据积累，能更有针对性的构件产品设计方案模型，大大降低了试错次数和对专家经验的依赖，缩短了研发周期，显著提高了研发效率，对于硅钢等生产工序繁多且复杂的产品研发具有良好的适应性和高效性。
本发明基于产品设计需求，通过大数据技术融合实验研发数据和大生产数据，生成产品设计方案模型并进行多维综合评估，推荐最优方案用于辅助优化产品和新产品的现场快速试制，降低试错次数，缩短研发周期，能显著提高研发效率，尤其适合硅钢等生产工序复杂的产品研发。
附图说明
图1是本发明硅钢产品生产方案的智能设计评估方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
请参见附图1，一种硅钢产品生产方案的智能设计评估方法，包括以下步骤：
步骤1：采集数据，并集成用户数据、实验室研发数据和大生产数据。
所述的用户数据包括用户对各种类硅钢产品的性能需求指标(例如铁损、磁感等电磁性能)、用户ID、询单ID、用户的基本信息等。
所述的实验室研发数据包括各种类硅钢产品实验全流程中的化学成分、研发工艺参数、各项性能指标(例如铁损、磁感等电磁性能)、组织分析结果等数据。实验全流程包括实验室炼钢、实验室热轧、实验室常化、实验室冷轧、实验室连续退火、实验室脱碳退火、实验室氧化镁涂敷、实验室高温退火、实验室涂层等工序。实验室研发数据可从硅钢产品的研发管理系统中获取，实验室研发数据中的各项数据至少积累一年以上，以确保生产方案的构建准确性。组织分析结果是指：取向硅钢产品制造过程中各个工序对应的钢板金相组织，比如常化工序生产的常化板、脱碳退火工序对应的脱碳板、高温退火工序对应的高温退火板等，对这些样板进行金相显微分析，得到的组织图片、晶粒尺寸等数据。
所述的大生产数据为各种类硅钢产品的大生产全流程中各机组的生产数据，包括化学成分(例如元素C、Si、S等)、出钢记号、生产物料跟踪信息(例如硅钢钢卷生产过程中对应的机组号、钢卷入口卷号、钢卷出口卷号等)、生产工艺参数实绩(例如出钢温度、常化最高温度等，包含按钢卷采集的低频数据和按距离或时间间隔采集的钢卷对应的高频数据，其中，每个钢卷只有一条低频数据，每个钢卷有多条高频数据)、各项性能数据(例如铁损、磁感等电磁性能)、检化验数据、表面缺陷数据、质量判定数据、出/入口卷重、成材率、入口卷重分摊量、吨钢能耗、吨钢成本等。大生产数据可从钢铁生产的过程控制系统和制造执行系统中获取，大生产数据中的各项数据至少积累一年以上，以确保构建方案模型的准确性。
步骤2：构建用户数据主题、实验室研发数据主题和大生产数据主题。
步骤2.1：构建用户需求数据主题，其具体操作是：基于用户数据中的用户ID和询单ID，将某个用户的基本信息与该用户对硅钢产品的性能需求指标勾连，形成用户需求数据主题。
步骤2.2：构建硅钢产品的实验室研发数据主题，其具体操作是：
步骤2.2.1：配置硅钢产品的化学成分、研发工艺参数和性能指标的实验室研发数据异常规则。化学成分、研发工艺参数和性能指标的合理数据范围可分别根据具体的硅钢产品确定。
步骤2.2.2：基于实验室研发数据异常规则对实验室研发数据进行预处理，若化学成分、研发工艺参数、性能指标超出其合理数据范围，则判定为实验室研发数据异常，提示研发人员存在异常数据，便于研发人员针对异常数据进行相关处理，反之则判定为实验室研发数据正常。
步骤2.2.3：基于实验全流程，根据炼钢日期及炉次，硅钢产品的板坯开坯位置和热轧、冷轧分卷信息，定义各实验工序的入口样品编号和出口样品编号，以上一实验工序的出口样品编号＝下一实验工序入口样品编号为逻辑，串联硅钢产品的实验全流程数据，构成实验室研发数据主题，便于从炼钢到冷轧追溯实验全流程。
步骤2.3：构建硅钢产品的大生产数据主题，其具体操作是：
步骤2.3.1：配置硅钢产品的化学成分、生产工艺参数实绩和性能数据的大生产数据异常规则。化学成分、生产工艺参数实绩和性能数据的合理数据范围可分别根据具体的硅钢产品确定。
步骤2.3.2：基于大生产数据异常规则对大生产数据进行预处理，若化学成分、生产工艺参数实绩、性能数据超出其合理数据范围，则判定为大生产数据异常，提示研发人员存在异常数据，便于研发人员针对异常数据进行相关处理，反之则判定为大生产数据正常。
步骤2.3.4：计算硅钢产品的钢卷高频数据和性能数据的平均值、最大值、最小值等特征值。
步骤2.3.5：基于大生产全流程，定义各道机组的出口卷号和进口卷号，以前道机组的出口卷号＝后道机组的入口卷号为逻辑，串联硅钢产品的大生产全流程数据，构成大生产数据主题。
大生产全流程数据包括各道机组的生产工艺参数实绩、检化验数据、表面缺陷数据、质量判定数据、成材率、吨钢能耗和吨钢成本等数据，实现对任意钢卷从任意工序出发均可追溯其全部大生产流程及其在各道机组的生产工艺参数实绩、检化验结果等全部数据。
所述的用户需求数据主题、实验室研发数据主题和大生产数据主题中，相同的数据字段一一对应，例如：用户需求数据主题、实验室研发数据主题和大生产数据主题中均包括相同的数据字段“性能”，将用户需求数据主题、实验室研发数据主题和大生产数据主题中的数据字段“性能”对应排列，为后续生产方案中数据的过滤选取等处理步骤提供可靠的数据基础，提高数据处理效率和精度。
步骤3：输入硅钢产品的种类、规格和性能等需求信息，并根据需求信息生成若干个硅钢产品的生产方案，所述的生产方案包括优化产品的生产方案和新产品的生产方案。
步骤3.1：根据需求信息分别过滤实验室研发数据主题和大生产数据主题，并分别选取符合需求信息的两类相关数据，即实验室研发相关数据和大生产相关数据，特别地，筛选实验室研发数据主题时，因大生产成品检测标准与实验室试样性能检测标准存在差异，实验室研发数据主题的性能指标需乘以调整因子(如1.2)后再参与筛选，调整因子由研发人员基于历史大生产数据和研发数据在相同工艺设定下性能指标的对比进行设定。需求信息可基于用户对硅钢产品的性能需求指标确定，也可根据研发人员对新硅钢产品的研发需求确定。
步骤3.2：基于需求信息中的性能需求，对步骤3.1中筛选的两类相关数据分别进行数据处理，数据处理包括归一化和标准化，以消除不同性能指标、不同量纲或异常值的影响，提高生产方案生成的准确性。
归一化的公式为：X’＝(X-MIN)/(MAX-MIN)；
标准化的公式为：X’＝(X-μ)/σ。
其中，X为硅钢产品的各个性能需求的指标。
在归一化处理实验室研发相关数据时，MIN为实验室研发相关数据的性能指标的最小值，MAX为实验室研发相关数据的性能指标的最大值；μ为实验室研发相关数据的性能指标的平均值，σ为实验室研发相关数据主的性能指标的标准差。
在归一化处理大生产相关数据时，MIN为大生产相关数据的性能数据的最小值，MAX为大生产相关数据的性能数据的最大值；μ为大生产相关数据的性能指标的平均值，σ为大生产相关数据的性能指标的标准差。
归一化和标准化处理是数据处理的常规手段，此处不再赘述。
步骤3.3：对于每类相关数据，分别计算性能需求与归一化、标准化后的性能数据之间的第一性能相似度。
优选的，可采用欧氏距离相似度算法计算第一性能相似度S1，计算公式为：S1＝(1/(1+DIST))*100，其中，DIST为性能需求指标与归一化、标准化后性能数据的距离，其中性能数据按照其特点采用多个取样点的平均值或最大值、最小值。欧氏距离相似度算法为数据处理的常规技术手段，此处不再赘述。
步骤3.4：基于用户对性能偏差范围的容忍度设置性能相似度阈值，如80％，若第一性能相似度≥性能相似度阈值时，则将该第一性能相似度对应的硅钢产品标注为优化产品，并执行步骤3.5，若第一性能相似度＜性能相似度阈值时，则将该第一性能相似度对应的硅钢产品标注为新产品，并执行步骤3.6。
步骤3.5：生成优化产品的生产方案：基于每类相关数据，结合第一性能相似度对应的化学成分、生产工艺参数实绩与大生产各机组的控制精度，由研发人员选定关键的化学成分(如元素C、元素Si等)和关键的工艺参数(如常化最高温度等)，按照各关键的化学成分和关键的工艺参数的控制精度，逐个划分化学成分、生产工艺参数实绩，其中，生产工艺参数实绩包括低频工艺参数实绩和高频数据的平均值、最大值、最小值等特征值，并对各个化学成分、生产工艺参数实绩的划分范围进行组合，生成优化产品的生产方案。
步骤3.6：基于性能需求，建立性能指标预测模型，并验证最优的新产品的生产方案。
步骤3.6.1：从大生产数据中选取历史数据，该历史数据中硅钢产品的种类和规格与输入的硅钢产品种类和规格相同，且大生产数据时间范围为最近一年，即从当前时间点向前一年的时间范围。
步骤3.6.2：利用多输出xgboost回归算法、神经网络算法建立若干个性能指标预测模型，优选为3-5个；其中，每个性能指标预测模型的输入为研发人员选定关键的化学成分和关键的工艺参数，输出为性能指标(例如铁损、磁感等电磁性能)，并通过交叉验证平均绝对误差(MAE)最小确定若干个性能指标预测模型中的最优性能指标预测模型。
步骤3.6.3：计算步骤3.6.1中选取的大生产数据中化学成分、生产工艺参数实绩的平均值，并将该化学成分、生产工艺参数实绩的平均值作为方案基准点。
步骤3.6.4：从方案基准点出发对性能指标预测模型进行网格化搜索，即通过网格化搜索形成若干个基于化学成分、生产工艺参数范围的方案，并基于3.6.2中性能指标预测模型对若干个基于化学成分、生产工艺参数范围的方案进行性能指标预测，形成若干个生产方案。网格化搜索的控制精度可根据实际需要确定，例如，可采用典型控制精度±0.0025。
步骤4：多维度综合评估步骤3中生成的每个硅钢产品的生产方案，得到硅钢产品生产方案模型的绿色设计指数，并根据绿色设计指数推荐生产方案，即将绿色设计指数最高的生产方案作为推荐方案。
优选的，所述的评估维度包括性能相似度、成材率、吨钢能耗和吨钢成本。
对于每个所述的优化产品的生产方案，其多维度综合评估方法为：
步骤4.11：计算优化产品的生产方案的性能数据与大生产实际性能数据之间的第二性能相似度S2，其中，大生产实际性能数据与满足该优化产品的生产方案中各个化学成分和生产工艺的设计范围相对应，第二性能相似度S2采用步骤3.3中的欧式距离相似度算法计算，计算公式为：S2＝(1/(1+DIST))*100，其中，DIST为优化产品的生产方案的性能数据与大生产实际性能数据的距离，其中性能数据按照其特点采用多个取样点的平均值或最大值、最小值。欧氏距离相似度算法为数据处理的常规技术手段，此处不再赘述；若完全满足，即生产方案的性能数据与大生产实际性能数据完全匹配，则第一性能评分记为100分，转至步骤4.13，若不完全满足，则执行步骤4.12。
步骤4.12：分别计算优化产品的生产方案的磁感和铁损与大生产实际磁感和铁损的相似度，并基于权重进行性能评估，得到第三性能相似度S3，评估公式为：S3＝λ
11*S
磁感1+λ
21*S
铁损1，第一性能评分记为S3。
其中，S
磁感1为优化产品的生产方案性能数据的磁感与大生产实际性能数据的磁感之间的相似度，S
磁感1可采用步骤3.3中的欧式距离相似度算法计算，此处不再赘述；λ
11为S
磁感1的权重。
S
铁损1为优化产品的生产方案性能数据的磁感与大生产实际性能数据的磁感之间的相似度，S
铁损1可采用步骤3.3中的欧式距离相似度算法计算，此处不再赘述；λ
21为S
铁损1的权重，λ
11+λ
21＝1。
步骤4.13：基于权重评估优化产品的生产方案的各道机组的第一成材率，得到第一成材率指标。
每道机组的第一成材率的计算公式为：
第一成材率η
1＝(出口重量/入口卷分摊量重量)*100，其中，出口重量＝∑(各卷出口卷重)，入口卷分摊量重量＝∑(各卷入口卷分摊量重量)。
第一成材率指标的计算公式为：第一成材率指标＝∑(λ
3*η
1)，其中，λ
3为各道机组对应的第一成材率的权重，且∑λ
3＝1，可由研发人员根据机组重要性适当调整λ
3的权重分配，第一成材率评分记为第一成材率指标。
步骤4.14：基于钢卷生产单位能耗评估优化产品的生产方案的吨钢能耗，评估公式为：N’＝((N-Nmin)/(Nmax-Nmin))*100，即能耗N最低时，第一能耗评分记为100分，能耗N最高时，第一能耗评分记为0分，其余按公式计算，第一能耗评分介于0-100之间。
其中，N为钢卷生产单位能耗，N＝∑(Ne)/n，Ne为各钢卷吨钢能耗，n为钢卷数量，Nmin为最小钢卷生产单位能耗，Nmax为最小钢卷生产单位能耗。
步骤4.15：基于钢卷生产吨钢成本评估优化产品的生产方案模型的吨钢成本，评估公式为：C’＝((C-Cmin)/(Cmax-Cmin))*100，吨钢成本C最低时，第一成本评分记为100分，吨钢成本C最高时，第一成本评分为记0分，其余按公式计算，第一成本评分介于0-100之间。
其中，C为钢卷生产吨钢成本，C＝∑(Ce)/n，Ce为各钢卷吨钢成本，n为钢卷数量，Cmin为最小钢卷生产吨钢成本，Cmax为最大钢卷生产吨钢成本。
步骤4.16：基于权重计算优化产品的绿色设计指数，计算公式为：
优化产品的绿色设计指数＝λ
41*第一性能评分+λ
42*第一成材率评分+λ
43*第一能耗评分+λ
44*第一成本评分。
其中，λ
41为第一性能评分的权重，λ
42为第一成材率评分的权重，λ
43为第一能耗评分的权重，λ
44为第一成本评分的权重，且λ
41+λ
42+λ
43+λ
44＝1。
对于每个所述的新产品的生产方案，其多维度综合评估方法为：
步骤4.21：计算新产品的生产方案的性能数据与大生产实际性能数据之间的第四性能相似度S4，其中，大生产实际性能数据与满足该新产品的生产方案中各化学成分和生产工艺的设计范围相对应，第四性能相似度S4可采用步骤3.3中的欧式距离相似度算法计算，此处不再赘述；若完全满足，即新产品的生产方案的性能数据与大生产实际性能数据完全匹配，则第二性能评分记为100分(此情形只在由研发数据生成新产品的生产方案时可能出现)，转至步骤4.23，若不完全满足，则执行步骤4.22。
步骤4.22：分别计算新产品的生产方案模型的磁感和铁损与大生产实际磁感和铁损的相似度，并基于权重进行性能评估，得到第五性能相似度S5，评估公式为：S5＝λ
12*S
磁感2+λ
22*S
铁损2，第二性能评分记为S5。
其中，S
磁感2为新产品的生产方案性能数据的磁感与大生产实际性能数据的磁感之间的相似度，S
磁感2可采用步骤3.3中的欧式距离相似度算法计算，此处不再赘述；λ
12为S
磁感2的权重。
S
铁损2为新产品的生产方案性能数据的磁感与大生产实际性能数据的磁感之间的相似度，S
铁损2可采用步骤3.3中的欧式距离相似度算法计算，此处不再赘述；λ
22为S
铁损2的权重，λ
12+λ
22＝1。
步骤3.23：基于权重评估新产品的生产方案的各道机组的第二成材率，得到第二成材率指标。
每道机组的第二成材率的计算公式为：
第二成材率η
2＝(出口重量/入口卷分摊量重量)*100，其中，出口重量＝∑(各卷出口卷重)，入口卷分摊量重量＝∑(各卷入口卷分摊量重量)。
第二成材率指标的计算公式为：第二成材率指标＝∑(λ
5*η
2)，其中，λ
5为各道机组的第二成材率η
2的权重，且∑λ
5＝1，可由研发人员根据机组重要性适当调整λ
5，将第二成材率评分记为第二成材率指标。
步骤4.24：基于钢卷生产单位能耗评估新产品的生产方案的能耗，评估公式为：N’＝((N-Nmin)/(Nmax-Nmin))*100，即能耗N最低时，第二能耗评分记为100分，能耗N最高时，第二能耗评分记为0分，其余按公式计算，第二能耗评分介于0-100之间。
其中，N为钢卷生产单位能耗，N＝∑(Ne)/n，Nmin为最小钢卷生产单位能耗，Nmax为最小钢卷生产单位能耗。
步骤4.25：基于钢卷生产吨钢成本评估优化产品的生产方案模型的吨钢成本，评估公式为：C’＝((C-Cmin)/(Cmax-Cmin))*100，即吨钢成本C最低时，第二成本评分记为100分，吨钢成本C最高时，第二成本评分为记0分，其余按公式计算，第二成本评分介于0-100之间。
其中，C为钢卷生产吨钢成本，C＝∑(Ce)/n，Cmin为最小钢卷生产吨钢成本，Cmax为最小钢卷生产吨钢成本。
步骤4.26：基于权重计算新产品的绿色设计指数，计算公式为：
新产品的绿色设计指数＝λ
61*第二性能评分+λ
62*第二成材率评分+λ
63*第二能耗评分+λ
64*第二成本评分。
其中，λ
61为第二性能评分的权重，λ
62为第二成材率评分的权重，λ
63为第二能耗评分的权重，λ
64为第二成本评分的权重，且λ
61+λ
62+λ
63+λ
64＝1。
步骤4.27：计算新产品生产方案中的化学成分、工艺参数与最相似的钢种(即归一化后欧式距离DIST之和最小的出钢记号所对应的钢种)的化学成分、生产工艺参数实绩之间的偏离程度系数P，计算公式为：P＝P
1+P
2；
其中，P
1为新产品生产方案中化学成分与最相似的钢种的化学成分之间的第一偏离程度系数，计算公式为：
其中，λ
i为各个化学成分的权重，
为新产品的生产方案中各个化学成分的设计值，x
ik为最相似钢种的各个化学成分的实绩值，N
i为最相似钢种记录数量，i为化学成分的数量。
P
2为新产品生产方案中工艺参数与最相似的钢种的工艺参数之间的第二偏离程度系数，计算公式为：
其中，β
i为各个工艺参数的权重，
为新产品的生产方案中各个工艺参数的设计值，g
ik为最相似钢种的各个工艺参数的实绩值，N
i为最相似钢种记录数量，i为工艺参数的数量。
优选的，化学成分可包括硅钢产品中元素C、元素Si、元素Mn、元素Al、元素P等元素的含量范围。
步骤4.28：通过偏离程度系数P校正新产品的绿色设计指数，得到新产品的校正绿色设计指数，校正计算公式为：
新产品的校正绿色设计指数＝新产品的绿色设计指数-P。
实施例1：
步骤1：采集数据，并集成用户数据、实验室研发数据和大生产数据。
所述的用户数据包括用户对各种类硅钢产品的性能需求指标(包括铁损、磁感等电磁性能)、用户ID、询单ID、用户的基本信息等。
所述的实验室研发数据包括各种类硅钢产品实验全流程中的化学成分、研发工艺参数、各项性能指标(例如铁损、磁感等电磁性能)、组织分析结果等数据。实验全流程包括实验室炼钢、实验室热轧、实验室常化、实验室冷轧、实验室连续退火、实验室脱碳退火、实验室氧化镁涂敷、实验室高温退火、实验室涂层等工序。实验室研发数据可从硅钢产品的研发管理系统中获取，实验室研发数据中的各项数据至少积累一年以上，以确保生产方案的构建准确性。
所述的大生产数据为各种类硅钢产品的大生产全流程中各机组的生产数据，包括化学成分(例如元素C、Si、S等)、出钢记号、生产物料跟踪信息(例如硅钢钢卷生产过程中对应的机组号、钢卷入口卷号、钢卷出口卷号等)、生产工艺参数实绩(例如出钢温度、常化最高温度等，包含按钢卷采集的低频数据和按距离或时间间隔采集的钢卷对应的高频数据，其中，每个钢卷只有一条低频数据，每个钢卷有多条高频数据)、各项性能数据(例如铁损、磁感等电磁性能)、检化验数据、表面缺陷数据、质量判定数据、出/入口卷重、成材率、入口卷重分摊量、吨钢能耗、吨钢成本等。大生产数据可从钢铁生产的过程控制系统和制造执行系统中获取，大生产数据中的各项数据至少积累一年以上，以确保构建方案模型的准确性。
步骤2：构建用户数据主题、实验室研发数据主题和大生产数据主题。
步骤2.1：构建用户需求数据主题，其具体操作是：基于用户数据中的用户ID和询单ID，将某个用户的基本信息与该用户对硅钢产品的性能需求指标勾连，形成用户需求数据主题。
步骤2.2：构建硅钢产品的实验室研发数据主题，其具体操作是：
步骤2.2.1：配置硅钢产品的化学成分、研发工艺参数和性能指标的实验室研发数据异常规则。
步骤2.2.2：基于实验室研发数据异常规则对实验室研发数据进行预处理，若化学成分、研发工艺参数、性能指标超出其合理数据范围，则判定为实验室研发数据异常，提示研发人员存在异常数据，便于研发人员针对异常数据进行相关处理，反之则判定为实验室研发数据正常。
步骤2.2.3：基于实验全流程，根据炼钢日期及炉次，硅钢产品的板坯和热轧、冷轧分卷信息，定义各实验工序的入口样品编号和出口样品编号，以上一实验工序的出口样品编号＝下一实验工序入口样品编号为逻辑，串联硅钢产品的实验全流程数据，构成实验室研发数据主题，便于从炼钢到冷轧追溯实验全流程。
步骤2.3：构建硅钢产品的大生产数据主题，其具体操作是：
步骤2.3.1：配置硅钢产品的化学成分、生产工艺参数实绩和性能数据的大生产数据异常规则。
步骤2.3.2：基于大生产数据异常规则对大生产数据进行预处理，若化学成分、生产工艺参数实绩、性能数据超出其合理数据范围，则判定为大生产数据异常，提示研发人员存在异常数据，便于研发人员针对异常数据进行相关处理，反之则判定为大生产数据正常。
步骤2.3.4：计算硅钢产品的钢卷高频数据和性能数据的平均值、最大值、最小值等特征值。
步骤2.3.5：基于大生产全流程，定义各道机组的出口卷号和进口卷号，以前道机组的出口卷号＝后道机组的入口卷号为逻辑，串联硅钢产品的大生产全流程数据，构成大生产数据主题。
大生产全流程数据包括各道机组的生产工艺参数实绩、检化验数据、表面缺陷数据、质量判定数据、成材率、吨钢能耗和吨钢成本等数据，实现对任意钢卷从任意工序出发均可追溯其全部大生产流程及其在各道机组的生产工艺参数实绩、检化验结果等全部数据。
步骤3：输入硅钢产品的种类、规格和性能等需求信息，本实施例中用户的需求信息为：取向硅钢，厚度规格为0.20mm，电磁感应强度B
8(磁场强度为800A/m时对应的磁极化强度)性能不低于1.93T的产品；
基于用户的需求信息对大生产数据主题、研发数据主题分别进行过滤，其中调整因子为1.01，可以分别获取相应的数据。
对匹配的数据进行标准化处理，并计算匹配到的数据与磁性能要求之间的相似度，其中大生产数据对应为1.93，研发数据为1.95，电磁性能数据采用各个取样点的均值。
设定性能相似度阈值为50％，筛选两类数据中满足性能相似度的数据，均有满足相似度阈值的产品，标注为优化产品，下面生成优化产品的生产方案。
本产品研发人员选定关键的化学成分为元素Si含量、关键的工艺参数为脱碳温度范围，其控制精度分别为0.05和5。按照控制精度进行划分，可得5个划分方案，如表1所示。
表1 基于化学成分Si含量和脱碳温度范围的划分方案
步骤4：对前述形成的5个方案进行多维度评估，得到绿色制造指标，并推荐方案：
性能评分：生产方案1性能可以与对应大生产数据性能数据吻合，第一性能评分100分，其余基于相似度进行评分。
成材率评分：本产品成材率关注机组为常化、轧制和脱碳，其中，脱碳权重较高。第一成材率＝0.3*常化机组成材率+0.3*轧制机组成材率+0.4*脱碳机组成材率。
第一能耗评分：根据筛选数据主题吨钢能耗进行综合计算。
第一成本评分：根据筛选数据主题吨钢成本进行综合计算。
绿色设计指数：绿色设计指数＝0.5*第一性能评分+0.3*第一成材率评分+0.1*第一能耗评分+0.1*第一成本评分，可得评分明细结果如表2所示。
表2 5个方案的多维评估及其绿色设计指数
从表2可知，方案1的评分最高，故推荐方案1为优选方案。
实施例2：
步骤1：采集数据，并集成用户数据、实验室研发数据和大生产数据。
步骤2：构建用户数据主题、实验室研发数据主题和大生产数据主题。
步骤3：输入硅钢产品的种类、规格和性能等需求信息，本实施例用户需求信息取向硅钢，厚度规格为0.20mm，电磁感应强度B
8(磁场强度为800A/m时对应的磁极化强度)性能不低于1.93T，铁损P
1.7/50不高于1.0W/kg的产品。
基于用户需求信息对大生产数据主题、研发数据主题分别进行过滤，其中磁感、铁损调整因子为1.01、0.98，可以分别获取相应的数据。
对匹配的数据进行标准化处理，并计算匹配到的数据与磁性能要求之间的相似度，其中大生产数据对应为磁感1.93、铁损1.0，研发数据对应为磁感1.95、铁损0.98，磁性能数据采用各个取样点的均值。
设定性能相似度阈值为50％，筛选两类数据中满足性能相似度的数据，无满足相似度阈值的产品，标注为新产品，下面生成新产品的生产方案。
选择大生产数据中近一年厚度规格为0.02的取向硅钢产品数据。
本产品研发人员选定关键的化学成分为元素C、Si含量、关键的工艺参数为脱碳温度，其控制精度分别为0.002、0.05和5。基于上步骤数据，分别利用xgboost(树最大深度为5)、神经网络(两个隐藏层)、训练输入(C含量、Si含量、脱碳温度)、输出(磁感，铁损)，并利用10交叉验证进行评估，获得利用xgboost(树最大深度为5)训练的模型平均绝对误差最小，为最优性能指标预测模型。
基于大生产数据获取C含量、Si含量、脱碳温度的基准点为(0.056、3.25、845)。
基于基准点进行网格化搜索形成5个方案，如表3所示。
表3 基于化学成分C和Si含量以及脱碳温度范围的划分方案
基于最优性能指标预测模型预测磁感、铁损性能。
步骤4：多维度方案评估：对前述形成的5个方案进行多维度评估，得到绿色制造指标，并推荐方案：
性能评分：前述5个方案均没有生产过，即均不能与大生产实际性能相匹配，其计算公式为：第二性能评分＝0.4*磁感相似度+0.6*铁损相似度；
第二成材率评分：本产品成材率关注机组为常化、脱碳和连退，其中，脱碳权重较高。第二成材率＝0.3*常化机组成材率+0.4*脱碳机组成材率+0.3*连退机组成材率。
第二能耗评分：根据筛选数据主题吨钢能耗进行综合计算。
第二成本评分：根据筛选数据主题吨钢成本进行综合计算。
绿色设计指数：绿色设计指数＝0.5*第二性能评分+0.3*第二成材率评分+0.1*第二能耗评分+0.1*第二成本评分。
偏离程度系数计算：
表4 5个方案的多维评估及其绿色设计指数
根据表4可知，方案4的评分最高，故推荐方案4为优选方案。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，因此，凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
