本发明涉及一种基于神经网络的冷轧硅钢质量缺陷预测方法,其可包括如下步骤:S1:对冷轧硅钢进行全流程物料跟踪,完成钢卷所经历各机组的工艺数据采集以及硅钢质量缺陷结果采集,并通过机组间长度映射,得到原料各处所对应的各机组长度位置及该位置处的工艺参数及质量缺陷结果;S2:确定冷轧硅钢质量缺陷的影响因素,并构建数据集;S3:对数据集的输入项进行K‑means聚类分析;S4:对聚类后的数据选取最具特征的数据集;S5:建立BP神经网络训练数据;S6:使用神经网络预测冷轧硅钢质量缺陷概率。本发明克服了机理模型研究过程的技术瓶颈,能够更优更灵敏地捕捉工艺参数的变化对质量缺陷的影响。
基本信息
申请号:CN202110275380.X
申请日期:20210315
公开号:CN202110275380.X
公开日期:20210615
申请人:中冶南方工程技术有限公司
申请人地址:430223 湖北省武汉市东湖新技术开发区大学园路33号
发明人:王志军;贺立红;姚文达
当前权利人:中冶南方工程技术有限公司
代理机构:北京大诚新创知识产权代理有限公司 11848
代理人:何建华
主权利要求
1.一种基于神经网络的冷轧硅钢质量缺陷预测方法,其特征在于,包括如下步骤:S1:对冷轧硅钢进行全流程物料跟踪,完成钢卷所经历各机组的工艺数据采集以及硅钢质量缺陷结果采集,并通过机组间长度映射,得到原料各处所对应的各机组长度位置及该位置处的工艺参数及质量缺陷结果;S2:确定冷轧硅钢质量缺陷的影响因素,并构建数据集;其中,在步骤S2中,数据集包括多组数据,每组数据对应于每卷钢的每个原料位置,均包括输入数据和输出数据,其中,输入数据为多个工艺数据,输出数据为0或1,其中0表示没有缺陷,1表示有缺陷;S3:对数据集的输入项进行K-means聚类分析;S4:对聚类后的数据选取最具特征的数据集;其中,对于k组聚类后的数据,每组数据做如下处理:S41:计算输出的平均值,该平均值=缺陷样本数/总样本数;S42:选择若干个输入数据,对这些数据分别与零点求欧式距离,选择距离最大和距离最小的各cnt个数据,其中对于该2×cnt个输入数据,其输出均为步骤S41所计算的平均值;S5:获取同钢种的多个钢卷通过所述步骤S4得到的数据集,建立BP神经网络训练数据;S6:使用神经网络预测冷轧硅钢质量缺陷概率。
权利要求
1.一种基于神经网络的冷轧硅钢质量缺陷预测方法,其特征在于,包括如下步骤:
S1:对冷轧硅钢进行全流程物料跟踪,完成钢卷所经历各机组的工艺数据采集以及硅钢质量缺陷结果采集,并通过机组间长度映射,得到原料各处所对应的各机组长度位置及该位置处的工艺参数及质量缺陷结果;
S2:确定冷轧硅钢质量缺陷的影响因素,并构建数据集;
S3:对数据集的输入项进行K-means聚类分析;
S4:对聚类后的数据选取最具特征的数据集;
S5:建立BP神经网络训练数据;
S6:使用神经网络预测冷轧硅钢质量缺陷概率。
2.如权利要求1所述的方法,其特征在于,在步骤S1中,机组包括常化酸洗机组、轧机、连续退火涂层机组、重卷机组和包装机组。
3.如权利要求1所述的方法,其特征在于,在步骤S2中,冷轧硅钢质量缺陷的影响因素包括常化温度、酸洗浓度、轧制力、轧制时弯辊量和连退温度。
4.如权利要求1所述的方法,其特征在于,在步骤S2中,数据集包括多组数据,每组数据对应于每卷钢的每个原料位置,均包括输入数据和输出数据,其中,输入数据为多个工艺数据,输出数据为0或1,其中0表示没有缺陷,1表示有缺陷。
5.如权利要求1所述的方法,其特征在于,在步骤S3中,k的取值范围为2~4,并且计算距离的方法采用欧式距离。
6.如权利要求5所述的方法,其特征在于,步骤S4中:对于k组聚类后的数据,每组数据做如下处理:
S41:计算输出的平均值,该平均值=缺陷样本数/总样本数;
S42:选择若干个输入数据,对这些数据分别与零点求欧式距离,选择距离最大和距离最小的各cnt个数据,其中对于该2×cnt个输入数据,其输出均为步骤S41所计算的平均值。
7.如权利要求1所述的方法,其特征在于,在步骤S5中,BP神经网络采用四层网络,其中,首层神经元个数为工艺数据个数E,第一隐层神经元个数为E/2.5并取整数,第二隐层神经元个数为2,输出层神经元个数为1,传递函数为Sigmoid。
说明书
一种基于神经网络的冷轧硅钢质量缺陷预测方法
技术领域
本发明属于冷轧硅钢技术领域,具体地涉及一种基于神经网络的冷轧硅钢质量缺陷预测方法。
背景技术
冷轧硅钢属于附加值较高的一类钢铁品种,质量缺陷问题是影响硅钢最终产品质量的一个关键要素。即使铁损和磁性能达标并稳定后,表面质量出现问题,同样会造成成品降级处理甚至报废。缺陷问题还将影响成材率,并对下游工序造成影响。
冷轧硅钢质量缺陷的影响因素复杂多变,建立精确的机理预报模型十分困难。为此,首先分析影响质量缺陷的主要工艺参数,通过一些智能的数据驱动的方法建立纯数据模型,例如,公开号为CN111563686A的发明专利《一种基于全流程数据的冷轧硅钢质量判定方法》(公开时间:2020年08月21日),通过获取全流程过程中影响硅钢质量的工艺参数,并使用主成分分析法对这些工艺参数进行特征降维分析,再采用Logistic回归模型进行回归分析来判断冷轧硅钢的质量。
上述专利尚未考虑到的问题是:①针对质量缺陷,检测结果和预测的结果要么是有缺陷,要么是没有缺陷。而实际生产中,针对同一套工艺参数和原料数据如果生产100卷,可能发生缺陷的卷有2卷。如果将来再生产这个原料数据的钢卷,且采用同样的工艺参数,这时候到底是预报为有缺陷还是没有缺陷呢?②如何更优更灵敏的捕捉工艺参数的变化对质量缺陷的影响?即需要一种合适有效的数据模型数据选取机制。
发明内容
本发明旨在提供一种基于神经网络的冷轧硅钢质量缺陷预测方法,以解决上述技术问题。为此,本发明采用的具体技术方案如下:
进一步地,一种基于神经网络的冷轧硅钢质量缺陷预测方法,其可包括如下步骤:
S1:对冷轧硅钢进行全流程物料跟踪,完成钢卷所经历各机组的工艺数据采集以及硅钢质量缺陷结果采集,并通过机组间长度映射,得到原料各处所对应的各机组长度位置及该位置处的工艺参数及质量缺陷结果;
S2:确定冷轧硅钢质量缺陷的影响因素,并构建数据集;
S3:对数据集的输入项进行K-means聚类分析;
S4:对聚类后的数据选取最具特征的数据集;
S5:建立BP神经网络训练数据;
S6:使用神经网络预测冷轧硅钢质量缺陷概率。
进一步地,在步骤S1中,机组包括常化酸洗机组、轧机、连续退火涂层机组、重卷机组和包装机组。
进一步地,在步骤S2中,冷轧硅钢质量缺陷的影响因素包括常化温度、酸洗浓度、轧制力、轧制时弯辊量和连退温度。
进一步地,在步骤S2中,数据集包括多组数据,每组数据对应于每卷钢的每个原料位置,均包括输入数据和输出数据,其中,输入数据为多个工艺数据,输出数据为0或1,其中0表示没有缺陷,1表示有缺陷。
进一步地,在步骤S3中,k的取值范围为2~4,并且计算距离的方法采用欧式距离。
进一步地,步骤S4中:对于k组聚类后的数据,每组数据做如下处理:
S41:计算输出的平均值,该平均值=缺陷样本数/总样本数;
S42:选择若干个输入数据,对这些数据分别与零点求欧式距离,选择距离最大和距离最小的各cnt个数据,其中对于该2×cnt个输入数据,其输出均为步骤S41所计算的平均值。
进一步地,在步骤S5中,BP神经网络采用四层网络,其中,首层神经元个数为工艺数据个数E,第一隐层神经元个数为E/2.5并取整数,第二隐层神经元个数为2,输出层神经元个数为1,传递函数为Sigmoid。
本发明采用上述技术方案,具有的有益效果是:
1.采用神经网络建立了冷轧各机组工艺对冷轧硅钢质量缺陷的数据关系模型,克服了机理模型研究过程的技术瓶颈。
2.基于聚类算法分类,选出更能代表工艺特征的数据作为神经网络的训练集,能够更优更灵敏地捕捉工艺参数的变化对质量缺陷的影响。
附图说明
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
图1是本发明的一种基于神经网络的冷轧硅钢质量缺陷预测方法的流程图。
具体实施方式
现结合附图和具体实施方式对本发明进一步说明。
如图1所示,一种基于神经网络的冷轧硅钢质量缺陷预测方法,其可包括如下步骤:
S1:对冷轧硅钢进行全流程物料跟踪,完成钢卷所经历各机组的工艺数据采集,以及硅钢质量缺陷结果采集,并通过机组间长度映射,得到原料各处所对应的各机组长度位置及该位置处的工艺参数及质量缺陷结果。其中,机组可包括常化酸洗机组、轧机、连续退火涂层机组,重卷机组和包装机组等。
S2:确定冷轧硅钢质量缺陷的影响因素,并构建数据集。工艺人员确定影响硅钢质量缺陷的因素,例如常化温度、酸洗浓度、轧制力、轧制时弯辊量和连退温度等。这样,对于每卷钢的每个原料位置,将会得到一组数据d,且其包括输入数据di(多个工艺数据)及输出数据do(其中,有缺陷表示1,没有缺陷表示0)。
S3:对数据集的输入项进行K-means聚类分析。具体的步骤为:
S31:首先输入k的值,即我们希望将数据集经过聚类得到k个分组。
S32:从数据集中随机选择k个数据点作为质心。
S33:对数据集中每一组数据,计算其与各个质心的距离,离哪个质心距离近,就划分到那个质心一组。
S34:这时每一个质心都包含了很多数据了,然后这些数据共同选出新的质心。
S35:如果新的质心和上一次的质心的距离小于某一个设置的阈值(表示重新计算的质心的位置变化不大,趋于稳定,或者说收敛),可以认为我们进行的聚类已经达到期望的结果,算法终止。
S36:如果新的质心和上一次的质心距离变化很大,需要迭代S33~S35步骤。
一般来说,k的取值范围是2~4。计算距离的方法采用欧式距离。
S4:对聚类后的数据选取最具特征的数据集。对于上述k组聚类后的数据,每组数据做如下处理:
S41:计算输出的平均值。例如某一组数据包含200个样本,其中2个为质量缺陷(取1),其余198没有质量缺陷,取平均值即为2/200=0.01。
S42:选择若干个输入数据。对这些数据分别与零点求欧式距离,选择距离最大和距离最小的各cnt个数据。其中,对于这2×cnt个输入数据,其输出均为步骤S41所计算的平均值。这样处理的优点在于:由于质量缺陷出现的概率本身很低,选择特征更特殊的数据,更加利于神经网络训练过程中发现其内在规律;且输出由bool转为数字类型,即可用于神经网络训练。
S5:建立BP神经网络训练数据。步骤S5中,获取同钢种的多个钢卷步骤S4所得到的数据集,建立的BP神经网络进行训练。显然,BP神经网络的输入数据为输入数据集Di,输出数据为输出数据集Do。BP神经网络采用四层网络,首层神经元个数为工艺数据个数E,第一隐层神经元个数为E/2.5并取整数,优选地,第一隐层神经元个数大于6小于10,第二隐层神经元个数为2,输出神经元个数为1,传递函数为Sigmoid。输入数据归一化,输出很小,一定要0、1线性归一化。
S6:使用神经网络预测质量缺陷概率。使用训练好的神经网络可以对新的硅钢钢卷进行质量缺陷预测,基于此神经网络的预测结果为一个浮点数,即产生缺陷的概率。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。