弹簧钢脱碳分析预测方法技术

本发明专利技术涉及一种弹簧钢脱碳分析预测方法，依次包括如下步骤：建立分析预测系统；收集弹簧钢的生产过程数据、生产计划数据和脱碳质量数据；先对收集得到数据进行预处理和存储，并定义脱碳标签；根据当前生产的钢种和规格，采用XGBoost算法依次定义目标函数、求解目标函数最小值并由预设阈值筛选得到关键影响因子；采用Pearson相关系数算法得到关键影响因子和脱碳标签的线性相关性；采用SVM算法建立目标函数，再将关键影响因子和脱碳标签作为样本集并进行归一化处理，然后采用拉格朗日乘子法求解目标函数最大值得到最优分类函数，对目标函数进行迭代训练后得到最新的最优分类函数并作为脱碳预测模型；根据脱碳预测模型对处于预设激励位置的弹簧钢进行计算。设激励位置的弹簧钢进行计算。设激励位置的弹簧钢进行计算。

【技术实现步骤摘要】
弹簧钢脱碳分析预测方法


[0001]本专利技术涉及弹簧钢加工技术，特别涉及一种采用高速线材生产工艺的弹簧钢脱碳分析预测方法。

技术介绍

[0002]弹簧钢广泛应用于各种机械、仪器仪表、交通、石油化工等领域，通常要求其具有较高的抗拉强度、弹性极限和疲劳强度，因此弹簧钢在高速线材生产工艺上要求其脱碳越少越好，尤其是在热加工过程中。脱碳主要是钢坯和轧件在高温环境下钢表面的碳和氧发生氧化反应，导致弹簧钢产品表面碳含量减少，不仅对表面质量造成影响，还会显著降低弹簧钢的疲劳极限，严重影响产品的使用性能和寿命。一般来说，高速线材生产工艺包括多个工艺区间，例如加热区、轧制区、风冷区等，每个工艺区间包括多个工艺控制参数，这些参数都会对弹簧钢脱碳产生不同程度的影响，其中影响最大的是加热区(例如加热炉温度和气氛)，其次是风冷区(例如风冷系统风量和速度)，还有轧制区(例如轧制温度和速度)。由于生产过程中的各种波动以及不同工艺区间的各个工艺参数对弹簧钢脱碳的影响，且大部分工艺参数和最终的脱碳结果为非线性关系，使得弹簧钢脱碳很难控制，从而制约了产品质量稳定性的提高。
[0003]中国专利201210487716.X针对弹簧钢热加工过程的脱碳问题提出了一种防止小规格弹簧钢脱碳的控制冷却工艺，通过控制终轧温度、吐丝温度、风冷辊道和出罩盖温度使得最终成品内各部位组织均匀，防止小规格弹簧钢在拉拔过程中脆断。中国专利201510685469.8公开了一种预测弹簧钢铸坯脱碳的有限元方法，解决了加热炉加热工艺制度不合理造成的铸坯脱碳超标问题。中国专利201910865995.0公开了一种脱碳弹簧钢表面脱碳层厚度的计算方法，该方法结合炉内气氛、加热温度和加热时间的实时数据，实现实时预测脱碳层厚度变化，从而达到调整工艺参数以控制脱碳层厚度。但是，上述专利均没有充分利用高速线材生产中的生产过程数据和脱碳质量数据，也没有从全流程多角度对加热、轧制、风冷等工艺区间进行分析并控制弹簧钢脱碳。
[0004]鉴于此，迫切需要一种直观可视化的脱碳分析预测方法，能对弹簧钢脱碳进行智能分析和预测，能为弹簧钢高速线材生产操作提供预警和指导，从而提高产品质量和产品制造的稳定性。

技术实现思路

[0005]本专利技术的目的在于提供一种弹簧钢脱碳分析预测方法，所述分析预测方法基于高速线材生产过程中的各项数据，采用XGBoost算法得到关键影响因子，采用Pearson算法得到关键影响因子和脱碳标签的相关性，根据SVM算法构建并训练得到脱碳预测模型，能对实际高速线材生产过程中处于不同工艺区间位置的弹簧钢产品进行动态脱碳分析和预测。
[0006]本专利技术是这样实现的：
[0007]一种弹簧钢脱碳分析预测方法，所述弹簧钢采用高速线材生产工艺；所述分析预
测方法包括如下步骤：
[0008]步骤一，建立分析预测系统，所述系统包括数据采集模块、数据处理模块、模型计算模块和画面展示模块；
[0009]步骤二，数据采集模块收集得到弹簧钢的生产过程数据、生产计划数据和脱碳质量数据；
[0010]步骤三，数据处理模块先对步骤二得到的数据进行预处理和存储，并根据脱碳质量数据定义脱碳标签，再将处理结果提供给模型计算模块并保存模型计算模块的计算结果；
[0011]步骤四，根据当前生产的钢种和规格，模型计算模块采用XGBoost算法依次定义目标函数、求解目标函数最小值并由预设阈值筛选得到关键影响因子；
[0012]步骤五，模型计算模块采用Pearson相关系数算法得到关键影响因子和脱碳标签的线性相关性，并采用Hist统计函数得到关键影响因子的直方图；
[0013]步骤六，模型计算模块采用SVM算法建立目标函数，再将关键影响因子和脱碳标签作为样本集并进行归一化处理，然后采用拉格朗日乘子法求解目标函数最大值得到最优分类函数，对目标函数进行迭代训练后得到最新的最优分类函数并将其作为脱碳预测模型；
[0014]步骤七，模型计算模块根据脱碳预测模型对处于预设激励位置的弹簧钢进行脱碳预测计算，计算得到的脱碳预测数据由画面展示模块显示。
[0015]所述步骤二中，所述生产过程数据由过程控制系统采集得到，所述生产计划数据和脱碳质量数据由生产管理系统采集得到。
[0016]所述步骤三中，脱碳质量数据包括脱碳深度，根据脱碳深度定义脱碳标签。
[0017]所述步骤三中，预处理包括对数据的勾连、异常值进行处理。
[0018]所述步骤四中，目标变量定义如下：
[0019][0020]式中，y
′
i
为目标变量的预测值，x
i
为生产过程数据中不同工艺区间的多个特征组成的训练数据，K为决策树的数量，f
k
是决策树空间F中的一个决策树；
[0021]目标函数如下：
[0022][0023]式中，第一项l为一个可微凸损失函数，用于度量目标变量的预测值y
′
i
和实际值y
i
的差值，n为输入样本数量；第二项Ω用于惩罚目标函数模型的复杂度，其表达式如下：
[0024][0025]式中，T为决策树f
k
叶子节点的数量，ω为叶子节点的权重，γ和λ分别为叶子节点数量和权重的惩罚系数。
[0026]所述步骤五中，所述关键影响因子和脱碳标签的相关系数定义如下：
[0027][0028]式中，ρ
xy
为x和y的Pearson相关系数，x为关键影响因子，y为脱碳标签，cov(x,y)为x和y的协方差，σ
x
和σ
y
分别为x和y的标准差。
[0029]所述步骤六中，目标函数和约束条件如下：
[0030][0031]式中，n为输入样本数量，α
i
为拉格朗日乘子，y
i
和y
j
为脱碳标签，x
i
和x
j
为关键影响因子，K(x
i
,x
j
)为核函数，C为正则化参数；
[0032]所述K(x
i
,x
j
)为高斯核函数，表达式如下：
[0033]K(x
i
,x
j
)＝exp(
‑
γ‖x
i
‑
x
j
‖2)
[0034]式中，γ为输入样本特征数量的倒数；
[0035]采用拉格朗日乘子法求解所述目标函数最大值得到最优分类函数如下：
[0036][0037]式中，为求解得到的最优拉格朗日乘子，为最优超平面的权重向量，b
*
为最优超平面偏移。
[0038]所述步骤七中，数据处理模块收集得到弹簧钢的实时位置，如弹簧钢抵达预设激励位置，将弹簧钢所处位置和所述位置之前工艺区间的生产过程数据、弹簧钢从所处位置到风冷区出口的工艺目标值组成输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种弹簧钢脱碳分析预测方法，所述弹簧钢采用高速线材生产工艺；其特征在于：所述分析预测方法包括如下步骤：步骤一，建立分析预测系统，所述系统包括数据采集模块、数据处理模块、模型计算模块和画面展示模块；步骤二，数据采集模块收集得到弹簧钢的生产过程数据、生产计划数据和脱碳质量数据；步骤三，数据处理模块先对步骤二得到的数据进行预处理和存储，并根据脱碳质量数据定义脱碳标签，再将处理结果提供给模型计算模块并保存模型计算模块的计算结果；步骤四，根据当前生产的钢种和规格，模型计算模块采用XGBoost算法依次定义目标函数、求解目标函数最小值并由预设阈值筛选得到关键影响因子；步骤五，模型计算模块采用Pearson相关系数算法得到关键影响因子和脱碳标签的线性相关性，并采用Hist统计函数得到关键影响因子的直方图；步骤六，模型计算模块采用SVM算法建立目标函数，再将关键影响因子和脱碳标签作为样本集并进行归一化处理，然后采用拉格朗日乘子法求解目标函数最大值得到最优分类函数，对目标函数进行迭代训练后得到最新的最优分类函数并将其作为脱碳预测模型；步骤七，模型计算模块根据脱碳预测模型对处于预设激励位置的弹簧钢进行脱碳预测计算，计算得到的脱碳预测数据由画面展示模块显示。2.根据权利要求1所述的弹簧钢脱碳分析预测方法，其特征在于：所述步骤二中，所述生产过程数据由过程控制系统采集得到，所述生产计划数据和脱碳质量数据由生产管理系统采集得到。3.根据权利要求1所述的弹簧钢脱碳分析预测方法，其特征在于：所述步骤三中，脱碳质量数据包括脱碳深度，根据脱碳深度定义脱碳标签。4.根据权利要求1所述的弹簧钢脱碳分析预测方法，其特征在于：所述步骤三中，预处理包括对数据的勾连、异常值进行处理。5.根据权利要求1所述的弹簧钢脱碳分析预测方法，其特征在于：所述步骤四中，目标变量定义如下：式中，y
′
i
为目标变量的预测值，x
i
为生产过程数据中不同工艺区间的多个特征组成的训练数据，K为决策树的数量，f
k
是决策树空间F中的一个决策树；目标函数如下：式中，第一项l为一个可微凸损失函数，用于度量目标变量的预测值y
′
i
和实际值y
i
的差值，n为输入样本数量；第二项Ω用于惩罚目标函数模型的复杂度，其表达式如下：
式中，T...

【专利技术属性】
技术研发人员：吕立华，邓龙，陈虎秋，许晓赟，肖畅，许娜，王墨南，
申请(专利权)人：宝山钢铁股份有限公司，
类型：发明
国别省市：