一种钢板力学性能预测方法技术

本发明专利技术涉及一种钢板力学性能预测方法，其包括：由制造执行系统中导出钢板数据；采集得到的钢板数据进行清洗并划为训练集和测试集；通过训练集对卷积神经网络进行训练得到训练后的卷积神经网络模型，再将训练集和测试集放入训练后的卷积神经网络模型输出新训练集和新测试集；通过新训练集对集成学习模型进行训练，所得到的训练后的集成学习模型经新测试集评估对比合格即将训练后的集成学习模型作为预测模型；进行钢板力学性能预测时只需导入新的钢板的生产过程数据、依次经卷积神经网络模型和集成学习模型处理后即可对其力学性能进行预测。本申请将卷积神经网络模型和集成学习模型的优点结合，可准确预测钢板力学性能，同时降低试验成本。时降低试验成本。时降低试验成本。

【技术实现步骤摘要】
一种钢板力学性能预测方法


[0001]本专利技术涉及钢板性能预测
，具体是一种钢板力学性能预测方法。

技术介绍

[0002]钢性能的测试是对于钢材进行质量把控的关键过程，尤其是对于特型钢材，就更需要对其性能进行精准检测并把控。例如S355是一种低合金高强度结构钢，主要应用于矿山机械、压力容器、电站设备、大型船舶、车辆、桥梁、特种设备等结构件，S355钢板的力学性能主要包含屈服强度、抗拉强度、断后伸长率和冲击功。但是考虑到检测成本以及检测时间，无法对产品做到实体尽检，就需要根据钢板的生产过程数据以及基本参数，例如终轧温度、终轧最小温度、终轧最大温度、冷却温度等对产品的力学性能进行预测。
[0003]而S355钢板力学性能预测是指利用钢板生产过程中的工艺参数和化学成分预测钢板的屈服强度、抗拉强度、断后伸长率和冲击功，S355钢板的力学性能预测研究已成为世界各国冶金学家最为关注的研究方向之一，其在钢板的全流程质量管理过程中具有较高的应用价值，可以减少力学性能试验次数、优化钢板生产过程中的工艺流程、避免不合格的钢板流入市场，从而达到为企业本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种钢板力学性能预测方法，应用于钢企生产过程，对出产的钢板力学性能进行预测，其特征在于，包括如下工作步骤：步骤一：采集数据，由制造执行系统即MES系统中导出钢板历史生产数据以及钢板的力学性能数据；步骤二：清洗数据，对步骤一采集得到的钢板数据进行清洗，去除其中的 无效数据，并对其余数据进行完善填充；步骤三：划分数据，将步骤二清洗得到的钢板数据按照比例进行划分，分为用于模型训练的训练集和用于模型测试的测试集；步骤四：构建新训练集和新测试集，通过所述训练集对卷积神经网络进行训练并保存得到训练后的卷积神经网络模型，再将所述训练集和测试集输入到训练后的卷积神经网络模型中从而得到所述新训练集和新测试集；步骤五：构建预测模型，通过所述新训练集对集成学习模型进行训练从而获得训练后的集成学习模型，通过所述新测试集对所述训练后的集成学习模型进行评估对比，评估对比合格即将训练后的集成学习模型作为预测模型；步骤六：钢板力学性能预测，将待测钢板的生产数据先导入到训练后的卷积神经网络模型得到处理后的新数据，再将所述新数据导入到所述预测模型中得到最终的钢板力学性能预测结果。2.根据权利要求1所述的钢板力学性能预测方法，其特征在于，钢板的力学性能数据包括屈服强度、抗拉强度、断后伸长率、冲击功四个力学性能标签值。3.根据权利要求1所述的钢板力学性能预测方法，其特征在于，在步骤二中进行钢板数据的清洗时，对其余数据进行完善填充的过程包括非数值特征编码、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异常值。4.根据权利要求1所述的钢板力学性能预测方法，其特征在于，步骤四中的卷积神经网络为带注意力机制的一维卷积神经网络。5.根据权利要求4所述的钢板力学性能预测方法，其特征在于，所述带注意力机制的一维卷积神经网络包括两个一维卷积层、两个一维池化层、一个注意力机制模块和三个全连接层，经卷积神经网络模型训练的数据，数据在一个一维卷积层进行卷积处理后经过ReLU函数激活后输入到一个一维池化层进行池化处理后再送入另一个一维卷积层进行处理，处理后的数据经过ReLU函数...

【专利技术属性】
技术研发人员：朱庆祺，李福存，王苏扬，马宁，李志勇，刘小华，杨爱玲，马超，
申请(专利权)人：江苏金恒信息科技股份有限公司，
类型：发明
国别省市：