一种硅钢铁损在线预测与优化方法、终端设备及存储介质技术

本发明专利技术涉及一种硅钢铁损在线预测与优化方法、终端设备及存储介质，该方法中包括：建立历史数据集；计算各工艺参数与铁损数据之间的相关系数，剔除相关系数绝对值小于阈值的变量；采用SVR构建回归模型；根据回归模型，对各变量进行得分排序，剔除得分最小的变量；重复步骤直至变量个数等于最少变量个数，采用交叉验证的方式计算不同变量个数下回归模型的均方根误差，选择最优变量集；基于最优变量集回归得到铁损预测模型；根据已完成工序的工艺参数实际值和未完成工序的工艺参数中位数及上下限，通过质量预测模型进行铁损预测，并采用粒子群优化算法优化未完成工序的工艺参数。本发明专利技术既可用于工艺参数优化，也可用于在线铁损预测。预测。预测。

【技术实现步骤摘要】
一种硅钢铁损在线预测与优化方法、终端设备及存储介质


[0001]本专利技术涉及硅钢生产领域，尤其涉及一种硅钢铁损在线预测与优化方法、终端设备及存储介质。

技术介绍

[0002]铁损是硅钢的重要质量指标，其直接决定了冷轧硅钢的使用性能。在保证生产安全运行的条件下，应尽可能地降低铁损，从而实现整个硅钢生产过程的优化运行。目前的研究主要认为炼钢成分与温度、热轧加热与冷却制度等对硅钢铁损影响较大，但是尚没有建立硅钢生产全流程工艺参数与铁损的机理模型或数据模型，也无相关的优化控制模型。

技术实现思路

[0003]为了解决上述问题，本专利技术提出了一种硅钢铁损在线预测与优化方法、终端设备及存储介质。
[0004]具体方案如下：
[0005]一种硅钢铁损在线预测与优化方法，包括以下步骤：
[0006]S1：建立历史数据集，用于存储各已完成钢卷在生产过程的所有流程中的工艺参数和铁损数据；
[0007]S2：采用皮尔逊相关系数法，计算历史数据集中各工艺参数与铁损数据之间的相关系数，从历史数据集中剔除相关系数绝对值小于相关系数阈值的变量；
[0008]S3：采用支持向量机回归方法构建回归模型；
[0009]S4：根据回归模型，对历史数据集中的各变量进行得分排序，并剔除得分最小的变量得到新的变量集；
[0010]S5：判断变量个数是否等于设定的最少变量个数，如果是，进入S6；否则，返回S3；
[0011]S6：采用交叉验证的方式计算在不同变量个数下回归模型的均方根误差，选择均方根误差最小时的变量集作为最优变量集；
[0012]S7：基于最优变量集和历史数据，采用支持向量机回归方法进行回归，得到铁损预测模型；
[0013]S8：根据钢卷当前已完成工序的工艺参数实际值和后续未完成工序对应的工艺参数在最优历史数据集中的中位数，通过质量预测模型进行铁损预测；采用粒子群优化算法，根据钢卷当前已完成工序的工艺参数实际值和后续未完成工序对应的工艺参数的上下限，优化后续未完成工序对应的工艺参数。
[0014]进一步的，流程包括：炼钢、热轧、常化酸洗机组、轧机、连续退火机组。
[0015]进一步的，相关系数阈值为0.1。
[0016]一种硅钢铁损在线预测与优化终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例上述的方法的步骤。
[0017]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术实施例上述的方法的步骤。
[0018]本专利技术采用如上技术方案，能够有效提取出对硅钢铁损影响较大的工艺参数，减少模型中的变量个数，提高模型的泛化能力。既可用于硅钢全流程工艺参数优化，也可以用于在线铁损预报及优化控制。
附图说明
[0019]图1所示为本专利技术实施例一的流程图。
具体实施方式
[0020]为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，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专利技术的优点。
[0021]现结合附图和具体实施方式对本专利技术进一步说明。
[0022]实施例一：
[0023]本专利技术实施例提供了一种硅钢铁损在线预测与优化方法，如图1所示，所述方法包括以下步骤：
[0024]S1：建立历史数据集，用于存储各已完成钢卷在生产过程的所有流程中的工艺参数和铁损数据。
[0025]该实施例中设定流程至少包括炼钢、热轧、常化酸洗机组、轧机、连续退火机组，从这些流程中可以得到每个钢卷的输入数据(工艺参数)及输出数据(铁损数据)。
[0026]S2：采用皮尔逊相关系数法，计算历史数据集中各工艺参数与铁损数据之间的相关系数，从历史数据集中剔除相关系数绝对值小于相关系数阈值的变量(即工艺参数)。
[0027]该实施例中相关系数阈值优选采用0.1，在其他实施例中本领域技术人员可以根据需求进行调整，在此不做限制。
[0028]S3：采用支持向量机回归(SVR)方法构建回归模型。
[0029]S4：根据回归模型，对历史数据集中的各变量进行得分排序，并剔除得分最小的变量得到新的变量集。
[0030]S5：判断变量个数是否等于设定的最少变量个数，如果是，进入S6；否则，返回S3。
[0031]最少变量个数本领域技术人员可以根据需求进行设定，在此不做限制。
[0032]S6：采用交叉验证的方式计算在不同变量个数下回归模型的均方根误差，选择均方根误差最小时的历史数据集作为最优历史数据集。
[0033]通过对比不同变量个数下回归模型的交叉验证的均方根误差，可以选择出最优(均方根误差最小)的变量个数，即最优变量集。
[0034]S7：基于最优变量集和历史数据，采用支持向量机回归方法进行回归，得到铁损预测模型。
[0035]S8：根据钢卷当前已完成工序的工艺参数实际值和后续未完成工序对应的工艺参数在最优历史数据集中的中位数，通过质量预测模型进行铁损预测；采用粒子群优化算法，根据钢卷当前已完成工序的工艺参数实际值和后续未完成工序对应的工艺参数的上下限，
优化后续未完成工序对应的工艺参数。
[0036]本实施例具有以下有益效果：
[0037]1、基于炼钢，热轧，冷轧，连退等全流程工艺参数，采用皮尔逊相关系数法筛选变量，采用支持向量回归加递归变量消除的方法进行变量消除，采用交叉验证的方式得到最优变量集，能有效提取出对硅钢铁损影响较大的工艺参数，减少模型中的变量个数，提高模型的泛化能力。
[0038]2、建立了冷轧硅钢铁损的影响模型，以探明硅钢生产全流程工艺参数对冷轧硅钢铁损的影响。模型既可用于硅钢全流程工艺参数优化，也可以用于在线铁损预报及优化控制。
[0039]3、基于铁损预测模型，采用粒子群算法对工艺参数进行在线优化，给出后续工序工艺参数优化控制建议，使铁损满足设定值。
[0040]4、基于铁损预测模型，采用粒子群算法优化全流程重要工艺参数，用于产品质量设计。
[0041]实施例二：
[0042]本专利技术还提供一种硅钢铁损在线预测与优化终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例一的上述方法实施例中的步骤。
[0043]进一步地，作为一个可执行方案，所述硅钢铁损在线预测与优化终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述硅钢铁损在线预测与优化终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述硅钢铁损在线预测与优化终端设备的组成结构仅仅是硅钢铁损在线预测与优化终端设备的示例，并不构成对硅钢铁损在线预测与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种硅钢铁损在线预测与优化方法，其特征在于，包括以下步骤：S1：建立历史数据集，用于存储各已完成钢卷在生产过程的所有流程中的工艺参数和铁损数据；S2：采用皮尔逊相关系数法，计算历史数据集中各工艺参数与铁损数据之间的相关系数，从历史数据集中剔除相关系数绝对值小于相关系数阈值的变量；S3：采用支持向量机回归方法构建回归模型；S4：根据回归模型，对历史数据集中的各变量进行得分排序，并剔除得分最小的变量得到新的变量集；S5：判断变量个数是否等于设定的最少变量个数，如果是，进入S6；否则，返回S3；S6：采用交叉验证的方式计算在不同变量个数下回归模型的均方根误差，选择均方根误差最小时的变量集作为最优变量集；S7：基于最优变量集和历史数据，采用支持向量机回归方法进行回归，得到铁损预测模型；S8：根据钢卷当前已完成工序的工艺参数实际值和后续未完成工序对应的工艺...

【专利技术属性】
技术研发人员：蔡全福，贺立红，姚文达，王志军，
申请(专利权)人：中冶南方工程技术有限公司，
类型：发明
国别省市：