一种带钢热连轧过程力学性能指标软测量方法和系统技术方案

本发明专利技术公开了一种带钢热连轧过程力学性能指标软测量方法和系统，属于参数测量技术领域，包括：从云端侧获取训练完成的EM

【技术实现步骤摘要】
一种带钢热连轧过程力学性能指标软测量方法和系统


[0001]本专利技术属于参数测量
，具体涉及一种带钢热连轧过程力学性能指标软测量方法和系统。

技术介绍

[0002]带钢热连轧是钢铁生产流程中的关键工序，它的各个工序具有强耦合特性，从钢水含量到轧制的各个环节的过程变量都会影响带钢产品的性能。随着自动化程度的提高，对轧钢过程不仅要求生产速度快，还要求保证产品性能，因此对带钢产品性能检测的需求日益凸显。目前带钢的力学性能是通过抽检，送入实验室进行检测，不仅具有随机性，而且检测结果具有很大的滞后。如果能实时检测出每卷带钢的力学性能，就可以综合钢水成分含量、设备运行状态等各种因素优化力学性能，从而使每卷带钢力学性能达到最优。因此，对热轧带钢力学性能指标的实时预测就显得尤为重要。
[0003]带钢热连轧性能检测是不规则随机采样的过程，轧制过程中每块钢的轧制之间有间歇，间歇的大小与轧制节奏相关，且由于轧制速度和轧制规格的不同导致轧制每块钢所需的时间也不同。因此，难以实现对带钢热连轧多力学性能指标软测量。此外，轧制过程数据与性能测试数据存储在不同的系统中，对力学性能指标软测量研究带来困难。在实际生产过程中，力学性能测试通常在生产结束后进行离线测试，此方式存在很长且不确定的滞后；测试结果仅能验证产品是否符合质量标准，不能用于轧制过程的优化和调控。因此，对于复杂的带钢热连轧多力学性能指标软测量的研究具有实际的工程意义。
[0004]针对带钢热连轧多力学性能指标软测量，目前主要有机理建模的方法和数据驱动方法。机理建模方法结合了轧制模型、数值模型与分析方法、材料相变理论与物理模型、热力学与动力学等方法对组织和性能进行有效预测。虽然机理模型是建立在客观规律的基础上，解释性较强；但机理模型也存在结构复杂，依赖关系较多等缺点，在实际应用时常对模型作一些假设和简化处理，导致模型结果与实际现象存在偏差等。数据驱动方法：随着人工智能技术的发展，一些机器学习和深度学习的方法被应用于带钢性能的软测量，其中包括：支持向量机（SVM）、反向传播 (BP)、长短期记忆（LSTM）、门控循环单元（GRU）、即时学习（JITL）和一些改进与组合的方法。然而现有基于数据驱动的软测量方法存在不规则采样导致的预测精度低的问题，也存在模型在线更新困难的问题。

技术实现思路

[0005]为了解决现有技术存在的机理模型结构复杂、依赖关系较多，简化处理时会导致模型结果与实际现象存在偏差，数据驱动存在不规则采样导致的预测精度低，模型在线更新困难的技术问题，本专利技术提供一种带钢热连轧过程力学性能指标软测量方法和系统。
[0006]第一方面
[0007]本专利技术提供了一种带钢热连轧过程力学性能指标软测量方法，包括：
[0008]S101：从云端侧获取训练完成的EM
‑
CNN
‑
McLightGBM模型；
[0009]其中，所述EM
‑
CNN
‑ꢀ
McLightGBM模型包括：EM子模型、CNN子模型和McLightGBM子模型，EM表示实体嵌入，CNN表示一维卷积神经网络，McLightGBM表示多通道轻量级梯度提升机器学习；
[0010]S102：获取带钢热连轧过程中的测试数据和钢坯各成分含量数据，根据数据的特点将数据划分为结构化数据和非结构化数据；
[0011]S103：将非结构化数据输入到训练完成的EM子模型，得到实体嵌入后的结构化数据，将所述实体嵌入后的数据与结构化数据进行拼接，得到结构化组合矩阵；
[0012]S104：将所述结构化组合矩阵输入到训练完成的CNN子模型中，得到变量间的空间特征；
[0013]S105：将变量间的空间特征输入到训练完成的McLightGBM子模型，分别预测出多个力学性能指标；
[0014]其中，所述力学性能指标包括：屈服强度、抗拉强度、断后伸长率。
[0015]第二方面
[0016]本专利技术提供了一种带钢热连轧过程力学性能指标软测量系统，用于执行第一方面中的带钢热连轧过程力学性能指标软测量方法。
[0017]与现有技术相比，本专利技术至少具有以下有益技术效果：
[0018]（1）在本专利技术中，对于不规则采样获得的结构化数据以及非结构化数据，利用Bert子模型将轧钢过程中的出钢号、产品规范码和拉伸试验方向等非结构化数据转化为结构化数据；利用CNN子模型提取变量间的空间特征，为进一步建立软测量模型提供特征；利用McLightGBM子模型对带钢热连轧过程中的多个力学性能指标同时进行软测量，提升了多个力学性能指标的预测精度。整个模型的结构简单，无需对模型作出假设和简化处理，避免模型结果与实际现象产生偏差，具有良好的软测量精度。
[0019]（2）在本专利技术中，利用云边协同技术，协调设备间的数据与模型的调用，使得模型可在云端进行在线更新，更符合轧制过程的实际情况。
附图说明
[0020]下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术的上述特性、技术特征、优点及其实现方式予以进一步说明。
[0021]图1是本专利技术提供的一种带钢热连轧过程力学性能指标软测量方法的流程示意图；
[0022]图2是本专利技术提供的一种带钢热连轧生产线的工作流程图；
[0023]图3是本专利技术提供的一种EM
‑
CNN
‑
McLightGBM模型的训练流程图。
具体实施方式
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对照附图说明本专利技术的具体实施方式。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0025]为使图面简洁，各图中只示意性地表示出了与专利技术相关的部分，它们并不代表其
作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
[0026]还应当进一步理解，在本专利技术说明书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0027]在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0028]另外，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0029]实施例1
[0030]在一个实施例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带钢热连轧过程力学性能指标软测量方法，其特征在于，包括：S101：从云端侧获取训练完成的EM
‑
CNN
‑
McLightGBM模型；其中，所述EM
‑
CNN
‑ꢀ
McLightGBM模型包括：EM子模型、CNN子模型和McLightGBM子模型，EM表示实体嵌入，CNN表示一维卷积神经网络，McLightGBM表示多通道轻量级梯度提升机器学习；S102：获取带钢热连轧过程中的测试数据和钢坯各成分含量数据，根据数据的特点将数据划分为结构化数据和非结构化数据；S103：将非结构化数据输入到训练完成的EM子模型，得到实体嵌入后的结构化数据，将所述实体嵌入后的数据与结构化数据进行拼接，得到结构化组合矩阵；S104：将所述结构化组合矩阵输入到训练完成的CNN子模型中，得到变量间的空间特征；S105：将变量间的空间特征输入到训练完成的McLightGBM子模型，分别预测出多个力学性能指标；其中，所述力学性能指标包括：屈服强度、抗拉强度、断后伸长率。2.根据权利要求1所述的带钢热连轧过程力学性能指标软测量方法，其特征在于，所述EM
‑
CNN
‑
McLightGBM模型的训练过程具体包括：S1011：从边缘侧获取训练数据；S1012：通过Bert将带钢热连轧过程中的非结构化数据进行转化；其中，Bert表示基于Transformer网络的双向编码器表示方法；S1013：将转化生成的结构化数据与原始结构化数据进行拼接，得到结构化数据矩阵，并对所述结构化数据矩阵进行预处理；S1014：对过程变量与力学性能指标的相关性进行分析，得到与力学性能指标相关性较强的特征变量，并对与力学性能指标相关性较强的特征变量进行标准化处理；S1015：将标准化处理后的特征变量输入到初始的CNN子模型，并对CNN子模型中的参数进行调优，得到训练完成的CNN子模型，通过训练完成的所述CNN子模型，将输入的数据提取为变量间的空间特征向量；S1016：将所述空间特征向量输入到初始的McLightGBM子模型，并对初始的McLightGBM子模型中的参数进行调优，得到训练完成的McLightGBM子模型，通过训练完成的所述McLightGBM子模型，分别得到多个力学性能指标的预测值；S1017：利用SSA将所述CNN子模型和所述McLightGBM子模型超参数进行优化；其中，SSA表示麻雀搜索算法。3.根据权利要求2所述的带钢热连轧过程力学性能指标软测量方法，其特征在于，所述训练数据包括：带钢热连轧过程中的历史数据，所述历史数据包括：钢水成分含量数据、轧制过程数据和力学性能测试数据。4.根据权利要求2所述的带钢热连轧过程力学性能指标软测量方法，其特征在于，所述S1012具体包括：S10121：通过Bert将带钢热连轧过程中的非结构化数据进行词嵌入、语句分块和位置编码，分别获得词嵌入张量、语句分块张量和位置编码张量；S10122：将所述词嵌入张量、所述语句分块张量和所述位置编码张量相加，得到最终实
体嵌入的向量。5.根据权利要求2所述的带钢热连轧过...

【专利技术属性】
技术研发人员：徐清泉，彭开香，董洁，张红军，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：