基于数字孪生和深度学习的钢管力学性能预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于数字孪生和深度学习的钢管力学性能预测方法及装置，涉及数字孪生技术领域

【技术实现步骤摘要】
基于数字孪生和深度学习的钢管力学性能预测方法及装置


[0001]本专利技术涉及数字孪生
，尤其涉及一种基于数字孪生和深度学习的钢管力学性能预测方法及装置
。

技术介绍

[0002]热轧无缝钢管生产以钢坯为原材料，投入环形炉中进行加热，然后在热连轧机组上依次通过穿孔机
、
连轧机
、
定径机成为毛管到达冷床，最后，根据工艺要求在精整区再将毛管进行锯切或矫直
。
与全线信息流贯通的板带产线不同，无缝钢管产线生产工艺复杂
、
工序多，并兼具流程制造与离散制造的特点，各工序间为“孤岛式”控制，目前尚无法实现全流程信息化和数据化的互联互通
。

技术实现思路

[0003]本专利技术针对现有热轧无缝钢管力学性能依赖人工取样检测，成本高，劳动强度大且效率低，难以实现每支钢管的检测的问题，提出了本专利技术
。
[0004]为解决上述技术问题，本专利技术提供如下技术方案：
[0005]一方面，本专利技术提供了一种基于数字孪生和深度学习的钢管力学性能预测方法，该方法由电子设备实现，该方法包括：
[0006]S1、
根据热轧无缝钢管产线，建立热轧无缝钢管数字孪生系统，根据热轧无缝钢管数字孪生系统获取生产实时参数
。
[0007]S2、
构建基于麻雀搜索算法
SSA
优化的上下限区间估计
LUBE
模型
。
[0008]S3、/>根据生产实时参数以及基于
SSA
优化的
LUBE
模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果
。
[0009]可选地，
S2
中的构建基于麻雀搜索算法
SSA
优化的上下限区间估计
LUBE
模型，包括：
[0010]S21、
基于全连接神经网络
FNN
，构建上下限区间估计
LUBE
模型
。
[0011]S22、
采用麻雀搜索算法
SSA
，对基于
FNN
的
LUBE
模型的权重进行优化，得到基于
SSA
优化的
LUBE
模型
。
[0012]其中，权重，包括隐含层神经元到输出层神经元的权重和输入层神经元到输出层神经元的权重
。
[0013]可选地，
S21
中的基于全连接神经网络
FNN
，构建上下限区间估计
LUBE
模型，包括：
[0014]S211、
构建基于
FNN
的
LUBE
模型的预测区间
PI
的上下界
。
[0015]S212、
根据上下界，构建置信水平
。
[0016]S213、
根据置信水平，确定
PI
的覆盖率
PICP。
[0017]S214、
根据上下界，构建预测区间平均宽度
PINAW。
[0018]S215、
选择最小化的基于组合覆盖宽度判据
CWC
损失函数，对
PICP
和
PINAW
进行优化，得到基于
FNN
的
LUBE
模型
。
[0019]可选地，
S211
中的预测区间
PI
的上下界，如下式（1）（2）所示：
[0020] （1）
[0021]ꢀꢀ
（2）
[0022]其中，表示第个测试样本的预测上限区间， 表示第个测试样本的预测区间输出，表示测试样本数量，表示第个测试样本的预测下限区间
。
[0023]可选地，
S212
中的置信水平，如下式（3）所示：
[0024]（3）
[0025]其中，表示错误的概率，表示置信区间，表示第个测试样本的预测上限区间，表示第个测试样本的预测下限区间，表示第个测试样本的真实值
。
[0026]可选地，
S213
中的
PI
的覆盖率
PICP
，如下式（4）（5）所示：
[0027]（4）
[0028]（5）
[0029]其中，表示测试样本的数量，表示第个测试样本的预测值是否落入预测区间中，表示第个测试样本的真实值，表示第个测试样本的预测上限区间，表示第个测试样本的预测下限区间
。
[0030]可选地，
S214
中的预测区间平均宽度
PINAW
，如下式（6）所示：
[0031]（6）
[0032]其中，表示测试样本的数量，表示目标范围，表示第个测试样本的预测上限区间，表示第个测试样本的预测下限区间
。
[0033]可选地，
S215
中的基于组合覆盖宽度判据
CWC
损失函数，如下式（7）（8）所示：
[0034]（7）
[0035]（8）
[0036]其中，表示预测区间平均宽度，表示是与相关的参数，
PICP
表示
PI
的覆盖率，表示第一超参数，表示第二超参数
。
[0037]可选地，
S3
中的根据生产实时参数以及基于
SSA
优化的
LUBE
模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果，包括：
[0038]S31、
对生产实时参数中与力学性能相关的参数进行预处理，得到预处理后的参数
。
[0039]其中，预处理，包括：采用
Pauta
准则去除噪点和异常值以及线性变换
。
[0040]S32、
将预处理后的参数输入到基于
SSA
优化的
LUBE
模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果
。
[0041]另一方面，本专利技术提供了一种基于数字孪生和深度学习的钢管力学性能预测装置，该装置应用于实现基于数字孪生和深度学习的钢管力学性能预测方法，该装置包括：
[0042]获取模块，用于根据热轧无缝钢管产线，建立热轧无缝钢管数字孪生系统，根据热轧无缝钢管数字孪生系统获取生产实时参数
。
[0043]构建模块，用于构建基于麻雀搜索算法
SSA
优化的上下限区间估计
LUBE
模型
。
[0044]输出模块，用于根据生产实时参数以及基于
SSA
优化的
LUBE
模型，得到热轧无本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于数字孪生和深度学习的钢管力学性能预测方法，其特征在于，所述方法包括：
S1、
根据热轧无缝钢管产线，建立热轧无缝钢管数字孪生系统，根据所述热轧无缝钢管数字孪生系统获取生产实时参数；
S2、
构建基于麻雀搜索算法
SSA
优化的上下限区间估计
LUBE
模型；
S3、
根据所述生产实时参数以及基于
SSA
优化的
LUBE
模型，得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果
。2.
根据权利要求1所述的方法，其特征在于，所述
S2
中的构建基于麻雀搜索算法
SSA
优化的上下限区间估计
LUBE
模型，包括：
S21、
基于全连接神经网络
FNN
，构建上下限区间估计
LUBE
模型；
S22、
采用麻雀搜索算法
SSA
，对基于
FNN
的
LUBE
模型的权重进行优化，得到基于
SSA
优化的
LUBE
模型；其中，所述权重，包括隐含层神经元到输出层神经元的权重和输入层神经元到输出层神经元的权重
。3.
根据权利要求2所述的方法，其特征在于，所述
S21
中的基于全连接神经网络
FNN
，构建上下限区间估计
LUBE
模型，包括：
S211、
构建基于
FNN
的
LUBE
模型的预测区间
PI
的上下界；
S212、
根据所述上下界，构建置信水平；
S213、
根据所述置信水平，确定
PI
的覆盖率
PICP
；
S214、
根据所述上下界，构建预测区间平均宽度
PINAW
；
S215、
选择最小化的基于组合覆盖宽度判据
CWC
损失函数，对所述
PICP
和
PINAW
进行优化，得到基于
FNN
的
LUBE
模型
。4.
根据权利要求3所述的方法，其特征在于，所述
S211
中的预测区间
PI
的上下界，如下式（1）（2）所示：（1）（2）其中，表示第个测试样本的预测上限区间， 表示第个测试样本的预测区间输出，表示测试样本数...

【专利技术属性】
技术研发人员：孙友昭，李京栋，杨荃，邵健，王晓晨，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：