一种基于皮尔逊相关系数的冷轧精整剪切刀具的性能预测方法与流程

摘要: 本发明属于冷轧加工,具体涉及一种基于皮尔逊相关系数的冷轧精整剪切刀具的性能预测方法。背景技术:1、冷轧带钢是汽车制造、家电生产、装备加工等领域的核心基础原材料,...
一种基于皮尔逊相关系数的冷轧精整剪切刀具的性能预测方法与流程

本发明属于冷轧加工,具体涉及一种基于皮尔逊相关系数的冷轧精整剪切刀具的性能预测方法。

背景技术:

1、冷轧带钢是汽车制造、家电生产、装备加工等领域的核心基础原材料,精整剪切是冷轧带钢生产流程中的关键工序,直接决定了最终带钢产品的尺寸精度与表面质量。冷轧精整剪切刀具作为剪切工序的核心执行部件,其磨损状态、刃口形貌变化及剩余使用寿命,不仅直接影响带钢的剪切质量,更与产线的生产连续性、运维成本及生产效率密切相关。因此,对冷轧精整剪切刀具的性能进行精准、实时的预测,是实现冷轧精整工序智能化运维、保障生产稳定性、提升产品质量的核心环节。

2、目前,针对金属切削刀具的性能预测技术,主要分为基于物理模型与经验公式的预测方法、基于数据驱动的智能预测方法两大类。其中,基于物理模型与经验公式的预测方法,多依赖理想切削工况假设与大量现场经验参数,仅能适配特定规格的刀具与固定的生产工况。而冷轧精整剪切工序存在带钢规格频繁切换、剪切载荷波动大、工况边界条件复杂多变的特点,此类方法难以适配现场多变的生产条件,泛化能力弱,实际应用中预测精度难以保障。

3、基于数据驱动的智能预测方法,多采用神经网络、深度学习等复杂黑箱模型,虽能在一定程度上拟合工艺参数与刀具性能的非线性关系,但存在明显的应用缺陷:其一,模型结构复杂,参数无明确物理意义,现场工艺人员难以理解、调试与维护,工程化落地难度极大;其二,此类模型需要海量高质量标注样本完成训练,而冷轧生产现场难以获取足量、合规的刀具全生命周期样本数据,模型极易出现过拟合,实际生产中预测稳定性差;其三,模型计算复杂度高,对硬件算力要求严苛,无法在工业现场常规的plc、边缘计算设备中实现实时在线预测,难以满足产线连续化生产的实时性需求。

4、另有部分技术方案采用相关系数分析进行工艺参数筛选,但其多采用全量样本完成特征筛选后再划分训练集与验证集,不可避免地造成数据泄露,导致模型在训练阶段表现优异,而在实际现场应用中预测精度大幅下降;同时,特征筛选仅依靠相关系数阈值判定,缺乏必要的统计显著性校验,易引入与刀具性能假相关的工艺参数,进一步降低了模型的稳定性与可靠性。此外,现有相关技术大多针对通用车削、铣削刀具设计,未结合冷轧精整剪切刀具的断续剪切、大吨位载荷、工况频繁波动的特有属性进行针对性设计,且未形成“特征筛选-模型构建-模型验证-迭代优化-在线更新”的完整闭环,模型无法适配产线设备状态与工况条件的长期变化,长期运行后预测精度持续衰减,无法满足冷轧生产现场的长期稳定应用需求。

技术实现思路

1、为了解决上述技术问题,本发明提供了一种基于皮尔逊相关系数的冷轧精整剪切刀具的性能预测方法。

2、为实现上述目的,本发明采用的技术方案是:

3、一种基于皮尔逊相关系数的冷轧精整剪切刀具的性能预测方法,包括如下步骤,

4、s1、与数据集划分;

5、获取冷轧精整剪切刀具的工艺参数集与性能指标集,并将工艺参数集与性能指标集构成一组配对样本,共采集组配对样本;将组配对样本按预设比例划分为互不重叠的训练集与验证集,其中训练集样本量为,验证集样本量为,满足;

6、s2、基于训练集与皮尔逊相关系数的无数据泄露式关键工艺参数筛选;

7、针对训练集样本,对第组训练样本中的第项工艺参数与第组训练样本中的目标性能指标进行皮尔逊相关系数计算,获得各工艺参数与目标性能指标之间的相关系数值;设定相关系数阈值,将且通过显著性检验的工艺参数确定为关键工艺参数,记入选后的关键工艺参数集包含n个参数,其中,工艺参数的总个数;

8、s3、基于训练集与关键工艺参数集的多元线性回归模型的构建;

9、以关键工艺参数为自变量、目标性能指标为因变量,基于训练集样本采用最小二乘法求解多元线性回归方程的回归系数,并通过回归系数显著性检验与多重共线性检验优化模型,得到多元线性回归模型的数学表达式;其中为截距项,为第个关键工艺参数的偏回归系数,;

10、s4、基于验证集的模型验证与自适应迭代优化;

11、将验证集样本中的关键工艺参数代入多元线性回归模型的数学表达式,计算得到预测性能指标值,并与验证集样本中的实测性能指标值进行对比,计算预测精度评价指标;结合模型拟合优度指标与预测精度评价指标进行双重校验,当两项指标均满足预设条件时,将当前模型确定为可用于在线预测的刀具性能预测模型;否则,调整相关系数阈值,返回步骤s2重新筛选关键工艺参数并重新建模,直至满足预设条件或达到最大迭代次数;

12、s5、刀具性能在线预测与模型动态更新;

13、实时采集冷轧精整剪切生产过程中关键工艺参数的当前值,代入刀具性能预测模型的数学表达式,输出当前刀具性能指标的预测值,并基于预测结果输出分级式刀具状态提示信息;同时基于生产过程中的实测数据,触发模型的滚动式动态更新。

14、在步骤s1中,所述冷轧精整剪切刀具的工艺参数包括剪切吨位、剪切间隙、剪切速度、带钢厚度、带钢宽度、带钢材料硬度、刀具累计剪切次数、刀具初始刃口半径、刀具表面硬度、刀具涂层厚度中的至少五项;所述性能指标包括刀具磨损量、刀具刃口钝圆半径变化量、刀具剩余寿命中的至少一项,配对样本组数为大于等于30的正整数;所述训练集样本占比为样本采集总数的70%~80%。

15、在步骤s2中,皮尔逊相关系数的计算与显著性检验过程如下:

16、s21:计算训练集内第j项工艺参数的样本均值和目标性能指标的样本均值,计算公式为:

17、;

18、式中:

19、为训练集样本数量;

20、为训练集中第组样本的第项工艺参数实测值;

21、为训练集中第组样本的目标性能指标实测值;

22、s22:计算训练集内第项工艺参数与目标性能指标之间的协方差,计算公式为:

23、

24、式中采用自由度修正的无偏协方差计算方式,避免小样本下的协方差估计偏差,与后续标准差计算的自由度保持一致;

25、s23:分别计算训练集内第j项工艺参数的标准差和目标性能指标的标准差,计算公式为:

26、;

27、式中采用自由度修正的无偏标准差计算方式,确保相关系数计算的无偏性,消除小样本带来的统计偏差;

28、s24:计算皮尔逊相关系数,计算公式为:

29、;

30、式中:的取值范围为[-1,1],正值表示正相关,负值表示负相关,绝对值越接近1表示线性相关性越强;

31、s25:对皮尔逊相关系数进行显著性检验,计算公式为:

32、;

33、式中:统计量服从自由度为的分布;设定显著性水平,当计算得到的时,判定第项工艺参数与目标性能指标的线性相关性显著;其中为自由度、双侧显著性水平α对应的分布临界值;

34、s26:对全部个工艺参数重复步骤s21至s25,获得相关系数序列与对应的显著性检验结果;将同时满足且通过显著性检验的工艺参数,按相关系数绝对值从大到小排序后,确定为所述关键工艺参数。

35、所述相关系数阈值的初始值取值范围为;所述相关系数阈值的下限为0.3;当步骤s4中模型验证不满足预设条件时,以预设步长逐步降低所述相关系数阈值以引入更多通过显著性检验的关键工艺参数;所述预设步长采用自适应调整方式:初始迭代阶段采用步长0.05,当预测精度评价指标与预设条件的差值小于10%时,切换为步长0.02,兼顾迭代效率与优化精度。

36、步骤s3中多元线性回归模型的建立与优化过程如下:

37、s31:构建包含n个关键工艺参数和组训练样本的数据矩阵x与目标向量y,其中:

38、;

39、式中:

40、矩阵x为维矩阵,第1列全部为1,对应于所述截距项;

41、表示训练集中第组样本中第k个关键工艺参数的取值,,;

42、y为维目标向量,元素为训练集样本的目标性能指标实测值;

43、s32:采用最小二乘法求解回归系数向量,计算公式为:

44、;

45、式中:为矩阵x的转置矩阵,为矩阵的逆矩阵;求解前需验证为满秩矩阵,确保回归系数有唯一解;

46、s33:对求解得到的偏回归系数进行显著性t检验,计算公式为:

47、;

48、式中:为偏回归系数的标准误,由矩阵的第k个对角线元素与模型残差均方的乘积开平方得到;

49、设定显著性水平,当时,判定第k个关键工艺参数的偏回归系数显著;剔除未通过显著性检验的参数,重新求解回归系数,确保模型中所有自变量均对目标性能指标有显著解释性;

50、s34:对关键工艺参数进行多重共线性检验,采用方差膨胀因子vif作为评价指标,计算公式为:

51、;

52、式中:为以第k个关键工艺参数为因变量、其余n-1个关键工艺参数为自变量构建的线性回归模型的决定系数;当时,判定该参数无严重多重共线性;若存在的参数,剔除相关系数绝对值最小的参数,重新执行s31至s33,消除多重共线性对模型稳定性的影响;

53、s35:构建最终优化后的多元线性回归模型的数学表达式为:

54、;

55、式中:为目标性能指标的预测值,为经过显著性检验与共线性检验后的n个关键工艺参数的取值,为s32至s34优化后求得的回归系数。

56、步骤s35中,根据多元线性回归模型拟合优度评价指标,所述优度评价指标包括决定系数与调整决定系数,计算公式分别为:

57、;

58、;

59、式中:

60、为将第组训练样本的关键工艺参数代入s35的数学表达式后得到的目标性能指标预测值;

61、为步骤s21中计算的训练集目标性能指标的样本均值;

62、所述决定系数的取值范围为0到1,数值越接近1表示模型对训练集数据的拟合程度越高;所述调整决定系数的取值范围为0到1,数值越接近1表示模型的实际拟合能力越强。

63、所述调整决定系数作为所述步骤s4中模型验证的核心拟合优度评价指标,同时补充模型整体显著性f检验结果作为辅助校验指标;

64、所述模型整体显著性f检验的计算公式为:

65、;

66、式中:

67、f统计量服从自由度为的f分布;设定显著性水平,当时,判定模型整体线性关系显著;当所述调整决定系数小于预设决定系数阈值,或模型f检验未通过时,无论所述s4中的预测精度评价指标是否满足预设条件,均触发模型重建流程;所述模型重建流程包括:调整所述相关系数阈值后重新执行s2至s3。

68、步骤s4中模型验证的具体过程如下:

69、s41:对验证集中的每一组样本,将其关键工艺参数代入所述s3构建的多元线性回归模型的数学表达式中,计算得到对应的预测性能指标值;

70、s42:计算验证集的预测精度评价指标,包括平均绝对误差mae、均方根误差rmse、平均绝对百分比误差mape、纳什效率系数nse,其计算公式分别为:

71、

;

72、;

73、

;

74、;

75、式中:

76、为验证集样本数量;

77、为验证集中第组样本的预测性能指标值;

78、为验证集中第组样本的实测性能指标值;

79、为验证集目标性能指标实测值的均值;

80、其中,mae反映预测值与实测值的绝对误差水平,rmse对大误差样本更敏感,mape反映相对误差水平,nse评价模型对实测数据变化趋势的拟合能力,取值范围为(-∞,1],越接近1表示模型预测性能越好;

81、s43:判断预测精度评价指标是否满足预设精度条件;所述预设精度条件为:平均绝对百分比误差mape≤15%,或mae与验证集实测值均值的比值≤0.15,或rmse与验证集实测值均值的比值≤0.2,或纳什效率系数nse≥0.75;满足上述任意一项且拟合优度指标符合要求时,判定模型通过验证;

82、当模型验证不满足预设条件时,执行以下自适应迭代优化流程:

83、s431:校验当前相关系数阈值是否大于下限值0.3,且关键工艺参数个数n是否小于工艺参数总个数j,若均不满足,终止迭代并输出模型优化失败提示;若满足,执行下一步;

84、s432:按照自适应步长,更新相关系数阈值,

85、其中:为当前迭代步长;

86、s433:基于更新后的相关系数阈值,重新执行s2进行关键工艺参数筛选,获得更新后的关键工艺参数集,确保入选参数同时满足阈值要求与显著性检验要求;

87、s434:基于更新后的关键工艺参数集,重新执行s3建立并优化多元线性回归模型,完成回归系数求解、显著性检验与多重共线性检验;

88、s435:对更新后的模型重新执行s41至s43进行验证;重复s431至s435,直至模型通过验证、或迭代次数达到预设最大迭代次数、或相关系数阈值降至下限值。

89、步骤s5中应用所述刀具性能预测模型进行在线预测的过程如下:

90、s51:通过安装在冷轧精整剪切产线上的压力传感器、位移传感器、编码器、硬度检测仪、plc控制系统,实时采集当前生产条件下所述n个关键工艺参数的实时值;

91、s52:对采集到的实时工艺参数进行预处理,包括基于准则的异常值剔除与min-max归一化处理,消除数据噪声与量纲差异对预测结果的影响;

92、s53:将预处理后的n个关键工艺参数实时值代入所述s35建立的多元线性回归模型数学表达式:

93、;

94、计算得到当前时刻刀具性能指标的预测值;

95、s54:根据所述预测值所在的数值区间,输出分级式刀具状态提示信息:

96、当目标性能指标为刀具磨损量或刃口钝圆半径变化量时:若其预测值小于预设阈值的60%,输出刀具状态正常;若预测值处于预设阈值的60%-80%,输出刀具轻微磨损,注意监测;若预测值处于预设阈值的80%-100%,输出刀具严重磨损,准备更换;若预测值达到或超过预设阈值,输出刀具已达磨损极限,立即更换的紧急预警信息;

97、当目标性能指标为刀具剩余寿命时:若预测值大于预设阈值的200%,输出刀具状态正常;若预测值处于预设阈值的100%-200%,输出刀具剩余寿命充足,正常使用;若预测值处于预设阈值的50%-100%,输出刀具剩余寿命不足,制定更换计划;若预测值低于预设阈值,输出刀具已达使用寿命,立即更换的紧急预警信息;

98、s55:将实时采集的工艺参数、预测性能指标值、后续实测的刀具性能指标值进行配对存储,形成新增样本,为模型动态更新提供数据支撑。

99、步骤s5中的模型动态更新机制,具体过程如下:

100、s56:设置两种模型更新触发条件,满足任意一项即触发更新:

101、周期更新触发:在每次刀具更换后,将本次刀具使用周期内累积的全部配对新增样本补充至原始样本集中,形成扩充样本集;当扩充样本集的新增样本数量达到原始样本集样本数量的20%~50%时,触发全量更新;

102、应急更新触发:当连续10组生产样本的预测相对误差超过20%时,判定模型出现工况漂移,立即触发增量更新;

103、s57:针对不同触发条件执行对应的更新方式:

104、全量更新:基于扩充样本集,重新执行s1至s4,完成数据集重新划分、关键工艺参数重新筛选、模型重新构建与验证,获得更新后的刀具性能预测模型;

105、增量更新:基于新增样本,采用加权最小二乘法对现有模型的回归系数进行增量修正,权重系数与新增样本的采集时间正相关,越新的样本权重越高,计算公式为:

106、;

107、式中:

108、为当前模型的回归系数向量;

109、为增量更新后的回归系数向量;

110、、为新增样本的数据矩阵与目标向量;

111、为原始训练集的数据矩阵;

112、w为对角权重矩阵,对角线元素为对应新增样本的权重值;

113、s58:对更新后的模型进行回溯验证,采用历史验证集样本检验更新后模型的预测精度,确保精度不低于原模型;

114、s59:用通过回溯验证的更新后的刀具性能预测模型替换当前在线运行的模型,完成模型的滚动更新,同时将更新后的模型参数与验证结果存档。

115、有益效果:

116、1、本发明通过对冷轧精整剪切工序的工况特点与刀具失效特性进行专属设计,构建了从样本采集、关键参数筛选、模型构建优化、模型验证迭代到在线预测与动态更新的全流程完整技术闭环,实现了冷轧精整剪切刀具性能的精准、稳定预测,可有效适配冷轧现场带钢规格切换、工艺参数调整等多变的生产工况,解决了现有技术针对性不足、工况适配性差的问题。

117、2、本发明采用基于训练集样本的皮尔逊相关系数结合统计显著性检验的关键工艺参数筛选方式,从根源上避免了全量样本筛选造成的数据泄露问题,同时有效剔除了与刀具性能弱相关、假相关的工艺参数,既保障了筛选出的关键参数与刀具性能的强线性相关性,又简化了模型输入维度,大幅提升了模型的泛化能力与现场应用的预测稳定性。

118、3、本发明采用多元线性回归模型替代复杂的黑箱深度学习模型,同时结合回归系数显著性检验与多重共线性检验完成模型优化,最终得到的模型结构简单,回归参数具备明确的物理意义,现场工艺人员可直观理解各工艺参数对刀具性能的影响规律,便于现场调试、维护与工艺优化;同时模型计算量小,对硬件算力要求低,可直接部署于工业现场常规的plc、边缘计算设备中,实现刀具性能的实时在线预测,大幅降低了技术的工程化落地门槛。

119、4、本发明设计了拟合优度与预测精度双重校验的模型验证机制,配套自适应迭代优化流程,可在模型精度不达标时,自动调整特征筛选阈值完成关键参数重选与模型重构优化,从训练拟合效果与实际预测能力两个维度保障了模型的可靠性,解决了现有技术模型验证不严谨、实际应用精度不达标的问题。

120、5、本发明设置了双触发模式的模型动态更新机制,可根据生产过程中积累的实际运行数据,完成模型的滚动式更新优化,使模型能够自适应产线设备状态、工况条件的长期变化,持续保持稳定的预测精度,解决了现有技术模型长期运行后精度衰减、无法适配工况漂移的问题。

121、6、本发明通过分级式的刀具状态提示与预警机制,可直观为现场生产人员提供刀具运维指导,便于提前制定刀具更换计划,有效避免非计划停机事故,同时减少因刀具过度磨损导致的带钢剪切质量缺陷,显著提升冷轧精整工序的生产效率与产品合格率,降低产线运维与生产成本。

122、上述说明仅是本发明技术方案的概述,为了能够更清楚的了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。