高速线材力学性能预测及其模型训练的方法和装置与流程

本技术涉及高速线材质量管控，尤其涉及一种高速线材力学性能预测及其模型训练的方法和装置。

背景技术：

1、在高速线材力学性能预测领域，现有技术主要分为两类：一类依赖传统人工拉伸试验，测试过程繁琐，效率较低，难以满足大规模、快节奏的检测需求；另一类依赖传热学方程或热流密度数值模拟计算线材温度场进而预测性能，该类方法计算繁琐、对边界条件敏感且存在误差累积，中间计算步骤易受工艺微小波动影响导致预测偏差；此外，由于高速线材化学成分与生产工艺多样，直接将生产过程全量数据输入模型容易引入非关键冷却阶段的噪声信号，降低预测准确度。因此，现有技术难以兼顾高速线材力学性能的预测效率与预测准确度。

技术实现思路

1、本技术的目的在于提供一种兼顾预测效率与预测准确度的高速线材力学性能预测及其模型训练的方法和装置。

2、为实现上述目的，本技术一实施方式提供一种高速线材力学性能预测方法，包括：

3、获取待预测高速线材的炼钢化学成分、生产工艺参数以及风冷线各风机的控制参数；

4、根据所述炼钢化学成分确定所述待预测高速线材的冷却相变温度区间，并根据所述冷却相变温度区间与所述风冷线上风机位置的对应关系，筛选出与所述冷却相变温度区间相匹配的目标风机组，提取所述目标风机组的控制参数作为相变区冷却特征；

5、利用基于冶金强化机制预设的元素交互算子对所述炼钢化学成分进行计算，生成衍生强化特征；

6、将包含所述相变区冷却特征、所述衍生强化特征、所述炼钢化学成分中的预设基础元素特征以及所述生产工艺参数的预测特征集输入至性能预测模型中，输出所述待预测高速线材的力学性能预测值；其中，所述性能预测模型基于历史数据训练得到。

7、作为本技术的进一步改进，所述根据所述炼钢化学成分确定所述待预测高速线材的冷却相变温度区间，包括：

8、根据所述炼钢化学成分计算所述待预测高速线材的相变开始温度与相变结束温度；

9、根据所述相变开始温度与所述相变结束温度，确定所述待预测高速线材的珠光体相变区间或铁素体析出区间，并将确定的区间作为所述冷却相变温度区间。

10、作为本技术的进一步改进，所述相变开始温度为平衡态加热相变开始温度ac1，所述相变结束温度为贝氏体相变开始温度bs；

11、所述平衡态加热相变开始温度与所述贝氏体相变开始温度bs基于所述炼钢化学成分中各元素的质量百分含量，通过预设的多元拟合函数计算得到。

12、作为本技术的进一步改进，所述多元拟合函数的计算公式包括：

13、ac1=224.4+992.4c-465.1c2+7.6mn+16.7si-6.9ni+3.7c×ni-2.7cr×ni+0.8ni2+46.7cr+19c×cr-6.1cr2+10mo-6.8cr×mo；

14、bs=656-57.7c-35mn-20si-15.3ni-34cr-41.2mo；

15、式中，c、si、mn、cr、ni、mo分别表示对应化学元素在所述炼钢化学成分中的质量百分含量。

16、作为本技术的进一步改进，所述根据所述冷却相变温度区间与所述风冷线上风机位置的对应关系，筛选出与所述冷却相变温度区间相匹配的目标风机组，提取所述目标风机组的控制参数作为相变区冷却特征，包括：

17、获取所述风冷线上各风机位置对应的线材温度范围；

18、将所述冷却相变温度区间与各风机对应的所述线材温度范围进行匹配，确定与所述冷却相变温度区间相匹配的若干个目标风机，以构成所述目标风机组；

19、将所述目标风机组中各目标风机的标识信息与其对应的档位参数或风量参数进行组合，生成所述相变区冷却特征。

20、作为本技术的进一步改进，所述利用基于冶金强化机制预设的元素交互算子对所述炼钢化学成分进行计算，生成衍生强化特征，包括：

21、利用固溶强化算子计算固溶强化特征s1，计算公式为：s1=∑(yi×ci)；

22、利用析出强化算子计算析出强化特征s2，计算公式为：s2=k1×v+k2×mo+k3×nb+k4×ti；

23、将所述固溶强化特征s1与所述析出强化特征s2组合构成所述衍生强化特征；

24、其中，ci表示第i种固溶元素的质量百分含量，yi表示对应固溶元素对固溶强化的权重系数；v、mo、nb、ti分别表示微合金元素钒、钼、铌、钛的质量百分含量，k1至k4表示对应微合金元素对析出强化的修正系数。

25、作为本技术的进一步改进，所述固溶元素ci选自碳、硅、锰、铬、镍、铜、钼、钒、钛、铌中的若干种，与所述固溶元素碳、硅、锰、铬、镍、铜、钼、钒、钛、铌对应的权重系数yi分别为4570、3750、37、83、470、-30、2.9、80、80、11；所述修正系数k1至k4的取值范围为0.8至1.5。

26、作为本技术的进一步改进，所述历史数据为采集自盘条预设取样位置的力学性能检测数据；

27、所述预设取样位置为盘条在风冷辊道上处于中间冷却区且位置对称的固定区域，具体为从盘条正下方底部开始，以盘条横截面的时钟方位计，向6点至9点方向或6点至3点方向的连续取样区域；

28、输出的所述力学性能预测值对应于所述待预测高速线材在所述预设取样位置的力学性能。

29、作为本技术的进一步改进，所述性能预测模型为梯度提升决策树模型；

30、所述梯度提升决策树模型的模型超参数，为预先通过遗传算法寻优确定的固定超参数。

31、作为本技术的进一步改进，所述生产工艺参数包括：

32、与所述待预测高速线材对应的钢坯在加热炉内的预热段温度、一段加热段温度、二段加热段温度、均热段温度，以及所述预热段、所述一段加热段、所述二段加热段和所述均热段的在炉时间；

33、所述待预测高速线材的粗轧温度、精轧温度和吐丝温度；

34、生产环境温度。

35、为实现上述目的之一，本技术一实施例提供了一种高速线材力学性能预测模型的训练方法，包括：

36、获取历史数据，其中，所述历史数据包括历史炼钢化学成分、历史生产工艺参数、风冷线各风机的历史控制参数，以及历史高速线材在预设取样位置的力学性能实测值；

37、根据所述历史炼钢化学成分确定所述历史高速线材的冷却相变温度区间，并根据所述冷却相变温度区间与所述风冷线上风机位置的对应关系，筛选出与所述冷却相变温度区间相匹配的目标风机组，提取所述目标风机组的历史控制参数作为相变区冷却特征；

38、利用基于冶金强化机制预设的元素交互算子对所述历史炼钢化学成分进行计算，生成衍生强化特征；

39、将包含所述相变区冷却特征、所述衍生强化特征、所述历史炼钢化学成分中的预设基础元素特征以及所述历史生产工艺参数的训练特征集，与对应的所述力学性能实测值输入至待训练预测模型中；

40、采用超参数优化算法，以最小化所述待训练预测模型的输出预测值与所述力学性能实测值之间的误差为目标，迭代寻优确定所述待训练预测模型的超参数，训练得到所述高速线材力学性能预测模型。

41、作为本技术的进一步改进，所述根据所述冷却相变温度区间与所述风冷线上风机位置的对应关系，筛选出与所述冷却相变温度区间相匹配的目标风机组，提取所述目标风机组的历史控制参数作为相变区冷却特征，包括：

42、获取所述风冷线上各风机位置对应的线材温度范围；

43、将所述冷却相变温度区间与各风机对应的所述线材温度范围进行匹配，确定与所述冷却相变温度区间相匹配的若干个目标风机，以构成所述目标风机组；

44、将所述目标风机组中各目标风机的标识信息与其对应的档位参数或风量参数进行组合，生成所述相变区冷却特征。

45、作为本技术的进一步改进，所述利用基于冶金强化机制预设的元素交互算子对所述历史炼钢化学成分进行计算，生成衍生强化特征，包括：

46、利用固溶强化算子计算固溶强化特征s1，计算公式为：s1=∑(yi×ci)；

47、利用析出强化算子计算析出强化特征s2，计算公式为：s2=k1×v+k2×mo+k3×nb+k4×ti；

48、将所述固溶强化特征s1与所述析出强化特征s2组合构成所述衍生强化特征；

49、其中，ci表示第i种固溶元素的质量百分含量，yi表示对应固溶元素对固溶强化的权重系数；v、mo、nb、ti分别表示微合金元素钒、钼、铌、钛的质量百分含量，k1至k4表示对应微合金元素对析出强化的修正系数。

50、作为本技术的进一步改进，所述待训练预测模型为梯度提升决策树模型，所述超参数优化算法为遗传算法，所述误差为均方误差；

51、所述遗传算法对所述梯度提升决策树模型进行超参数寻优时的搜索空间包括：决策树数量150至400、最大树深度5至10、学习率0.01至0.2、子采样比例0.2至1、特征采样比例0.4至1、叶子节点数50至150、叶子最小样本数5至100、l1正则化系数0.00001至3、节点分裂最小增益0至0.5以及子节点最小权重和0至6；

52、所述遗传算法的演化控制参数为：种群规模20至40、遗传代数50至70、交叉概率0.5至0.7、变异概率0.01至0.2。

53、作为本技术的进一步改进，所述遗传算法在超参数迭代寻优过程中的适应度函数基于所述待训练预测模型的预测均方误差构建；

54、所述遗传算法以最小化所述预测均方误差作为评价依据，执行种群个体的选择与演化。

55、作为本技术的进一步改进，在得到所述高速线材力学性能预测模型之后，还包括对所述高速线材力学性能预测模型进行验证与迭代训练的如下步骤：

56、获取历史高速线材的验证样本，并将所述验证样本输入至所述高速线材力学性能预测模型中，计算输出的力学性能预测值与对应的力学性能实测值之间的相对误差；

57、统计所述相对误差小于或等于预设误差阈值的样本数量，并将所述样本数量与所述验证样本的总数量的比值确定为样本命中率；

58、判断所述样本命中率是否达到预设命中率阈值；

59、若所述样本命中率未达到所述预设命中率阈值，则调整所述待训练预测模型的超参数，返回重新对所述待训练预测模型进行训练；

60、若所述样本命中率达到所述预设命中率阈值，则将所述高速线材力学性能预测模型确定为最终训练完成的模型。

61、为实现上述目的之一，本技术一实施例提供了一种高速线材力学性能预测装置，包括：

62、数据获取模块，用于获取待预测高速线材的炼钢化学成分、生产工艺参数以及风冷线各风机的控制参数；

63、相变区冷却特征提取模块，用于根据所述炼钢化学成分确定所述待预测高速线材的冷却相变温度区间，并根据所述冷却相变温度区间与所述风冷线上风机位置的对应关系，筛选出与所述冷却相变温度区间相匹配的目标风机组，提取所述目标风机组的控制参数作为相变区冷却特征；

64、衍生强化特征生成模块，用于利用基于冶金强化机制预设的元素交互算子对所述炼钢化学成分进行计算，生成衍生强化特征；

65、力学性能预测模块，用于将包含所述相变区冷却特征、所述衍生强化特征、所述炼钢化学成分中的预设基础元素特征以及所述生产工艺参数的预测特征集输入至性能预测模型中，输出所述待预测高速线材的力学性能预测值；其中，所述性能预测模型基于历史数据训练得到。

66、为实现上述目的之一，本技术一实施例提供了一种电子设备，包括：

67、存储模块，存储计算机程序；

68、处理模块，执行所述计算机程序时可实现上述的高速线材力学性能预测方法，或实现上述的高速线材力学性能预测模型的训练方法的步骤。

69、与常用技术相比，本技术具有以下有益效果：该高速线材力学性能预测方法通过炼钢化学成分确定冷却相变温度区间，并匹配筛选目标风机组，提取相变区冷却特征，避免了计算复杂度高的温度场数值模拟，且排除了非相变区风机参数的干扰，同时利用基于冶金强化机制的元素交互算子生成衍生强化特征，将复杂的元素强化作用直接转化为明确的特征数值，降低了模型的拟合难度。将相变区冷却特征、衍生强化特征、基础元素特征与生产工艺参数组合构成预测特征集输入模型，直接输出力学性能预测值。该方法免去了人工拉伸试验，减少了工艺波动带来的预测偏差，兼顾了高速线材力学性能预测的效率与准确度。