线棒材力学性能预测方法及计算机可读存储介质与流程

1.本发明涉及线棒材生产技术领域，特别是涉及一种线棒材力学性能预测方法及计算机可读存储介质。


背景技术：

2.根据钢材化学成分、生产工艺参数等，准确预测力学性能，是钢铁领域一个重要的研究课题，以往的研究主要集中在热轧板带领域当中，目前，以工业大数据为基础建立钢铁组织性能预测和调控模型，实现了热轧板带力学性能在线预测。但在线棒材领域，由于其生产过程具有高温、动态以及瞬时的特性，其性能预测难度较大。
3.在线棒材生产中，采用实际取样检验，在生产结束后无法直接交付给用户，需要等待检验结果出来后才能实际交付，在对产品没有任何先验知识的情况下，需要对每一批产品进行相同规模的抽样，若要提高出厂合格率，则需要加大抽样规模，这种做法会大大降低检测效率。


技术实现要素：

4.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种线棒材力学性能预测方法及计算机可读存储介质，用于解决现有技术中线棒材检测效率低等问题。
5.为实现上述目的及其他相关目的，本发明提供一种线棒材力学性能预测方法，包括以下步骤：获取样本数据，所示样本数据包括线棒材的力学性能预测参数及相应的力学性能检验结果；对所述样本数据进行预处理，所述预处理包括多种预处理方式，根据各种预处理方式及各种预处理方式的组合，分别得到相应的训练数据集；根据所述样本数据，建立性能预测模型；采用各个训练数据集分别对所述性能预测模型进行训练并评估，获取最终模型；将预测对象的预测参数输入至所述最终模型，获取预测对象的力学性能预测结果。
6.可选地，预先设置多个预处理类别；获取一预处理类别下，各个实现所述预处理类别的预处理方式；将所述样本数据分别通过每种预处理方式进行处理，获取所述预处理类别下的训练数据子集；依次获取所有预处理类别下的训练数据子集，形成各个训练数据集。
7.可选地，将所有预处理类别分类为对样本数据必要使用的基础预处理方式和根据数据情况选择使用的可选预处理方式，所述基础预处理方式包括缺失值处理、异常样本过滤，所述可选预处理方式包括无量纲化、样本均衡、特征选择及特征降维。
8.可选地，所述缺失值处理包括删除法、均值填充法及随机插值填充法，异常样本过滤包括工艺规则阈值过滤法，无量纲化包括标准化和归一化，样本均衡采用过采样，特征选择包括方差选择法和相关系数法，特征降维包括性判别分析法及主成分分析法。
9.可选地，根据所述力学性能预测参数中的各个维度，分别建立多个力学性能预测模型，并分别进行训练及评估，获取最终模型。
10.可选地，所述性能预测参数的维度包括钢种规格、化学成分、加热炉参数及轧制过程参数。
11.可选地，采用精确度对所述训练后的性能预测模型进行评估，精确度最高的训练后的性能预测模型为最终模型。
12.可选地，采用模型命中率p进行精确度计算；所述模型命中率p可以为决定系数，
13.此时，
14.其中，y_actual为性能检测值，y_predict为性能预测值，y_mean为性能检测值均值；
15.或者，所述模型命中率p为：正确预测数/预测总数，
16.其中，对性能预测值及性能检测值分别进行合格/不合格判断，
17.若性能预测值及性能检测值的合格/不合格的判断结果相同，则计入正确预测数，反之则计入错误预测数；或者，若性能预测值与性能检测值之间的差值小于预设差值，则计入正确预测数，反之则计入错误预测数。
18.可选地，所述性能检验结果包括屈服强度、抗拉强度、延伸率、断后伸长率、强屈比、最大力总伸长率、超屈比。
19.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一项所述的线棒材力学性能预测方法。
20.如上所述，本发明的线棒材力学性能预测方法及计算机可读存储介质，具有以下有益效果：能够对样本数据进行预处理，根据预处理方法进行评估，提升预测结果的准确度，从而提高检化验效率。
附图说明
21.图1显示为本发明实施例线棒材力学性能预测方法的流程框图。
22.图2显示为本发明实施例中样本数据预处理的流程框图。
具体实施方式
23.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
24.需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
25.如图1所示，本实施例提供一种线棒材力学性能预测方法，包括以下步骤：
26.s1获取样本数据，所示样本数据包括线棒材的力学性能预测参数及相应的力学性能检验结果。
27.所述性能检验结果包括屈服强度、抗拉强度、延伸率、断后伸长率、强屈比、最大力总伸长率、超屈比。
28.s2对所述样本数据进行预处理，所述预处理包括多种预处理方式，根据各种预处理方式及各种预处理方式的组合，分别得到相应的训练数据集。
29.s3根据所述样本数据，建立性能预测模型，采用各个训练数据集分别对所述性能预测模型进行训练并评估，获取最终模型。
30.s4将预测对象的预测参数输入至所述最终模型，获取预测对象的力学性能预测结果。
31.步骤s2中，包括以下分步骤：
32.首先可以预先设置多个预处理类别。
33.然后获取其中一个预处理类别下，各个实现所述预处理类别的预处理方式。
34.最后将所述样本数据分别通过每种预处理方式进行处理，获取所述预处理类别下的训练数据子集。依次获取所有预处理类别下的训练数据子集，形成各个训练数据集。
35.具体的，所有预处理类别分类为对样本数据必要使用的基础预处理方式和根据数据情况选择使用的可选预处理方式，所述基础预处理方式包括缺失值处理、异常样本过滤，所述可选预处理方式包括无量纲化、样本均衡、特征选择及特征降维。
36.所述缺失值处理包括删除法、均值填充法及随机插值填充法，异常样本过滤包括工艺规则阈值过滤法，无量纲化包括标准化和归一化，样本均衡采用过采样，特征选择包括方差选择法和相关系数法，特征降维包括性判别分析法及主成分分析法。主成分分析法还包括改进的主成分分析法。
37.如图2所示，本实施例中，基础预处理方式包括缺失值处理以及异常样本过滤，可选预处理方式包括无量纲化、样本均衡、特征选择及特征降维等。
38.以下举例说明对样本数据进行预处理的过程：
39.(1)获取样本数据为原始数据00，采用删除法、均值填充以及随机插值填充分别对原始数据00进行缺失值处理，得到三组训练数据子集1
‑
1、1
‑
2及1
‑
3后，对性能预测模型分别进行训练并评估，选择出精度最高的性能预测模型所对应的训练数据集01。
40.(2)在训练数据集01的基础上进行异常样本过滤，得到训练数据集02；
41.(3)使用标准化和归一化分别对训练数据集02进行无量纲化处理，得到两组训练数据集2
‑
1及2
‑
2。将上述两组训练数据子集及训练数据集02分别对性能预测模型进行训练并评估，得到训练数据集03。
42.(4)对训练数据集03进行样本均衡处理得到训练数据子集4
‑
1，并与训练数据集03一起对性能预测模型进行训练并评估，得到训练数据集04。
43.(5)使用方差选择法和相关系数法对训练数据集04进行特征选择，得到训练数据子集5
‑
1及5
‑
2，重复上述模型评估操作，并与训练数据集04一起对性能预测模型进行训练并评估，得到训练数据集05。
44.(6)使用性判别分析法(lda)、主成分分析法(pca)以及改进的主成分分析法(改进
的pca)，对训练数据集05进行特征降维处理，得到训练数据子集6
‑
1、6
‑
2及6
‑
3，并与训练数据集05一起对性能预测模型进行训练并评估，得到训练数据集06。
45.采用训练数据集06对力学性能预测模型进行训练，得到最终模型。
46.力学性能预测参数中可以包含多个维度，在步骤s3中，根据所述力学性能预测参数中的各个维度，分别建立多个力学性能预测模型，并分别进行训练及评估，获取最终模型。
47.具体的，所述性能预测参数的维度包括钢种规格、化学成分、加热炉参数及轧制过程参数。化学成分信息包括例如al、als、as、b、c、ca、cr、cu、mn、mo、n、nb、ni、p、s、si、ti、v、ceq等线棒材的组成元素及其比例。
48.加热炉参数包括各段温度、时长等参数，例如入炉温度、预热段温度、加热段温度、均热段温度、出炉温度、加热时长、均热时长、在炉时长等。
49.轧制过程参数分为棒材和线材两个大的类别，根据具体产线的不同会有所区别，包括电流、延伸率、速度、温度等信息。
50.对于棒材，轧制过程参数主要包括分机架电流、分机架延伸率、分机架速度、飞剪温度、预精轧温度、上冷床温度、水箱流量、水箱温度。而对于线材，轧制过程参数主要包括分机架电流、分机架延伸率、分机架速度、机架温度、精轧入口温度、吐丝温度、集卷温度。
51.本实施例中，训练数据集包括两个维度，一个是对于不同的钢种，建立不同的训练数据集，另一个是采用不同的预处理及预处理组合方式，建立不同的训练数据集。
52.步骤s3中，采用精确度对所述训练后的性能预测模型进行评估，精确度最高的训练后的性能预测模型为最终模型。精确度可以采用模型命中率p进行计算。
53.具体的，模型命中率p可以为决定系数。
54.此时，
55.其中，y_actual为性能检测值，y_predict为性能预测值，y_mean为性能检测值均值。
56.或者，所述模型命中率p可以等于正确预测数/预测总数。
57.其中，对性能预测值及性能检测值分别进行合格/不合格判断，若性能预测值及性能检测值的合格/不合格判断结果相同，则为正确预测，反之则为错误预测。或者，若性能预测值与性能检测值之间的差值小于预设差值，则为正确预测，反之则为错误预测。
58.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一项所述的线棒材力学性能预测方法。
59.综上所述，本发明的线棒材力学性能预测方法及计算机可读存储介质，具有以下有益效果：能够对样本数据进行预处理，根据预处理方法进行评估，提升预测结果的准确度，从而提高检化验效率，同时也能以性能为目标对生产参数进行优化，实现棒线材产品的质量稳定生产。
60.上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。