本發(fā)明屬于冶金行業(yè)制造與信息化技術領域，特別是涉及基于熱軋鋼卷生產流程的在線實時預測機械性能的方法。

背景技術：

金屬材料在載荷作用下抵抗破壞的性能，稱為機械性能(或稱為力學性能)。金屬材料使用性能的好壞，決定了它的使用范圍與使用壽命，金屬材料的機械性能是零件的設計和選材時的主要依據，外加載荷性質不同(例如拉伸、壓縮、扭轉、沖擊、循環(huán)載荷等)，對金屬材料要求的機械性能也將不同。機械性能是金屬材料的常用指標的一個集合，其中主要包括屈服、抗拉強度、延伸率、晶粒度等真實反應了金屬材料的質量。

傳統(tǒng)的熱軋卷機械性能按照檢驗批進行取樣。同鋼種、同規(guī)格的熱軋卷生產后組成同一檢驗批，并產生取樣卷，對取樣卷進行人工檢測，檢驗出取樣卷的機械性能，由取樣卷性能代表同檢驗批內其他卷的性能。傳統(tǒng)的檢驗流程存在著如下弊端：

1.檢驗流程涉及開卷、取樣、送樣、檢驗、返回性能等多道流程，檢驗周期長；

2.需要消耗一定量的人力、物力及財力成本；

3.機械性能檢驗只是針對取樣卷局部檢驗，并未做整卷檢驗及全部卷檢測，使得檢驗結

果具有局部性；

4.性能檢驗結果沒有展示分析平臺；

5.余材浪費。

技術實現(xiàn)要素：

為了克服傳統(tǒng)機械性能檢驗過程中的弊端，本發(fā)明提供一種基于熱軋鋼卷生產流程的在線實時預測機械性能的方法。

經過多年生產改進，熱軋卷生產流程、工藝流程比較穩(wěn)定，在此基礎上熱軋卷性能也比較穩(wěn)定。質量管理人員也經過多年的經驗，發(fā)現(xiàn)某些影響機械性能的相關因子?；诖?，通過數(shù)據挖掘多元回歸分析方法，尋找這些相關因子之間的關聯(lián)關系，利用多年生產積累的海量相關因子數(shù)據，采用迭代思想不斷地推導、驗證，得出穩(wěn)定的多元回歸模型，將生產中熱軋卷的相關因子作為模型輸入參數(shù)，預測出熱軋卷的性能值，從而代替原有取樣、送樣、檢驗、返回性能等多道流程，縮短生產流程，降低檢驗成本?；跓彳堜摼砩a流程的在線實時預測機械性能的方法包括模型管理模塊、規(guī)則配置模塊、預測結果模塊、模型評估模塊。

所述的模型管理模塊包括回歸模型推導、模型錄入、模型的啟動以及產品工藝參數(shù)的優(yōu)化等功能。其中模型的推導采用對海量歷史真實的工藝參數(shù)數(shù)據進行分成抽樣，并進行回歸分析，推導出回歸模型以及R方、均值、殘差等統(tǒng)計參數(shù)；模型的錄入功能對復雜模型進行分析，得出其常數(shù)項、參數(shù)項、系數(shù)等，并根據其配置的鋼種一同錄入到系統(tǒng)中；模型的啟動功能提供對模型的查詢、啟動、停止、修改、刪除等功能，模型啟動后，系統(tǒng)實時線上對模型對應的鋼種進行機械性能的單值預測即整卷平均機械性能預測、曲線預測即整卷不同位置的機械性能預測，并上傳至生產系統(tǒng)；工藝參數(shù)優(yōu)化功能根據穩(wěn)定的模型及用戶所需的機械性能值，通過響應優(yōu)化技術得出最優(yōu)的工藝參數(shù)值。

所述的規(guī)則配置模塊包括規(guī)則的增、刪、改、查等功能。將模型配置上相應的規(guī)則，支持模型性能預測結果值根據規(guī)則進行自動調整。

所述預測結果模塊包括工藝參數(shù)展示、單值預測結果展示、曲線預測結果展示等功能。

所述模型評估模塊將預測結果與真實數(shù)據對比，得出殘差、R方等統(tǒng)計參數(shù)供崗位評估模型的可靠度。

基于熱軋鋼卷生產流程的在線實時預測機械性能的方法，具體步驟如下：

步驟一、模型的推導。不同鋼種的鋼卷在生產工藝流程和工藝參數(shù)數(shù)值中會有區(qū)別，因此在模型推到中需要按照不同鋼種或相近鋼種進行建模，此外，同一鋼種不同的機械性能對應的模型也會不同。首先明確將要建模的鋼種和機械性能，比如：確定對馬口鐵MR-T2、MR-T3、MR-T4、MR-T25鋼種的延伸率進行建模分析；然后選擇對機械性能可能有影響工藝參數(shù)，此環(huán)節(jié)可以融入分析人員經驗，不必過分限制工藝參數(shù)的個數(shù)，比如：在熟悉生產工藝流程后，本系統(tǒng)中選擇選擇鋼卷厚度、出爐溫度、卷取溫度、C、SI、MN、P、S、CU、ALT、CR、NI、MO、B、CA、SN、出爐溫度、中間坯溫度、精軋入口溫度、終軋溫度、卷取溫度、板坯厚度、中間坯厚度、中間坯溫度、F1—F7軋輥速度、季節(jié)；接下來進入樣本準備環(huán)節(jié)，為了提高樣本的代表性保持樣本結構和總體結構的一致性，本系統(tǒng)按照分層抽樣方法進行樣本準備，選擇兩年時間，查詢此時間范圍內的對應鋼種的卷數(shù)，按照實際生產量情況，此時間范圍可以調整，比如：選擇一年時間，按照C成分分層，每層的個數(shù)依據長期數(shù)據所占比例確定，選擇4800卷樣本，分層抽樣如：

確定樣本后，將工藝參數(shù)通過選擇多元回歸線性推導，系統(tǒng)顯示回歸公式、均方根誤差、R方、調整的R方、模型的F值、模型的P值及每個參數(shù)對應的系數(shù)標準差、T值、P值，并系統(tǒng)自動繪制出殘差的直方圖、殘差的正態(tài)圖、殘差正太顯著性統(tǒng)計量P值，殘差與擬合值的分布圖、殘差的分布圖，判斷是否符合線性模型，如果不符合則推導非線性模型。如：系統(tǒng)基于上述樣本得出的模型的P值小于0.05，且通過對殘差的正態(tài)圖、殘差正太顯著性統(tǒng)計量P值分析得出殘差符合正態(tài)分布，通過對殘差與擬合值的分布圖、殘差的分布圖分析得出殘差與擬合值的大小無關且在0值上下隨機波動，如果符合上述特點則可以采用線性回歸分析，否則采用非線性回歸分析，非線性回歸模型的評價統(tǒng)計量同線性模型。通過每個參數(shù)對應的P值分析參數(shù)的顯著性，如果P值小于0.05則認為是關鍵工藝參數(shù)，大于等于0.05則可考慮剔除，同時要求R方大于0.8，調整的R方與R方的差距在0.01范圍內，越接近越好，這樣反復推導，得出滿足上述要求的回歸模型。通過上述方法，系統(tǒng)得出的馬口鐵MR-T2、MR-T3、MR-T4、MR-T25鋼種的延伸率回歸模型為：50.849-2.984鋼卷厚度-0.023出爐溫度+0.004終軋溫度+0.018卷取溫度+0.023中間坯溫度-92.883C+113.240SI-8.072MN+137.669P-47.465ALT。此模型的R方為0.9064，調整的R方為0.9030，P值約為0，通過參數(shù)顯著性分析得出關鍵工藝參數(shù)為：鋼卷厚度、出爐溫度、終軋溫度、卷取溫度、中間坯溫度、C、SI、MN、P、S、ALT。

步驟二、模型的錄入。模型分為線性與非線性模型，即可用公式表達的一次或二次函數(shù)，考慮到分析人員有時會憑借經驗人為調整系數(shù)或常數(shù)項，支持線性和非線性模型的錄入。當確定某鋼種某機械性能的模型公式后，首先選擇鋼種、某一機械性能，然后將其對應的公式及錄入系統(tǒng)，系統(tǒng)自動分析模型的常數(shù)項、參數(shù)項、系數(shù)。

步驟三、模型的啟動。不同的分析人員對同一鋼種同一機械性推導的模型可能不同，因此系統(tǒng)支持針對同一鋼種同一機械性可錄入多個模型，當通過基于真實生產數(shù)據模型評估后，確定最優(yōu)模型，然后在此環(huán)節(jié)將最優(yōu)模型啟動，系統(tǒng)按照最優(yōu)模型實時線上將對應鋼種的鋼卷進行機械性能的單值及曲線預測，并將結果上傳至生產系統(tǒng)和在線判定系統(tǒng)；

步驟四、模型評估。模型在啟動之前需要對同一鋼種同一機械性能的所有模型進行評估，抽取最近生產的此鋼種的400卷數(shù)據進行統(tǒng)計分析，通過分析均方根誤差、殘差平方和、預測準確率進行對模型進行評估，準確率容忍下限為80％，其計算規(guī)則為：針對屈服強度，分子：|預測屈服強度值-真實屈服強度值|≤20的個數(shù)，分母：樣本個數(shù)，即400；針對抗拉強度，分子：|預測抗拉強度值-真實抗拉強度值|≤30的個數(shù)，分母：樣本個數(shù)，即400；針對延伸率，分子：|預測延伸率值-真實延伸率值|≤5，針對晶粒度，|預測晶粒度值-真實晶粒度值|≤1的個數(shù)，分母：樣本個數(shù)，即400，以評估模型的可靠度，確定最優(yōu)模型。對于已啟動的模型，使用一段時間后或者工藝設備進行調整后，需要對模型進行上述評估，發(fā)現(xiàn)準確率大幅度下降時需要返回步驟一，重新推導模型，形成閉環(huán)優(yōu)化模型，使模型滿足實際生產動態(tài)。

實現(xiàn)性能預測、判定全自動化，降低性能檢驗及人工成本，提高企業(yè)生產效率。

附圖說明：

下面結合附圖和實例對本發(fā)明進一步說明。

圖1是本發(fā)明的業(yè)務架構圖。

圖2是本發(fā)明的功能結構圖。

具體實施方式：

下面結合附圖對本發(fā)明的具體實施方式進行詳細的說明。

本發(fā)明提出一種基于熱軋鋼卷生產流程的在線實時預測機械性能的方法，結合實例詳細說明如下：

如圖1所示，系統(tǒng)對工藝參數(shù)進行分析,確定性能關鍵因子，并利用多元回歸方法分析，進行模型推導；然后根據模型以及生產工藝參數(shù)，對鋼卷性能進行實時預測，包括單值預測和整卷曲線預測；將配置的業(yè)務規(guī)則應用到模型中，使得性能預測結果可以根據規(guī)則進行調整；基于預測結果進行分析，將預測結果和真實值進行對比評估，計算評估指標，對于超出指標范圍的模型進行優(yōu)化或重新推導。

本發(fā)明解決其技術問題所采用的技術方案是：

為了便于對多鋼種多性能的分析，結合熱軋卷生產流程，在系統(tǒng)中構建了參數(shù)主數(shù)據，即分析的參數(shù)為：鋼卷厚度、C、SI、MN、P、S、ALT、V、NB、TI、CU、CR、NI、MO、B、CA、SN、出爐溫度、中間坯溫度、精軋入口溫度、終軋溫度、卷取溫度、板坯厚度、中間坯厚度、F1—F7軋輥速度、SH、WH、終軋溫度尾部4之5米均值、卷取溫度尾部4之5米均值、鋼卷厚度尾部4之5米均值。舉例：針對馬口鐵MR-T2、MR-T3、MR-T4、MR-T25鋼種的下屈服、抗拉強度、延伸率、晶粒度四種機械性能進行模型推導。

通過分析得出，同一鋼種不同機械性能的關鍵參數(shù)不同，模型也不同，模型均可用公式表達，得出屈服強度的關鍵工藝參數(shù)為鋼卷厚度、出爐溫度、卷取溫度、C、SI、MN、P、S、CU、ALT；抗拉強度的關鍵工藝參數(shù)為鋼卷厚度、C、SI、MN、P、S、ALT、NB、TI、CU、CR、NI、MO、SN、出爐溫度、中間坯溫度、終軋溫度、卷取溫度；延伸率的關鍵工藝參數(shù)為鋼卷厚度、出爐溫度、終軋溫度、卷取溫度、中間坯溫度、C、SI、MN、P、S、ALT；晶粒度的關鍵工藝參數(shù)為C、P、鋼卷厚度、終軋溫度、卷取溫度。

屈服強度模型為850.869-36.698*鋼卷厚度-0.0406*出爐溫度-0.807*卷取溫度+469.993*C+788.147*SI+56.609*MN-322.243*P-934.761*S-964.571*CU+821.819*ALT+20.533*(鋼卷厚度-2.268)*(鋼卷厚度-2.2680)-0.008*(卷取溫度-590.698)*(卷取溫度-590.698)-1.790*(鋼卷厚度-2.268)*(MN-0.366)

抗拉強度模型為24.321-3.4343*鋼卷厚度+4916.239*C+261.331*SI+63.318*MN+271.202*P+287.731*S-195.361*ALT+2726.706*NB+821.994*TI-1091.9*CU+2029.833*CR-3620.44*NI-3371.382*MO+4549.273*SN-0.04546*出爐溫度+0.01155*中間坯溫度+0.2085*終軋溫度+0.1083*卷取溫度-371643.717(S-0.006025)*(ALT-0.03187)-3438058.548(C-0.001491)*(TI-0.05092)+464980.291(ALT-0.0318659836065574)*(CU-0.005533)-1921488.457(C-0.001491)*(CR-0.01488)-1899332.901(TI-0.05092)*(MO-0.0009779)+2559112.886(NI-0.004363)*(SN-0.0004168)+120.553(NB-0.0012799)*(出爐溫度-1251.242)-25.593(ALT-0.03187)*(中間坯溫度-1063.121)

延伸率模型為50.849-2.984鋼卷厚度-0.023出爐溫度+0.004終軋溫度+0.018卷取溫度+0.023中間坯溫度-92.883C+113.240SI-8.072MN+137.669P-47.465ALT

晶粒度模型為54.747+18.285C+29.274P-0.697鋼卷厚度-0.027終軋溫度-0.034卷取溫度

按照公式書寫規(guī)范將模型錄入系統(tǒng)，如：(1)針對非線性公式：兩個括號項之間用*號；(2)變量與變量直接相乘用*號表示；(3)每一項的系數(shù)后無*號，直接寫變量或括號項。系統(tǒng)支持對歷史數(shù)據按照錄入的公式線上驗證，即選擇某一模型，選擇一段時間范圍，系統(tǒng)可自動按照此模型計算預測值，并計算出殘差，即真實值-預測值。同時可在模型評估模塊對模型進行評估擇優(yōu)，確定可用模型后將模型進行啟動，系統(tǒng)將實時按照啟動的模型對生產的鋼卷進行性能預測并存儲。預測值上傳三級系統(tǒng)，用于質保書使用，同時鋼卷不同位置的預測值上傳在線質量判定系統(tǒng)，對鋼卷進行判級處理。使用一段時間后或者工藝設備進行調整后，需要對模型進行上述評估，發(fā)現(xiàn)準確率大幅度下降時需要返回步模型推導模塊，重新推導模型，形成閉環(huán)優(yōu)化模型，從而實現(xiàn)對模型的優(yōu)化。