一种集装箱卷板的力学性能预测方法与流程

1.本发明涉及钢铁材料性能检测技术领域，特别涉及一种集装箱卷板的力学性能预测方法。


背景技术：

2.近年来，随着国内外铁路运输和集装箱物流产业的蓬勃发展，用户企业对优质集装箱卷板的需求越来越大，从而对集装箱卷板的强度、韧性、耐腐蚀性及其优良综合性能的要求越来越高。长期以来，耐候钢的性能预测及其热轧工艺优化主要通过实物试验来探索确定，这必将耗费大量的人力、物力和时间，且在各个控制环节存在的人为因素，将较大地影响到耐候钢性能预测及其热轧工艺优化的精度。


技术实现要素：

3.针对现有技术存在的问题及技术要求，本发明的目的是提供了一种集装箱卷板的力学性能预测方法，通过改进型bp神经网络模型建立力学性能预测模型，对集装箱卷板的七个钢种力学性能进行预测，输出预测值。预测模型模型可自监测、自更新，当预测精度不满足要求时，预测模型进行自动更新。
4.为了达到上述目的，本发明采用以下技术方案实现：
5.一种集装箱卷板的力学性能预测方法，包括以下步骤：
6.(s1)数据采集模块抽取数据，并保存至目标关系型数据库；
7.(s2)通过星型模型，确定抽取的数据与工艺参数、成分参数表间关系；
8.(s3)对力学性能指标与工艺参数、成分参数进行相关性分析，其中性能指标包括：抗拉强度、屈服强度、延伸率；
9.(s4)确定抗拉强度、屈服强度、延伸率的影响因子，确认各影响因子的最大值、最小值、指标的最大值、最小值，抽取80％的样本数据，进行归一化处理，得到训练样本数据；
10.(s5)选取隐藏层数、隐藏神经元数构建改进型bp神经网络模型；
11.(s6)选取学习参数，包括动量因子、学习率、训练次数、初始的权值与阈值、激活函数、误差函数、学习算法；
12.(s7)对改进型bp神经网络模型进行学习训练，得到预测模型；
13.(s8)通过20％测试样本数据对改进型bp神经网络模型进行测试，并对预测模型进行准确性评估，其中准确性最优的预测模型为最终选定预测模型，并进行定期更新；
14.(s9)抽取在线生产的集装箱卷板的七个钢种的相关工艺参数、成分参数通过最终选定预测模型，进行在线力学性能预测，输出性能指标预测值，并存入关系型数据库。
15.所述的步骤(s1)中，抽取数据来自于炼钢mes、erp系统、热轧工程数据、性能检验过程数据。
16.所述的步骤(s4)中，改进型bp神经网络模型采用磷含量、钛含量、碳含量、铬含量、硅含量、硫含量、硫化砷、卷曲温度、终轧温度作为改进型bp神经网络模型的输入变量，将抗
拉强度、屈服强度和延伸率作为改进型bp神经网络模型的输出变量，采用log-sigmoid作为激活函数。
17.所述的步骤(s6)中，动量因子为0.85、学习率为0.85、初始的权值与阈值范围为-0.2～0.2。
18.所述的步骤(s8)中，最终选定预测模型的自动更新，是搭建力学性能预测的系统定期进行自诊断，检测最终选定预测模型精度，当不满足设定精度时，启动报警提示并启动更新最终选定预测模型；更新最终选定预测模型时，根据非正常工况时的工艺参数、成分参数特点，跳过非正常工况时间段，进行更新最终选定预测模型，重复步骤(s1)～(s8)，得到新的最终选定预测模型，同时提示更新最终选定预测模型完成。
19.与现有技术相比，本发明的有益效果是：
20.本发明一种集装箱卷板的力学性能预测方法，通过改进型bp神经网络模型建立预测模型，使得集装箱卷板的抗拉强度、屈服强度、延伸率的预测精度达到97.84％、96.79％、92.06％，从而代替了传统的人工检查方式，更加便捷、准确的预测集装箱卷板的力学性能，同时通过预测值对工艺参数、成分参数进行优化，降低了设计过程中的盲目性，节省了时间、成本。
21.上述说明仅是本发明技术方案的概述，为了能够更清楚地了解本发明的技术手段，从而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下列举本发明的具体实施方法。
22.根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述及其他目的、特征和优点，但不作为对本发明的限定。
附图说明
23.图1为本发明的力学性能预测模型结构图；
24.图2为本发明的抗拉强度相关性分析图；
25.图3为本发明的屈服强度相关性分析图；
26.图4为本发明的延伸率相关性分析图；
27.图5为本发明的抗拉强度预测模型误差函数收敛过程图；
28.图6为本发明的屈服强度预测模型误差函数收敛过程图；
29.图7为本发明的延伸率预测模型误差函数收敛过程图；
30.图8为本发明的抗拉强度预测值与实际值的散点图；
31.图9为本发明的屈服强度预测值与实际值的散点图；
32.图10为本发明的延伸率预测值与实际值的散点图。
具体实施方式
33.为了便于理解本发明，下面将对本发明进行更全面的描述。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
34.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具
体的实施例的目的，不是旨在于限制本发明。
35.以下结合附图对本发明提供的具体实施方式进行详细说明。
36.如图1所示，一种集装箱卷板的力学性能预测方法的力学性能预测模型结构图，包括以下步骤：
37.(s1)数据采集模块抽取数据，并保存至目标关系型数据库；
38.(s2)通过星型模型，确定抽取的数据与工艺参数、成分参数表间关系；
39.(s3)如图2-4所示，一种集装箱卷板的力学性能预测方法的抗拉强度、屈服强度、延伸率相关性分析图，对力学性能指标与工艺参数、成分参数进行相关性分析，其中性能指标包括：抗拉强度、屈服强度、延伸率；
40.(s4)确定抗拉强度、屈服强度、延伸率的影响因子，确认各影响因子的最大值、最小值、指标的最大值、最小值，抽取80％的样本数据，进行归一化处理，得到训练样本数据；
41.(s5)选取隐藏层数、隐藏神经元数构建改进型bp神经网络模型；
42.(s6)选取学习参数，包括动量因子、学习率、训练次数、初始的权值与阈值、激活函数、误差函数、学习算法；
43.其中，如图5-7所示，一种集装箱卷板的力学性能预测方法的抗拉强度、屈服强度、延伸率误差函数收敛过程图，通过调整动量因子，加速抗拉强度、屈服强度、延伸率误差函数的收敛过程；
44.(s7)对改进型bp神经网络模型进行学习训练，得到预测模型；
45.(s8)通过20％测试样本数据对改进型bp神经网络模型进行测试，并对预测模型进行准确性评估，其中准确性最优的预测模型为最终选定预测模型，并进行定期更新；
46.(s9)通过最终选定预测模型抽取在线生产的集装箱卷板的七个钢种的相关工艺参数、成分参数进行在线力学性能预测，输出预测值，并存入关系型数据库。
47.如图8-10所示，一种集装箱卷板的力学性能预测方法的抗拉强度、屈服强度、延伸率预测值与实际值的散点图，预测值的偏差范围在-10％～10％内。
48.步骤(s1)中，抽取数据来自于炼钢mes、erp系统、热轧工程数据、性能检验过程数据。
49.步骤(s4)中，改进型bp神经网络模型采用磷含量、钛含量、碳含量、铬含量、硅含量、硫含量、硫化砷、卷曲温度、终轧温度作为改进型bp神经网络模型的输入变量，将抗拉强度、屈服强度和延伸率作为改进型bp神经网络模型的输出变量，采用log-sigmoid作为激活函数。
50.抗拉强度最佳的改进型bp神经网络结构包含：输入层神经元个数为9，隐藏层神经元个数为5，输出层神经元个数为1；屈服强度、延伸率最佳的改进型bp神经网络结构包含：输入层神经元个数为9，隐藏层神经元个数为4，输出层神经元个数为1。
51.步骤(s6)中，动量因子为0.85、学习率为0.85、初始的权值与阈值范围为-0.2～0.2。
52.步骤(s8)中，最终选定预测模型的自动更新，是搭建力学性能预测的系统定期进行自诊断，检测最终选定预测模型精度，当不满足设定精度时，启动报警提示并启动更新最终选定预测模型；更新最终选定预测模型时，根据非正常工况时的工艺参数、成分参数特点，跳过非正常工况时间段，进行更新最终选定预测模型，重复步骤(s1)～(s8)，得到新的
最终选定预测模型，同时提示更新最终选定预测模型完成。
53.以上所述实例的各技术特征可以进行任意组合，为使描述简洁，未对上述实例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
54.以上所述实例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和非实质性的改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。