型材产品规格参数控制方法、装置、电子设备及介质与流程

1.本技术涉及型材轧制技术领域，特别是涉及一种型材产品规格参数控制方法、装置、电子设备及可读存储介质。


背景技术：

2.型材为金属如铁或钢以及具有一定强度和韧性的材料，通过轧制、挤出、铸造等工艺制成的具有一定几何形状的物体，如具有一定断面形状和尺寸的实心直条。当前在型材生产过程中，型材产品的规格参数控制如型钢断面规格尺寸控制主要依赖人工经验，这种方法一次调整合格率低，产品规格控制波动大，轧机负荷分配不均衡，方法适应性差，技术传承成本高。
3.鉴于此，如何解决依赖人工进行型材产品规格参数控制所存在的技术弊端，实现在线自动调整型材如钢轨断面规格尺寸，是所属领域技术人员需要解决的技术问题。


技术实现要素：

4.本技术提供了一种型材产品规格参数控制方法、装置、电子设备及可读存储介质，可实现在线自动控制并调整型材产品的规格参数。
5.为解决上述技术问题，本发明实施例提供以下技术方案：
6.本发明实施例一方面提供了一种型材产品规格参数控制方法，包括：
7.预先根据多组型材产品的原始规格参数的聚类结果，生成规格状态识别模型，并基于各原始规格参数及其对应的历史调整规格参数，生成调整状态规则库；
8.将待调控型材产品的初始规格状态数据输入至所述规格状态识别模型，得到所述初始规格状态数据所属的目标规格状态簇；
9.按照预设参数调整标准，在所述调整状态规则库中确定与所述目标规格状态簇相匹配的多个目标参数调整方案；
10.基于各目标参数调整方案和所述初始规格状态数据，确定所述待调控型材产品的目标规格状态数据。
11.可选的，所述基于各目标参数调整方案和所述初始规格状态数据，确定所述待调控型材产品的目标规格状态数据，包括：
12.调用调整效应比例换算关系式，基于各目标参数调整方案和所述初始规格状态数据计算目标规格状态数据；所述调整效应比例换算关系式为：
[0013][0014]
式中，δxi为目标规格状态数据，i为规格状态簇总数，j为每种规格状态簇所包括的参数调整方案总数，δy为所述初始规格状态数据，δy
ij
为所述调整状态规则库中属于第i个规格状态簇和第j种参数调整方案所对应的规格状态数据，δx
ij
为所述调整状态规则库中属于第i个规格状态簇和第j种参数调整方案所对应的辊缝状态数据，β
ij
为第i个规格状
态簇和第j种参数调整方案对应的权值因子，αi为第i个规格状态簇的学习修正因子。
[0015]
可选的，所述将待调控型材产品的初始规格状态数据输入至所述规格状态识别模型，得到所述初始规格状态数据所属的目标规格状态簇，包括：
[0016]
分别计算待调控型材产品的初始规格状态数据对应的状态向量和所述调整状态规则库中各规格状态簇的中心向量的余弦相似度和欧式距离；
[0017]
通过各余弦相似度、各欧式距离和预设相似度条件，判断是否存在所述初始规格状态数据所属的目标规格状态簇；
[0018]
若存在，则确定所述目标规格状态簇；若不存在，则将满足所述初始规格状态数据添加至所述调整状态规则库，以作为新规格状态簇。
[0019]
可选的，所述将满足所述初始规格状态数据添加至所述调整状态规则库之后，还包括：
[0020]
发送人工调节规格参数指令；
[0021]
响应参数调整指令，从所述参数调整指令中提取调整规格状态数据，并将所述调整规格状态数据添加至所述调整状态规则库，以作为所述新规格状态簇的参数调整方案。
[0022]
可选的，所述基于各目标参数调整方案和所述初始规格状态数据，确定所述待调控型材产品的目标规格状态数据之后，还包括：
[0023]
判断所述目标规格状态数据是否被采纳；
[0024]
若所述目标规格状态数据不被采纳，则更新各目标参数调整方案中的各指标数值；
[0025]
若所述目标规格状态数据被采纳，按照所述目标规格状态数据对所述待调控型材产品进行规格参数调整，将调整后的所述待调控型材产品作为待检测型材产品；
[0026]
根据所述待检测型材产品的更新规格状态数据是否满足所述待调控型材产品的规格参数要求，以及所述更新规格状态数据与各目标参数调整方案之间的相似性，对各目标参数调整方案的各指标值进行相应调整。
[0027]
可选的，所述根据所述待检测型材产品的更新规格状态数据是否满足所述待调控型材产品的规格参数要求，以及所述更新规格状态数据与各目标参数调整方案之间的相似性，对各目标参数调整方案的各指标值进行相应调整，包括：
[0028]
判断所述待检测型材产品的更新规格状态数据是否满足所述待调控型材产品的规格参数要求；
[0029]
若所述待检测型材产品的更新规格状态数据满足所述待调控型材产品的规格参数要求，判断所述更新规格状态数据是否与各目标参数调整方案相接近；
[0030]
若所述更新规格状态数据与各目标参数调整方案均不相似，则将所述更新规格状态数据作为所述目标规格状态簇的新参数调整方案，并初始化所述新参数调整方案的指标值；若存在与所述更新规格状态数据相似的目标参数调整方案，则调整与所述更新规格状态数据相似的目标参数调整方案对应的权值因子，同时增加方案出现频次值、命中率和推荐指数；
[0031]
若所述待检测型材产品的更新规格状态数据不满足所述待调控型材产品的规格参数要求，判断所述更新规格状态数据是否与各目标参数调整方案相接近；
[0032]
若所述更新规格状态数据与各目标参数调整方案均不相似，则对所述待检测型材
产品进行规格参数的再次调整；若存在与所述更新规格状态数据相似的目标参数调整方案，则增加与所述更新规格状态数据相似的目标参数调整方案对应的方案出现频次值，同时降低命中率和推荐指数。
[0033]
可选的，所述根据多组型材产品的原始规格参数的聚类结果，生成规格状态识别模型，并基于各原始规格参数及其对应的历史调整规格参数，生成调整状态规则库，包括：
[0034]
将多组型材产品的原始规格参数及其对应的历史调整规格参数，按照噪声容限、等效面积距离和规格强约束进行数据划分，得到正常数据集和异常数据集；
[0035]
对所述正常数据集和所述异常数据集中的每一个规格状态向量，基于各规格状态向量之间的余弦相似度和欧式距离，对各规格状态向量进行聚类分簇，得到多个规格状态簇，并计算每个规格状态簇的簇中心向量，以建立规格状态向量字典数据表；
[0036]
基于所述规格状态向量字典数据表，生成相应的规格状态识别模型；
[0037]
将各规格状态簇中的历史调整规格参数生成参数调整方案向量，对每个规格状态簇中的参数调整方案向量进行逐条遍历，通过各参数调整方案向量之间的余弦相似度和欧式距离进行聚类处理，得到每个规格状态簇中的参数调整方案向量的簇中心向量，以生成调整方案类别查找字典；
[0038]
将所述正常数据集的调整方案类别查找字典和规格状态识别模型，以及所述异常数据集的调整方案类别查找字典和规格状态识别模型作为所述调整状态规则库。
[0039]
本发明实施例另一方面提供了一种型材产品规格参数控制装置，包括：
[0040]
规则库建立模块，用于预先根据多组型材产品的原始规格参数的聚类结果，生成规格状态识别模型，并基于各原始规格参数及其对应的历史调整规格参数，生成调整状态规则库；
[0041]
识别模块，用于将待调控型材产品的初始规格状态数据输入至所述规格状态识别模型，得到所述初始规格状态数据所属的目标规格状态簇；
[0042]
方案匹配模块，用于按照预设参数调整标准，在所述调整状态规则库中确定与所述目标规格状态簇相匹配的多个目标参数调整方案；
[0043]
参数调控模块，用于基于各目标参数调整方案和所述初始规格状态数据，确定所述待调控型材产品的目标规格状态数据。
[0044]
本发明实施例还提供了一种电子设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述型材产品规格参数控制方法的步骤。
[0045]
本发明实施例最后还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前任一项所述型材产品规格参数控制方法的步骤。
[0046]
本技术提供的技术方案的优点在于，基于型材产品的历史调整记录，结合型材轧制本身的物理特点，应运多维空间分析理论，可以建立规格调整状态空间。基于实时数据，进行分簇判定，并从预先构建的规格调整状态空间中选择相匹配的参数调整方案，能够实时的实现规格控制模型的自学习和控制，可实现在线自动控制并调整型材产品的规格参数，且不存在异常数据误判的现象，有效提升规格参数的调整效率，从而解决型材轧制一次调整合格率低，产品规格控制波动大，调整经验局限，轧机负荷分配不均衡的问题。
[0047]
此外，本发明实施例还针对型材产品规格参数控制方法提供了相应的实现装置、
电子设备及可读存储介质，进一步使得所述方法更具有实用性，所述装置、电子设备及可读存储介质具有相应的优点。
[0048]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
[0049]
为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0050]
图1为本发明实施例提供的一种型材产品规格参数控制方法的流程示意图；
[0051]
图2为本发明实施例提供的一个示例性应用场景中的规格状态字典索引表；
[0052]
图3为本发明实施例提供的一个示例性应用场景中的调整方案字典索引表；
[0053]
图4为本发明实施例提供的一个示例性应用场景中的调整方案参考表；
[0054]
图5为本发明实施例提供的型材产品规格参数控制装置的一种具体实施方式结构图；
[0055]
图6为本发明实施例提供的电子设备的一种具体实施方式结构图。
具体实施方式
[0056]
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0057]
本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
[0058]
在介绍了本发明实施例的技术方案后，下面详细的说明本技术的各种非限制性实施方式。
[0059]
首先参见图1，图1为本发明实施例提供的一种型材产品规格参数控制方法的流程示意图，本发明实施例可包括以下内容：
[0060]
s101：预先根据多组型材产品的原始规格参数的聚类结果，生成规格状态识别模型，并基于各原始规格参数及其对应的历史调整规格参数，生成调整状态规则库。
[0061]
在本实施例中，原始规格参数是指型材产品的最初规格参数如断面规格尺寸，历史调整规格参数是指对型材产品进行规格状态调整之后的调整规格参数，由于调整状态规则库是基于历史数据进行构建，所以称为历史调整规格参数。对于一组原始规格参数，本实施例的历史调整规格参数可为最终调整好的规格参数，也可包括调整过程中所采用的每个规格参数。规格状态识别模型用于对当前型材产品的规格参数进行识别，以判断其与调整状态规则库中的哪一个型材产品的原始规格参数相似，也即对型材产品的实时规格参数进
行聚类。调整状态规则库可包括规格状态识别模型、多个规格状态簇，每个规格状态由相似规格状态数据聚合组成，每一种型材产品的每一组原始规格参数对应的多组参数调整方案，参数调整方案即是用于对相应原始规格参数进行调整的方法，每个参数调整方案包括多个指标，可以预先构建成长评价指标体系，在该指标体系中，每个参数调整方案可包括方案热冷度指标、整体命中率、方案推荐指数，其中方案热冷度指标等于调整方案再现频次/调整方案推荐次数；整体命中率等于实施有效次数/模型推荐采纳总次数，其为收敛性判据，即能不能在调整状态规则库里中找的到解，同时实施是否有效。方案推荐指数等于e的[(某方案被采纳次数-实施无效次数)/某方案出现频次]次方，e为自然底数，选指数形式主要考虑到出现次数少时，方案可用的概率不高这一特性，同时考虑到问题的复杂性，方案出现次数不会太多，如果次数多，必然可信，反应规格状态相接近的情况下，该方案被采纳，并实施有效(也即规格保证在内控公差之内)的程度。为了进一步提高轧辊利用率，降低换辊和磨辊时间，每个参数调整方案的指标还可包括换辊调整产量、换辊调整次数和换辊调整合格率。其中，换辊调整产量为：开班调整后，至下次换辊调整期间，轧线轧制总吨位。换辊调整次数为：开班调整后，至下次换辊调整期间，轧线轧制调节次数。换辊调整合格率为：开班调整后，至下次换辊调整期间，冷区检测合格率。
[0062]
s102：将待调控型材产品的初始规格状态数据输入至规格状态识别模型，得到初始规格状态数据所属的目标规格状态簇。
[0063]
在本实施例中，待调控型材产品为不合格的型材产品，也即需要进行规格参数调整的产品，初始规格状态数据是指待调控型材产品最开始的规格状态数据，为了便于数据处理，规格状态数据可处理为规格状态向量，也即以向量形式表示规格状态数据。目标规格状态簇为调整状态规则库中与初始规格状态数据最相似的历史规格状态数据。
[0064]
s103：按照预设参数调整标准，在调整状态规则库中确定与目标规格状态簇相匹配的多个目标参数调整方案。
[0065]
在本实施例中，预设参数调整标准基于实际应用场景进行灵活确定，该标准基于参数调整方案的指标来确定，例如预设参数调整标准可为筛选推荐指数最高的5个参数调整方案。通过预设参数调整标准在调整状态规则库中所属目标规格状态簇的多个参数调整方案中选择符合条件和数量的参数调整方案，将符合预设参数调整标准的参数调整方案称为目标参数调整方案。
[0066]
s104：基于各目标参数调整方案和初始规格状态数据，确定待调控型材产品的目标规格状态数据。
[0067]
在上个步骤确定目标参数调整方案之后，由于目标参数调整方案为目标规格状态簇对应的待调控产品的规格参数调整方法，而待调控型材产品的初始规格状态数据与目标规格状态簇中的规格状态即为相似，故目标参数调整方案可反映待调控型材产品的规格参数进行调整的方法，基于此，可基于目标参数调整方案对初始规格状态数据进行调整，对待调控型材产品进行调整所要达到的规格参数即为目标规格状态数据。作为一种可选的实施方式，本实施例可预先设置并存储调整效应比例换算关系式，通过调用调整效应比例换算关系式，基于各目标参数调整方案和初始规格状态数据计算目标规格状态数据；调整效应比例换算关系式可表示为：
[0068][0069]
式中，δxi为目标规格状态数据，i为规格状态簇总数，j为每种规格状态簇所包括的参数调整方案总数，δy为初始规格状态数据，δy
ij
为调整状态规则库中属于第i个规格状态簇和第j种参数调整方案所对应的规格状态数据，δx
ij
为调整状态规则库中属于第i个规格状态簇和第j种参数调整方案所对应的辊缝状态数据，β
ij
为第i个规格状态簇和第j种参数调整方案对应的权值因子，此处可取其为贝叶斯概率，即规格状态向量相近的情况下，该条方案的出现频率。αi为第i个规格状态簇的学习修正因子。其由规则库中多条相近的调整规则拟合而成，初始值可为1。β
ij
与αi均存于调整规则状态库中。
[0070]
在本发明实施例提供的技术方案中，基于型材产品的历史调整记录，结合型材轧制本身的物理特点，应运多维空间分析理论，可以建立规格调整状态空间。基于实时数据，进行分簇判定，并从预先构建的规格调整状态空间中选择相匹配的参数调整方案，能够实时的实现规格控制模型的自学习和控制，可实现在线自动控制并调整型材产品的规格参数，且不存在异常数据误判的现象，有效提升规格参数的调整效率，从而解决型材轧制一次调整合格率低，产品规格控制波动大，调整经验局限，轧机负荷分配不均衡的问题。
[0071]
需要说明的是，本技术中各步骤之间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图1只是一种示意方式，并不代表只能是这样的执行顺序。
[0072]
在上述实施例中，对于如何执行步骤s101并不做限定，本实施例中给出调整状态规则库的一种可选的实施方式，可包括如下步骤：
[0073]
将多组型材产品的原始规格参数及其对应的历史调整规格参数，按照噪声容限、等效面积距离和规格强约束等数据过滤手段进行过滤处理，实现对数据的划分，得到正常数据集和异常数据集。
[0074]
对正常数据集和异常数据集中的每一个规格状态向量，基于各规格状态向量之间的余弦相似度和欧式距离，对各规格状态向量进行聚类分簇，得到多个规格状态簇，并计算每个规格状态簇的簇中心向量，以建立规格状态向量字典数据表；
[0075]
基于规格状态向量字典数据表，生成相应的规格状态识别模型；
[0076]
将各规格状态簇中的历史调整规格参数生成参数调整方案向量，对每个规格状态簇中的参数调整方案向量进行逐条遍历，通过各参数调整方案向量之间的余弦相似度和欧式距离进行聚类处理，得到每个规格状态簇中的参数调整方案向量的簇中心向量，以生成调整方案类别查找字典；
[0077]
将正常数据集的调整方案类别查找字典和规格状态识别模型，以及异常数据集的调整方案类别查找字典和规格状态识别模型作为调整状态规则库。
[0078]
在本实施例中，调整规则形成的空间是线性空间，结合轧钢变形理论可知，该空间是分段线性的，且满足欧式空间的判定定理，即当规则向量的模值在一定范围内时，相似的记录或调整规则可以通过叠加和系数修正的方式实现调整方案推荐对于规格状态向量字典数据表的生成方法，本实施例提供了两种实施方式，δy表示规格状态向量，{δy}为规格状态向量簇，δx表示参数调整方案向量，可包括下述内容：
[0079]
作为一种可选的实施方式，计算{δy}数据空间的正交基向量，取任一基向量作为基准向量，求取每个δy向量与该基向量的余弦相似度和欧式距离，然后以这两个指标为标签进行聚类分簇，算出δy的簇中心向量，建立规格状态向量字典数据表，生成规格状态聚类模型。作为另外一种可选的实施方式，对{δy}进行逐条遍历，计算当前记录与其它记录间的余弦相似度和欧式距离，并以这两个指标为标签进行聚类，按一定阈值筛选出当前记录所在的规格状态簇，直至所有δy成簇，若相似度和距离始终低于阈值，则该记录单独成簇，建立规格状态向量字典数据表，规格状态向量字典数据表或者可称为规格状态向量字典索引表可如图2所示。在实际规格状态数据产生时，可以通过计算实际规格状态与规格状态向量字典数据表中的各规格状态簇的中心簇向量之间的相似度参数如余弦相似度和欧式距离，按照一定阈值进行归类，从而确定参数调整方案。若无法进行归类，则将记录单独成簇，实现数据扩充。
[0080]
在确定规格状态向量字典数据表之后，对每个δy簇中的{δx}进行逐条遍历，计算余弦相似度和欧式距离两个指标，以这两个指标为标签进行聚类，给出各δy簇中δx的簇中心向量，从而生成调整方案类别查找字典，或者是称为调整方案字典索引表，如图3所示。在生成调整方案字典索引表之后，可将每个参数调整方案对应的指标进行设置，生成参数调整方案参考表，如图4所示。至此，形成调整状态规则库，其由正常数据规则库和异常数据规则库组成。
[0081]
基于上述实施例，本实施例还提供了s102的一种可选的实施方式，也即将待调控型材产品的初始规格状态数据输入至规格状态识别模型，得到初始规格状态数据所属的目标规格状态簇的过程，可包括：
[0082]
分别计算待调控型材产品的初始规格状态数据对应的状态向量和调整状态规则库中各规格状态簇的中心向量的余弦相似度和欧式距离；
[0083]
通过各余弦相似度、各欧式距离和预设相似度条件，判断是否存在初始规格状态数据所属的目标规格状态簇；
[0084]
若存在，则确定目标规格状态簇；若不存在，则将满足初始规格状态数据添加至调整状态规则库，以作为新规格状态簇。发送人工调节规格参数指令，以通过人工经验进行型材产品的规格参数的调整。在利用人工经验输入相应的参数调整方案之后，响应参数调整指令，从参数调整指令中提取调整规格状态数据，并将调整规格状态数据添加至调整状态规则库，以作为新规格状态簇的参数调整方案。
[0085]
为了进一步提高型材产品的调控精准度，基于上述实施例，还可包括下述内容：
[0086]
判断目标规格状态数据是否被采纳；
[0087]
若目标规格状态数据不被采纳，则更新各目标参数调整方案中的各指标数值；
[0088]
若目标规格状态数据被采纳，按照目标规格状态数据对待调控型材产品进行规格参数调整，将调整后的待调控型材产品作为待检测型材产品；
[0089]
根据待检测型材产品的更新规格状态数据是否满足待调控型材产品的规格参数要求，以及更新规格状态数据与各目标参数调整方案之间的相似性，对各目标参数调整方案的各指标值进行相应调整。
[0090]
其中，根据待检测型材产品的更新规格状态数据是否满足待调控型材产品的规格参数要求，以及更新规格状态数据与各目标参数调整方案之间的相似性，对各目标参数调
整方案的各指标值进行相应调整的实现过程，可包括：
[0091]
判断待检测型材产品的更新规格状态数据是否满足待调控型材产品的规格参数要求；
[0092]
若待检测型材产品的更新规格状态数据满足待调控型材产品的规格参数要求，判断更新规格状态数据是否与各目标参数调整方案相接近；
[0093]
若更新规格状态数据与各目标参数调整方案均不相似，则将更新规格状态数据作为目标规格状态簇的新参数调整方案，并初始化新参数调整方案的指标值；若存在与更新规格状态数据相似的目标参数调整方案，则调整与更新规格状态数据相似的目标参数调整方案对应的权值因子，同时增加方案出现频次值、命中率和推荐指数；
[0094]
若待检测型材产品的更新规格状态数据不满足待调控型材产品的规格参数要求，判断更新规格状态数据是否与各目标参数调整方案相接近；
[0095]
若更新规格状态数据与各目标参数调整方案均不相似，则对待检测型材产品进行规格参数的再次调整；若存在与更新规格状态数据相似的目标参数调整方案，则增加与更新规格状态数据相似的目标参数调整方案对应的方案出现频次值，同时降低命中率和推荐指数。
[0096]
在本实施例中，当有新钢数据产生时，可采用本实施例所提供的技术方案推荐相应的参数调整方案并记录，当下一只钢被调整完成后，再次获取新钢数据，对比推荐和实际执行的方案：若调整结果合格，同时方案相接近但存在较小的距离，此时通过探索来修正该规则的学习修正因子值，即重新拟合学习修正因子，增加方案出现频次，增加命中率，提升方案推荐指数，若合格但方案很不接近，则为该规格状态新添一个规则簇，簇中心为该规则，若不合格，同时方案相接近，则增加方案出现频次，降低命中率，降低该方案的推荐指数；若不合格，方案不接近，则不做动作；若调整规则状态库中无当前状态，则将该状态加入调整规则状态库，形成一条新的状态簇。
[0097]
在实施过程中，可通过对比整体命中率(敛散性)、统计合格率(有效性)、换辊调整产量、换辊调整次数来观察机器人的成长情况，若模型在部分规则上出现较大异常推荐，及时进行规则修正或删除。
[0098]
本实施例通过对规则状态库进行了规则量丰富处理和推荐值修正处理，即在规则完备性和准确性两个方面进行了相应地处理，有效提升型材产品的规格参数调整的准确度和可靠性。
[0099]
为了使所属领域技术人员更加清楚明白本技术的技术方案，本技术还以型材产品为型钢提供了一个示意性例子，预先通过配置接口配置或修改推荐方案数量、余弦相似度阈值以及欧式距离阈值等参数，可包括下述内容：
[0100]
判断当前型钢是否合格，若合格则继续监控下一个型钢是否合格，若不合格，则获取当前型钢的规格状态向量。计算该规格状态向量与调整规则状态库中的各规格状态簇中心向量的余弦相似度和欧式距离。通过预设阈值，判断调整规则状态库中是否存在该状态。若不存在，则将该状态即当前型钢的规格状态向量加入至调整规则状态库中，形成一条新的规格状态簇。并调用预先基于机器学习算法训练好的规格参数调整模型或者是人工经验对当前型钢的规格参数进行调整。若存在，则在选中规格状态簇中，选择推荐指数较高的一到五种参数调整方案，当各参数调整方案的推荐指数相同时，选择推荐调整参数少的参数
调整方案。根据选出来的参数调整方案和当前型钢的规格状态向量，调用调整效应比例换算关系式确定当前型钢的最终规格状态数据。判断选出来的参数调整方案是否被采纳，若未采纳，则更新选出来的参数调整方案的指标值。若被采纳，判断下一只型钢数据是否产生，若未产生，则继续监控型钢数据。若已产生，判断调整结果是否合格，若不合格，判断选中的参数调整方案是否接近，若不接近，则将下一只型钢作为当前型钢执行上述操作。若接近，则增加选中的参数调整方案的方案出现频次、调低其命中率，并降低其方案推荐指数，同时更新各指标值，分别统计单规格状态簇和整体方案的累计合格率和整体命中率。若调整结果合格，判断选中的参数调整方案是否接近，若接近，则探索修正选中的参数调整方案对应的权值因子，增加方案出现频次、增加命中率和方案推荐指数，同时更新各指标值，分别统计单规格状态簇和整体方案的累计合格率和整体命中率。若不接近，为当前匹配状态簇也即目标规格状态簇新增一个规格状态，簇中心即为实际调整数据，更新该规格状态对应的参数调整方案的方案出现频次、命中率和方案推荐指数。为了避免出现死循环，在继续监控下一个型钢是否合格和继续监控型钢数据这两个步骤处可设置人工中断模式，例如可给予假信号。
[0101]
由上可知，本实施例基于历史调整记录，建立规格调整状态空间，使用余弦相似度和欧式距离建立分簇规则库，当新数据来时，进行差异化判定，丰富规则库。基于实时数据，进行分簇判定，然后进行规则修正，对修正系数进行迭代更新，达到修正精度提升的目的。
[0102]
本发明实施例还针对型材产品规格参数控制方法提供了相应的装置，进一步使得方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的型材产品规格参数控制装置进行介绍，下文描述的型材产品规格参数控制装置与上文描述的型材产品规格参数控制方法可相互对应参照。
[0103]
基于功能模块的角度，参见图5，图5为本发明实施例提供的型材产品规格参数控制装置在一种具体实施方式下的结构图，该装置可包括：
[0104]
规则库建立模块501，用于预先根据多组型材产品的原始规格参数的聚类结果，生成规格状态识别模型，并基于各原始规格参数及其对应的历史调整规格参数，生成调整状态规则库；
[0105]
识别模块502，用于将待调控型材产品的初始规格状态数据输入至规格状态识别模型，得到初始规格状态数据所属的目标规格状态簇；
[0106]
方案匹配模块503，用于按照预设参数调整标准，在调整状态规则库中确定与目标规格状态簇相匹配的多个目标参数调整方案；
[0107]
参数调控模块504，用于基于各目标参数调整方案和初始规格状态数据，确定待调控型材产品的目标规格状态数据。
[0108]
可选的，在本实施例的一些实施方式中，上述参数调控模块504还可用于：调用调整效应比例换算关系式，基于各目标参数调整方案和初始规格状态数据计算目标规格状态数据；调整效应比例换算关系式为：
[0109][0110]
式中，δxi为目标规格状态数据，i为规格状态簇总数，j为每种规格状态簇所包括
的参数调整方案总数，δy为初始规格状态数据，δy
ij
为调整状态规则库中属于第i个规格状态簇和第j种参数调整方案所对应的规格状态数据，δx
ij
为调整状态规则库中属于第i个规格状态簇和第j种参数调整方案所对应的辊缝状态数据，β
ij
为第i个规格状态簇和第j种参数调整方案对应的权值因子，αi为第i个规格状态簇的学习修正因子。
[0111]
作为一种可选的实施方式，上述识别模块502还可用于：分别计算待调控型材产品的初始规格状态数据对应的状态向量和调整状态规则库中各规格状态簇的中心向量的余弦相似度和欧式距离；通过各余弦相似度、各欧式距离和预设相似度条件，判断是否存在初始规格状态数据所属的目标规格状态簇；若存在，则确定目标规格状态簇；若不存在，则将满足初始规格状态数据添加至调整状态规则库，以作为新规格状态簇。
[0112]
作为上述实施例的一种可选的实施方式，上述识别模块502还可进一步用于：发送人工调节规格参数指令；响应参数调整指令，从参数调整指令中提取调整规格状态数据，并将调整规格状态数据添加至调整状态规则库，以作为新规格状态簇的参数调整方案。
[0113]
可选的，在本实施例的另一些实施方式中，上述装置例如还可包括数据更新模块，用于判断目标规格状态数据是否被采纳；若目标规格状态数据不被采纳，则更新各目标参数调整方案中的各指标数值；若目标规格状态数据被采纳，按照目标规格状态数据对待调控型材产品进行规格参数调整，将调整后的待调控型材产品作为待检测型材产品；根据待检测型材产品的更新规格状态数据是否满足待调控型材产品的规格参数要求，以及更新规格状态数据与各目标参数调整方案之间的相似性，对各目标参数调整方案的各指标值进行相应调整。
[0114]
作为上述实施例的一种可选的实施方式，该数据更新模块还可进一步用于：判断待检测型材产品的更新规格状态数据是否满足待调控型材产品的规格参数要求；若待检测型材产品的更新规格状态数据满足待调控型材产品的规格参数要求，判断更新规格状态数据是否与各目标参数调整方案相接近；若更新规格状态数据与各目标参数调整方案均不相似，则将更新规格状态数据作为目标规格状态簇的新参数调整方案，并初始化新参数调整方案的指标值；若存在与更新规格状态数据相似的目标参数调整方案，则调整与更新规格状态数据相似的目标参数调整方案对应的权值因子，同时增加方案出现频次值、命中率和推荐指数；若待检测型材产品的更新规格状态数据不满足待调控型材产品的规格参数要求，判断更新规格状态数据是否与各目标参数调整方案相接近；若更新规格状态数据与各目标参数调整方案均不相似，则对待检测型材产品进行规格参数的再次调整；若存在与更新规格状态数据相似的目标参数调整方案，则增加与更新规格状态数据相似的目标参数调整方案对应的方案出现频次值，同时降低命中率和推荐指数。
[0115]
可选的，在本实施例的另一些实施方式中，上述规则库建立模块501可进一步用于：将多组型材产品的原始规格参数及其对应的历史调整规格参数，按照噪声容限、等效面积距离和规格强约束进行数据划分，得到正常数据集和异常数据集；对正常数据集和异常数据集中的每一个规格状态向量，基于各规格状态向量之间的余弦相似度和欧式距离，对各规格状态向量进行聚类分簇，得到多个规格状态簇，并计算每个规格状态簇的簇中心向量，以建立规格状态向量字典数据表；基于规格状态向量字典数据表，生成相应的规格状态识别模型；将各规格状态簇中的历史调整规格参数生成参数调整方案向量，对每个规格状态簇中的参数调整方案向量进行逐条遍历，通过各参数调整方案向量之间的余弦相似度和
欧式距离进行聚类处理，得到每个规格状态簇中的参数调整方案向量的簇中心向量，以生成调整方案类别查找字典；将正常数据集的调整方案类别查找字典和规格状态识别模型，以及异常数据集的调整方案类别查找字典和规格状态识别模型作为调整状态规则库。
[0116]
本发明实施例型材产品规格参数控制装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
[0117]
由上可知，本发明实施例可实现在线自动控制并调整型材产品的规格参数。
[0118]
上文中提到的型材产品规格参数控制装置是从功能模块的角度描述，进一步的，本技术还提供一种电子设备，是从硬件角度描述。图6为本技术实施例提供的电子设备在一种实施方式下的结构示意图。如图6所示，该电子设备包括存储器60，用于存储计算机程序；处理器61，用于执行计算机程序时实现如上述任一实施例提到的型材产品规格参数控制方法的步骤。
[0119]
其中，处理器61可以包括一个或多个处理核心，比如4核心处理器、8核心处理器，处理器61还可为控制器、微控制器、微处理器或其他数据处理芯片等。处理器61可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器61也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器61可以集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器61还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0120]
存储器60可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器60还可包括高速随机存取存储器以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。存储器60在一些实施例中可以是电子设备的内部存储单元，例如服务器的硬盘。存储器60在另一些实施例中也可以是电子设备的外部存储设备，例如服务器上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器60还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器60不仅可以用于存储安装于电子设备的应用软件及各类数据，例如：执行型材产品规格参数控制方法过程中的程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。本实施例中，存储器60至少用于存储以下计算机程序601，其中，该计算机程序被处理器61加载并执行之后，能够实现前述任一实施例公开的型材产品规格参数控制方法的相关步骤。另外，存储器60所存储的资源还可以包括操作系统602和数据603等，存储方式可以是短暂存储或者永久存储。其中，操作系统602可以包括windows、unix、linux等。数据603可以包括但不限于型材产品规格参数控制结果对应的数据等。
[0121]
在一些实施例中，上述电子设备还可包括有显示屏62、输入输出接口63、通信接口64或者称为网络接口、电源65以及通信总线66。其中，显示屏62、输入输出接口63比如键盘(keyboard)属于用户接口，可选的用户接口还可以包括标准的有线接口、无线接口等。可选
地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。通信接口64可选的可以包括有线接口和/或无线接口，如wi-fi接口、蓝牙接口等，通常用于在电子设备与其他电子设备之间建立通信连接。通信总线66可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0122]
本领域技术人员可以理解，图6中示出的结构并不构成对该电子设备的限定，可以包括比图示更多或更少的组件，例如还可包括实现各类功能的传感器67。
[0123]
本发明实施例所述电子设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
[0124]
由上可知，本发明实施例可实现在线自动控制并调整型材产品的规格参数。
[0125]
可以理解的是，如果上述实施例中的型材产品规格参数控制方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电可擦除可编程rom、寄存器、硬盘、多媒体卡、卡型存储器(例如sd或dx存储器等)、磁性存储器、可移动磁盘、cd-rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0126]
基于此，本发明实施例还提供了一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时如上任意一实施例所述型材产品规格参数控制方法的步骤。
[0127]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的硬件包括装置及电子设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0128]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0129]
以上对本技术所提供的一种型材产品规格参数控制方法、装置、电子设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。