一种基于规则寻优的带钢力学性能预报方法

1.本发明涉及带钢力学性能预测技术领域，特别涉及一种基于规则寻优的带钢力学性能预报方法。


背景技术：

2.带钢力学性能检测是钢铁生产流程的重要环节，目前采用的带钢力学性能检测主要由人工取样检测，存在效率低、成本高、滞后性等弊端。
3.带钢力学性能预测是一种利用带钢本身化学成分和生产工艺参数预测成品力学性能的技术，采用产品性能预测值进行质量判定，可减少现场人工取样，提高判钢效率。已有的力学性能预报模型，如冶金机理模型和神经网络模型等，在模型建立时有比较高的预测准确性，但随着生产工艺的改变，由于模型的适应性问题，模型准确性会下降；机理模型虽然在预测时也有比较好的准确性，但模型建立的成本较高，应用范围有限，无法在品种结构复杂的大规模生产中得到推广。


技术实现要素：

4.本发明提供了一种基于规则寻优的带钢力学性能预报方法，以解决现有带钢力学性能预报方法泛化能力差，当样本数量较少时，准确性低的技术问题。
5.为解决上述技术问题，本发明提供了如下技术方案：
6.一方面，本发明提供了一种基于规则寻优的带钢力学性能预报方法，包括：
7.收集带钢的特征变量和力学性能，形成样本库，并计算每一特征变量对力学性能的贡献度；其中，所述特征变量包括带钢的化学成分和带钢的工艺参数；
8.将特征变量按照各自的贡献度从高到低排序，选取总贡献度为预设值的前预设数量的特征变量作为规则组成特征，并计算每一规则组成特征的标准差；
9.基于计算出的标准差，确定每一规则组成特征的标准差阈值，并将各规则组成特征与各规则组成特征的标准差阈值进行组合，得到多种不同的规则；
10.计算每一个规则下的带钢力学性能预测命中率，将命中率最高的规则作为最优规则并记录；
11.利用所述最优规则对待预测的带钢进行带钢力学性能预测，得到预测结果。
12.可选地，所述化学成分包括碳、硅、锰、磷、硫、氮、铬、铜、钼、铌、镍、钛和钒；
13.所述工艺参数包括板坯厚度、加热炉入口温度、加热炉出口温度、加热时间、粗轧出口温度、中间坯厚度、精轧出口温度和带钢厚度。
14.所述力学性能包括屈服强度、抗拉强度和延伸率。
15.进一步地，所述计算每一特征变量对力学性能的贡献度，包括：
16.将所述样本库中的数据划分为训练集和测试集；并利用训练集中的特征变量和力学性能进行模型训练，得到随机森林力学性能回归模型；
17.利用所述随机森林力学性能回归模型，对测试集中的力学性能进行预测，并将预
测结果与测试集中真实的力学性能进行对比，得到初始回归评分系数；
18.每次分别选择测试集中的其中一个特征变量进行随机置换并打乱顺序，得到新测试集，并在每次得到新测试集后，分别利用所述随机森林力学性能回归模型，通过新测试集中的特征变量对新测试集中的力学性能进行预测，将预测结果与真实的力学性能进行对比，以得到每一特征变量置换后的回归评分系数；
19.将每一特征变量置换后的回归评分系数与初始回归评分系数做差取绝对值并除以所述初始回归评分系数，以得到的数值表征被置换的特征变量的贡献度。
20.进一步地，所述基于计算出的标准差，确定每一规则组成特征的标准差阈值，包括：
21.基于计算出的标准差，将每一规则组成特征的标准差的k倍作为其对应的标准差阈值。
22.进一步地，所述将各规则组成特征与各规则组成特征的标准差阈值进行组合，得到多种不同的规则，包括：
23.将各规则组成特征与各规则组成特征的标准差阈值进行随机排列组合，得到多种不同的规则；其中，每一规则分别包括所有的规则组成特征和每一规则组成特征所对应的其自身的任意一个标准差阈值。
24.进一步地，所述计算每一个规则下的带钢力学性能预测命中率，包括：
25.将所述样本库中的数据划分为训练集和测试集；利用每一规则分别匹配测试集中每个样本在训练集中对应的所有样本，并计算该规则下的预测命中率。
26.进一步地，利用每一规则分别匹配测试集中每个样本在训练集中对应的所有样本，包括：
27.在当前规则下，取测试集中的一个样本，按照当前规则中的规则组成特征及对应标准差阈值在训练集中匹配特征变量在正负标准差阈值范围内的样本，将匹配到的所有样本的力学性能的平均值作为测试集中对应样本的预测结果。
28.进一步地，所述计算该规则下的预测命中率，包括：
29.将在当前规则下得到的所有测试集样本的力学性能预测结果与真实值做差，若差值在预设误差范围内则为预测命中，以此计算当前规则的预测命中率。
30.进一步地，利用最优规则对待预测的带钢进行带钢力学性能预测，包括：
31.获取待预测的带钢的特征变量；按照当前规则中的规则组成特征及对应标准差阈值，在样本库中匹配特征变量在正负标准差阈值范围内的样本，将匹配得到的所有样本的力学性能的平均值作为待预测的带钢的预测力学性能。
32.再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
33.又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
34.本发明提供的技术方案带来的有益效果至少包括：
35.本发明利用样本库中已有带钢化学成分、工艺参数和力学性能计算特征变量对力学性能的贡献度；取一定贡献度的特征作为规则特征并计算其标准差；将特征变量和标准差阈值进行组合得到多种不同的规则；计算每一个规则下的带钢力学性能预测命中率，将
命中率最高的规则作为最优规则并记录；利用最优规则进行带钢力学性能预测。一方面，由于最优规则是随着生产的进行和工艺的变化不断更新的，因此可以很好的适应现场生产的变化，有很强的泛化能力；另一方面，通过查看每一个样本的特征匹配情况，可以通过未匹配到的特征反应现场数据采集系统是否在采集这一特征参数时出现问题，指导数据采集系统的修正。如此不仅可以对带钢力学性能进行准确预测，提高预测的泛化能力，还能指导现场生产，反应现场数据采集系统的异常问题。
附图说明
36.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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。
37.图1是本发明实施例提供的基于规则寻优的带钢力学性能预报方法流程图；
38.图2是本发明实施例提供的带钢力学性能预报方法的预测结果图。
具体实施方式
39.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
40.第一实施例
41.本实施例提供了一种基于规则寻优的带钢力学性能预报方法，该方法可以由电子设备实现，该方法的执行流程如图1所示，包括以下步骤：
42.s1，收集带钢的特征变量和力学性能，形成样本库，并计算每一特征变量对力学性能的贡献度；其中，特征变量包括带钢的化学成分和带钢的工艺参数；
43.具体地，在本实施例中，带钢的化学成分包括：碳、硅、锰、磷、硫、氮、铬、铜、钼、铌、镍、钛和钒；带钢的工艺参数包括：板坯厚度、加热炉入口温度、加热炉出口温度、加热时间、粗轧出口温度、中间坯厚度、精轧出口温度和带钢厚度。带钢的力学性能包括：屈服强度、抗拉强度和延伸率。
44.其中，计算每一特征变量对力学性能的贡献度包括以下步骤：
45.a1，将样本库中的全部样本按一定比例划分为训练集(traindata)和测试集(testdata)，利用训练集中的化学成分、工艺参数和力学性能数据进行模型训练，得到随机森林力学性能回归模型；
46.a2，利用a1得到的随机森林力学性能回归模型，根据测试集样本中带钢的化学成分和工艺参数对带钢的力学性能进行预测。将预测结果与测试集中的真实力学性能数据进行对比计算，利用r2_score指标作为初始回归评分系数β；
47.a3，将训练集中化学成分和工艺参数记为[α1,α2,α3,
…
αn]，使用“shuffle”函数分别将特征αi，i∈{1，2，...n}中的每个样本进行随机置换，得到n个新的测试集，用a1得到的随机森林模型得到新测试集样本的力学性能预测值，并与真实值对比计算，得到置换后的回归评分系数βi，i∈{1，2，...n}。
[0048]
a4，将a3得到的βi分别与a2得到的β做差并除以β，用得到的数值表征特征变量对
力学性能的特征贡献度，结果越大，则表示该回归评分系数对应的置换了特征值的特征对力学性能贡献度最大。
[0049]
s2，将特征变量按照各自贡献度从高到低排序，选取总贡献度为预设值的前预设数量的特征变量作为规则组成特征并计算每一规则组成特征的标准差；
[0050]
具体地，在本实施例中，上述步骤为：
[0051]
在上一步计算完每个特征的贡献度后，从高到低选取总贡献度为n的前x个特征作为待寻优的规则组成特征，使用“std”函数计算这些特征的标准差。
[0052]
s3，基于计算出的标准差，确定每一规则组成特征的标准差阈值，并将各规则组成特征与各规则组成特征的标准差阈值进行组合，得到多种不同的规则；
[0053]
具体地，在本实施例中，上述步骤为：
[0054]
选取上一步计算得到的标准差的k倍(如0.5、0.7、1、1.2、1.5倍)作为规则寻优的阈值，与x个特征组成所有规则，每个规则包含这x个特征和特征对应的一个阈值，将阈值进行随机排列组合得到所有规则，若每个规则的寻优阈值存在l个，则所有规则的数量为l
x
。
[0055]
s4，计算每一个规则下的带钢力学性能预测命中率，将命中率最高的规则作为最优规则并记录；
[0056]
具体地，在本实施例中，上述步骤为：将样本库中的数据划分为训练集和测试集；利用每一规则分别匹配测试集中每个样本在训练集中对应的所有样本，并计算该规则下的预测命中率，将命中率最高的规则作为最优规则并记录。
[0057]
进一步地，利用每一规则分别匹配测试集中每个样本在训练集中对应的所有样本具体为：在当前规则下，取测试集中的一个样本，按照当前规则中的规则组成特征及对应标准差阈值在训练集中匹配特征变量在正负阈值范围内的样本，将匹配到的所有样本的力学性能的平均值作为测试集中该样本的预测结果。
[0058]
计算该规则下的预测命中率，将命中率最高的规则作为最优规则并记录具体为：按上一步的方法计算所有测试集样本的力学性能预测结果并与真实值做差，如果差值在设定的误差范围内即为预测命中，计算所有测试集样本的预测命中率，命中率最高的规则即为最优规则，将最优规则记录到数据库中以便后续预测直接取用。
[0059]
s5，利用最优规则对待预测的带钢进行带钢力学性能预测，得到预测结果。
[0060]
具体地，在本实施例中，上述步骤具体为：获取待预测的带钢的化学成分和工艺参数，选取最优规则并在样本库中匹配最优规则的特征和对应阈值，匹配得到的所有样本的力学性能的平均值作为该待测带钢的预测力学性能。
[0061]
下面，结合具体的应用实例说明本实施例方法的效果。具体步骤如下：
[0062]
步骤1，收集带钢的特征变量和力学性能形成样本库，并计算每一特征变量对力学性能的贡献度；其中，特征变量包括带钢的化学成分和带钢的工艺参数；
[0063]
具体地，在本实施例中，以c、cr、cu、mn、mo、n、nb、ni、p、s、si、ti、v分别表示碳、铬、铜、锰、钼、氮、铌、镍、磷、硫、硅、钛、钒；以slab_thk、strip_thk、rmxt、rmxt_thk、fmxt、fce_time、fce_ent_temp、fce_ext_temp、ct分别表示板坯厚度、带钢厚度、粗轧出口温度、中间坯厚度、精轧出口温度、加热时间、加热炉入口温度和加热炉出口温度；以ys、ts、el分别表示屈服强度、抗拉强度和延伸率。
[0064]
计算每一特征变量对力学性能的贡献度过程如下：
[0065]
将已有样本按8：2划分为训练集和测试集，训练集使用sklearn库中的extratreesregressor(计算随机树回归算法)算法，设置模型参数(如max_depth(树最大深度)＝14，max_leaf_nodes(最大叶节点数)＝148，min_impurity_decrease(叶子节点分裂的最小不纯度)＝1.31)，得到训练模型。
[0066]
使用上述训练模型对测试集中样本进行力学性能预测，结果与测试集实际力学性能对比，使用sklearn库中的“r2_score”函数计算初始回归评分系数；
[0067]
随后，使用sklearn库中的“shuffle”函数对测试集中化学成分、工艺参数的值分别进行随即置换，每次置换一列特征，得到多个新的测试集，再利用上述方法计算每一个置换一列特征的新样本集的回归评分系数。
[0068]
将新的回归评分系数与初始回归评分系数做差并除以初始回归评分系数，得到的结果表征特征对力学性能的重要性，也即贡献度。
[0069]
步骤2，取一定贡献度的特征作为规则特征并计算其标准差；
[0070]
具体地，在本实施例中，样本库中已有带钢数据只包含钢种为q345b，板坯钢种为mbryt34536的样本，在第一步得到贡献度后，选取的特征分别为：屈服强度[strip_thk，rmxt，ct，fmxt，fce_ext_temp]，抗拉强度[c，strip_thk，ct，fmxt，p]，延伸率[strip_thk，rmxt，s，ct，fmxt]。计算他们的标准差并乘以相应系数得到待选择的阈值范围如下列表1所示：
[0071]
表1特征值待选择的阈值范围
[0072]
特征0.5σ0.7σσ1.2σ1.5σstrip_thk0.65240.91331.30471.56561.9571rmxt10.463114.648320.926125.111331.3892ct10.164814.230720.329624.395530.4944fce_ext_temp14.731920.624729.463835.356644.1957c0.0310.04340.0620.07440.093p0.00550.00760.01090.01310.0164s0.00140.00190.00270.00320.0041fmxt11.832016.564723.663928.396735.4959slab_thk0.97081.35911.94162.32992.9124
[0073]
步骤3，将特征变量和标准差阈值进行组合得到多种不同的规则；
[0074]
具体地，在本实施例中，屈服强度的其中一个规则为：[strip_thk，0.6524]，[rmxt，10.4631]，[ct，10.1648]，[fmxt，11.8320]，[fce_ext_temp，14.7319]，屈服强度、抗拉强度和延伸率分别有3125种规则。
[0075]
步骤4，计算每一个规则下的带钢力学性能预测命中率，将命中率最高的规则作为最优规则并记录；
[0076]
具体地，在本实施例中，上述步骤的实现过程如下：
[0077]
将数据集分为训练集和测试集，取步骤3中组合得到的其中一个规则，用该规则匹配测试集中每一个样本在训练集中对应的样本。例如测试集中第一个样本特征参数为：[strip_thk，15.56]，[rmxt，1128.8]，[ct，680.612]，[fmxt，911.69]，[fce_ext_temp，1153.48]，则用步骤3中示例规则在训练集中匹配到的样本特征参数的范围为：[strip_
thk，15.56-0.6524～15.56+0.6524]，[rmxt，1128.8-10.4631～1128.8+10.4631]，[ct，680.612-10.1648～680.612-10.1648]，[fmxt，911.69-11.8320～911.69+11.8320]，[fce_ext_temp，1153.48-14.7319～1153.48+14.7319]，特征变量在此范围内的所有训练集样本的屈服强度平均值作为测试集中第一个样本的预测屈服强度，并与其实际屈服强度做差，如果误差小于设置的误差限30mpa，则认为预测命中。
[0078]
通过以上方法计算测试集中所有样本的命中率，作为步骤3中示例规则的命中率。在用所有规则进行匹配后，取命中率最高的规则作为钢种为q235b，板坯钢种为mbryt23501的样本的屈服强度匹配规则，并存入数据库中。
[0079]
按照以上方法分别计算所有钢种、板坯钢种的屈服强度、抗拉强度、延伸率的规则并存入数据库中。
[0080]
步骤5，利用最优规则进行带钢力学性能预测。
[0081]
具体地，在本实施例中，待预测带钢的钢种为q235b，板坯钢种为q235b，在数据库中找到其对应屈服强度规则[slab_thk,17.3345],[p,0.0109],[si,0.0217],[cr,0.014],[ct,18.1087]，使用规则匹配样本库中所有样本，取匹配到样本的力学性能平均值作为该待预测带钢的力学性能预测值。
[0082]
基于上述，本实施例通过对样本库中q345b-mbryt34536的数据提取，对此钢种和板坯钢种下的184卷带钢的屈服强度进行预测，当误差限为30mpa时，预测命中率为91.3％，结果如图2所示。
[0083]
综上，本实施例利用样本库中已有带钢化学成分、工艺参数和力学性能计算特征变量对力学性能的贡献度；取一定贡献度的特征作为规则特征并计算其标准差；将特征变量和标准差阈值进行组合得到多种不同的规则；计算每一个规则下的带钢力学性能预测命中率，将命中率最高的规则作为最优规则并记录；利用最优规则进行带钢力学性能预测。如此不仅可对带钢力学性能进行准确预测，提高预测的泛化能力，还能指导现场生产，反应现场数据采集系统的异常。
[0084]
第二实施例
[0085]
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
[0086]
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
[0087]
第三实施例
[0088]
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。其中，该计算机可读存储介质可以是rom、随机存取存储器、cd-rom、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
[0089]
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
[0090]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0091]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0092]
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0093]
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。