本发明涉及数字孪生,尤其涉及一种基于数字孪生和深度学习的钢管力学性能预测方法及装置。
背景技术:
1、热轧无缝钢管生产以钢坯为原材料,投入环形炉中进行加热,然后在热连轧机组上依次通过穿孔机、连轧机、定径机成为毛管到达冷床,最后,根据工艺要求在精整区再将毛管进行锯切或矫直。与全线信息流贯通的板带产线不同,无缝钢管产线生产工艺复杂、工序多,并兼具流程制造与离散制造的特点,各工序间为“孤岛式”控制,目前尚无法实现全流程信息化和数据化的互联互通。
技术实现思路
1、本发明针对现有热轧无缝钢管力学性能依赖人工取样检测,成本高,劳动强度大且效率低,难以实现每支钢管的检测的问题,提出了本发明。
2、为解决上述技术问题,本发明提供如下技术方案:
3、一方面,本发明提供了一种基于数字孪生和深度学习的钢管力学性能预测方法,该方法由电子设备实现,该方法包括:
4、s1、根据热轧无缝钢管产线,建立热轧无缝钢管数字孪生系统,根据热轧无缝钢管数字孪生系统获取生产实时参数。
5、s2、构建基于麻雀搜索算法ssa优化的上下限区间估计lube模型。
6、s3、根据生产实时参数以及基于ssa优化的lube模型,得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
7、可选地,s2中的构建基于麻雀搜索算法ssa优化的上下限区间估计lube模型,包括:
8、s21、基于全连接神经网络fnn,构建上下限区间估计lube模型。
9、s22、采用麻雀搜索算法ssa,对基于fnn的lube模型的权重进行优化,得到基于ssa优化的lube模型。
10、其中,权重,包括隐含层神经元到输出层神经元的权重和输入层神经元到输出层神经元的权重。
11、可选地,s21中的基于全连接神经网络fnn,构建上下限区间估计lube模型,包括:
12、s211、构建基于fnn的lube模型的预测区间pi的上下界。
13、s212、根据上下界,构建置信水平。
14、s213、根据置信水平,确定pi的覆盖率picp。
15、s214、根据上下界,构建预测区间平均宽度pinaw。
16、s215、选择最小化的基于组合覆盖宽度判据cwc损失函数,对picp和pinaw进行优化,得到基于fnn的lube模型。
17、可选地,s211中的预测区间pi的上下界,如下式(1)(2)所示:
18、 (1)
19、 (2)
20、其中,表示第个测试样本的预测上限区间, 表示第个测试样本的预测区间输出,表示测试样本数量,表示第个测试样本的预测下限区间。
21、可选地,s212中的置信水平,如下式(3)所示:
22、(3)
23、其中,表示错误的概率,表示置信区间,表示第个测试样本的预测上限区间,表示第个测试样本的预测下限区间,表示第个测试样本的真实值。
24、可选地,s213中的pi的覆盖率picp,如下式(4)(5)所示:
25、(4)
26、(5)
27、其中,表示测试样本的数量,表示第个测试样本的预测值是否落入预测区间中,表示第个测试样本的真实值,表示第个测试样本的预测上限区间,表示第个测试样本的预测下限区间。
28、可选地,s214中的预测区间平均宽度pinaw,如下式(6)所示:
29、(6)
30、其中,表示测试样本的数量,表示目标范围,表示第个测试样本的预测上限区间,表示第个测试样本的预测下限区间。
31、可选地,s215中的基于组合覆盖宽度判据cwc损失函数,如下式(7)(8)所示:
32、(7)
33、(8)
34、其中,表示预测区间平均宽度,表示是与相关的参数,picp表示pi的覆盖率,表示第一超参数,表示第二超参数。
35、可选地,s3中的根据生产实时参数以及基于ssa优化的lube模型,得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果,包括:
36、s31、对生产实时参数中与力学性能相关的参数进行预处理,得到预处理后的参数。
37、其中,预处理,包括:采用pauta准则去除噪点和异常值以及线性变换。
38、s32、将预处理后的参数输入到基于ssa优化的lube模型,得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
39、另一方面,本发明提供了一种基于数字孪生和深度学习的钢管力学性能预测装置,该装置应用于实现基于数字孪生和深度学习的钢管力学性能预测方法,该装置包括:
40、获取模块,用于根据热轧无缝钢管产线,建立热轧无缝钢管数字孪生系统,根据热轧无缝钢管数字孪生系统获取生产实时参数。
41、构建模块,用于构建基于麻雀搜索算法ssa优化的上下限区间估计lube模型。
42、输出模块,用于根据生产实时参数以及基于ssa优化的lube模型,得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
43、可选地,构建模块,进一步用于:
44、s21、基于全连接神经网络fnn,构建上下限区间估计lube模型。
45、s22、采用麻雀搜索算法ssa,对基于fnn的lube模型的权重进行优化,得到基于ssa优化的lube模型。
46、其中,权重,包括隐含层神经元到输出层神经元的权重和输入层神经元到输出层神经元的权重。
47、可选地,构建模块,进一步用于:
48、s211、构建基于fnn的lube模型的预测区间pi的上下界。
49、s212、根据上下界,构建置信水平。
50、s213、根据置信水平,确定pi的覆盖率picp。
51、s214、根据上下界,构建预测区间平均宽度pinaw。
52、s215、选择最小化的基于组合覆盖宽度判据cwc损失函数,对picp和pinaw进行优化,得到基于fnn的lube模型。
53、可选地,预测区间pi的上下界,如下式(1)(2)所示:
54、(1)
55、(2)
56、其中,表示第个测试样本的预测上限区间, 表示第个测试样本的预测区间输出,表示测试样本数量,表示第个测试样本的预测下限区间。
57、可选地,置信水平,如下式(3)所示:
58、(3)
59、其中,表示错误的概率,表示置信区间,表示第个测试样本的预测上限区间,表示第个测试样本的预测下限区间,表示第个测试样本的真实值。
60、可选地,pi的覆盖率picp,如下式(4)(5)所示:
61、(4)
62、(5)
63、其中,表示测试样本的数量,表示第个测试样本的预测值是否落入预测区间中,表示第个测试样本的真实值,表示第个测试样本的预测上限区间,表示第个测试样本的预测下限区间。
64、可选地,预测区间平均宽度pinaw,如下式(6)所示:
65、(6)
66、其中,表示测试样本的数量,表示目标范围,表示第个测试样本的预测上限区间,表示第个测试样本的预测下限区间。
67、可选地,基于组合覆盖宽度判据cwc损失函数,如下式(7)(8)所示:
68、(7)
69、(8)
70、其中,表示预测区间平均宽度,表示是与相关的参数,picp表示pi的覆盖率,表示第一超参数,表示第二超参数。
71、可选地,输出模块,进一步用于:
72、s31、对生产实时参数中与力学性能相关的参数进行预处理,得到预处理后的参数。
73、其中,预处理,包括:采用pauta准则去除噪点和异常值以及线性变换。
74、s32、将预处理后的参数输入到基于ssa优化的lube模型,得到热轧无缝钢管产线的每支钢管的力学性能区间预测结果。
75、一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述基于数字孪生和深度学习的钢管力学性能预测方法。
76、一方面,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,所述至少一条指令由处理器加载并执行以实现上述基于数字孪生和深度学习的钢管力学性能预测方法。
77、上述技术方案,与现有技术相比至少具有如下有益效果:
78、上述方案,通过开发数字孪生系统,打破不同生产过程间的数据壁垒,充分利用工业大数据,实现每支钢管的力学性能高精度预报,满足了客户对力学性能区间的要求,有助于无缝钢管生产企业提高生产效率,降低生产成本,提高产品竞争力。