[发明专利]钢材性能预测模型的训练方法、预测方法及设备

说明书

本发明提供一种钢材性能预测模型的训练方法、预测方法及设备。该训练方法包括：获取目标型号的钢材的多条生产数据；根据多条生产数据中的成分含量数据，将多条生产数据中属于同一炉钢材的各条生产数据归并为该炉钢材对应的一条第一典型数据；根据各条第一典型数据中的工艺参数数据，将所有的第一典型数据中属于同一种工艺的各条第一典型数据归并为该种工艺对应的一条第二典型数据；根据各条第二典型数据中的力学性能数据，对全部或部分的第二典型数据进行复制，以得到训练样本集；根据训练样本集对贝叶斯神经网络进行训练，得到目标型号的钢材性能预测模型。本发明能够减小构建模时的计算量，提高钢材性能预测模型的准确性。

技术领域

本发明涉及钢材性能预测技术领域，尤其涉及一种钢材性能预测模型的训练方法、预测方法及设备。

背景技术

热轧钢作为一种钢材在现代社会的各个领域得到了广泛的应用。在钢材冶炼之前对钢材进行性能预测有助于优化钢种成分、减少带钢取样量、控制产品力学性能、设计新产品。根据预测结果设置工艺参数，可以提高产品生产效率，增强企业竞争力。

现有技术中通常基于人工神经网络进行热轧钢带组织性能的预测。其中BP神经网络凭借其简单易用性和较高的预测精度而得到最广泛的应用。然而在BP神经网络的建模过程中，需要耗费大量的精力和时间不断地试验才能确定训练数据的排列次序、隐层单元个数和网络最优训练次数。而基于贝叶斯方法的神经网络通过在目标函数中引入表示网络复杂程度的惩罚项，应用“奥克姆剪刀”理论可以有效解决上述问题。但贝叶斯神经网络基本上都是应用于试验数据的分析建模，其计算需要调用大量的、复杂的针对矩阵的数学运算方法，且在工业上的应用还不成熟，对于复杂问题的处理能力有限，相应的预测精度也有限。

发明内容

本发明实施例提供了一种钢材性能预测模型的训练方法、预测方法及设备，以解决目前在进行钢材性能预测时，构建钢材性能预测模型时计算量大，钢材性能预测模型的预测结果不够准确的问题。

第一方面，本发明实施例提供了一种钢材性能预测模型的训练方法，包括：

获取目标型号的钢材的多条生产数据，其中，每条生产数据包括钢材在生产过程中的成分含量数据、工艺参数数据和力学性能数据；

根据所述成分含量数据，将所述多条生产数据中属于同一炉钢材的各条生产数据归并为该炉钢材对应的一条第一典型数据；

根据各条第一典型数据中的工艺参数数据，将所有的第一典型数据中属于同一种工艺的各条第一典型数据归并为该种工艺对应的一条第二典型数据；

根据各条第二典型数据中的力学性能数据，对全部或部分的第二典型数据进行复制，以得到训练样本集；

根据所述训练样本集对贝叶斯神经网络进行训练，得到所述目标型号的钢材性能预测模型。

在一种可能的实现方式中，所述根据所述成分含量数据，将所述多条生产数据中属于同一炉钢材的各条生产数据归并为该炉钢材对应的一条第一典型数据，包括：

将所述多条生产数据中成分含量数据一致的各条生产数据确定为属于同一炉钢材的各条生产数据，获得每一炉钢材对应的生产数据；

针对每一炉钢材对应的生产数据，剔除工艺参数数据在预设波动范围外的各条生产数据和力学性能数据异常的各条生产数据；并对剔除后剩余的生产数据中的成分含量数据、工艺参数数据和力学性能数据分别求平均值，获得该炉钢材对应的一条第一典型数据。

在一种可能的实现方式中，所述根据各条第一典型数据中的工艺参数数据，将所有的第一典型数据中属于同一种工艺的各条第一典型数据归并为该种工艺对应的一条第二典型数据，包括：

根据各条第一典型数据中的工艺参数数据，按照预设聚类数目对所有的第一典型数据进行聚类，获得聚类后每种工艺对应的第一典型数据；