La fabrication intelligente est la tendance inévitable du développement technologique des sociétés par actions dans la nouvelle situation, et c'est aussi une garantie importante pour gagner l'initiative et être invincible dans la concurrence féroce du marché. La construction de 1580 ateliers intelligents de laminage à chaud est le premier projet intelligent de démonstration de Baosteel en tant que projet pilote du ministère de l'Industrie et des Technologies de l'information de la République populaire de Chine. En introduisant et en améliorant les technologies et équipements existants, Baosteel a franchi le pas de la mise à niveau intelligente de l'industrie sidérurgique.
Cet article présentera en détail comment Baosteel utilise l'algorithme intelligent basé sur JMP Pro pour prédire l'élargissement naturel du laminage de finition laminé à chaud de 1580. Il s'agit également d'un complément au contenu du discours de M. Zhu Jianqin, l'ingénieur en chef de la simulation numérique du département des équipements de Baosteel au JMP Discovery Summit Chine 2020 .
Un Contexte du projet - Pourquoi besoin JMP Pro ?
Dans le projet de construction de l'atelier intelligent de laminage à chaud 1580 de Baosteel, le système de contrôle dynamique de la largeur du laminage de finition (DWC) a été utilisé par Primetals Technologies Germany GmbH (PT) pour prédire la largeur naturelle du laminage de finition et un modèle de réseau neuronal auto-ajustable. Intégré dans le système L2, grâce à l'entrée des paramètres de processus L2, la valeur prédite de la largeur naturelle du laminage de finition est calculée, utilisée pour déterminer la largeur cible de laminage grossier et l'auto-ajustement après le laminage, et transmise à L1 comme valeur de référence, et la largeur de laminage de finition est réalisée par L1 Cela a considérablement amélioré la précision de contrôle de la largeur de sortie du laminage de finition à chaud 1580. L'écart moyen entre la valeur prédite du modèle et la valeur réelle n'est que de 1,38 mm (janvier à septembre 2019), voir Figure 1.
Figure 1
Cependant, le modèle de prédiction d'élargissement naturel et de réseau neuronal auto-ajusté de précision fourni par Pratt en Allemagne est un modèle de boîte noire. Le code d'origine est chiffré et ne peut pas être lu ou modifié, et il n'y a pas de description de la structure du modèle. Améliorations telles que l'ajustement des paramètres et l'optimisation du modèle.
Par conséquent, l'équipe espère utiliser l'analyse statistique JMP d'autres outils d'apprentissage automatique, d'apprentissage en profondeur et d'autres outils de modélisation d'intelligence artificielle de la famille de produits pour développer un modèle intelligent pour la prédiction de la largeur naturelle du laminage de finition au laminoir à chaud Baosteel Co., Ltd. 1580. Remplacez le modèle de boîte noire de la société allemande de PT et faites en sorte que l'écart entre la valeur prédite et la valeur réelle du modèle auto-développé atteigne la valeur moyenne mensuelle ≤ 1,7 mm, atteignant ainsi essentiellement le niveau de contrôle du modèle de boîte noire allemand.
Sur cette base, l'équipe a commencé à faire d'autres tentatives et explorations à l'aide d'outils de modélisation prédictive dans JMP Pro.
deux La mise en place d'un modèle de prévision intelligent
1 Collecte et nettoyage des données
L'équipe a recueilli 1580 données de production de laminage de finition laminé à chaud de 2019.01 à 2019.09 pendant neuf mois, et a compilé un programme SAS pour nettoyer et intégrer les données de janvier à août 2019. Un total de 85 423 bandes de données effectives ont été extraites et résumées. Formez un fichier de données Excel.
2 Filtrage des données
01 Utilisez des algorithmes intelligents pour filtrer les facteurs clés
Appliquer l'algorithme de forêt Bootstrap dans le logiciel d'analyse statistique JMP Pro à l'ensemble de données (de janvier à août 2019, 85423 enregistrements, 206 facteurs d'influence) pour la formation d'adaptation, puis à partir des résultats de la formation en fonction de l'élargissement naturel réel Le degré de contribution (selon la somme des carrés de régression), sélectionnez les facteurs d'influence avec la somme des carrés de variance> 3000, soit un total de 31, voir Figure 2.
Figure 2
02 Pratt ( PT ) Héritage de l'expérience de l'entreprise
Le modèle de réseau de neurones élargi naturel fourni par la société allemande Pratt (PT) analyse l'interface d'entrée / sortie du système de diagnostic. Il n'est pas difficile de voir que le modèle de boîte noire de réseau de neurones nécessite 33 composants tels que la composition chimique, la largeur de finition d'entrée et de sortie. Entrez les variables, voir la figure 3.
image 3
03 Synthèse des données
L'équipe a comparé les facteurs clés sélectionnés par l'algorithme de forêt Bootstrap de JMP Pro avec les variables d'entrée requises par le modèle de réseau neuronal de Pratt (PT). On constate que 4 facteurs d'influence sont les mêmes et qu'ils sont une précision pré-calculée. Largeur de la cible de roulement et composition chimique silicium (Si), niobium (Nb), etc.
Dans le même temps, sur la base de l'expérience d'analyse de la qualité de la production, il n'est pas difficile de voir qu'il existe une autocorrélation entre la largeur de roulement approximative réelle, la valeur réelle de la demi-largeur de roulement approximatif, la largeur cible de roulement approximatif et d'autres facteurs, et ces variables et l'équipe doivent s'adapter à la largeur naturelle réelle cible. (Spread_ACT) Il existe également une corrélation linéaire. En utilisant l'outil d'analyse de corrélation linéaire multivariée de JMP Pro pour analyser ces huit facteurs d'influence et les valeurs réelles de l'élargissement naturel, on peut voir qu'il existe une forte corrélation entre les huit facteurs d'influence (coefficient de corrélation r> 0,99) et le La corrélation de la valeur réelle de l'élargissement est également relativement forte (r> 55%). Voir la figure 4.
Graphique 4
En outre, il existe plus de 1 000 codes d'alliage. Bien qu'ils aient un impact sur l'élargissement naturel et contribuent le plus, ils sont trop volumineux pour s'adapter, vous pouvez donc utiliser une méthode de tableau pour l'apprentissage d'auto-ajustement.
Par conséquent, après discussion, il a finalement été décidé de supprimer ces 9 variables, plus les 4 variables répétées pour supprimer un total de 13 facteurs d'influence. De cette manière, il reste 18 facteurs d'influence sur 31, plus 33 facteurs hérités de l'expérience de Pratt, et finalement 51 facteurs d'influence sont déterminés.
3 préparation des données
En réponse aux 51 derniers facteurs influençant la répartition naturelle du laminage final, l'équipe a collecté trois mois de données de juin à août 2019 (un total de 30533 bandes), a utilisé JMP Pro pour lire ces données et La valeur réelle de la largeur naturelle du laminage de finition est utilisée comme valeur cible (Y, variable de réponse), 51 facteurs d'influence sont utilisés comme données d'ajustement (X, paramètres) et 80% de l'ensemble de données d'ajustement est défini au hasard comme jeu d'apprentissage et 20% comme Ensemble de validation.
Trois Formation de modèle intelligent et ajustement hors ligne
L'équipe a essayé d'utiliser deux méthodes de modélisation intelligentes dans le logiciel d'analyse JMP Pro: le réseau neuronal et la méthode de la forêt Bootstrap pour former et vérifier les ensembles de données ci-dessus, et obtenir les résultats suivants:
1 Méthode de modélisation de réseau de neurones appliquée
Figure 5 Figure 6
On peut voir sur les figures 5 et 6 que le modèle obtenu après apprentissage et ajustement à l'aide de l'algorithme de réseau neuronal, le coefficient de détermination R2 après vérification avec les données de vérification est de 0,858, le RMSE est de 1,506 et l'écart absolu moyen est de 1,16, ce qui théoriquement a atteint Les objectifs fixés par l'équipe.
La figure 6 montre le diagramme de dispersion des valeurs prédites des trois modèles (de gauche à droite, modèle JMP, modèle PT et modèle existant de Baosteel) et des valeurs réelles. On peut voir que le modèle ajusté par JMP a le plus petit degré de dispersion.
2 application Amorcer Méthode de modélisation de la méthode forestière
Figure 7 Figure 8
Les figures 7 et 8 montrent que le modèle obtenu après l'entraînement et l'ajustement de la méthode de forêt Bootstrap a un coefficient de détermination R2 de 0,863 et un RMSE de 1,48 après vérification avec les données de vérification, ce qui permet d'obtenir une précision de prédiction plus élevée.
De même, la figure 8 montre les diagrammes de dispersion des valeurs prédites des trois modèles (de gauche à droite, modèle JMP, modèle PT et modèle existant de Baosteel) et des valeurs réelles. On peut voir que le modèle ajusté par JMP a le plus petit degré de dispersion. )
Il peut être vu à partir de l'application des deux algorithmes de modèle intelligent ci-dessus que Amorcer L'effet d'ajustement de l'algorithme forestier est meilleur que celui du réseau neuronal et la précision de la prédiction est plus élevée Ces deux méthodes de modélisation ont atteint l'objectif de l'équipe du projet.
Cependant, ce n'est que le résultat de l'analyse théorique des données.L'effet réel de l'application est d'utiliser les données de contrôle réelles sur place pour parler. Comment appliquer les modèles établis par ces algorithmes intelligents au contrôle réel est un travail vraiment significatif.
La fonction d'exportation de modèle du logiciel JMP Pro établit un pont entre la théorie et la pratique pour l'équipe, et comble le fossé entre l'analyse hors ligne et l'application en ligne, et fait du fossé une voie de communication.
quatre Vérification en ligne des modèles intelligents
1 Exportation de modèle
Le logiciel JMP Pro est utilisé pour convertir ces deux algorithmes de modèles intelligents en codes de langage C, franchissant ainsi une étape critique pour l'application pratique des modèles de contrôle intelligents sur le terrain.
2 Vérification en ligne des modèles
Le code en langage C converti à partir des deux algorithmes de modèle intelligent est compilé et intégré dans le processus prédéfini de la machine analogique hors ligne de l'ordinateur de processus d'ébauche de laminage à chaud 1580, puis testé à l'aide des données en septembre 2019, c'est-à-dire que le facteur d'entrée est Selon les données réelles de la bande d'acier en septembre, le modèle intelligent est utilisé pour prédire la largeur naturelle du laminage de finition, puis la même formule de calcul de l'écart type de Pratt PT est utilisée pour calculer les écarts-types du modèle Baosteel, du modèle PT et du modèle intelligent JMP, voir la figure ci-dessous 9:
Image 9
On peut le voir sur la figure 9, À partir des résultats réels des prévisions, JMP Le résultat de la prédiction du modèle ajusté par la méthode forestière a atteint le résultat de la prédiction du modèle existant de Baosteel !
Cinq Résumé du projet et expérience
En utilisant les méthodes d'analyse et de modélisation intelligentes du logiciel d'analyse statistique JMP Pro, l'équipe a formé, vérifié et ajusté la valeur prédite, la valeur réelle et les paramètres associés de l'étalement naturel de 1580 laminés finis à chaud, et a obtenu le réseau neuronal et Les deux modèles de contrôle intelligents de Bootstrap Forest, leur précision de prédiction théorique et leur précision de vérification atteignent complètement la précision du modèle de réseau neuronal de la société allemande Pratt.
Dans le même temps, à l'aide de la fonction de publication de modèle du logiciel JMP Pro, l'équipe a obtenu son code en langage C et a effectué le test réel du processus de préréglage sur la machine analogique de l'ordinateur de contrôle de programme sur site, et a obtenu de très bons résultats. Le test et la vérification de la production en ligne en une seule étape ont jeté des bases solides.
De plus, au cours du processus d'analyse et de modélisation, l'équipe a également résumé les expériences suivantes pour votre référence:
- La durée du matériel de formation ne doit pas être trop longue, 3 à 4 mois sont appropriés;
- La quantité de données pour la vérification de la formation ne doit pas être trop importante et 30 000 à 40 000 enregistrements sont appropriés;
- S'il est équipé d'une fonction d'apprentissage auto-ajustable, la précision de la prédiction peut être plus élevée.
On peut voir qu'avec l'introduction et l'avancement de la stratégie Made in China 2025, l'industrie manufacturière se transforme et passe progressivement de la fabrication à la «fabrication intelligente», et il est impératif que la fabrication intelligente donne les moyens aux futures aciéries. L'essai et l'exploration du projet d'élargissement naturel de laminage à chaud 1580 de Baosteel fournissent une bonne référence et une base pour la route de fabrication intelligente d'autres lignes de produits de Baosteel. Les outils d'analyse scientifique deviendront sûrement indispensables pour que l'industrie manufacturière s'oriente vers la poésie Moteur puissant.
