Intelligente Fertigung ist der unvermeidliche Trend der technologischen Entwicklung von Aktiengesellschaften in der neuen Situation und eine wichtige Garantie, um die Initiative zu gewinnen und im harten Marktwettbewerb unbesiegbar zu sein. Der Bau einer Warmwalz-Smart-Werkstatt aus dem Jahr 1580 ist Baosteels erstes intelligentes Demonstrationsprojekt als Pilotprojekt des Ministeriums für Industrie und Informationstechnologie der Volksrepublik China. Durch die Einführung und Aufrüstung bestehender Technologien und Geräte hat Baosteel den Schritt zur intelligenten Aufrüstung der Stahlindustrie unternommen.
In diesem Artikel wird detailliert vorgestellt, wie Baosteel den auf JMP Pro basierenden intelligenten Algorithmus verwendet, um die natürliche Ausbreitung des warmgewalzten 1580-Walzens vorherzusagen. Er ist auch eine Ergänzung zum Inhalt der Rede von Herrn Zhu Jianqin, dem Chefingenieur für digitale Modellierung der Baosteel-Ausrüstungsabteilung auf dem JMP Discovery Summit China 2020 .
Einer Projekthintergrund - - Warum brauchen JMP Pro ?
Im Bauprojekt von Baosteels 1580er Warmwalz-Smart-Werkstatt wurde das DWC-System (Dynamic Width Control Control) für das Endwalzen von der Primetals Technologies Germany GmbH (PT) verwendet, um die natürliche Breite des Walzens und ein sich selbst anpassendes neuronales Netzwerkmodell vorherzusagen Eingebettet in das L2-System wird durch Eingabe der L2-Prozessparameter der vorhergesagte Wert der natürlichen Breite des Fertigwalzens berechnet, zur Bestimmung der Zielbreite und der Selbsteinstellung nach dem Walzen verwendet und als Referenzwert an L1 übertragen, und die Walzbreite des Fertigwalzens wird von L1 realisiert Dies hat die Steuergenauigkeit der Austrittsbreite des Warmwalzwalzens 1580 erheblich verbessert. Die durchschnittliche Abweichung zwischen dem vorhergesagten Wert des Modells und dem tatsächlichen Wert beträgt nur 1,38 mm (Januar bis September 2019), siehe Abbildung 1.
Abbildung 1
Das von Pratt in Deutschland bereitgestellte präzisionsgerollte natürliche Verbreiterungsvorhersage- und selbstanpassende neuronale Netzwerkmodell ist jedoch ein Black-Box-Modell. Der ursprüngliche Code ist verschlüsselt und kann nicht gelesen oder geändert werden, und es gibt keine Beschreibung der Modellstruktur. Verbesserungen wie Parameteranpassung und Modelloptimierung.
Daher hofft das Team, mithilfe der statistischen JMP-Analyse anderer maschineller Lern-, Tiefenlern- und anderer Werkzeuge zur Modellierung künstlicher Intelligenz in der Produktfamilie ein intelligentes Modell für die Vorhersage der natürlichen Breite des Fertigwalzens im Warmwalzwerk Baosteel Co., Ltd. 1580 entwickeln zu können. Ersetzen Sie das Black-Box-Modell eines deutschen PT-Unternehmens und lassen Sie die Abweichung zwischen dem vorhergesagten Wert und dem tatsächlichen Wert des selbst entwickelten Modells den monatlichen Durchschnittswert ≤ 1,7 mm erreichen, wodurch im Wesentlichen das Kontrollniveau des deutschen Black-Box-Modells erreicht wird.
Auf dieser Grundlage begann das Team mit Hilfe von Vorhersagemodellierungswerkzeugen in JMP Pro weitere Versuche und Erkundungen durchzuführen.
zwei Die Etablierung eines intelligenten Prognosemodells
1 Datenerfassung und -bereinigung
Das Team sammelte neun Monate lang 1580 warmgewalzte Fertigwalzproduktionsdaten von 2019.01 bis 2019.09 und erstellte ein SAS-Programm zur Bereinigung und Integration der Daten von Januar bis August 2019. Insgesamt wurden 85.423 Streifen effektiver Daten extrahiert und zusammengefasst. Bilden Sie eine Excel-Datendatei.
2 Datenfilterung
01 Verwenden Sie intelligente Algorithmen, um Schlüsselfaktoren zu filtern
Wenden Sie den Bootstrap-Gesamtstrukturalgorithmus in der statistischen Analysesoftware JMP Pro auf den Datensatz (von Januar bis August 2019, 85423 Datensätze, 206 Einflussfaktoren) an, um das Training anzupassen, und dann auf die Trainingsergebnisse entsprechend der tatsächlichen natürlichen Erweiterung Wählen Sie den Grad des Beitrags (gemäß der Regressionssumme der Quadrate) die Einflussfaktoren mit der Summe der Varianzquadrate> 3000 aus, insgesamt 31, siehe Abbildung 2.
Figur 2
02 Pratt ( PT ) Vererbung von Unternehmenserfahrung
Das von der deutschen Firma Pratt (PT) bereitgestellte Modell eines natürlich erweiterten neuronalen Netzwerks analysiert die Eingabe- / Ausgabeschnittstelle des Diagnosesystems. Es ist nicht schwer zu erkennen, dass das Black-Box-Modell des neuronalen Netzwerks 33 Komponenten wie die chemische Zusammensetzung, die Endbreite des Ein- und Ausgangs erfordert. Geben Sie die Variablen ein, siehe Abbildung 3.
Bild 3
03 Datensynthese
Das Team verglich die vom Bootstrap-Forest-Algorithmus von JMP Pro ausgewählten Schlüsselfaktoren mit den Eingabevariablen, die für das neuronale Netzwerkmodell von Pratt (PT) erforderlich sind. Es wurde festgestellt, dass 4 Einflussfaktoren gleich sind und eine vorberechnete Genauigkeit aufweisen. Rolltargetbreite und chemische Zusammensetzung Silizium (Si), Niob (Nb) usw.
Gleichzeitig ist es auf der Grundlage der Erfahrung mit der Analyse der Produktionsqualität nicht schwer zu erkennen, dass eine Autokorrelation zwischen der tatsächlichen Rohwalzbreite, dem tatsächlichen Wert der Rohwalzhalbbreite, der Rohwalzzielbreite und anderen Faktoren besteht. Diese Variablen und das Team müssen an die tatsächliche Zielbreite angepasst werden (Spread_ACT) Es gibt auch eine lineare Korrelation. Mit dem multivariaten linearen Korrelationsanalysetool von JMP Pro zur Analyse dieser acht Einflussfaktoren und der tatsächlichen Werte der natürlichen Verbreiterung kann festgestellt werden, dass eine starke Korrelation zwischen den acht Einflussfaktoren (Korrelationskoeffizient r> 0,99) und dem besteht Die Korrelation des tatsächlichen Wertes der Verbreiterung ist ebenfalls relativ stark (r> 55%). Siehe Abbildung 4.
Figur 4
Darüber hinaus gibt es mehr als 1.000 Legierungscodes. Obwohl sie sich auf die natürliche Verbreiterung auswirken und am meisten dazu beitragen, sind sie zu groß, um zu passen, sodass Sie eine Tabellenmethode zum Lernen der Selbstanpassung verwenden können.
Daher wurde nach der Diskussion schließlich beschlossen, diese 9 Variablen sowie die wiederholten 4 Variablen zu löschen, um insgesamt 13 Einflussfaktoren zu löschen. Auf diese Weise bleiben 18 Einflussfaktoren von 31 plus 33 aus Pratts Erfahrung geerbte Faktoren übrig, und schließlich werden 51 Einflussfaktoren bestimmt.
3 Datenaufbereitung
Als Reaktion auf die letzten 51 Einflussfaktoren, die die natürliche Ausbreitung des Fertigwalzens beeinflussen, sammelte das Team von Juni bis August 2019 Daten für drei Monate (insgesamt 30533 Streifen), verwendete JMP Pro zum Lesen dieser Daten und Der tatsächliche Wert der natürlichen Breite des Fertigwalzens wird als Zielwert (Y, Antwortvariable) verwendet, 51 Einflussfaktoren werden als Anpassungsdaten (X, Parameter) verwendet und 80% des Anpassungsdatensatzes werden zufällig als Trainingssatz und 20% als Trainingssatz festgelegt Validierungssatz.
drei Intelligentes Modelltraining und Offline-Anpassung
Das Team versuchte, zwei intelligente Modellierungsmethoden in der JMP Pro-Analysesoftware zu verwenden: das neuronale Netzwerk und die Bootstrap-Gesamtstrukturmethode, um die oben genannten Datensätze zu trainieren und zu überprüfen und die folgenden Ergebnisse zu erhalten:
1 Angewandte Modellierungsmethode für neuronale Netze
Abbildung 5 Abbildung 6
Aus 5 und 6 ist ersichtlich, dass das Modell, das nach dem Training und Anpassen unter Verwendung des neuronalen Netzwerkalgorithmus erhalten wurde, der Bestimmungskoeffizient R2 nach Verifizierung mit den Verifizierungsdaten 0,858 beträgt, der RMSE 1,506 beträgt und die durchschnittliche absolute Abweichung 1,16 beträgt, was theoretisch erreicht wurde Die vom Team gesetzten Ziele.
Abbildung 6 zeigt das Streudiagramm der vorhergesagten Werte der drei Modelle (von links nach rechts, JMP-Modell, PT-Modell und Baosteels vorhandenes Modell) und der tatsächlichen Werte. Es ist ersichtlich, dass das von JMP angepasste Modell den geringsten Streuungsgrad aufweist.
2 Anwendung Bootstrap Modellierungsmethode für Waldmethoden
Abbildung 7 Abbildung 8
Aus 7 und 8 ist ersichtlich, dass das Modell, das nach dem Trainieren und Anpassen der Bootstrap-Waldmethode erhalten wurde, einen Bestimmungskoeffizienten R2 von 0,863 und einen RMSE von 1,48 nach Verifizierung mit den Verifizierungsdaten aufweist, wodurch eine höhere Vorhersagegenauigkeit erzielt wird.
In ähnlicher Weise zeigt 8 die Streudiagramme der vorhergesagten Werte der drei Modelle (von links nach rechts, JMP-Modell, PT-Modell und Baosteels vorhandenes Modell) und der tatsächlichen Werte. Es ist ersichtlich, dass das von JMP angepasste Modell den geringsten Streuungsgrad aufweist. )
Aus der Anwendung der beiden oben genannten intelligenten Modellalgorithmen ist ersichtlich, dass Bootstrap Der Anpassungseffekt des Waldalgorithmus ist besser als der des neuronalen Netzwerks und die Vorhersagegenauigkeit ist höher. Beide Modellierungsmethoden haben das Ziel des Projektteams erreicht.
Dies ist jedoch nur das Ergebnis der theoretischen Analyse der Daten. Der tatsächliche Anwendungseffekt besteht darin, die tatsächlichen Kontrolldaten vor Ort zum Sprechen zu verwenden. Es ist wirklich sinnvoll, die von diesen intelligenten Algorithmen erstellten Modelle auf die tatsächliche Steuerung anzuwenden.
Die Modellexportfunktion der JMP Pro-Software schlägt für das Team eine Brücke von der Theorie zur Praxis, schließt die Lücke zwischen Offline-Analyse und Online-Anwendung und macht den Graben in eine Zukunft.
vier Online-Überprüfung von Smart Models
1 Modellexport
Die JMP Pro-Software wird verwendet, um diese beiden Algorithmen für intelligente Modelle in C-Sprachcodes umzuwandeln. Dies ist ein entscheidender Schritt für die praktische Anwendung intelligenter Steuerungsmodelle im Feld.
2 Online-Überprüfung von Modellen
Der aus den beiden intelligenten Modellalgorithmen konvertierte C-Sprachcode wird kompiliert und in den voreingestellten Prozess der Offline-Analogmaschine des Warmwalzprozesscomputers 1580 integriert und dann im September 2019 anhand der Daten getestet, dh der Eingabefaktor ist Nach den tatsächlichen Daten von Bandstahl im September wird das Smart-Modell verwendet, um die natürliche Breite des Fertigwalzens vorherzusagen, und dann wird dieselbe Standardabweichungsberechnungsformel von Pratt PT verwendet, um die Standardabweichungen des Baosteel-Modells, des PT-Modells und des JMP-Smart-Modells zu berechnen. 9:
Bild 9
Es ist aus 9 ersichtlich, Aus den tatsächlichen Prognoseergebnissen JMP Das Vorhersageergebnis des nach der Waldmethode angepassten Modells hat das Vorhersageergebnis des bestehenden Modells von Baosteel erreicht !
Fünf Projektzusammenfassung und Erfahrung
Unter Verwendung der intelligenten Analyse- und Modellierungsmethoden in der statistischen Analysesoftware JMP Pro trainierte, verifizierte und passte das Team den vorhergesagten Wert, den tatsächlichen Wert und die zugehörigen Parameter der natürlichen Ausbreitung des warmgewalzten 1580-Walzens an und erhielt das neuronale Netzwerk und Die beiden intelligenten Steuerungsmodelle von Bootstrap Forest, ihre theoretische Vorhersagegenauigkeit und Verifizierungsgenauigkeit, erreichen vollständig die Genauigkeit des neuronalen Netzwerkmodells der deutschen Firma Pratt.
Gleichzeitig erhielt das Team mit Hilfe der Modellfreigabefunktion der JMP Pro-Software den C-Sprachcode, führte den eigentlichen Test des voreingestellten Prozesses auf der analogen Maschine des Programmsteuerungscomputers vor Ort durch und erzielte sehr gute Ergebnisse. Der einstufige Online-Produktionstest und die Verifizierung legten eine solide Grundlage.
Darüber hinaus hat das Team während des Analyse- und Modellierungsprozesses die folgenden Erfahrungen als Referenz zusammengefasst:
- Die Zeitspanne für Schulungsunterlagen sollte nicht zu lang sein. 3 bis 4 Monate sind angemessen.
- Die Datenmenge für die Überprüfung des Trainings sollte nicht zu groß sein, und 30.000 bis 40.000 Datensätze sind angemessen.
- Bei Ausstattung mit einer sich selbst anpassenden Lernfunktion kann die Vorhersagegenauigkeit höher sein.
Es ist ersichtlich, dass sich die Fertigungsindustrie mit der Einführung und Weiterentwicklung der Strategie Made in China 2025 allmählich von der Fertigung zur "intelligenten Fertigung" wandelt und aufrüstet. Für die intelligente Fertigung ist es unerlässlich, künftige Stahlwerke zu stärken. Der Versuch und die Erkundung von Baosteels 1580 Warmwalz-Walzwerk-Naturverbreiterungsprojekt bietet eine gute Referenz und Grundlage für die intelligente Fertigungsstraße anderer Produktlinien von Baosteel. Wissenschaftliche Analysewerkzeuge werden für die Fertigungsindustrie sicherlich unverzichtbar, um sich in Richtung Poesie und weit zu bewegen Leistungsstarker Motor.
