스마트 제조는 새로운 상황에서 주식회사의 기술 발전이 불가피한 추세이며, 치열한 시장 경쟁에서 이니셔티브를 이기고 무적임을 보장하는 중요한 역할을한다. 1580 열간 압연 스마트 워크샵 건설은 중화 인민 공화국 산업 정보 기술부의 시범 사업 인 바오 스틸 최초의 스마트 실증 프로젝트이다. 바오 스틸은 기존 기술과 장비를 도입하고 업그레이드하여 철강 산업의 스마트 업그레이드 단계를 밟았다.
이 기사에서는 Baosteel이 JMP Pro 기반 지능형 알고리즘을 사용하여 1580 열간 압연 마감 압연의 자연적 확대를 예측하는 방법을 자세히 소개합니다. 또한 2020 JMP Discovery Summit China에서 Baosteel Co., Ltd.의 장비 부서 수석 엔지니어 인 Zhu Jianqin의 연설 내용을 보완합니다. .
하나 프로젝트 배경 — 필요한 이유 JMP Pro ?
Baosteel의 1580 열간 압연 스마트 작업장 건설 프로젝트에서 Primetals Technologies Germany GmbH (PT)는 마감 압연 동적 폭 제어 (DWC) 시스템을 사용하여 마감 압연의 자연 폭과 자체 조정 신경망 모델을 예측했습니다. L2 시스템에 내장 된 L2 공정 파라미터 입력을 통해 정삭 압연의 자연 폭 예측값을 계산하여 압연 후 조간 압연 목표 폭 및 자체 조정을 결정하고 기준값으로 L1에 전송하여 L1에 의해 마무리 압연 폭을 실현 이로 인해 1580 열간 압연 마감 압연의 출구 폭 제어 정확도가 크게 향상되었습니다. 모델의 예측 값과 실제 값 사이의 평균 편차는 1.38mm (2019 년 1 월 ~ 9 월)에 불과합니다 (그림 1 참조).
그림 1
그러나 독일 Pratt에서 제공하는 정밀 압연 자연 확장 예측 및자가 조정 신경망 모델은 블랙 박스 모델로 원본 코드는 암호화되어 있으며 읽거나 수정할 수 없으며 모델 구조 설명이 없습니다. 매개 변수 조정 및 모델 최적화와 같은 개선.
따라서 팀은 제품군의 다른 기계 학습, 딥 러닝 및 기타 인공 지능 모델링 도구의 JMP 통계 분석을 사용하여 Baosteel Co., Ltd. 1580 열간 압연기에서 정삭 압연의 자연 폭 예측을위한 지능형 모델을 개발하기를 희망합니다. 독일 PT 사의 블랙 박스 모델을 대체하고, 자체 개발 한 모델의 예측값과 실제 값의 편차를 월 평균값 ≤ 1.7mm로하여 기본적으로 독일 블랙 박스 모델의 제어 수준에 도달하도록한다.
이를 바탕으로 팀은 JMP Pro의 예측 모델링 도구를 사용하여 추가 시도와 탐색을 시작했습니다.
두 지능형 예측 모델 구축
1 데이터 수집 및 정리
팀은 2019.01부터 2019.09까지 9 개월 동안 1580 개의 열간 압연 마감 압연 생산 데이터를 수집하고, 2019 년 1 월부터 8 월까지 데이터를 정리 및 통합하기 위해 SAS 프로그램을 컴파일했습니다. 총 85,423 개의 유효 데이터 스트립이 추출 및 요약되었습니다. Excel 데이터 파일을 만듭니다.
2 데이터 필터링
01 스마트 알고리즘을 사용하여 주요 요인 필터링
JMP Pro 통계 분석 소프트웨어의 부트 스트랩 포리스트 알고리즘을 데이터 세트 (2019 년 1 월부터 8 월까지 85423 개 레코드, 206 개의 영향 요인)에 적용하여 훈련을 맞춘 다음 실제 자연 확장에 따라 훈련 결과에서 적용합니다. 기여도 (회귀 제곱합에 따라), 분산 제곱합> 3000, 총 31 인 영향 요인을 선택합니다 (그림 2 참조).
그림 2
02 프랫 ( PT ) 회사 경험의 상속
독일 프랫 (PT) 사에서 제공하는 자연 확장 신경망 모델은 진단 시스템의 입출력 인터페이스를 분석 한 것으로, 신경망 블랙 박스 모델은 화학 성분, 입구와 출구의 마무리 폭 등 33 개의 구성 요소를 필요로한다는 사실을 쉽게 알 수있다. 변수를 입력합니다 (그림 3 참조).
이미지 3
03 데이터 합성
연구팀은 JMP Pro의 Bootstrap 포레스트 알고리즘이 선택한 주요 요인과 Pratt의 (PT) 신경망 모델에서 요구하는 입력 변수를 비교 한 결과 4 개의 영향 요인이 동일하며 미리 계산 된 정밀도임을 확인할 수 있습니다. 롤링 타겟 폭 및 화학 성분 실리콘 (Si), 니오븀 (Nb) 등
동시에 생산 품질 분석 경험을 바탕으로 실제 거친 압연 폭, 거친 압연 절반 폭의 실제 값, 거친 압연 목표 폭 및 기타 요인 사이에 자기 상관이 있는지 확인하는 것이 어렵지 않으며 이러한 변수와 팀은 목표 실제 자연 폭에 맞아야합니다. (Spread_ACT) 선형 상관 관계도 있습니다. JMP Pro의 다변량 선형 상관 분석 도구를 사용하여 이러한 8 가지 영향 요인과 자연 확장의 실제 값을 분석하면 8 가지 영향 요인 (상관 계수 r> 0.99) 사이에 강한 상관 관계가 있음을 알 수 있습니다. 확대의 실제 값의 상관 관계도 상대적으로 강합니다 (r> 55 %). 그림 4를 참조하십시오.
그림 4
또한 1,000 개가 넘는 합금 코드가 있으며, 자연적인 확장에 영향을 미치고 가장 큰 기여를하지만 너무 커서 맞지 않아 자기 조정 학습을위한 테이블 방법을 사용할 수 있습니다.
따라서 논의 후 최종적으로이 9 개의 변수와 반복되는 4 개의 변수를 삭제하여 총 13 개의 영향 요인을 삭제하기로 결정했습니다. 이런 식으로 31 개의 영향 요인이 18 개 남아 있고 Pratt의 경험에서 물려받은 33 개의 요인이 있으며 마지막으로 51 개의 영향 요인이 결정됩니다.
삼 데이터 준비
마무리 롤링의 자연스러운 확산에 영향을 미치는 최종 51 개의 영향 요인에 대한 응답으로 팀은 2019 년 6 월부터 8 월까지 3 개월의 데이터 (총 30533 개 스트립)를 수집하고 JMP Pro를 사용하여 이러한 데이터를 읽었습니다. 정삭 압연의 자연 폭의 실제 값은 목표 값 (Y, 반응 변수)으로 사용되며 51 개의 영향 요인은 피팅 데이터 (X, 매개 변수)로 사용되며 피팅 데이터 세트의 80 %는 훈련 세트로, 20 %는 훈련 세트로 무작위로 설정됩니다. 검증 세트.
세 스마트 모델 훈련 및 오프라인 피팅
팀은 JMP Pro 분석 소프트웨어에서 두 가지 지능형 모델링 방법, 즉 신경망과 부트 스트랩 포레스트 방법을 사용하여 위의 데이터 세트를 훈련 및 확인하고 다음과 같은 결과를 얻으려고했습니다.
1 적용된 신경망 모델링 방법
그림 5 그림 6
그림 5와 그림 6에서 신경망 알고리즘을 사용하여 훈련 및 피팅 한 후 얻은 모델, 검증 데이터로 검증 한 후 결정 계수 R2는 0.858, RMSE는 1.506, 평균 절대 편차는 1.16으로 이론적으로 도달 한 것을 알 수 있습니다. 팀이 설정 한 목표.
그림 6은 3 개 모델 (왼쪽에서 오른쪽으로, JMP 모델, PT 모델 및 Baosteel의 기존 모델)의 예측값과 실제 값의 산포도를 보여줍니다 .JMP가 장착 한 모델의 분산도가 가장 작은 것을 알 수 있습니다.
2 신청 부트 스트랩 산림 방법 모델링 방법
그림 7 그림 8
그림 7과 그림 8에서 부트 스트랩 포레스트 방법을 학습하고 장착 한 후 얻은 모델의 결정 계수 R2는 0.863이고 검증 데이터로 검증 한 후 RMSE는 1.48로 더 높은 예측 정확도를 달성 함을 알 수 있습니다.
마찬가지로 그림 8은 3 개 모델 (왼쪽에서 오른쪽으로, JMP 모델, PT 모델, Baosteel의 기존 모델)의 예측값과 실제 값의 산포도를 보여줍니다 .JMP가 장착 한 모델의 분산도가 가장 작은 것을 알 수 있습니다. )
위의 두 가지 스마트 모델 알고리즘의 응용 프로그램에서 볼 수 있습니다. 부트 스트랩 산림 알고리즘의 피팅 효과는 신경망보다 우수하고 예측 정확도가 더 높으며 두 모델링 방법 모두 프로젝트 팀의 목표에 도달했습니다.
그러나 이것은 데이터의 이론적 분석 결과 일 뿐이며 실제 적용 효과는 현장에서 실제 제어 데이터를 사용하여 말하는 것입니다. 이러한 스마트 알고리즘으로 설정된 모델을 실제 제어에 적용하는 방법은 정말 의미있는 작업입니다.
JMP Pro 소프트웨어의 모델 내보내기 기능은 팀을위한 이론에서 실습까지의 다리를 만들고 오프라인 분석과 온라인 응용 프로그램 간의 격차를 해소하고 스카이 트렌치를 통행로로 만듭니다.
네 스마트 모델의 온라인 검증
1 모델 내보내기
JMP Pro 소프트웨어는이 두 가지 스마트 모델 알고리즘을 C 언어 코드로 변환하는 데 사용되므로 현장에서 스마트 제어 모델의 실제 적용을위한 중요한 단계를 수행합니다.
2 모델의 온라인 검증
두 가지 스마트 모델 알고리즘에서 변환 된 C 언어 코드는 1580 열간 압연 황삭 공정 컴퓨터 오프라인 아날로그 기계의 사전 설정 공정에 컴파일 및 통합 된 다음 2019 년 9 월 데이터를 사용하여 테스트됩니다. 즉, 입력 계수는 다음과 같습니다. 9 월 강판의 실제 데이터에 따르면 스마트 모델을 사용하여 정삭 압연의 자연 폭을 예측 한 다음 Pratt PT와 동일한 표준 편차 계산 공식을 사용하여 Baosteel 모델, PT 모델 및 JMP 스마트 모델의 표준 편차를 계산합니다. 아래 그림 참조 9 :
그림 9
그림 9에서 볼 수 있습니다. 실제 예측 결과에서 JMP 산림법을 적용한 모델의 예측 결과는 Baosteel의 기존 모델의 예측 결과에 도달했습니다. !
파이브 프로젝트 요약 및 경험
JMP Pro 통계 분석 소프트웨어의 지능형 분석 및 모델링 방법을 사용하여 팀은 1580 열간 압연 마무리 롤링의 자연 확산에 대한 예측 값, 실제 값 및 관련 매개 변수를 훈련, 검증 및 맞추고 신경망 및 Bootstrap Forest의 두 가지 지능형 제어 모델, 이론적 예측 정확도 및 검증 정확도는 German Pratt 회사의 신경망 모델의 정확도에 완전히 도달합니다.
동시에 JMP Pro 소프트웨어의 모델 릴리스 기능의 도움으로 팀은 C 언어 코드를 얻고 현장 프로그램 제어 컴퓨터의 아날로그 기계에서 사전 설정 프로세스의 실제 테스트를 수행하여 매우 좋은 결과를 얻었습니다. 1 단계 온라인 생산 테스트 및 검증은 견고한 기반을 마련했습니다.
또한 분석 및 모델링 프로세스 중에 팀은 참조를 위해 다음 경험을 요약했습니다.
- 교육 자료의 기간은 너무 길지 않아야하며 3 ~ 4 개월이 적절합니다.
- 훈련 검증을위한 데이터의 양은 너무 크지 않아야하며 30,000 ~ 40,000 개의 레코드가 적절합니다.
- 자가 조정 학습 기능을 탑재하면 예측 정확도가 높아질 수 있습니다.
Made in China 2025 전략의 도입과 발전에 따라 제조 산업은 점차적으로 제조업에서 "스마트 제조"로 변화하고 업그레이드되고 있으며, 스마트 제조가 미래 제철소에 힘을 실어주는 것이 필수적임을 알 수 있습니다. Baosteel의 1580 열간 압연 마감 압연 자연 확장 프로젝트의 시도와 탐구는 Baosteel의 다른 제품 라인의 스마트 제조 도로에 대한 좋은 참조와 기초를 제공합니다. 과학 분석 도구는 제조 산업이 시로 나아가는 데 필수 불가결 한 요소가 될 것입니다. 강력한 엔진.
