La produzione intelligente è l'inevitabile tendenza dello sviluppo tecnologico delle società per azioni nella nuova situazione, ed è anche un'importante garanzia per vincere l'iniziativa ed essere invincibili nella feroce concorrenza di mercato. La costruzione dell'officina intelligente per laminazione a caldo 1580 è il primo progetto intelligente dimostrativo di Baosteel come progetto pilota del Ministero dell'Industria e della Tecnologia dell'Informazione della Repubblica Popolare Cinese. Introducendo e aggiornando le tecnologie e le attrezzature esistenti, Baosteel ha compiuto il passo dell'aggiornamento intelligente dell'industria siderurgica.
Questo articolo introdurrà in dettaglio come Baosteel utilizza l'algoritmo intelligente basato su JMP Pro per prevedere il naturale allargamento della laminazione di finitura laminata a caldo 1580. È anche un supplemento al contenuto del discorso del signor Zhu Jianqin, l'ingegnere capo della simulazione digitale del dipartimento attrezzature Baosteel al JMP Discovery Summit China 2020 .
Uno Background del progetto - Perché bisogno JMP Pro ?
Nel progetto di costruzione dell'officina intelligente di laminazione a caldo 1580 di Baosteel, Primetals Technologies Germany GmbH (PT) ha utilizzato il sistema DWC (Finitura Rolling Dynamic Width Control) per prevedere la larghezza naturale della laminazione di finitura e un modello di rete neurale autoregolante Integrato nel sistema L2, attraverso l'inserimento dei parametri di processo L2, viene calcolato il valore previsto della larghezza naturale della laminazione di finitura, utilizzato per determinare la larghezza target di laminazione grezza e l'autoregolazione dopo la laminazione, e trasmesso a L1 come valore di riferimento, e la larghezza di laminazione di finitura è realizzata da L1 Ciò ha notevolmente migliorato la precisione di controllo della larghezza di uscita della laminazione di finitura a caldo 1580. La deviazione media tra il valore previsto del modello e il valore effettivo è di soli 1,38 mm (da gennaio a settembre 2019), vedere Figura 1.
Figura 1
Tuttavia, la previsione dell'ampliamento naturale con precisione e il modello di rete neurale autoregolante fornito da Pratt in Germania è un modello a scatola nera. Il codice originale è crittografato e non può essere letto o modificato e non esiste una descrizione della struttura del modello. Miglioramenti come la regolazione dei parametri e l'ottimizzazione del modello.
Pertanto, il team spera di utilizzare l'analisi statistica JMP di altri strumenti di machine learning, deep learning e altri strumenti di modellazione dell'intelligenza artificiale nella famiglia di prodotti per sviluppare un modello intelligente per la previsione della larghezza naturale della laminazione di finitura presso il laminatoio a caldo Baosteel Co., Ltd. 1580. Sostituire il modello di scatola nera dell'azienda tedesca di PT e fare in modo che la deviazione tra il valore previsto e il valore effettivo del modello auto-sviluppato raggiunga il valore medio mensile ≤ 1,7 mm, raggiungendo così sostanzialmente il livello di controllo del modello di scatola nera tedesco.
Sulla base di ciò, il team ha iniziato a fare ulteriori tentativi ed esplorazioni con l'aiuto degli strumenti di modellazione predittiva in JMP Pro.
Due La creazione di un modello di previsione intelligente
1 Raccolta e pulizia dei dati
Il team ha raccolto 1580 dati sulla produzione di laminazione di finitura laminata a caldo dal 2019.01 al 2019.09 per nove mesi e ha compilato un programma SAS per ripulire e integrare i dati da gennaio ad agosto 2019. È stato estratto e riepilogato un totale di 85.423 strisce di dati effettivi. Forma un file di dati Excel.
2 Filtraggio dei dati
01 Utilizza algoritmi intelligenti per filtrare i fattori chiave
Applicare l'algoritmo della foresta Bootstrap nel software di analisi statistica JMP Pro al set di dati (da gennaio ad agosto 2019, 85423 record, 206 fattori di influenza) per l'adattamento dell'addestramento, quindi dai risultati dell'addestramento in base all'effettivo ampliamento naturale Il grado di contributo (in base alla somma dei quadrati di regressione), seleziona i fattori di influenza con la somma dei quadrati della varianza> 3000, per un totale di 31, vedi Figura 2.
figura 2
02 Pratt ( PT ) Ereditarietà dell'esperienza aziendale
Il modello di rete neurale allargata naturale fornito dalla società tedesca Pratt (PT) analizza l'interfaccia input / output del sistema diagnostico. Non è difficile vedere che il modello black box della rete neurale richiede 33 componenti come composizione chimica, larghezza di finitura di ingresso e di uscita. Immettere le variabili, vedere la Figura 3.
immagine 3
03 Sintesi dei dati
Il team ha confrontato i fattori chiave selezionati dall'algoritmo della foresta Bootstrap di JMP Pro con le variabili di input richieste dal modello di rete neurale di Pratt (PT). Si può riscontrare che 4 fattori di influenza sono gli stessi e sono precalcolati di precisione. Larghezza dell'obiettivo di rotolamento e composizione chimica silicio (Si), niobio (Nb), ecc.
Allo stesso tempo, sulla base dell'esperienza di analisi della qualità della produzione, non è difficile vedere che esiste un'autocorrelazione tra l'effettiva larghezza di rotolamento approssimativa, il valore effettivo della metà larghezza di rotolamento ruvida, la larghezza dell'obiettivo di rotolamento ruvido e altri fattori, e queste variabili e il team devono adattarsi alla larghezza naturale effettiva dell'obiettivo (Spread_ACT) C'è anche una correlazione lineare. Utilizzando lo strumento di analisi della correlazione lineare multivariata di JMP Pro per analizzare questi otto fattori di influenza e i valori effettivi dell'ampliamento naturale, si può vedere che esiste una forte correlazione tra gli otto fattori di influenza (coefficiente di correlazione r> 0,99) e il Anche la correlazione del valore effettivo dell'ampliamento è relativamente forte (r> 55%). Vedi figura 4.
Figura 4
Inoltre, ci sono più di 1.000 codici di lega. Sebbene abbiano un impatto sull'allargamento naturale e contribuiscano maggiormente, sono troppo grandi per adattarsi, quindi è possibile utilizzare un metodo di tabella per l'apprendimento autoregolante.
Pertanto, dopo la discussione, è stato finalmente deciso di eliminare queste 9 variabili, più le 4 variabili ripetute per eliminare un totale di 13 fattori di influenza. In questo modo, ci sono 18 fattori di influenza rimanenti su 31, più 33 fattori ereditati dall'esperienza di Pratt e infine vengono determinati 51 fattori di influenza.
3 preparazione dei dati
In risposta agli ultimi 51 fattori che influenzano la diffusione naturale della laminazione di finitura, il team ha raccolto tre mesi di dati da giugno ad agosto 2019 (per un totale di 30533 strisce), ha utilizzato JMP Pro per leggere questi dati e Il valore effettivo della larghezza naturale della laminazione di finitura viene utilizzato come valore target (Y, variabile di risposta), 51 fattori di influenza vengono utilizzati come dati di adattamento (X, parametri) e l'80% del set di dati di adattamento viene impostato casualmente come set di addestramento e il 20% come Set di convalida.
tre Formazione intelligente del modello e adattamento offline
Il team ha cercato di utilizzare due metodi di modellazione intelligenti nel software di analisi JMP Pro: rete neurale e metodo Bootstrap forest per addestrare e verificare i set di dati di cui sopra e ottenere i seguenti risultati:
1 Metodo di modellazione di reti neurali applicate
Figura 5 Figura 6
Si può vedere dalla Figura 5 e dalla Figura 6 che il modello ottenuto dopo l'addestramento e l'adattamento utilizzando l'algoritmo della rete neurale, il coefficiente di determinazione R2 dopo la verifica con i dati di verifica è 0,858, l'RMSE è 1,506 e la deviazione assoluta media è 1,16, che teoricamente ha raggiunto Gli obiettivi fissati dalla squadra.
La Figura 6 mostra il diagramma di dispersione dei valori previsti dei tre modelli (da sinistra a destra, modello JMP, modello PT e modello esistente di Baosteel) e dei valori effettivi. Si può vedere che il modello adattato da JMP ha il grado di dispersione più piccolo.
2 applicazione Bootstrap Metodo di modellazione del metodo forestale
Figura 7 Figura 8
Si può vedere dalla Figura 7 e dalla Figura 8 che il modello ottenuto dopo che il metodo Bootstrap forest è stato addestrato e adattato ha un coefficiente di determinazione R2 di 0,863 e un RMSE di 1,48 dopo la verifica con i dati di verifica, il che consente di ottenere una maggiore precisione di previsione.
Allo stesso modo, la Figura 8 mostra i diagrammi di dispersione dei valori previsti dei tre modelli (da sinistra a destra, modello JMP, modello PT e modello esistente di Baosteel) e dei valori effettivi. Si può vedere che il modello adattato da JMP ha il grado di dispersione più piccolo. )
Si può vedere dall'applicazione dei due algoritmi del modello intelligente sopra che Bootstrap L'effetto di adattamento dell'algoritmo forestale è migliore di quello della rete neurale e l'accuratezza della previsione è maggiore Entrambi questi metodi di modellazione hanno raggiunto l'obiettivo del team di progetto.
Tuttavia, questo è solo il risultato dell'analisi teorica dei dati.Qual è l'effetto effettivo dell'applicazione è utilizzare i dati di controllo effettivi sul posto per parlare. Come applicare i modelli stabiliti da questi algoritmi intelligenti al controllo effettivo è un lavoro davvero significativo.
La funzione di esportazione del modello del software JMP Pro crea un ponte dalla teoria alla pratica per il team e colma il divario tra l'analisi offline e l'applicazione online e fa diventare la trincea del cielo un'arteria stradale.
quattro Verifica online di modelli intelligenti
1 Esportazione del modello
Il software JMP Pro viene utilizzato per convertire questi due algoritmi del modello intelligente in codici del linguaggio C, compiendo così un passaggio fondamentale per l'applicazione pratica dei modelli di controllo intelligente sul campo.
2 Verifica online dei modelli
Il codice del linguaggio C convertito dai due algoritmi del modello intelligente viene compilato e integrato nel processo preimpostato della macchina analogica offline del computer di processo di laminazione a caldo 1580, quindi testato utilizzando i dati a settembre 2019, ovvero il fattore di input è Secondo i dati effettivi del nastro d'acciaio a settembre, il modello intelligente viene utilizzato per prevedere la larghezza naturale della laminazione di finitura, quindi la stessa formula di calcolo della deviazione standard di Pratt PT viene utilizzata per calcolare le deviazioni standard del modello Baosteel, del modello PT e del modello intelligente JMP. Vedere la figura seguente. 9:
Immagine 9
Si può vedere dalla Figura 9, Dai risultati effettivi della previsione, JMP Il risultato della previsione del modello adattato dal metodo forestale ha raggiunto il risultato della previsione del modello esistente di Baosteel !
Fives Riepilogo ed esperienza del progetto
Utilizzando i metodi di analisi e modellazione intelligenti nel software di analisi statistica JMP Pro, il team ha formato, verificato e adattato il valore previsto, il valore effettivo e i parametri correlati della diffusione naturale della laminazione a caldo 1580, e ha ottenuto la rete neurale e I due modelli di controllo intelligente di Bootstrap Forest, la loro accuratezza di previsione teorica e accuratezza di verifica raggiungono completamente la precisione del modello di rete neurale dell'azienda tedesca Pratt.
Allo stesso tempo, con l'aiuto della funzione di rilascio del modello del software JMP Pro, il team ha ottenuto il suo codice in linguaggio C ed ha eseguito il test effettivo del processo preimpostato sulla macchina analogica del computer di controllo del programma in loco, ottenendo ottimi risultati. Il test e la verifica della produzione online in un'unica fase hanno gettato solide basi.
Inoltre, durante il processo di analisi e modellazione, il team ha anche riassunto le seguenti esperienze come riferimento:
- Il periodo di tempo dei materiali di formazione non dovrebbe essere troppo lungo, da 3 a 4 mesi è appropriato;
- La quantità di dati per la verifica dell'addestramento non dovrebbe essere troppo grande e sono appropriate da 30.000 a 40.000 registrazioni;
- Se dotato di una funzione di apprendimento autoregolante, l'accuratezza della previsione può essere maggiore.
Si può vedere che con l'introduzione e il progresso della strategia Made in China 2025, l'industria manifatturiera si sta gradualmente trasformando e passando dalla produzione alla "produzione intelligente", ed è fondamentale che la produzione intelligente dia potere alle future acciaierie. La sperimentazione e l'esplorazione del progetto di allargamento naturale della laminazione a caldo 1580 di Baosteel fornisce un buon riferimento e una base per la strada di produzione intelligente delle altre linee di prodotti Baosteel. Gli strumenti di analisi scientifica diventeranno sicuramente indispensabili per l'industria manifatturiera per muoversi verso la poesia e la distanza. Motore potente.
