La fabrication intelligente est la tendance inévitable du développement technologique pour les sociétés par actions dans la nouvelle situation, et c'est également une garantie importante pour remporter l'initiative et rester invincible dans la concurrence féroce du marché. La construction de 1 580 ateliers intelligents de laminage à chaud est le premier projet de démonstration intelligent de Baosteel piloté par le ministère de l'Industrie et des Technologies de l'information. En introduisant et en améliorant la technologie et les équipements existants, Baosteel a pris des mesures pour moderniser l'industrie sidérurgique intelligente.
Cet article présentera en détail la pratique du projet sur la manière dont Baosteel applique l'algorithme intelligent basé sur JMP Pro pour prédire la largeur naturelle du laminage à chaud et du laminage de finition 1580. Il constitue également un complément au discours prononcé par M. Zhu Jianqin, ingénieur en chef. de la modélisation numérique du département d'équipement de Baosteel Co., Ltd. lors du JMP Discovery Summit 2020 en Chine.
un Contexte du projet — pourquoi nécessaire JMP Pro ?
Dans le cadre du projet de construction d'un atelier intelligent de laminage à chaud Baosteel 1580, le système de contrôle dynamique de la largeur (DWC) du laminage de finition a été développé par Primetals Technologies Germany GmbH (PT) en utilisant sa prédiction de la largeur naturelle du laminage de finition et son modèle de réseau neuronal auto-ajustable. système, grâce à l'entrée des paramètres de processus L2, la valeur prédite de la largeur naturelle du laminage de finition est calculée, qui est utilisée pour déterminer la largeur cible de laminage grossier et l'auto-ajustement post-laminage, et est transmise à L1 comme référence valeur, et L1 réalise la largeur de laminage de finition.Contrôle dynamique, améliorant ainsi considérablement la précision de contrôle de la largeur de sortie du laminage de finition à chaud 1580. L'écart moyen entre la valeur de prédiction du modèle et la valeur réelle est de seulement 1,38 mm (janvier à septembre 2019), voir la figure 1.
Figure 1
Cependant, le modèle de réseau neuronal à prédiction fine de la largeur naturelle et à ajustement automatique fourni par Pratt en Allemagne est un modèle de boîte noire. Son code de programme original est crypté et ne peut pas être lu ou modifié. Il n'y a aucune description de la structure du modèle, donc il ne peut pas être effectué.Ajustement des paramètres, réglage du modèle et autres travaux d'amélioration.
Par conséquent, l'équipe espère développer un modèle intelligent en appliquant d'autres outils d'apprentissage automatique, d'apprentissage profond et d'autres outils de modélisation d'intelligence artificielle de la famille de produits d'analyse statistique JMP pour prédire la largeur naturelle du laminage de finition au laminoir à chaud 1580 de Baosteel Co., Ltd. Il remplace le modèle de boîte noire de la société allemande PT et fait en sorte que l'écart entre la valeur prévue et la valeur réelle du modèle auto-développé atteigne la valeur moyenne mensuelle de ≤ 1,7 mm, atteignant ainsi fondamentalement le niveau de contrôle du modèle noir allemand. modèle de boîte.
Sur cette base, l'équipe a commencé à faire d'autres tentatives et explorations à l'aide des outils de modélisation prédictive de JMP Pro.
deux Mise en place de modèles de prédiction intelligents
1 Collecte et nettoyage des données
L'équipe a collecté 1 580 données de production de laminage de finition laminé à chaud pendant un total de neuf mois, de janvier à septembre 2019, et a compilé un programme SAS pour nettoyer et intégrer les données de janvier à août 2019. Au total, 85 423 éléments de données valides ont été extraits. et résumé Formez un fichier de données Excel.
2 Filtrage des données
01 Utilisez des algorithmes intelligents pour filtrer les facteurs clés
L'algorithme de forêt Bootstrap du logiciel d'analyse statistique JMP Pro a été utilisé pour effectuer une formation d'ajustement sur cet ensemble de données (janvier à août 2019, 85 423 enregistrements, 206 facteurs d'influence), puis sur la base des résultats de la formation basés sur la largeur naturelle réelle. (basée sur la somme des carrés de régression), des facteurs d'influence avec une somme des carrés de variance > 3 000 ont été sélectionnés, soit un total de 31 facteurs, voir Figure 2.
Figure 2
02 Pratt ( TP ) Héritage d'expérience en entreprise
L'interface d'entrée/sortie du système d'analyse et de diagnostic du modèle de réseau neuronal à élargissement naturel fourni par Pratt (PT) d'Allemagne. Il n'est pas difficile de voir que le modèle de boîte noire du réseau neuronal nécessite 33 paramètres tels que la composition chimique, la largeur d'entrée de roulement de finition. , et la largeur de sortie. Variables d'entrée, voir Figure 3.
image 3
03 Synthèse des données
L'équipe a comparé les facteurs clés sélectionnés par l'algorithme forestier Bootstrap de JMP Pro avec les variables d'entrée requises par le modèle de réseau neuronal de Pratt (PT). Il a été constaté que 4 facteurs d'influence étaient identiques, précalculés et précis. largeur de la cible 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 des facteurs tels que la largeur réelle du laminage brut, la seconde moitié réelle de la largeur du laminage brut et la largeur cible du laminage brut, et ces variables sont cohérentes avec la largeur naturelle réelle cible que l'équipe doit adapter. Spread (spread_ACT) a également une corrélation linéaire. En appliquant l'outil d'analyse de corrélation linéaire multivariée de JMP Pro pour analyser ces huit facteurs d'influence et les valeurs réelles de la largeur naturelle, on peut constater qu'il existe une forte corrélation entre les huit facteurs d'influence (coefficient de corrélation r>0,99), et ils sont étroitement liée à la largeur naturelle. La corrélation de la valeur réelle du spread est également relativement forte (r>55%). Voir la figure 4.
Figure 4
De plus, il existe plus de 1 000 marques de taraudage (alloyCode). Bien qu'elles aient un impact sur la largeur naturelle et contribuent le plus, elles ne peuvent pas être ajustées car les dimensions sont trop grandes. Une méthode de table peut être utilisée pour l'apprentissage de l'auto-ajustement. .
Par conséquent, après discussion, il a finalement été décidé de supprimer ces 9 variables, plus les 4 variables répétées, soit un total de 13 facteurs d'influence ont été supprimés. De cette façon, il reste 18 des 31 facteurs d'influence. En additionnant les 33 facteurs hérités de l'expérience de Pratt, 51 facteurs d'influence sont finalement déterminés.
3 préparation des données
Pour les 51 derniers facteurs d'influence qui affectent la largeur naturelle du laminage de finition, l'équipe a collecté des données sur un total de trois mois de juin à août 2019 (un total de 30 533 bandes), a utilisé JMP Pro pour lire les 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, citation) et 80 % de l'ensemble de données d'ajustement est défini de manière aléatoire comme ensemble d'entraînement, et 20 % sont utilisés comme ensemble de vérification.
trois Formation de modèle intelligent et ajustement hors ligne
L'équipe a essayé d'appliquer deux méthodes de modélisation intelligente dans le logiciel d'analyse JMP Pro : le réseau neuronal et la méthode de forêt Bootstrap pour former et vérifier respectivement l'ensemble de données ci-dessus, et a obtenu les résultats suivants :
1 Appliquer la méthode de modélisation de réseau neuronal
Figure 5 Figure 6
Comme le montrent les figures 5 et 6, le modèle obtenu après entraînement et ajustement à l'aide de l'algorithme de réseau neuronal a un coefficient de détermination R2 de 0,858, un RMSE de 1,506 et une moyenne des écarts absolus de 1,16 après vérification à l'aide des données de vérification. Théoriquement, les objectifs fixés par l'équipe ont été atteints.
La figure 6 montre le diagramme de dispersion des valeurs prédites des trois modèles (de gauche à droite, le modèle JMP, le modèle PT et le modèle existant de Baosteel) et les 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
Comme le montrent les figures 7 et 8, le modèle obtenu après entraînement et ajustement à l'aide de la méthode forestière Bootstrap a un coefficient de détermination R2 de 0,863 et un RMSE de 1,48 après vérification à l'aide des données de validation, permettant d'obtenir une précision de prédiction plus élevée.
De même, la figure 8 montre le diagramme de dispersion des valeurs prédites des trois modèles (de gauche à droite, le modèle JMP, le modèle PT et le modèle existant de Baosteel) et les valeurs réelles. On peut voir que le modèle ajusté JMP a le plus petit degré de dispersion. )
Il ressort de l’application des deux algorithmes de modèle intelligent ci-dessus que Amorcer L'algorithme forestier a un meilleur effet d'ajustement et une précision de prédiction plus élevée que le réseau neuronal. Les deux méthodes de modélisation ont atteint les objectifs de l'équipe du projet.
Il ne s'agit toutefois que du résultat d'une analyse théorique des données : l'effet réel de l'application doit encore être déterminé par les données de contrôle réelles sur site. Comment appliquer les modèles établis par ces algorithmes intelligents au contrôle réel est le travail vraiment significatif.
La fonction d'exportation de modèles du logiciel JMP Pro établit un pont entre la théorie et la pratique pour l'équipe, comble le fossé entre l'analyse hors ligne et l'application en ligne et rend clair le gouffre naturel.
Quatre Vérification en ligne des modèles intelligents
1 Exportation du modèle
Le logiciel JMP Pro a été utilisé pour convertir ces deux algorithmes de modèles intelligents en codes en langage C, franchissant ainsi une étape cruciale 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 a été compilé et intégré dans le processus prédéfini de la machine analogique hors ligne de l'ordinateur de processus de laminage brut de laminage à chaud 1580, puis testé en utilisant les données en septembre 2019, c'est-à-dire les facteurs d'entrée. données réelles sur les bandes d'acier en septembre. Le modèle intelligent est utilisé pour prédire la largeur naturelle du laminage de finition. Ensuite, la même formule de calcul de l'écart type de Pratt PT Company est utilisée pour calculer l'écart type du modèle Baosteel, du modèle PT Company et de JMP. modèle intelligent respectivement. Voir ci-dessous la figure 9 :
Figure 9
Comme le montre la figure 9, À partir des résultats réels des prédictions, JMP Les résultats de prédiction du modèle ajusté par la méthode forestière ont atteint les résultats de prédiction du modèle existant de Baosteel. !
cinq Résumé du projet et expérience
En utilisant les méthodes intelligentes d'analyse et de modélisation du logiciel d'analyse statistique JMP Pro, l'équipe a formé, vérifié et ajusté les valeurs prédites, les valeurs réelles et les paramètres associés de la largeur naturelle du laminage de finition laminé à chaud 1580, et a obtenu le réseau neuronal. et La précision théorique de la prédiction et la précision de la vérification des deux modèles de contrôle intelligent de la forêt Bootstrap ont pleinement atteint la précision du modèle de réseau neuronal de la société allemande Pratt.
Dans le même temps, avec l'aide de la fonction de publication de modèles du logiciel JMP Pro, l'équipe a obtenu son code de programme en langage C et a effectué des tests réels du processus prédéfini sur la machine analogique de l'ordinateur contrôlé par programme sur site, et a obtenu de très bons résultats, jetant ainsi les bases de l'étape suivante. Les tests et la vérification de la production en ligne en une seule étape ont posé une base solide.
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, de préférence 3 à 4 mois ;
- La quantité de données pour la formation et la vérification ne doit pas être trop importante, 30 000 à 40 000 enregistrements étant appropriés ;
- S'il est équipé d'une fonction d'apprentissage auto-ajustable, la précision de la prédiction peut être plus élevée.
On peut constater qu'avec la proposition 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 du pouvoir aux futures aciéries. La tentative et l'exploration du projet d'élargissement naturel de laminage de finition à chaud 1580 de Baosteel constituent une bonne référence et une bonne base pour les autres gammes de produits de Baosteel sur la voie de la fabrication intelligente. Les outils d'analyse scientifique deviendront sûrement indispensables pour que l'industrie manufacturière aille de plus en plus loin. Moteur puissant.
