La fabricación inteligente es la tendencia inevitable del desarrollo tecnológico de las sociedades anónimas en la nueva situación, y también es una garantía importante para ganar la iniciativa y ser invencible en la feroz competencia del mercado. La construcción del taller inteligente de laminación en caliente 1580 es el primer proyecto inteligente de demostración de Baosteel como proyecto piloto del Ministerio de Industria y Tecnología de la Información de la República Popular de China. Al introducir y actualizar las tecnologías y equipos existentes, Baosteel ha dado el paso de la actualización inteligente de la industria del acero.
Este artículo presentará en detalle cómo Baosteel utiliza el algoritmo inteligente basado en JMP Pro para predecir el ensanchamiento natural del laminado de acabado laminado en caliente 1580. También es un complemento del contenido del discurso del Sr.Zhu Jianqin, ingeniero jefe del departamento de equipos de Baosteel Co., Ltd.en la Cumbre de Descubrimiento JMP China 2020 .
Uno Antecedentes del proyecto - Por que necesita JMP Pro ?
En el proyecto de construcción del taller inteligente de laminado en caliente 1580 de Baosteel, Primetals Technologies Germany GmbH (PT) utilizó el sistema de control dinámico de ancho de laminado de acabado para predecir el ancho natural del laminado de acabado y un modelo de red neuronal autoajustable. Integrado en el sistema L2, a través de la entrada de los parámetros del proceso L2, se calcula el valor previsto del ancho natural del laminado de acabado, se utiliza para determinar el ancho objetivo de laminado en bruto y el autoajuste después del laminado, y se transmite a L1 como valor de referencia, y el ancho de laminado de acabado se realiza mediante L1 Esto ha mejorado significativamente la precisión de control del ancho de salida del laminado de acabado en caliente 1580. La desviación promedio entre el valor previsto del modelo y el valor real es de solo 1,38 mm (de enero a septiembre de 2019), consulte la Figura 1.
Figura 1
Sin embargo, el modelo de red neuronal autoajustable y de predicción de ampliación natural laminado con precisión proporcionado por Pratt en Alemania es un modelo de caja negra. El código original está encriptado y no se puede leer ni modificar, y no hay una descripción de la estructura del modelo. Mejoras como ajuste de parámetros y optimización de modelos.
Por lo tanto, el equipo espera utilizar el análisis estadístico de JMP de otras herramientas de aprendizaje automático, aprendizaje profundo y otras herramientas de modelado de inteligencia artificial en la familia de productos para desarrollar un modelo inteligente para la predicción de ancho natural del laminado de acabado en el laminador en caliente de Baosteel Co., Ltd. 1580. Reemplace el modelo de caja negra de la empresa alemana PT y haga que la desviación entre el valor predicho y el valor real del modelo de desarrollo propio alcance el valor promedio mensual ≤ 1,7 mm, alcanzando así básicamente el nivel de control del modelo de caja negra alemán.
En base a esto, el equipo comenzó a realizar más intentos y exploraciones con la ayuda de herramientas de modelado predictivo en JMP Pro.
dos El establecimiento de un modelo de pronóstico inteligente
1 Recolección y limpieza de datos
El equipo recopiló 1580 datos de producción de laminado de acabado laminado en caliente desde 2019.01 hasta 2019.09 durante nueve meses, y compiló un programa SAS para limpiar e integrar los datos de enero a agosto de 2019. Se extrajeron y resumieron un total de 85,423 tiras de datos efectivos. Forma un archivo de datos de Excel.
2 Filtrado de datos
01 Utilice algoritmos inteligentes para filtrar factores clave
Aplique el algoritmo de bosque Bootstrap en el software de análisis estadístico JMP Pro al conjunto de datos (de enero a agosto de 2019, 85423 registros, 206 factores de influencia) para el entrenamiento de ajuste, y luego a partir de los resultados del entrenamiento de acuerdo con el ensanchamiento natural real. El grado de contribución (según la regresión suma de cuadrados), seleccione los factores de influencia con la suma de cuadrados de varianza> 3000, un total de 31, ver Figura 2.
Figura 2
02 Pratt PT ) Herencia de la experiencia empresarial
El modelo de red neuronal ampliada natural proporcionado por la empresa alemana Pratt (PT) analiza la interfaz de entrada / salida del sistema de diagnóstico. No es difícil ver que el modelo de caja negra de red neuronal requiere 33 componentes tales como composición química, ancho de acabado de entrada y salida. Ingrese las variables, vea la Figura 3.
imagen 3
03 Síntesis de datos
El equipo comparó los factores clave seleccionados por el algoritmo de bosque Bootstrap de JMP Pro con las variables de entrada requeridas por el modelo de red neuronal de Pratt (PT). Se puede encontrar que 4 factores de influencia son iguales y son precisión precalculada. Ancho del objetivo de rodadura y composición química silicio (Si), niobio (Nb), etc.
Al mismo tiempo, según la experiencia del análisis de la calidad de la producción, no es difícil ver que existe una autocorrelación entre el ancho real de laminación en bruto, el valor real del ancho medio de laminación en bruto, el ancho objetivo de laminación en bruto y otros factores, y estas variables y el equipo deben ajustarse al ancho natural real objetivo. (Spread_ACT) También existe una correlación lineal. Utilizando la herramienta de análisis de correlación lineal multivariante de JMP Pro para analizar estos ocho factores de influencia y los valores reales de ensanchamiento natural, se puede ver que existe una fuerte correlación entre los ocho factores de influencia (coeficiente de correlación r> 0,99) y el La correlación del valor real del ensanchamiento también es relativamente fuerte (r> 55%). Ver figura 4.
Figura 4
Además, hay más de 1000 códigos de aleación. Aunque tienen un impacto en el ensanchamiento natural y son los que más contribuyen, son demasiado grandes para encajar, por lo que puede utilizar un método de tabla para el aprendizaje de autoajuste.
Por lo tanto, después de la discusión, finalmente se decidió eliminar estas 9 variables, más las 4 variables repetidas para eliminar un total de 13 factores de influencia. De esta forma, quedan 18 factores de influencia restantes de 31, más 33 factores heredados de la experiencia de Pratt, y finalmente se determinan 51 factores de influencia.
3 preparación de datos
En respuesta a los últimos 51 factores de influencia que afectan la propagación natural del laminado de acabado, el equipo recopiló tres meses de datos de junio a agosto de 2019 (un total de 30533 tiras), utilizó JMP Pro para leer estos datos y El valor real de la anchura natural del laminado de acabado se utiliza como valor objetivo (Y, variable de respuesta), se utilizan 51 factores de influencia como datos de ajuste (X, parámetros) y el 80% del conjunto de datos de ajuste se establece aleatoriamente como el conjunto de entrenamiento y el 20% como el Conjunto de validación.
Tres Entrenamiento inteligente de modelos y adaptación fuera de línea
El equipo intentó utilizar dos métodos de modelado inteligente en el software de análisis JMP Pro: red neuronal y método de bosque Bootstrap para entrenar y verificar los conjuntos de datos anteriores y obtener los siguientes resultados:
1 Método de modelado de redes neuronales aplicado
Figura 5 Figura 6
Se puede ver en la Figura 5 y Figura 6 que el modelo obtenido después del entrenamiento y ajuste usando el algoritmo de red neuronal, el coeficiente de determinación R2 después de la verificación con los datos de verificación es 0.858, el RMSE es 1.506 y la desviación absoluta promedio es 1.16, que teóricamente ha alcanzado Los objetivos marcados por el equipo.
La Figura 6 muestra el diagrama de dispersión de los valores predichos de los tres modelos (de izquierda a derecha, modelo JMP, modelo PT y modelo existente de Baosteel) y los valores reales. Se puede ver que el modelo ajustado por JMP tiene el menor grado de dispersión.
2 solicitud Oreja Método de modelado del método forestal
Figura 7 Figura 8
Se puede ver en la Figura 7 y Figura 8 que el modelo obtenido después de entrenar y ajustar el método de bosque Bootstrap tiene un coeficiente de determinación R2 de 0.863 y un RMSE de 1.48 después de la verificación con los datos de verificación, lo que logra una mayor precisión de predicción.
De manera similar, la Figura 8 muestra los diagramas de dispersión de los valores predichos de los tres modelos (de izquierda a derecha, modelo JMP, modelo PT y modelo existente de Baosteel) y los valores reales. Se puede ver que el modelo ajustado por JMP tiene el menor grado de dispersión. )
Se puede ver en la aplicación de los dos algoritmos de modelo inteligente anteriores que Oreja El efecto de ajuste del algoritmo de bosque es mejor que el de la red neuronal y la precisión de la predicción es mayor Ambos métodos de modelado han alcanzado la meta del equipo del proyecto.
Sin embargo, esto es sólo el resultado del análisis teórico de los datos. El efecto real de la aplicación es utilizar los datos de control reales en el acto para hablar. Cómo aplicar los modelos establecidos por estos algoritmos inteligentes al control real es un trabajo realmente significativo.
La función de exportación de modelos del software JMP Pro crea un puente entre la teoría y la práctica para el equipo, cierra la brecha entre el análisis fuera de línea y la aplicación en línea, y convierte la zanja en una vía pública.
cuatro Verificación en línea de modelos inteligentes
1 Exportación de modelos
El software JMP Pro se utiliza para convertir estos dos algoritmos de modelo inteligente en códigos de lenguaje C, dando así un paso crítico para la aplicación práctica de modelos de control inteligente en el campo.
2 Verificación online de modelos
El código en lenguaje C convertido de los dos algoritmos de modelo inteligente se compila e integra en el proceso preestablecido de la máquina analógica fuera de línea de la computadora del proceso de desbaste por laminación en caliente 1580, y luego se prueba con los datos en septiembre de 2019, es decir, el factor de entrada es De acuerdo con los datos reales de la banda de acero en septiembre, el modelo inteligente se usa para predecir el ancho natural del laminado de acabado, y luego se usa la misma fórmula de cálculo de desviación estándar de Pratt PT para calcular las desviaciones estándar del modelo Baosteel, el modelo PT y el modelo inteligente JMP, consulte la figura siguiente 9:
Imagen 9
Puede verse en la Figura 9, A partir de los resultados reales del pronóstico, JMP El resultado de la predicción del modelo ajustado por el método forestal ha alcanzado el resultado de la predicción del modelo existente de Baosteel. !
Fives Resumen del proyecto y experiencia
Mediante el uso de métodos de análisis y modelado inteligentes en el software de análisis estadístico JMP Pro, el equipo entrenó, verificó y ajustó el valor predicho, el valor real y los parámetros relacionados de la extensión natural del laminado de acabado laminado en caliente 1580, y obtuvo la red neuronal y Los dos modelos de control inteligente de Bootstrap Forest, su precisión de predicción teórica y precisión de verificación alcanzan por completo la precisión del modelo de red neuronal de la empresa alemana Pratt.
Al mismo tiempo, con la ayuda de la función de liberación de modelo del software JMP Pro, el equipo obtuvo su código de lenguaje C y llevó a cabo la prueba real del proceso preestablecido en la máquina analógica de la computadora de control del programa en el sitio, y logró muy buenos resultados. La prueba de producción en línea de un solo paso y la verificación sentaron una base sólida.
Además, durante el proceso de análisis y modelado, el equipo también resumió las siguientes experiencias para su referencia:
- El período de tiempo de los materiales de capacitación no debe ser demasiado largo; lo apropiado es de 3 a 4 meses;
- La cantidad de datos para la verificación de la capacitación no debe ser demasiado grande y son adecuados entre 30 000 y 40 000 registros;
- Si está equipado con una función de aprendizaje autoajustable, la precisión de la predicción puede ser mayor.
Puede verse que con la introducción y el avance de la estrategia Made in China 2025, la industria manufacturera se está transformando y mejorando gradualmente desde la fabricación a la "fabricación inteligente", y es imperativo que la fabricación inteligente empodere a las futuras acerías. La prueba y exploración del proyecto de ensanchamiento natural de laminado en caliente 1580 de Baosteel proporciona una buena referencia y base para el camino de fabricación inteligente de otras líneas de productos de Baosteel. Las herramientas de análisis científico seguramente serán indispensables para que la industria manufacturera avance hacia la poesía y la lejanía. Motor poderoso.
