スマートマニュファクチャリングは、新しい状況における株式会社の技術開発の必然的なトレンドであり、イニシアチブを勝ち取り、激しい市場競争で無敵であることの重要な保証でもあります。 1580年の熱間圧延スマートワークショップの建設は、中華人民共和国の産業情報技術省のパイロットプロジェクトとしてのBaosteelの最初のデモンストレーションスマートプロジェクトです。既存の技術と機器を導入およびアップグレードすることにより、Baosteelは鉄鋼業界のスマートアップグレードの一歩を踏み出しました。
この記事では、BaosteelがJMP Proに基づくインテリジェントアルゴリズムを使用して、1580の熱間圧延仕上げ圧延の自然な広がりを予測する方法を詳しく紹介します。また、2020 JMP Discovery SummitChinaのBaosteelEquipmentDepartmentのデジタルシミュレーションのチーフエンジニアであるZhuJianqin氏によるスピーチの内容を補足します。 。
1プロジェクトの背景—なぜ必要なのかJMPプロ？
Baosteelの1580熱間圧延スマートワークショップの建設プロジェクトでは、仕上げ圧延動的幅制御（DWC）システムがPrimetals Technologies Germany GmbH（PT）によって使用され、仕上げ圧延の自然幅と自動調整ニューラルネットワークモデルが予測されました。 L2システムに組み込まれ、L2プロセスパラメータの入力により、仕上げ圧延の自然幅の予測値が計算され、圧延後の粗圧延目標幅と自己調整を決定するために使用され、基準値としてL1に送信され、仕上げ圧延幅はL1によって実現されます。これにより、1580熱間圧延仕上げ圧延の出口幅の制御精度が大幅に向上しました。モデルの予測値と実際の値の平均偏差はわずか1.38mm（2019年1月から9月）です。図1を参照してください。
図1
ただし、ドイツのプラットが提供する精密に巻かれた自然広がり予測および自己調整ニューラルネットワークモデルはブラックボックスモデルです。元のコードは暗号化されており、読み取りや変更ができず、モデル構造の説明もありません。パラメータ調整やモデル最適化などの改善。
したがって、チームは、製品ファミリーの他の機械学習、深層学習、および他の人工知能モデリングツールのJMP統計分析を使用して、Baosteel Co.、Ltd.1580熱間圧延機での仕上げ圧延の自然幅予測のためのインテリジェントモデルを開発したいと考えています。ドイツのPT社のブラックボックスモデルを交換し、自社開発モデルの予測値と実績値の偏差を月平均値≤1.7mmにすると、基本的にドイツのブラックボックスモデルの管理レベルに達します。
これに基づいて、チームはJMP Proの予測モデリングツールを使用して、さらなる試みと調査を開始しました。
二インテリジェントな予測モデルの確立
1データの収集とクリーニング
チームは、2019.01から2019.09までの9か月間の1580の熱間圧延仕上げ圧延生産データを収集し、2019年1月から8月までのデータをクリーンアップして統合するSASプログラムをコンパイルしました。合計85,423の有効なデータのストリップが抽出され、要約されました。 Excelデータファイルを作成します。
2データフィルタリング
01スマートアルゴリズムを使用して重要な要素をフィルタリングする
JMP Pro統計分析ソフトウェアのブートストラップフォレストアルゴリズムをデータセット（2019年1月から8月まで、85423レコード、206の影響因子）に適用してトレーニングをフィッティングし、実際の自然な広がりに従ってトレーニング結果から適用します。寄与度（回帰二乗和による）、分散二乗和> 3000、合計31の影響因子を選択します（図2を参照）。
図2
02プラット（ PT ）会社の経験の継承
ドイツのプラット（PT）社が提供する自然に広がったニューラルネットワークモデルは、診断システムの入力/出力インターフェイスを分析します。ニューラルネットワークブラックボックスモデルには、化学組成、入口と出口の仕上げ幅などの33のコンポーネントが必要であることを理解するのは難しくありません。変数を入力します。図3を参照してください。
画像3
03データ合成
チームは、JMP Proのブートストラップフォレストアルゴリズムによって選択された主要な要因を、プラット（PT）ニューラルネットワークモデルに必要な入力変数と比較しました。4つの影響要因が同じであり、事前に計算された精度であることがわかります。ローリングターゲットの幅と化学組成シリコン（Si）、ニオブ（Nb）など。
同時に、生産品質分析の経験に基づいて、実際のラフローリング幅、ラフローリングハーフ幅の実際の値、ラフローリングターゲット幅などの要因の間に自己相関があることを確認することは難しくありません。これらの変数とチームは、ターゲットの実際の自然幅に合わせる必要があります。 （Spread_ACT）線形相関もあります。 JMP Proの多変量線形相関分析ツールを使用してこれらの8つの影響因子と自然な広がりの実際の値を分析すると、8つの影響因子（相関係数r> 0.99）との間に強い相関があることがわかります。広がりの実際の値の相関も比較的強い（r> 55％）。図4を参照してください。
図4
さらに、1,000を超える合金コードがあります。これらは自然な広がりに影響を与え、最も貢献しますが、大きすぎて収まらないため、テーブル方式を使用して自己調整学習を行うことができます。
したがって、議論の結果、最終的にこれらの9つの変数と、繰り返される4つの変数を削除して、合計13の影響要因を削除することが決定されました。このようにして、31の18の影響因子とプラットの経験から受け継いだ33の因子が残り、最終的に51の影響因子が決定されます。
3データの準備
フィニッシュローリングの自然な広がりに影響を与える最後の51の影響要因に対応して、チームは2019年6月から8月までの3か月のデータ（合計30533ストリップ）を収集し、JMP Proを使用してこれらのデータを読み取り、仕上げ圧延の自然幅の実際の値が目標値（Y、応答変数）として使用され、51の影響因子がフィッティングデータ（X、パラメーター）として使用され、フィッティングデータセットの80％がトレーニングセットとしてランダムに設定され、20％が検証セット。
三スマートモデルトレーニングとオフラインフィッティング
チームは、JMP Pro分析ソフトウェアで2つのインテリジェントモデリングメソッドを使用しようとしました。ニューラルネットワークとブートストラップフォレストメソッドを使用して、上記のデータセットをトレーニングおよび検証し、次の結果を取得しました。
1応用ニューラルネットワークモデリング手法
図5図6
図5と図6から、ニューラルネットワークアルゴリズムを使用したトレーニングとフィッティング後に得られたモデル、検証データによる検証後の決定係数R2は0.858、RMSEは1.506、平均絶対偏差は1.16であり、理論的には到達していることがわかります。チームによって設定された目標。
図6は、3つのモデル（左から右へ、JMPモデル、PTモデル、Baosteelの既存モデル）の予測値と実際の値の分散図を示しています。JMPによって適合されたモデルの分散度が最も小さいことがわかります。
2応用ブートストラップ森林法モデリング法
図7図8
図7と図8から、ブートストラップフォレスト法をトレーニングして適合させた後に得られたモデルは、検証データで検証した後の決定係数R2が0.863、RMSEが1.48であり、より高い予測精度が得られていることがわかります。
同様に、図8は、3つのモデル（左から右へ、JMPモデル、PTモデル、およびBaosteelの既存のモデル）の予測値と実際の値の分散図を示しています。JMPによって適合されたモデルの分散度が最も小さいことがわかります。 ）
上記の2つのスマートモデルアルゴリズムの適用から、次のことがわかります。ブートストラップフォレストアルゴリズムのフィッティング効果はニューラルネットワークのフィッティング効果よりも優れており、予測精度も高くなっています。これらのモデリング手法はどちらもプロジェクトチームの目標を達成しています。
ただし、これはデータの理論的分析の結果に過ぎず、実際の適用効果は、実際の制御データをその場で使用して話すことです。これらのスマートアルゴリズムによって確立されたモデルを実際の制御に適用する方法は、本当に意味のある作業です。
JMP Proソフトウェアのモデルエクスポート機能は、チームの理論から実践への架け橋を構築し、オフライン分析とオンラインアプリケーションの間のギャップを埋め、スカイトレンチを徹底的にします。
四スマートモデルのオンライン検証
1モデルのエクスポート
JMP Proソフトウェアは、これら2つのスマートモデルアルゴリズムをC言語コードに変換するために使用されます。したがって、フィールドでのスマート制御モデルの実用化に重要な一歩を踏み出します。
2モデルのオンライン検証
2つのスマートモデルアルゴリズムから変換されたC言語コードは、コンパイルされ、1580熱間圧延荒削りプロセスコンピューターオフラインアナログマシンのプリセットプロセスに統合され、2019年9月のデータを使用してテストされます。つまり、入力係数は次のとおりです。 9月のストリップ鋼の実際のデータによると、スマートモデルを使用して仕上げ圧延の自然幅を予測し、次にプラットPTの同じ標準偏差計算式を使用して、バオスティールモデル、PTモデル、およびJMPスマートモデルの標準偏差を計算します。下の図を参照してください。 9：
写真9
図9からわかります。実際の予測結果から、 JMP森林法で近似したモデルの予測結果は、バオスティールの既存モデルの予測結果に達しました。 ！
ファイブプロジェクトの概要と経験
チームは、JMP Pro統計分析ソフトウェアのインテリジェントな分析およびモデリング手法を使用して、1580熱間圧延仕上げ圧延の自然拡散の予測値、実際値、および関連パラメーターをトレーニング、検証、および適合させ、ニューラルネットワークとBootstrap Forestの2つのインテリジェント制御モデル、それらの理論的予測精度と検証精度は、ドイツのプラット社のニューラルネットワークモデルの精度に完全に達します。
同時に、JMP Proソフトウェアのモデルリリース機能の助けを借りて、チームはそのC言語コードを取得し、オンサイトプログラム制御コンピューターのアナログマシンでプリセットプロセスの実際のテストを実行し、非常に良い結果を達成しました。ワンステップのオンライン生産テストと検証は、確固たる基盤を築きました。
さらに、分析およびモデリングプロセス中に、チームは参考のために次の経験も要約しました。
- トレーニング資料の期間は長すぎないようにする必要があります。3〜4か月が適切です。
- トレーニング検証用のデータの量は多すぎないようにする必要があり、30,000〜40,000レコードが適切です。
- 自動調整学習機能を搭載している場合は、予測精度を高めることができます。
Made in China 2025戦略の導入と進歩に伴い、製造業界は製造から「スマート製造」へと徐々に変化し、アップグレードしており、スマート製造には将来の製鉄所に力を与えることが不可欠であることがわかります。 Baosteelの1580熱間圧延仕上げ圧延自然拡幅プロジェクトの試行と調査は、Baosteelの他の製品ラインのスマートな製造道路の良い参考と基礎を提供します。科学的分析ツールは、製造業界が詩と遠方に移行するために不可欠になるはずです。強力なエンジン。
