Intelligente Fertigung ist in der neuen Situation der unvermeidliche Trend der technologischen Entwicklung für Aktiengesellschaften und eine wichtige Garantie dafür, die Initiative zu gewinnen und im harten Wettbewerb auf dem Markt unbesiegbar zu bleiben. Der Bau der intelligenten Warmwalzwerkstatt 1580 ist Baosteels erstes intelligentes Demonstrationsprojekt, das vom Ministerium für Industrie und Informationstechnologie pilotiert wurde. Durch die Einführung und Modernisierung vorhandener Technologie und Ausrüstung hat Baosteel Schritte zur Modernisierung der intelligenten Stahlindustrie unternommen.
In diesem Artikel wird die Projektpraxis ausführlich vorgestellt, wie Baosteel den auf JMP Pro basierenden intelligenten Algorithmus anwendet, um die natürliche Breite des 1580-Warm- und Fertigwalzens vorherzusagen. Er ist auch eine Ergänzung zur Rede von Herrn Zhu Jianqin, Chefingenieur der Abteilung für digitale Modellierung der Ausrüstungsabteilung von Baosteel Co., Ltd. beim JMP Discovery Summit China 2020. .
eins Hintergrund des Projekts — warum nötig JMP Pro ?
Im Rahmen des Warmwalz-Smart-Workshop-Bauprojekts Baosteel 1580 wurde das dynamische Breitenkontrollsystem (DWC) für das Fertigwalzen von Primetals Technologies Germany GmbH (PT) unter Verwendung der Vorhersage der natürlichen Breite des Fertigwalzens und eines selbstanpassenden neuronalen Netzwerkmodells entwickelt. Eingebettet in L2 Durch die Eingabe von L2-Prozessparametern wird im System der vorhergesagte Wert der natürlichen Breite des Fertigwalzens berechnet, der zur Bestimmung der Vorwalz-Sollbreite und der Selbsteinstellung nach dem Walzen verwendet und als Referenz an L1 übertragen wird Wert, und L1 realisiert die Fertigwalzbreite. Dynamische Steuerung, wodurch die Regelgenauigkeit der Austrittsbreite des 1580-Warmwalz-Fertigwalzens erheblich verbessert wird. Die durchschnittliche Abweichung zwischen dem Modellvorhersagewert und dem tatsächlichen Wert beträgt nur 1,38 mm (Januar bis September). 2019), siehe Abbildung 1.
Abbildung 1
Allerdings handelt es sich bei dem von Pratt in Deutschland bereitgestellten feinrollenden natürlichen Breitenvorhersage- und selbstanpassenden neuronalen Netzwerkmodell um ein Black-Box-Modell. Der ursprüngliche Programmcode ist verschlüsselt und kann nicht gelesen oder geändert werden. Es gibt keine Beschreibung der Modellstruktur, daher gibt es keine Beschreibung nicht durchführbar. Parameteranpassung, Modelltuning und sonstige Verbesserungsarbeiten.
Daher hofft das Team, ein intelligentes Modell zu entwickeln, indem es andere maschinelles Lernen, Deep Learning und andere Modellierungswerkzeuge für künstliche Intelligenz der JMP-Produktfamilie für statistische Analysen anwendet, um die natürliche Breite des Fertigwalzens im Warmwalzwerk Baosteel Co., Ltd. 1580 vorherzusagen Es ersetzt das Black-Box-Modell des deutschen PT-Unternehmens und sorgt dafür, dass die Abweichung zwischen dem vorhergesagten Wert und dem tatsächlichen Wert des selbst entwickelten Modells den monatlichen Durchschnittswert von ≤ 1,7 mm erreicht und damit im Wesentlichen das Kontrollniveau des deutschen Schwarz erreicht Boxmodell.
Auf dieser Grundlage begann das Team mit Hilfe der Vorhersagemodellierungstools in JMP Pro weitere Versuche und Untersuchungen durchzuführen.
zwei Etablierung intelligenter Vorhersagemodelle
1 Datenerfassung und -bereinigung
Das Team sammelte insgesamt neun Monate lang, von 2019.01 bis 2019.09, 1.580 Daten zur Warmwalz-Fertigwalzproduktion und erstellte von Januar bis August 2019 ein SAS-Programm zur Bereinigung und Integration der Daten. Insgesamt wurden 85.423 gültige Daten extrahiert und verarbeitet zusammengefasst in Form einer Excel-Datendatei.
2 Datenfilterung
01 Verwenden Sie intelligente Algorithmen, um Schlüsselfaktoren zu überprüfen
Der Bootstrap-Forest-Algorithmus in der statistischen Analysesoftware JMP Pro wurde verwendet, um ein Anpassungstraining für diesen Datensatz (Januar bis August 2019, 85423 Datensätze, 206 Einflussfaktoren) durchzuführen und dann die Trainingsergebnisse basierend auf der tatsächlichen natürlichen Breite zu ermitteln Beitrag (basierend auf der Regressionsquadratsumme) wurden Einflussfaktoren mit einer Varianzquadratsumme > 3000 ausgewählt, insgesamt 31 Faktoren, siehe Abbildung 2.
Figur 2
02 Pratt ( PT ) Vererbung der Unternehmenserfahrung
Die Eingabe-/Ausgabeschnittstelle des von Pratt (PT) aus Deutschland bereitgestellten Analyse- und Diagnosesystems für natürlich erweiternde neuronale Netzwerkmodelle. Es ist nicht schwer zu erkennen, dass das Black-Box-Modell des neuronalen Netzwerks 33 Parameter wie chemische Zusammensetzung und Endwalzeneingangsbreite erfordert und Ausgangsbreite. Eingabevariablen, siehe Abbildung 3.
Bild 3
03 Datensynthese
Das Team verglich die vom Bootstrap-Forest-Algorithmus von JMP Pro ausgewählten Schlüsselfaktoren mit den Eingabevariablen, die für das neuronale Netzwerkmodell von Pratt (PT) erforderlich sind. Es wurde festgestellt, dass vier Einflussfaktoren gleich waren und vorab berechnet und genau waren. Rolling Zielbreite und chemische Zusammensetzung Silizium (Si), Niob (Nb) usw.
Gleichzeitig ist es aufgrund der Erfahrung in der Analyse der Produktionsqualität nicht schwer zu erkennen, dass es eine Autokorrelation zwischen Faktoren wie der tatsächlichen Vorwalzbreite, der tatsächlichen zweiten Halbbreite des Vorwalzvorgangs und der Zielbreite des Vorwalzvorgangs gibt Diese Variablen stimmen mit der tatsächlichen natürlichen Zielbreite überein, die das Team anpassen muss. Spread (spread_ACT) weist ebenfalls eine lineare Korrelation auf. Durch die Anwendung des multivariaten linearen Korrelationsanalysetools von JMP Pro zur Analyse dieser acht Einflussfaktoren und der tatsächlichen Werte der natürlichen Breite ist ersichtlich, dass zwischen den acht Einflussfaktoren eine starke Korrelation besteht (Korrelationskoeffizient r>0,99), und das ist auch der Fall eng mit der natürlichen Breite verbunden. Auch die Korrelation des tatsächlichen Wertes der Ausbreitung ist relativ stark (r>55 %). Siehe Abbildung 4.
Figur 4
Darüber hinaus gibt es mehr als 1.000 Gewindeschneidmarken (alloyCode). Sie wirken sich zwar auf die natürliche Breite aus und tragen am meisten dazu bei, können aber nicht eingepasst werden, da die Abmessungen zu groß sind. Für das Selbstanpassungslernen kann eine Tabellenmethode verwendet werden .
Daher wurde nach Diskussion schließlich beschlossen, diese 9 Variablen sowie die wiederholten 4 Variablen zu streichen, insgesamt wurden 13 Einflussfaktoren gelöscht. Auf diese Weise bleiben 18 der 31 Einflussfaktoren übrig. Addiert man die 33 aus Pratts Erfahrung geerbten Faktoren, werden schließlich 51 Einflussfaktoren ermittelt.
3 Datenaufbereitung
Für die letzten 51 Einflussfaktoren, die die natürliche Breite des Fertigwalzens beeinflussen, sammelte das Team Daten für insgesamt drei Monate von Juni bis August 2019 (insgesamt 30.533 Streifen), nutzte JMP Pro zum Auslesen der Daten und ermittelte den tatsächlichen Wert der natürlichen Breite des Fertigwalzens wird als Zielwert (Y, Antwortvariable) verwendet, 51 Einflussfaktoren werden als Anpassungsdaten (X, Angebot) verwendet und 80 % des Anpassungsdatensatzes werden zufällig als Trainingssatz festgelegt, und 20 % wird als Verifizierungssatz verwendet.
drei Intelligentes Modelltraining und Offline-Anpassung
Das Team versuchte, zwei intelligente Modellierungsmethoden in der Analysesoftware JMP Pro anzuwenden: ein neuronales Netzwerk und die Bootstrap-Forest-Methode, um den oben genannten Datensatz zu trainieren bzw. zu überprüfen, und erzielte die folgenden Ergebnisse:
1 Wenden Sie die Modellierungsmethode für neuronale Netzwerke an
Abbildung 5 Abbildung 6
Wie aus den Abbildungen 5 und 6 ersichtlich ist, weist das nach Training und Anpassung mithilfe des neuronalen Netzwerkalgorithmus erhaltene Modell nach der Verifizierung mithilfe von Verifizierungsdaten ein Bestimmtheitsmaß R2 von 0,858, einen RMSE von 1,506 und einen Durchschnitt der absoluten Abweichungen von 1,16 auf. Theoretisch wurden die vom Team gesetzten Ziele erreicht.
Abbildung 6 zeigt das Streudiagramm der vorhergesagten Werte der drei Modelle (von links nach rechts das JMP-Modell, das PT-Modell und das vorhandene Modell von Baosteel) und die tatsächlichen Werte. Es ist ersichtlich, dass das von JMP angepasste Modell dies getan hat der kleinste Grad der Streuung.
2 Anwendung Bootstrap Modellierungsmethode für die Waldmethode
Abbildung 7 Abbildung 8
Wie aus den Abbildungen 7 und 8 ersichtlich ist, weist das nach dem Training und Anpassen mit der Bootstrap-Forest-Methode erhaltene Modell nach der Verifizierung mithilfe der Validierungsdaten einen Bestimmungskoeffizienten R2 von 0,863 und einen RMSE von 1,48 auf, wodurch eine höhere Vorhersagegenauigkeit erreicht wird.
In ähnlicher Weise zeigt Abbildung 8 das Streudiagramm der vorhergesagten Werte der drei Modelle (von links nach rechts das JMP-Modell, das PT-Modell und das vorhandene Modell von Baosteel) und die tatsächlichen Werte. Es ist ersichtlich, dass das JMP-Modell angepasst ist hat den geringsten Dispersionsgrad. )
Aus der Anwendung der beiden oben genannten intelligenten Modellalgorithmen ist ersichtlich, dass Bootstrap Der Waldalgorithmus hat einen besseren Anpassungseffekt und eine höhere Vorhersagegenauigkeit als das neuronale Netzwerk. Beide Modellierungsmethoden haben die Ziele des Projektteams erreicht.
Dies ist jedoch nur das Ergebnis einer theoretischen Analyse der Daten. Der tatsächliche Anwendungseffekt muss noch anhand der tatsächlichen Steuerungsdaten vor Ort ermittelt werden. Die wirklich sinnvolle Arbeit besteht darin, die von diesen intelligenten Algorithmen erstellten Modelle auf die tatsächliche Steuerung anzuwenden.
Die Modellexportfunktion der JMP Pro-Software schlägt für das Team eine Brücke von der Theorie zur Praxis, überbrückt die Lücke von der Offline-Analyse zur Online-Anwendung und macht die natürliche Kluft deutlich.
Vier Online-Verifizierung von Smart-Modellen
1 Export des Modells
Mit der JMP Pro-Software wurden diese beiden intelligenten Modellalgorithmen in C-Sprachcodes umgewandelt und damit ein entscheidender Schritt für die praktische Anwendung intelligenter Steuerungsmodelle im Feld getan.
2 Online-Verifizierung von Modellen
Der aus den beiden intelligenten Modellalgorithmen konvertierte C-Sprachcode wurde kompiliert und in den voreingestellten Prozess der Offline-Analogmaschine des Warmwalz-Vorwalzprozesscomputers 1580 integriert und dann im September 2019 anhand der Daten getestet, d. h. Eingabefaktoren Es ist das Tatsächliche Bandstahldaten im September. Das Smart-Modell wird verwendet, um die natürliche Breite des Fertigwalzens vorherzusagen. Anschließend wird dieselbe Standardabweichungsberechnungsformel von Pratt PT Company verwendet, um die Standardabweichung des Baosteel-Modells, des PT Company-Modells und von JMP zu berechnen Smart-Modell. Siehe Abbildung 9 unten:
Abbildung 9
Wie aus Abbildung 9 ersichtlich ist, Aus den tatsächlichen Vorhersageergebnissen JMP Die Vorhersageergebnisse des mit der Waldmethode angepassten Modells haben die Vorhersageergebnisse des bestehenden Modells von Baosteel erreicht. !
fünf Projektzusammenfassung und Erfahrung
Durch den Einsatz der intelligenten Analyse- und Modellierungsmethoden in der statistischen Analysesoftware JMP Pro trainierte, verifizierte und passte das Team die vorhergesagten Werte, tatsächlichen Werte und zugehörigen Parameter der natürlichen Breite des 1580-Warmwalz-Fertigwalzens an und erhielt das neuronale Netzwerk und Die theoretische Vorhersagegenauigkeit und Überprüfungsgenauigkeit der beiden intelligenten Steuerungsmodelle des Bootstrap-Waldes haben die Genauigkeit des neuronalen Netzwerkmodells der deutschen Firma Pratt vollständig erreicht.
Gleichzeitig erhielt das Team mit Hilfe der Modellveröffentlichungsfunktion der JMP Pro-Software seinen Programmcode in C-Sprache und führte tatsächliche Tests des voreingestellten Prozesses auf der analogen Maschine durch, die durch das Vor-Ort-Programm gesteuert wurde, und erzielte sehr gute Ergebnisse Ergebnisse und stellen so die Grundlage für den nächsten Schritt dar. Online-Produktionstests und -verifizierungen in einem Schritt legten eine solide Grundlage.
Darüber hinaus hat das Team während des Analyse- und Modellierungsprozesses auch die folgenden Erfahrungen als Referenz zusammengefasst:
- Der Zeitraum der Schulungsmaterialien sollte nicht zu lang sein, vorzugsweise 3 bis 4 Monate;
- Die Datenmenge für Training und Verifizierung sollte nicht zu groß sein, 30.000 bis 40.000 Datensätze sind angemessen;
- Bei Ausstattung mit einer selbstanpassenden Lernfunktion kann die Vorhersagegenauigkeit höher sein.
Es ist ersichtlich, dass sich die Fertigungsindustrie mit dem Vorschlag und der Weiterentwicklung der Strategie „Made in China 2025“ schrittweise von der Fertigung zur „intelligenten Fertigung“ wandelt und aufrüstet, und dass eine intelligente Fertigung unerlässlich ist, um künftige Stahlwerke zu stärken. Der Versuch und die Erforschung des warmgewalzten Fertigwalz-Naturverbreiterungsprojekts 1580 von Baosteel bietet eine gute Referenz und Grundlage für die anderen Produktlinien von Baosteel auf dem Weg zur intelligenten Fertigung. Wissenschaftliche Analysewerkzeuge werden für die Fertigungsindustrie sicherlich unverzichtbar werden, um immer weiter zu gehen. leistungsstarker Motor.
