스마트 제조는 새로운 상황에서 주식회사의 기술 발전에 있어서 피할 수 없는 추세이며, 치열한 시장 경쟁에서 주도권을 잡고 천적을 유지하기 위한 중요한 보장이기도 합니다. 1580 열간압연 스마트 작업장 건설은 산업정보기술부가 시범적으로 진행하는 Baosteel의 첫 스마트 시범 프로젝트로, Baosteel은 기존 기술과 장비를 도입하고 업그레이드함으로써 스마트 철강 산업을 업그레이드하기 위한 조치를 취했습니다.
이 기사에서는 Baosteel이 JMP Pro를 기반으로 한 지능형 알고리즘을 적용하여 1580 열간 압연 및 정삭 압연의 자연 폭을 예측하는 방법에 대한 프로젝트 실습을 자세히 소개합니다. 또한 수석 엔지니어 Zhu Jianqin의 연설에 대한 보충 자료입니다. 2020 JMP Discovery Summit China에서 Baosteel Co., Ltd. 장비 부서의 디지털 모델링. .
하나 프로젝트 배경 — 왜 필요한가? JMP 프로 ?
Baosteel 1580 열간 압연 스마트 작업장 건설 프로젝트에서 마무리 압연 동적 폭 제어(DWC) 시스템은 Primetals Technologies Germany GmbH(PT)가 마무리 압연 자연 폭 예측 및 자체 조정 신경망 모델을 사용하여 개발한 L2에 내장되어 있습니다. 시스템에서는 L2 공정 변수의 입력을 통해 마무리 압연의 자연 폭 예측 값이 계산되며, 이는 조압연 목표 폭 및 압연 후 자체 조정을 결정하는 데 사용되며 참조로 L1에 전송됩니다. L1은 마무리 압연 폭을 구현합니다. 동적 제어를 통해 1580 열간 압연 마무리 압연 출구 폭의 제어 정확도가 크게 향상됩니다. 모델 예측 값과 실제 값의 평균 편차는 1.38mm에 불과합니다(1월~9월). 2019), 그림 1을 참조하세요.
그림 1
그러나 독일 프랫(Pratt)이 제공하는 미세 롤링 자연 폭 예측 및 자체 조정 신경망 모델은 블랙박스 모델로 원본 프로그램 코드가 암호화되어 있어 읽거나 수정할 수 없으며 모델 구조에 대한 설명이 없으므로 매개변수 조정, 모델 튜닝 및 기타 개선 작업을 수행할 수 없습니다.
이에 연구팀은 JMP 통계분석 제품군의 기타 머신러닝, 딥러닝, 기타 인공지능 모델링 툴을 적용해 ㈜바오스틸 1580열간 압연기의 자연 마무리 압연 폭을 예측하는 지능형 모델을 개발하고자 한다. 독일 PT사의 블랙박스 모델을 대체하여 자체 개발한 모델의 예측값과 실제값의 편차가 월평균값 1.7mm 이하에 도달하여 기본적으로 독일 블랙박스의 제어 수준에 도달합니다. 박스 모델.
이를 바탕으로 팀은 JMP Pro의 예측 모델링 도구를 활용하여 추가 시도와 탐색을 시작했습니다.
둘 지능형 예측모델 구축
1 데이터 수집 및 정리
팀은 2019.01년부터 2019.09년까지 총 9개월 동안 열연 마무리 압연 생산 데이터 1,580건을 수집하고, SAS 프로그램을 컴파일하여 2019년 1월부터 8월까지 데이터를 정리 통합했다. 총 85,423개의 유효 데이터를 추출하여 요약 Excel 데이터 파일을 구성합니다.
2 데이터 필터링
01 스마트 알고리즘을 사용하여 핵심 요소 선별
JMP Pro 통계 분석 소프트웨어의 Bootstrap 포레스트 알고리즘을 사용하여 이 데이터 세트(2019년 1월~8월, 기록 85,423개, 영향 요인 206개)에 대해 피팅 훈련을 수행한 후 실제 자연 폭을 기준으로 한 훈련 결과를 바탕으로 기여도(회귀 제곱합 기준), 분산 제곱합 > 3000인 영향 요인이 선택되었으며, 총 31개의 요인이 선택되었습니다(그림 2 참조).
그림 2
02 프랫( PT ) 회사 경험 계승
독일 Pratt(PT)에서 제공하는 자연 확장 신경망 모델 분석 및 진단 시스템의 입출력 인터페이스 신경망 블랙박스 모델에는 화학적 조성, 마무리 롤링 입구 폭 등 33개의 매개변수가 필요하다는 것을 어렵지 않게 볼 수 있습니다. 및 출구 너비 입력 변수(그림 3 참조)
이미지 3
03 데이터 합성
연구팀은 JMP Pro의 부트스트랩 포리스트 알고리즘이 선정한 핵심 요소와 Pratt(PT)의 신경망 모델이 요구하는 입력 변수를 비교한 결과 4가지 영향 요소가 동일하고 사전 계산되어 정확하다는 사실을 확인했습니다. 타겟 폭 및 화학 성분 실리콘(Si), 니오븀(Nb) 등
동시에, 생산 품질 분석 경험을 바탕으로 실제 조압연 폭, 실제 조압연 후반 폭, 조압연 목표 폭 등의 요소들 사이에는 자기상관이 있음을 어렵지 않게 볼 수 있으며, 이러한 변수는 팀이 맞춰야 하는 실제 목표 너비와 일치합니다. 스프레드(spread_ACT)도 선형 상관 관계를 갖습니다. JMP Pro의 다변량 선형 상관 분석 도구를 적용하여 이러한 8가지 영향 요인과 자연 폭의 실제 값을 분석하면 8가지 영향 요인 간에 강한 상관 관계가 있음을 알 수 있으며(상관 계수 r>0.99), 자연적 폭과 밀접한 관련이 있으며, 실제 스프레드 값과의 상관관계도 상대적으로 높습니다(r>55%). 그림 4를 참조하세요.
그림 4
또한 태핑마크(alloyCode)가 1,000개 이상 있는데, 자연폭에 영향을 주고 가장 많이 기여하지만 치수가 너무 커서 장착이 불가능합니다.테이블 방식을 사용하여 자가 조정 학습이 가능합니다. .
따라서 논의 끝에 최종적으로 이들 9개의 변수를 삭제하기로 결정되었으며, 여기에 반복되는 4개의 변수를 더해 총 13개의 영향요인이 삭제되었습니다. 이렇게 해서 31개의 영향요인 중 18개의 영향요인이 남고, 프랫의 경험에서 계승한 33개의 요인을 더하면 최종적으로 51개의 영향요인이 결정된다.
삼 데이터 준비
자연 마무리 압연 폭에 영향을 미치는 최종 51개 영향 요인에 대해 팀은 2019년 6월부터 8월까지 총 3개월 동안(총 30,533개의 스트립) 데이터를 수집하고 JMP Pro를 사용하여 데이터를 판독했으며 실제 값은 마무리 압연의 자연스러운 폭을 목표값(Y, 반응 변수)으로 사용하고, 51개의 영향 요인을 피팅 데이터(X, quote)로 사용하고, 피팅 데이터 세트의 80%를 트레이닝 세트로 무작위로 설정하고, 20%는 검증 세트로 사용됩니다.
삼 스마트 모델 훈련 및 오프라인 피팅
팀은 JMP Pro 분석 소프트웨어에서 두 가지 스마트 모델링 방법인 신경망과 부트스트랩 포리스트 방법을 적용하여 위의 데이터 세트를 각각 훈련하고 검증하려고 시도했으며 다음과 같은 결과를 얻었습니다.
1 신경망 모델링 방법 적용
그림 5 그림 6
그림 5와 6에서 볼 수 있듯이, 신경망 알고리즘을 이용하여 학습 및 피팅한 모델은 검증 데이터를 이용한 검증 결과 결정계수 R2가 0.858, RMSE가 1.506, 절대편차의 평균이 1.16임을 알 수 있다. 이론적으로는 팀이 설정한 목표가 달성되었습니다.
그림 6은 세 가지 모델(왼쪽에서 오른쪽으로, JMP 모델, PT 모델, Baosteel의 기존 모델)의 예측값과 실제값의 산점도를 나타낸 것이며, JMP로 피팅한 모델은 다음과 같은 것을 알 수 있다. 분산 정도가 가장 작습니다.
2 애플리케이션 부트스트랩 산림법 모델링 방법
그림 7 그림 8
그림 7과 8에서 볼 수 있듯이, Bootstrap 포리스트 방법을 이용하여 학습 및 피팅한 후 얻은 모델은 검증 데이터를 이용한 검증 결과 결정계수 R2가 0.863, RMSE가 1.48로 더 높은 예측 정확도를 보이고 있다.
마찬가지로 그림 8은 세 가지 모델(왼쪽에서 오른쪽으로, JMP 모델, PT 모델, Baosteel의 기존 모델)의 예측값과 실제값의 산점도를 나타낸 것으로, JMP 적합 모델이 있음을 알 수 있다. 분산 정도가 가장 작습니다. )
위의 두 가지 스마트 모델 알고리즘을 적용하면 다음과 같은 결과를 볼 수 있습니다. 부트스트랩 포레스트 알고리즘은 신경망보다 더 나은 피팅 효과와 더 높은 예측 정확도를 가지며, 두 모델링 방법 모두 프로젝트 팀의 목표를 달성했습니다.
그러나 이는 이론적인 데이터 분석 결과일 뿐 실제 적용 효과는 현장의 실제 제어 데이터에 의해 결정되어야 합니다. 이러한 지능형 알고리즘을 통해 구축된 모델을 실제 제어에 어떻게 적용하는가가 정말 의미 있는 작업입니다.
JMP Pro 소프트웨어의 모델 내보내기 기능은 팀을 위해 이론과 실습을 연결하고, 오프라인 분석과 온라인 애플리케이션 간의 격차를 해소하고, 자연스러운 공백을 해소합니다.
4개 스마트 모델의 온라인 검증
1 모델 수출
JMP Pro 소프트웨어는 이 두 지능형 모델 알고리즘을 C 언어 코드로 변환하는 데 사용되었으며, 이를 통해 현장에서 지능형 제어 모델을 실제로 적용하는 데 중요한 단계를 밟았습니다.
2 모델의 온라인 검증
두 가지 스마트 모델 알고리즘에서 변환된 C 언어 코드를 1580 열간 압연 조압연 공정 컴퓨터 오프라인 아날로그 기계의 미리 설정된 공정에 컴파일 및 통합한 후 2019년 9월 데이터, 즉 입력 요소를 사용하여 테스트했습니다. 스마트 모델을 이용하여 정삭압연의 자연폭을 예측한 후 Pratt PT Company의 동일한 표준편차 계산식을 사용하여 Baosteel 모델, PT Company 모델 및 JMP smart의 표준편차를 계산합니다. 모델 각각 아래 그림 9를 참조하십시오.
그림 9
그림 9에서 볼 수 있듯이, 실제 예측 결과를 보면, JMP 산림법을 적용한 모델의 예측 결과는 Baosteel의 기존 모델 예측 결과에 도달했습니다. !
다섯 프로젝트 요약 및 경험
팀은 JMP Pro 통계 분석 소프트웨어의 지능형 분석 및 모델링 방법을 사용하여 1580 열간 압연 마무리 압연의 자연 폭에 대한 예측 값, 실제 값 및 관련 매개 변수를 훈련, 검증 및 피팅하고 신경망을 얻었습니다. Bootstrap 포리스트의 두 가지 스마트 제어 모델의 이론적 예측 정확도와 검증 정확도는 독일 Pratt 회사의 신경망 모델의 정확도에 완전히 도달했습니다.
동시에 JMP Pro 소프트웨어의 모델 게시 기능의 도움으로 팀은 C 언어 프로그램 코드를 획득하고 현장 프로그램으로 제어되는 아날로그 기계에서 사전 설정 프로세스에 대한 실제 테스트를 수행하여 매우 좋은 결과를 얻었습니다. 결과를 바탕으로 다음 단계의 기반을 마련하고, 원스텝 온라인 생산 테스트 및 검증을 통해 탄탄한 기반을 마련했습니다.
또한 분석 및 모델링 과정에서 참고할 수 있도록 팀에서는 다음과 같은 경험을 요약했습니다.
- 교육 자료의 기간은 너무 길어서는 안 되며, 3~4개월이 바람직합니다.
- 훈련 및 검증을 위한 데이터의 양은 너무 커서는 안 되며, 30,000~40,000개의 레코드가 적절합니다.
- 자가 조정 학습 기능을 탑재하면 예측 정확도가 높아질 수 있습니다.
볼 수 있는 것은 Made in China 2025 전략의 제안과 발전으로 제조업이 제조업에서 '지능형 제조'로 점차 변화하고 업그레이드되고 있으며, 미래 철강 공장에 힘을 실어주기 위해서는 스마트 제조가 필수적이라는 것입니다. Baosteel의 1580년 열간 압연 마무리 압연 자연 확장 프로젝트에 대한 시도와 탐구는 스마트 제조로 가는 길에 있는 Baosteel의 다른 제품 라인에 대한 좋은 참고 자료와 기반을 제공합니다. 미래 강력한 엔진.
