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 permanecer 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 dirigido por el Ministerio de Industria y Tecnología de la Información. Mediante la introducción y actualización de la tecnología y los equipos existentes, Baosteel ha tomado medidas para mejorar la industria del acero inteligente.
Este artículo presentará en detalle la práctica del proyecto de cómo Baosteel aplica el algoritmo inteligente basado en JMP Pro para predecir el ancho natural del laminado en caliente y del laminado de acabado 1580. También es un complemento al discurso pronunciado por el Sr. Zhu Jianqin, ingeniero jefe. del Departamento de Equipos de Modelado Digital de Baosteel Co., Ltd. en la JMP Discovery Summit China 2020. .
uno Antecedentes del proyecto — por qué es necesario JMPPro ?
En el proyecto de construcción del taller inteligente de laminación en caliente Baosteel 1580, Primetals Technologies Germany GmbH (PT) desarrolló el sistema de control dinámico de ancho de laminación de acabado (DWC) utilizando su predicción del ancho natural de laminación de acabado y su modelo de red neuronal autoajustable. En el sistema, a través de la entrada de los parámetros del proceso L2, se calcula el valor previsto del ancho natural del laminado de acabado, que se utiliza para determinar el ancho objetivo del laminado en bruto y el autoajuste posterior al laminado, y se transmite a L1 como referencia. valor, y L1 realiza el ancho de laminado de acabado. Control dinámico, mejorando así significativamente la precisión del control del ancho de salida del laminado de acabado de laminado en caliente 1580. La desviación promedio entre el valor de predicción del modelo y el valor real es de solo 1,38 mm (de enero a septiembre). 2019), ver Figura 1.
Figura 1
Sin embargo, el modelo de red neuronal autoajustable y de predicción de ancho natural de precisión proporcionado por Pratt en Alemania es un modelo de caja negra. Su código de programa original está encriptado y no se puede leer ni modificar. No hay descripción de la estructura del modelo, por lo que no se puede realizar Ajuste de parámetros, ajuste del modelo y otros trabajos de mejora.
Por lo tanto, el equipo espera desarrollar un modelo inteligente aplicando otras herramientas de aprendizaje automático, aprendizaje profundo y otras herramientas de modelado de inteligencia artificial de la familia de productos de análisis estadístico JMP para predecir el ancho natural del laminado final en el laminador en caliente Baosteel Co., Ltd. 1580. Reemplaza el modelo de caja negra de la empresa alemana PT y hace que la desviación entre el valor previsto y el valor real del modelo de desarrollo propio alcance el valor promedio mensual de ≤1,7 mm, alcanzando así básicamente el nivel de control del modelo de caja negra alemana. modelo de caja.
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 Establecimiento de modelos de predicción inteligentes.
1 Recopilación y limpieza de datos.
El equipo recopiló 1.580 datos de producción de laminado de acabado laminado en caliente durante un total de nueve meses desde 2019.01 hasta 2019.09, y compiló un programa SAS para limpiar e integrar los datos de enero a agosto de 2019. Se extrajeron y resumido Forme un archivo de datos de Excel.
2 Filtrado de datos
01 Utilice algoritmos inteligentes para detectar factores clave
Se utilizó el algoritmo de bosque Bootstrap en el software de análisis estadístico JMP Pro para realizar un entrenamiento de ajuste en este conjunto de datos (enero a agosto de 2019, 85423 registros, 206 factores influyentes), y luego se basó en los resultados del entrenamiento en función del ancho natural real. contribución (basado en la suma de cuadrados de la regresión), se seleccionaron factores de influencia con una suma de cuadrados de varianza > 3000, un total de 31 factores, ver Figura 2.
Figura 2
02 Pratt ( PT ) Herencia de experiencia de la empresa
La interfaz de entrada / salida del sistema de análisis y diagnóstico del modelo de red neuronal de ampliación natural proporcionado por Pratt (PT) de Alemania. No es difícil ver que el modelo de caja negra de la red neuronal requiere 33 parámetros, como la composición química y el ancho de entrada del acabado. y ancho de salida.Variables de entrada, consulte la Figura 3.
imagen 3
03 Síntesis de datos
El equipo comparó los factores clave seleccionados por el algoritmo forestal Bootstrap de JMP Pro con las variables de entrada requeridas por el modelo de red neuronal de Pratt (PT) y descubrió que 4 factores de influencia eran iguales y estaban precalculados y eran precisos. ancho del objetivo y composición química silicio (Si), niobio (Nb), etc.
Al mismo tiempo, según la experiencia en el análisis de la calidad de la producción, no es difícil ver que existe una autocorrelación entre factores como el ancho real del laminado en desbaste, la segunda mitad real del ancho del laminado en desbaste y el ancho objetivo del laminado en desbaste, y Estas variables son consistentes con el ancho natural real objetivo que el equipo necesita ajustar. Spread (spread_ACT) también tiene una correlación lineal. Al aplicar la herramienta de análisis de correlación lineal multivariante de JMP Pro para analizar estos ocho factores de influencia y los valores reales del ancho natural, se puede ver que existe una fuerte correlación entre los ocho factores de influencia (coeficiente de correlación r>0,99), y son estrechamente relacionado con el ancho natural. La correlación del valor real del diferencial también es relativamente fuerte (r>55%). Ver Figura 4.
Figura 4
Además, hay más de 1.000 marcas de roscado (código de aleación). Aunque tienen un impacto en el ancho natural y son las que más contribuyen, no se pueden ajustar porque las dimensiones son demasiado grandes. Se 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, se eliminaron un total de 13 factores influyentes. De esta manera, quedan 18 de los 31 factores influyentes. Sumando los 33 factores heredados de la experiencia de Pratt, finalmente se determinan 51 factores influyentes.
3 preparación de datos
Para los 51 factores de influencia finales que afectan el ancho natural del laminado de acabado, el equipo recopiló datos durante un total de tres meses de junio a agosto de 2019 (un total de 30,533 tiras), utilizó JMP Pro para leer los datos y el valor real. del ancho 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, cita) y el 80% del conjunto de datos de ajuste se establece aleatoriamente como conjunto de entrenamiento. y el 20% se utiliza como conjunto de verificación.
tres Entrenamiento de modelos inteligentes y adaptación fuera de línea
El equipo intentó aplicar dos métodos de modelado inteligente en el software de análisis JMP Pro: red neuronal y método de bosque Bootstrap para entrenar y verificar el conjunto de datos anterior respectivamente, y obtuvo los siguientes resultados:
1 Aplicar el método de modelado de redes neuronales.
Figura 5 Figura 6
Como puede verse en las Figuras 5 y 6, el modelo obtenido después del entrenamiento y ajuste utilizando el algoritmo de red neuronal tiene un coeficiente de determinación R2 de 0,858, un RMSE de 1,506 y un promedio de desviaciones absolutas de 1,16 después de la verificación utilizando datos de verificación. En teoría, se han logrado 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, el modelo JMP, el modelo PT y el 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
Como se puede observar en las Figuras 7 y 8, el modelo obtenido después del entrenamiento y ajuste mediante el método del bosque Bootstrap tiene un coeficiente de determinación R2 de 0,863 y un RMSE de 1,48 después de la verificación utilizando los datos de validación, logrando una mayor precisión de predicción.
De manera similar, la Figura 8 muestra el diagrama de dispersión de los valores predichos de los tres modelos (de izquierda a derecha, el modelo JMP, el modelo PT y el modelo existente de Baosteel) y los valores reales. Se puede ver que el modelo ajustado JMP tiene el menor grado de dispersión. )
Se puede ver en la aplicación de los dos algoritmos de modelo inteligente anteriores que Oreja El algoritmo forestal tiene un mejor efecto de ajuste y una mayor precisión de predicción que la red neuronal. Ambos métodos de modelado han logrado los objetivos del equipo del proyecto.
Sin embargo, esto es sólo el resultado del análisis teórico de los datos. El efecto real de la aplicación aún debe determinarse mediante los datos de control reales en el sitio. Cómo aplicar los modelos establecidos por estos algoritmos inteligentes al control real es el trabajo verdaderamente significativo.
La función de exportación de modelos del software JMP Pro tiende 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 aclara el abismo natural.
cuatro Verificación online de modelos inteligentes.
1 Exportación de modelo
Se utilizó el software JMP Pro para convertir estos dos algoritmos de modelos inteligentes en códigos de lenguaje C, dando así un paso crítico para la aplicación práctica de modelos de control inteligentes en el campo.
2 Verificación online de modelos.
El código de lenguaje C convertido a partir de los dos algoritmos de modelo inteligente se compiló e integró en el proceso preestablecido de la máquina analógica fuera de línea de la computadora del proceso de laminación en caliente 1580, y luego se probó utilizando los datos en septiembre de 2019, es decir, los factores de entrada son los Datos reales de la banda de acero en septiembre. El modelo inteligente se utiliza para predecir el ancho natural del laminado de acabado. Luego, se utiliza la misma fórmula de cálculo de desviación estándar de Pratt PT Company para calcular la desviación estándar del modelo Baosteel, el modelo PT Company y JMP. modelo inteligente respectivamente. Consulte la Figura 9 a continuación:
Figura 9
Como se puede ver en la Figura 9, A partir de los resultados de la predicción real, JMP Los resultados de predicción del modelo ajustado por el método forestal han alcanzado los resultados de predicción del modelo existente de Baosteel. !
cinco Resumen del proyecto y experiencia.
Al utilizar los métodos inteligentes de análisis y modelado del software de análisis estadístico JMP Pro, el equipo entrenó, verificó y ajustó los valores previstos, los valores reales y los parámetros relacionados del ancho natural del acabado laminado en caliente 1580 y obtuvo la red neuronal. y La precisión de la predicción teórica y la precisión de la verificación de los dos modelos de control inteligente del bosque Bootstrap han alcanzado completamente la precisión del modelo de red neuronal de la empresa alemana Pratt.
Al mismo tiempo, con la ayuda de la función de publicación de modelos del software JMP Pro, el equipo obtuvo su código de programa en lenguaje C y realizó pruebas reales del proceso preestablecido en la máquina analógica controlada por el programa en el sitio, y logró muy buenos resultados. resultados, proporcionando así la base para el siguiente paso. Las pruebas y verificación de producción en línea en un solo paso sentaron una base sólida.
Además, durante el proceso de análisis y modelado, el equipo también resumió las siguientes experiencias para su referencia:
- La duración de los materiales de capacitación no debería ser demasiado larga, preferiblemente de 3 a 4 meses;
- La cantidad de datos para capacitación y verificación no debe ser demasiado grande, siendo apropiado entre 30.000 y 40.000 registros;
- Si está equipado con una función de aprendizaje autoajustable, la precisión de la predicción puede ser mayor.
Se puede ver que con la propuesta y el avance de la estrategia Made in China 2025, la industria manufacturera se está transformando y actualizando gradualmente de la fabricación a la "fabricación inteligente", y es imperativo que la fabricación inteligente potencie las futuras plantas siderúrgicas. El intento y la exploración del proyecto de ensanchamiento natural de laminado en caliente 1580 de Baosteel proporciona una buena referencia y base para otras líneas de productos de Baosteel en el camino hacia la fabricación inteligente. Las herramientas de análisis científico seguramente serán indispensables para que la industria manufacturera avance cada vez más. motor poderoso.
