La produzione intelligente è la tendenza inevitabile dello sviluppo tecnologico per le società per azioni nella nuova situazione, ed è anche un'importante garanzia per vincere l'iniziativa e rimanere invincibili nella feroce competizione di mercato. La costruzione dell’officina intelligente per la laminazione a caldo 1580 è il primo progetto intelligente dimostrativo di Baosteel pilotato dal Ministero dell’Industria e dell’Information Technology.Introducendo e aggiornando la tecnologia e le attrezzature esistenti, Baosteel ha adottato misure per aggiornare l’industria siderurgica intelligente.
Questo articolo introdurrà in dettaglio la pratica del progetto su come Baosteel applica l'algoritmo intelligente basato su JMP Pro per prevedere la larghezza naturale della laminazione a caldo e della laminazione di finitura 1580. È anche un supplemento al discorso tenuto da Zhu Jianqin, ingegnere capo della modellazione digitale del dipartimento attrezzature di Baosteel Co., Ltd. al JMP Discovery Summit China 2020. .
uno Contesto del progetto — perché necessario JMP Pro ?
Nel progetto di costruzione di un'officina intelligente per la laminazione a caldo Baosteel 1580, il sistema di controllo della larghezza dinamica della laminazione di finitura (DWC) è stato sviluppato da Primetals Technologies Germany GmbH (PT) utilizzando la previsione della larghezza naturale della laminazione di finitura e il modello di rete neurale autoregolante. sistema, attraverso l'immissione dei parametri di processo L2, viene calcolato il valore previsto della larghezza naturale della laminazione di finitura, che viene utilizzato per determinare la larghezza target della laminazione grezza e l'auto-regolazione post-laminazione, e viene trasmesso a L1 come riferimento valore e L1 realizza la larghezza di laminazione di finitura. Controllo dinamico, migliorando così in modo significativo la precisione di controllo della larghezza di uscita della laminazione di finitura di laminazione a caldo 1580. La deviazione media tra il valore di previsione del modello e il valore effettivo è di soli 1,38 mm (da gennaio a settembre 2019), vedere la Figura 1.
Figura 1
Tuttavia, il modello di previsione della larghezza naturale e di rete neurale autoregolante fornito da Pratt in Germania è un modello a scatola nera. Il suo codice di programma originale è crittografato e non può essere letto o modificato. Non esiste una descrizione della struttura del modello, quindi non può essere eseguito Regolazione dei parametri, messa a punto del modello e altri lavori di miglioramento.
Pertanto, il team spera di sviluppare un modello intelligente applicando altri strumenti di machine learning, deep learning e altri strumenti di modellazione dell'intelligenza artificiale della famiglia di prodotti di analisi statistica JMP per prevedere la larghezza naturale della laminazione di finitura presso il laminatoio a caldo Baosteel Co., Ltd. 1580 Sostituisce il modello a scatola nera dell'azienda tedesca PT e fa sì che la deviazione tra il valore previsto e il valore effettivo del modello sviluppato internamente raggiunga il valore medio mensile di ≤1,7 mm, raggiungendo quindi sostanzialmente il livello di controllo dell'azienda nera tedesca modello a scatola.
Sulla base di ciò, il team ha iniziato a compiere ulteriori tentativi ed esplorazioni con l'aiuto degli strumenti di modellazione predittiva di JMP Pro.
due Creazione di modelli di previsione intelligenti
1 Raccolta e pulizia dei dati
Il team ha raccolto 1.580 dati sulla produzione di laminazione di finitura laminati a caldo per un totale di nove mesi dal 2019.01 al 2019.09 e ha compilato un programma SAS per pulire e integrare i dati da gennaio ad agosto 2019. Sono stati estratti un totale di 85.423 dati validi e riepilogato Formare un file di dati Excel.
2 Filtraggio dei dati
01 Utilizza algoritmi intelligenti per individuare i fattori chiave
L'algoritmo della foresta Bootstrap nel software di analisi statistica JMP Pro è stato utilizzato per eseguire l'addestramento di adattamento su questo set di dati (da gennaio ad agosto 2019, 85423 record, 206 fattori di influenza), quindi in base ai risultati dell'addestramento in base alla larghezza naturale effettiva. contributo (basato sulla somma dei quadrati di regressione), sono stati selezionati fattori di influenza con una somma della varianza dei quadrati > 3000, per un totale di 31 fattori, vedere Figura 2.
figura 2
02 Pratt ( P.T ) Eredità dell'esperienza aziendale
L'interfaccia di input/output del sistema di analisi e diagnosi del modello di rete neurale ad ampliamento naturale fornito da Pratt (PT) in Germania. Non è difficile vedere che il modello di scatola nera della rete neurale richiede 33 parametri come la composizione chimica, la larghezza di ingresso rotolante di finitura e larghezza di uscita. Variabili di input, vedere la Figura 3.
immagine 3
03 Sintesi dei dati
Il team ha confrontato i fattori chiave selezionati dall'algoritmo della foresta Bootstrap di JMP Pro con le variabili di input richieste dal modello di rete neurale di Pratt (PT) e ha scoperto che 4 fattori d'influenza erano gli stessi ed erano precalcolati e accurati. larghezza del target e composizione chimica silicio (Si), niobio (Nb), ecc.
Allo stesso tempo, sulla base dell'esperienza nell'analisi della qualità della produzione, non è difficile vedere che esiste un'autocorrelazione tra fattori quali l'effettiva larghezza di laminazione grezza, l'effettiva larghezza della seconda metà della laminazione grezza e la larghezza target della laminazione grezza, e queste variabili sono coerenti con l'effettiva larghezza naturale target che il team deve adattare. Anche lo spread (spread_ACT) ha una correlazione lineare. Applicando lo strumento di analisi della correlazione lineare multivariata di JMP Pro per analizzare questi otto fattori d'influenza e i valori effettivi dell'ampiezza naturale, si può vedere che esiste una forte correlazione tra gli otto fattori d'influenza (coefficiente di correlazione r>0,99) e sono strettamente correlato all'ampiezza naturale. Anche la correlazione con il valore effettivo dello spread è relativamente forte (r>55%). Vedere la Figura 4.
Figura 4
Inoltre ci sono più di 1.000 segni di maschiatura (alloyCode). Sebbene incidano sulla larghezza naturale e contribuiscano maggiormente, non possono essere adattati perché le dimensioni sono troppo grandi. Per l'apprendimento dell'autoregolazione può essere utilizzato un metodo tabella .
Pertanto, dopo la discussione, si è finalmente deciso di eliminare queste 9 variabili, più le 4 variabili ripetute, per un totale di 13 fattori d'influenza sono stati eliminati. In questo modo rimangono 18 dei 31 fattori d'influenza e sommando i 33 fattori ereditati dall'esperienza di Pratt si ottengono infine 51 fattori d'influenza.
3 preparazione dei dati
Per gli ultimi 51 fattori che influenzano la larghezza naturale della laminazione di finitura, il team ha raccolto dati per un totale di tre mesi da giugno ad agosto 2019 (per un totale di 30.533 strisce), ha utilizzato JMP Pro per leggere i dati e il valore effettivo della larghezza naturale della laminazione di finitura viene utilizzato come valore target (Y, variabile di risposta), 51 fattori di influenza vengono utilizzati come dati di adattamento (X, quotazione) e l'80% del set di dati di adattamento viene impostato casualmente come set di addestramento, e il 20% viene utilizzato come set di verifica.
tre Addestramento intelligente del modello e adattamento offline
Il team ha provato ad applicare due metodi di modellazione intelligente nel software di analisi JMP Pro: rete neurale e metodo della foresta Bootstrap per addestrare e verificare rispettivamente il set di dati di cui sopra e ha ottenuto i seguenti risultati:
1 Applicare il metodo di modellazione della rete neurale
Figura 5 Figura 6
Come si può vedere dalle Figure 5 e 6, il modello ottenuto dopo l'addestramento e l'adattamento utilizzando l'algoritmo della rete neurale ha un coefficiente di determinazione R2 di 0,858, un RMSE di 1,506 e una media delle deviazioni assolute di 1,16 dopo la verifica utilizzando i dati di verifica. Teoricamente, sono stati raggiunti gli obiettivi fissati dalla squadra.
La Figura 6 mostra il diagramma di dispersione dei valori previsti dei tre modelli (da sinistra a destra, il modello JMP, il modello PT e il modello esistente di Baosteel) e i valori effettivi. Si può vedere che il modello adattato da JMP ha il più piccolo grado di dispersione.
2 applicazione Bootstrap Metodo di modellazione del metodo forestale
Figura 7 Figura 8
Come si può vedere dalle Figure 7 e 8, il modello ottenuto dopo l'addestramento e l'adattamento utilizzando il metodo forestale Bootstrap ha un coefficiente di determinazione R2 di 0,863 e un RMSE di 1,48 dopo la verifica utilizzando i dati di validazione, ottenendo una maggiore precisione di previsione.
Allo stesso modo, la Figura 8 mostra il diagramma di dispersione dei valori previsti dei tre modelli (da sinistra a destra, il modello JMP, il modello PT e il modello esistente di Baosteel) e i valori effettivi. Si può vedere che il modello adattato JMP ha il più piccolo grado di dispersione. )
Dall'applicazione dei due algoritmi del modello intelligente di cui sopra si può vedere che Bootstrap L'algoritmo della foresta ha un migliore effetto di adattamento e una maggiore precisione di previsione rispetto alla rete neurale ed entrambi i metodi di modellazione hanno raggiunto gli obiettivi del team di progetto.
Tuttavia, questo è solo il risultato teorico dell'analisi dei dati, l'effetto effettivo dell'applicazione deve ancora essere determinato dai dati di controllo effettivi sul posto. Come applicare i modelli stabiliti da questi algoritmi intelligenti al controllo effettivo è il lavoro veramente significativo.
La funzione di esportazione dei modelli del software JMP Pro crea un ponte tra la teoria e la pratica per il team, colma il divario tra l'analisi offline e l'applicazione online e rende chiaro il divario naturale.
quattro Verifica online dei modelli intelligenti
1 Esportazione del modello
Il software JMP Pro è stato utilizzato per convertire questi due algoritmi di modello intelligente in codici di linguaggio C, compiendo così un passo fondamentale per l'applicazione pratica di modelli di controllo intelligenti sul campo.
2 Verifica online dei modelli
Il codice del linguaggio C convertito dai due algoritmi del modello intelligente è stato compilato e integrato nel processo preimpostato della macchina analogica offline del computer con processo di laminazione grossolana a caldo 1580, e quindi testato utilizzando i dati a settembre 2019, ovvero i fattori di input. È il dati effettivi dei nastri di acciaio a settembre. Il modello intelligente viene utilizzato per prevedere la larghezza naturale della laminazione di finitura. Quindi la stessa formula di calcolo della deviazione standard di Pratt PT Company viene utilizzata per calcolare la deviazione standard del modello Baosteel, del modello PT Company e di JMP modello smart rispettivamente.Vedi Figura 9 sotto:
Figura 9
Come si può vedere dalla Figura 9, Dai risultati effettivi della previsione, JMP I risultati di previsione del modello adattato dal metodo forestale hanno raggiunto i risultati di previsione del modello esistente di Baosteel. !
cinque Sintesi del progetto ed esperienza
Utilizzando i metodi intelligenti di analisi e modellazione del software di analisi statistica JMP Pro, il team ha addestrato, verificato e adattato i valori previsti, i valori effettivi e i parametri correlati della larghezza naturale della laminazione di finitura laminata a caldo 1580 e ha ottenuto la rete neurale e L'accuratezza teorica della previsione e dell'accuratezza della verifica dei due modelli di controllo intelligente della foresta Bootstrap hanno pienamente raggiunto l'accuratezza del modello di rete neurale dell'azienda tedesca Pratt.
Allo stesso tempo, con l'aiuto della funzione di pubblicazione dei modelli del software JMP Pro, il team ha ottenuto il codice del programma in linguaggio C e ha condotto test effettivi del processo preimpostato sulla macchina analogica controllata dal programma in loco, ottenendo ottimi risultati. risultati, fornendo così la base per il passaggio successivo. I test e la verifica della produzione online in un unico passaggio hanno gettato solide basi.
Inoltre, durante il processo di analisi e modellazione, il team ha anche riepilogato le seguenti esperienze come riferimento:
- L'arco temporale dei materiali formativi non dovrebbe essere troppo lungo, preferibilmente da 3 a 4 mesi;
- La quantità di dati per la formazione e la verifica non dovrebbe essere troppo grande, essendo adeguate 30.000-40.000 registrazioni;
- Se dotato di funzione di apprendimento autoregolante, la precisione della previsione può essere maggiore.
Si può vedere che con la proposta e l’avanzamento della strategia Made in China 2025, l’industria manifatturiera si sta gradualmente trasformando e aggiornando dalla produzione alla “produzione intelligente”, ed è imperativo che la produzione intelligente possa potenziare le future acciaierie. Il tentativo e l'esplorazione del progetto di allargamento naturale della laminazione con finitura laminata a caldo 1580 di Baosteel fornisce un buon riferimento e una base per le altre linee di prodotti Baosteel sulla strada verso la produzione intelligente. Gli strumenti di analisi scientifica diventeranno sicuramente indispensabili affinché l'industria manifatturiera possa andare sempre più lontano. motore potente.
