スマートマニュファクチャリングは、新たな状況下における株式会社の技術開発における避けられない傾向であり、また、熾烈な市場競争において主導権を獲得し、無敵であり続けるための重要な保証でもある。 1580熱間圧延スマートワークショップの建設は、宝鋼工業情報化部が主導する初の実証スマートプロジェクトであり、宝鋼は既存の技術と設備を導入・アップグレードすることで、スマート鉄鋼産業の高度化に取り組んでいる。
この記事は、宝鋼がJMP Proに基づくインテリジェントアルゴリズムを適用して1580熱間圧延と仕上げ圧延の自然幅を予測するプロジェクトの実践を詳しく紹介するものであり、チーフエンジニアのZhu Jianqin氏の講演の補足でもあります。 2020年JMPディスカバリーサミット中国で宝鋼株式会社設備部門のデジタルモデリング担当者が受賞。
1つプロジェクトの背景—なぜ必要なのかJMPプロ?
Baosteel 1580 熱間圧延スマート ワークショップ建設プロジェクトでは、仕上げ圧延の動的幅制御 (DWC) システムが、Primetals Technologies Germany GmbH (PT) によって、仕上げ圧延の自然幅予測と自動調整ニューラル ネットワーク モデルを使用して開発されました。 L2 工程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、粗圧延目標幅と圧延後の自己調整を決定し、基準として L1 に送信されます。ダイナミック制御により、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 モデル予測値と実測値の平均偏差はわずか1.38mm（1月～9月） 2019)、図 1 を参照。
図1
しかし、ドイツのPratt社が提供するファインローリング自然幅予測・自己調整型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あり、元のプログラムコードは暗号化されており、読み取りや変更ができず、モデル構造の記述がないため、パラメータ調整やモデルチューニングなどの改善作業が行えません。
したがって、チームは、JMP 統計分析製品ファミリーの他の機械学習、深層学習、およびその他の人工知能モデリング ツールを適用して、宝鋼有限公司 1580 熱間圧延機の仕上げ圧延の自然幅を予測するインテリジェント 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置き換え、自社開発モデルの予測値と実際の値との偏差が月平均値≤1.7mmに達し、基本的にドイツのブラックボックスの管理レベルに達します。ボックスモデル。
これに基づいて、チームは JMP Pro の予測モデリング ツールの助けを借りて、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年1月から2019年9月までの合計9か月間、1,580件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ためのSASプログラムを作成しました。合計85,423件の有効なデータが抽出され、 Excel データ ファイルを作成します。
2データのフィルタリング
01スマートなアルゴリズムを使用して主要な要素をスクリーニングする
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 アルゴリズムを使用して、このデータセット (2019 年 1 月から 8 月、85,423 レコード、206 の影響因子) に対してフィッティング トレーニングを実行し、実際の自然幅に基づくトレーニング結果に基づいて、寄与率 (回帰二乗和に基づく)、分散二乗和 > 3000 の影響因子が選択され、合計 31 個の因子が選択されました。図 2 を参照してください。
図2
02プラット ( PT ) 企業経験の継承
ドイツの Pratt (PT) が提供する Natural Widening ニューラル ネットワーク モデル解析および診断システムの入出力インターフェイスニューラル ネットワーク ブラック ボックス モデルには、化学組成、仕上げ圧延入口幅など 33 個のパラメーターが必要であることを理解するのは難しくありません。 、および終了幅入力変数 (図 3 を参照)
画像3
03データ合成
研究チームは、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素と、プラット (PT) のニューラル ネットワーク モデルに必要な入力変数を比較しました。影響を与える 4 つの要素が同じであり、それらは事前に計算されており、正確であることがわかりました。ターゲット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、実際の粗圧延幅、実際の粗圧延後半幅、粗圧延目標幅などの要因の間に自己相関があることを理解するのは難しくありません。これらの変数は、チームが適合させる必要がある目標の実際の自然な幅と一致しており、スプレッド (spread_ACT) にも線形相関があります。 JMP Pro の多変量線形相関分析ツールを適用して、これら 8 つの影響因子と自然幅の実際の値を分析すると、8 つの影響因子の間に強い相関関係があることがわかります (相関係数 r>0.99)。自然幅と密接に関係しており、スプレッドの実際の値との相関も比較的強い (r>55%)。図 4 を参照してください。
図4
また、タッピング痕（alloyCode）は1,000個以上あり、自然な幅に影響を与え最も寄与するものの、寸法が大きすぎてフィッティングできません テーブル方式で自己調整学習が可能。
したがって、議論の結果、最終的にこれら 9 つの変数を削除することが決定され、さらに重複する 4 つの変数、合計 13 の影響因子が削除されました。このようにして、31 個の影響因子のうち 18 個が残り、プラットの経験から受け継いだ 33 個の因子を加えると、最終的に 51 個の影響因子が決定されます。
3データの準備
仕上げ圧延の自然な幅に影響を与える最後の51の影響要因について、チームは2019年6月から8月までの合計3か月間（合計30,533のストリップ）のデータを収集し、JMP Proを使用してデータを読み取り、実際の値を取得しました。仕上げ圧延の自然幅の目標値 (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、引用) 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ます。 20% が検証セットとして使用されます。
三つスマートな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 つのスマート モデリング手法 (ニューラル ネットワークとブートストラップ フォレスト手法) を適用して、それぞれ上記のデータセットをトレーニングおよび検証することを試み、次の結果が得られました。
1ニューラルネットワークモデリング手法を適用する
図5 図6
図 5 および図 6 からわかるように、ニューラル ネットワーク アルゴリズムを使用してトレーニングおよびフィッティング後に得られたモデルは、検証データを使用した検証後の決定係数 R2 が 0.858、RMSE が 1.506、絶対偏差の平均が 1.16 でした。理論的には、チームが設定した目標は達成されました。
図6は、3つのモデル（左から右に、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散布図を示しています。最小の分散度。
2応用ブートストラップフォレスト法モデリング手法
図7 図8
図 7 および図 8 からわかるように、ブートストラップ フォレスト法による学習およびフィッティング後に得られたモデルは、検証データによる検証後の決定係数 R2 が 0.863、RMSE が 1.48 となり、より高い予測精度を実現しています。
同様に、図8は3つのモデル（左から右に、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散布図を示しています。JMPモデルが適合していることがわかります。分散度が最も小さい。 )
上記の 2 つのスマート モデル アルゴリズムを適用すると、次のことがわかります。ブートストラップフォレスト アルゴリズムはニューラル ネットワークよりもフィッティング効果が高く、予測精度が高く、どちらのモデリング手法もプロジェクト チームの目標を達成しました。
ただし、これはデータを理論的に解析した結果にすぎず、実際の適用効果は現場での実際の制御データによって判断する必要があります。これらの知的な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どのように適用するかは、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橋渡しを行い、オフライン分析からオンライン アプリケーションへのギャップを埋め、自然な溝を明確にします。
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 ソフトウェアを使用して、これら 2 つのインテリジェント モデル アルゴリズムを C 言語コードに変換し、現場でのインテリジェント制御モデルの実用化に向けた重要な一歩を踏み出しました。
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熱間圧延粗圧延プロセスコンピュータ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月にデータ、つまり入力要素を使用してテストされました。 9月の実際の帯鋼データを使用し、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、Pratt PT社の同じ標準偏差計算式を使用して、Baosteelモデル、PT社モデル、およびJMPの標準偏差を計算します。それぞれスマート モデル以下の図 9 を参照してください。
図9
図 9 からわかるように、実際の予測結果から、 JMPフォレスト法によって適合されたモデルの予測結果は、宝鋼の既存モデルの予測結果に達しました。 ！
五プロジェクトの概要と経験
JMP Pro統計解析ソフトウェアのインテリジェントな解析およびモデリング手法を使用して、チームは1580熱間圧延仕上げ圧延の自然幅の予測値、実際の値および関連パラメータをトレーニング、検証、フィッティングし、ニューラルネットワークを取得しました。ブートストラップ フォレストの 2 つのスマート コントロール モデルの理論的な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ています。
同時に、JMP Pro ソフトウェアのモデル公開機能を利用して、C 言語プログラム コードを入手し、現場のプログラム制御コンピュータのアナログ マシン上で事前に設定されたプロセスを実際にテストし、成果を達成しました。非常に良好な結果が得られたため、次のステップの基礎を築きました。ワンステップのオンライン実稼働テストと検証により、強固な基盤が築かれました。
さらに、分析とモデリングのプロセス中に、チームは参考のために次の経験もまとめました。
- トレーニング資料の期間は長すぎてはならず、できれば 3 ～ 4 か月です。
- トレーニングと検証に使用するデータの量は多すぎてはならず、30,000 ～ 40,000 レコードが適切です。
- 自己調整学習機能を搭載すれば、より高い予測精度が得られます。
中国製造 2025 戦略の提案と推進により、製造業は製造業から「インテリジェント製造業」への変革とアップグレードが徐々に進んでおり、将来の製鉄所を強化するにはスマート製造業が不可欠であることがわかります。宝鋼の1580熱間圧延仕上げ圧延自然拡幅プロジェクトの試みと探求は、スマート製造への道を歩む宝鋼の他の製品ラインに良い参考と基礎を提供するものであり、科学的分析ツールは製造業がさらに前進するために必ず不可欠となるだろう。強力なエンジン。
