【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及冶金智能制造，尤其涉及一種基于機器學習的高標軸承鋼質(zhì)量預測模型。
技術(shù)介紹
1、高標軸承鋼是專為制造軸承而設計的鋼材，具有高純凈度、高硬度和耐磨性、良好的淬透性、適宜的韌性和塑性、抗腐蝕能力以及精確的尺寸和形狀控制等特點。這些特性確保了軸承的可靠性、耐用性和精準運行，對提高機械設備的整體性能和降低維護具有決定性作用。
2、在鋼鐵工業(yè)中，質(zhì)量檢測是一個至關(guān)重要的環(huán)節(jié)，它直接關(guān)系到產(chǎn)品的性能和安全性。傳統(tǒng)的質(zhì)量檢測方法主要包括機器設備自動探傷和人工手動探傷兩種方式。然而，這兩種方法都存在一定的局限性。機器自動探傷雖然能夠提高檢測效率，但由于裝置本身和設備探傷精度的限制，往往無法發(fā)現(xiàn)許多微觀細小的夾雜物，因此需要人工復探以確保檢測結(jié)果的準確性。而人工手動探傷則受到操作員主觀性的影響，容易因疲勞度高而導致檢測效率低下，且難以滿足大規(guī)模生產(chǎn)的需求。
3、隨著工業(yè)大數(shù)據(jù)的興起，大量的生產(chǎn)數(shù)據(jù)可以被收集和分析，為質(zhì)量預測和控制提供了新的機會。近年來，機器學習技術(shù)因其強大的數(shù)據(jù)處理能力，在多個領(lǐng)域得到了廣泛應用，包括但不限于軸承質(zhì)量預測、故障診斷等。特別是在鋼鐵行業(yè)中，利用機器學習技術(shù)進行鋼質(zhì)量預測的研究也逐漸增多。
4、但是，目前還缺少通過比較鋼的微觀結(jié)構(gòu)圖像，有效識別出含有較少缺陷的鋼材，進而對鋼材質(zhì)量進行準確預測的有效技術(shù)，需要針對性進行開發(fā)。
技術(shù)實現(xiàn)思路
1、專利技術(shù)目的：針對現(xiàn)有技術(shù)的不足與缺陷，本專利技術(shù)提供一種基于機器學習的高標軸承
2、技術(shù)方案：本專利技術(shù)的一種基于機器學習的高標軸承鋼質(zhì)量預測模型，其特征在于：包括以下具體方法得出：
3、1)數(shù)據(jù)采集：分析實際各工序的生產(chǎn)情況，收集現(xiàn)場對高標軸承鋼合格率和缺陷有潛在影響的關(guān)鍵工藝、成分數(shù)據(jù)，包含水浸探傷合格率和裂紋長度數(shù)據(jù)；
4、2)數(shù)據(jù)預處理：根據(jù)實際需求，對步驟1)所采集的各類工藝、成分特征變量進行處理，其具體包括清理數(shù)據(jù)中的錯值和無意義的數(shù)據(jù)，對缺失值進行填充；
5、3)數(shù)據(jù)劃分：將步驟2)清洗得到的數(shù)據(jù)按照7:3、8:2或者3:1的比例進行劃分，分為用于模型訓練的訓練集和用于模型測試的測試集；
6、4)構(gòu)建模型：通過所述的訓練集對使用python構(gòu)建深度神經(jīng)網(wǎng)絡模型進行訓練，從而獲得訓練后的模型；
7、5)模型評估：通過所述的測試集對訓練后的模型進行評估對比，評估對比合格即將訓練后的集成學習模型作為預測模型；
8、6)質(zhì)量預測，將待測鋼材的生產(chǎn)數(shù)據(jù)和成分數(shù)據(jù)導入到訓練后的模型，獲得相對應的質(zhì)量預測結(jié)果。
9、其中，所述的步驟1)中收集的數(shù)據(jù)包括電爐參數(shù)、精煉爐參數(shù)、真空爐參數(shù)、渣樣參數(shù)、環(huán)境因素參數(shù)與設備狀態(tài)參數(shù)。
10、其中，所述的步驟2)中篩選出異常、不符合常規(guī)、無意義的數(shù)據(jù)；使用特征平均值填充特征缺失值、使用特征平均值代替特征異常值。
11、其中，所述的步驟4)中構(gòu)建模型具體包括下述步驟：
12、1)使用python構(gòu)建深度神經(jīng)網(wǎng)絡模型，并搭配shap算法；
13、2)編寫和調(diào)試神經(jīng)網(wǎng)絡模型的輸入層、隱藏層和輸出層；輸入層使用經(jīng)清理后的特征變量；輸出層以水浸探傷合格率和裂紋長度作為輸出；隱藏層初步設置三層；
14、3)通過調(diào)整神經(jīng)網(wǎng)絡模型的超參數(shù)，包括層數(shù)、節(jié)點數(shù)和激活函數(shù)，優(yōu)化模型的性能和泛化能力；
15、4)設計模型的圖形用戶界面，包含參數(shù)輸入端、預測結(jié)果輸出端。
16、其中，所述的設計模型的輸出端包含水浸探傷合格率和裂紋長度。
17、其中，所述的深度神經(jīng)網(wǎng)絡模型，根據(jù)實際數(shù)據(jù)情況更換使用多層感知機回歸算法模型、隨機森林回歸算法模型、極限梯度提升回歸算法模型、線性回歸算法模型。
18、其中，所述的步驟5)中模型評估具體包括下述步驟。
19、1)使用訓練集對模型進行訓練，采用適當?shù)膬?yōu)化算法和損失函數(shù)，迭代更新模型參數(shù)，使模型逐漸收斂；使用測試集評估模型的泛化能力和預測性能，根據(jù)驗證結(jié)果進行模型調(diào)整和參數(shù)優(yōu)化；
20、2)若測試結(jié)果偏低，再次對模型進行優(yōu)化，重新劃分訓練集、測試集進行訓練和測試；
21、3)多輪次循環(huán)后不斷提升模型預測的準確性，直到引入實時現(xiàn)場數(shù)據(jù)測試后預測準確率≥90％。
22、有益效果：與現(xiàn)有技術(shù)相比，本專利技術(shù)具有以下顯著優(yōu)點：
23、本專利技術(shù)利用工業(yè)數(shù)據(jù)和機器學習技術(shù)，能夠準確預測高標軸承鋼的質(zhì)量情況，包括水浸探傷合格情況和裂紋缺陷尺寸。應用該模型可以幫助生產(chǎn)企業(yè)實現(xiàn)精準控制和優(yōu)化生產(chǎn)流程，提高產(chǎn)品質(zhì)量，降低生產(chǎn)成本。同時，通過提前預測，企業(yè)可以及時調(diào)整生產(chǎn)計劃，避免不必要的浪費和生產(chǎn)中斷。這將極大地提高生產(chǎn)效率、降低質(zhì)量風險，并進一步推動工業(yè)領(lǐng)域的智能化發(fā)展。
24、采用本專利技術(shù)的模型系統(tǒng)，構(gòu)建完善的企業(yè)數(shù)字化工藝及成分采集體系，利用機器學習技術(shù)實現(xiàn)對高標軸承鋼質(zhì)量的準確預測，水浸探傷合格預報準確率≥80％，裂紋缺陷預報準確率≥80％。同時對關(guān)鍵工藝和成分參數(shù)的排序，以幫助生產(chǎn)企業(yè)實現(xiàn)精準控制和優(yōu)化生產(chǎn)流程，提高產(chǎn)品質(zhì)量，降低生產(chǎn)成本。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種基于機器學習的高標軸承鋼質(zhì)量預測模型，其特征在于：包括以下具體方法得出：
2.根據(jù)權(quán)利要求1所述的基于機器學習的高標軸承鋼質(zhì)量預測模型，其特征在于：所述的步驟1)中收集的數(shù)據(jù)包括電爐參數(shù)、精煉爐參數(shù)、真空爐參數(shù)、渣樣參數(shù)、環(huán)境因素參數(shù)與設備狀態(tài)參數(shù)。
3.根據(jù)權(quán)利要求1所述的基于機器學習的高標軸承鋼質(zhì)量預測模型，其特征在于：所述的步驟2)中篩選出異常、不符合常規(guī)、無意義的數(shù)據(jù)；使用特征平均值填充特征缺失值、使用特征平均值代替特征異常值。
4.根據(jù)權(quán)利要求1所述的基于機器學習的高標軸承鋼質(zhì)量預測模型，其特征在于：所述的步驟4)中構(gòu)建模型具體包括下述步驟：
5.根據(jù)權(quán)利要求4所述的基于機器學習的高標軸承鋼質(zhì)量預測模型，其特征在于：所述的設計模型的輸出端包含水浸探傷合格率和裂紋長度。
6.根據(jù)權(quán)利要求4所述的基于機器學習的高標軸承鋼質(zhì)量預測模型，其特征在于：所述的深度神經(jīng)網(wǎng)絡模型，根據(jù)實際數(shù)據(jù)情況更換使用多層感知機回歸算法模型、隨機森林回歸算法模型、極限梯度提升回歸算法模型、線性回歸算法模型。
7.根據(jù)權(quán)利
...【技術(shù)特征摘要】
1.一種基于機器學習的高標軸承鋼質(zhì)量預測模型，其特征在于：包括以下具體方法得出：
2.根據(jù)權(quán)利要求1所述的基于機器學習的高標軸承鋼質(zhì)量預測模型，其特征在于：所述的步驟1)中收集的數(shù)據(jù)包括電爐參數(shù)、精煉爐參數(shù)、真空爐參數(shù)、渣樣參數(shù)、環(huán)境因素參數(shù)與設備狀態(tài)參數(shù)。
3.根據(jù)權(quán)利要求1所述的基于機器學習的高標軸承鋼質(zhì)量預測模型，其特征在于：所述的步驟2)中篩選出異常、不符合常規(guī)、無意義的數(shù)據(jù)；使用特征平均值填充特征缺失值、使用特征平均值代替特征異常值。
4.根據(jù)權(quán)利要求1所述的基于機器學習的高標軸承鋼質(zhì)量預測模型，其...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：黃華，趙大志，林鵬程，于湛，李權(quán)輝，陳林恒，
申請(專利權(quán))人：南京鋼鐵股份有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。