热轧高硬度耐磨钢板工业大数据预处理对模型的

   中国高硬度硬度钢板工业面临着诸多挑战,市场需求逐步向着个性化、多品种、小批量、环保绿色、节能等方向发展,钢铁工业势必要通过更高的制造效率、更强的柔性、更低的生命周期成本来迎合市场的变化。工业大数据的合理利用恰恰能满足企业的这种需求。如今,基于大数据的建模技术广泛兴起,但是研究重点都放在模型的构建方法上,对于原始数据常常不加处理直接利用,或者经过简单的标准化处理后直接用于建模。

  科研工作者针对高硬度硬度钢板工业智能制造中大数据的建模问题分析了大数据的使用方法,将模型分为着重于预测精度的模型和着重于预测规律的模型。可以根据不同的需求选择不同的数据建立对应的模型。在智能制造建模过程中,需要将冗余和误差较大的数据剔除,保证训练数据和预测数据的均匀分布,才能建立出包含正确规律的模型。通过填补空缺值、钢卷归并、相似工艺归并和建模数据均匀化处理等处理方法对数据进行处理,利用正则化贝叶斯网络建立了高硬度硬度钢板力学性能预测模型,并以屈服强度为例分析了工艺参数对屈服强度的影响。

  结果表明,通过选择合适的高硬度硬度钢板数据样本和数据处理方法,可以建立规律性良好且预测精度较高的模型。经统计,屈服强度和抗拉强度的预测数据中分别有96.64%和99.16%的数据预测值和实测值绝对误差在±30MPa之内,伸长率的预测数据中有85.71%的数据预测值和实测值绝对误差在±4%内。