(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110238318.3 (22)申请日 2021.03.04 (71)申请人 宝山钢铁股份有限公司 地址 201900 上海市宝山区富锦路8 85号 (72)发明人 刘晔　裴德昭　贾俊彪　陈欢欢　 (74)专利代理 机构 上海科琪专利代理有限责任 公司 31117 专利代理师 董艳慧　郑明辉 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) G06F 119/08(2020.01) (54)发明名称 基于工业大数据的厚板 板形预报方法 (57)摘要 本发明公开了一种基于工业大数据的厚板 板形预报方法， 包括步骤： 1、 通过模型离线训练 生成板形质量预报模型并存在模型数据库(4) 中； 2、 输入厚板号， 数据预处理模块(2)从工业数 据库(6)调取钢种信息； 3、 输入生产时间， 模型训 练模块(3)从模型数据库调取可用的模型ID， 选 择模型ID； 4、 模型预报模块(5)从模型数据库调 取板形质量预报模型， 加载并初始化板形质量预 报模型； 5、 数据预处理模块 从工业数据库调取多 源异构工业数据并传入模 型预报模块； 6、 模型预 报模块进行板形质量预报。 本发 明能在厚板的生 产过程中准确预报厚板最终的板形质量， 用于提 前了解厚板的产品性能并指导生产过程， 极大改 善产品质量， 提高产品的合格率。 权利要求书3页 说明书14页 附图3页 CN 115034124 A 2022.09.09 CN 115034124 A 1.一种基于工业大数据的厚板板形预报方法， 其特征是： 该方法基于板形预报系统实 现， 板形预报系统包括： 前端界面(1)， 用于 输入参数和展示板形质量预报结果； 模型数据库(4)， 用于存 储板形质量预报模型及其模型ID； 工业数据库(6)， 用于存 储厚板生产过程中的多源异构工业数据； 模型训练模块(3)， 用于离线训练板形质量预报模型， 并将训练结束后的板形质量预报 模型存储在模型 数据库(4)中； 模型预报模块(5)， 用于从模型数据库(4)中调取板形质量预报模型， 并通过该板形质 量预报模型进行板形质量预报， 板形质量预报结果发送至前端界面(1)； 以及数据预处理模块(2)， 用于调取工业数据库(6)中的数据样本， 并对数据样本进行 预处理后传入 模型训练模块(3)和模型 预报模块(5)； 所述的厚板 板形预报方法包括以下步骤： 步骤1： 通过模型离线训练对指定厚板生成板形质量预报模型并存储在模型数据库(4) 中； 步骤2： 用户通过前端界面(1)输入厚板号， 数据预处理模块(2)从工业数据库(6)中调 取该厚板号对应的钢 种信息， 并通过 前端界面(1)显示； 步骤3： 用户通过前端界面(1)输入一段连续的生产时间， 模型训练模块(3)从模型数据 库(4)中调取该段连续的生产时间内可用的板形质量预报模型的模型ID， 并通过前端界面 (1)显示， 用户选择模型ID； 步骤4： 模型预报模块(5)从模型数据库(4)中调取步骤3中选择的模型ID所对应的板形 质量预报模型， 加载 该板形质量预报模型并初始化； 步骤5： 数据预处理模块(2)从工业数据库(6)中调取步骤2中厚板号对应的厚板生产 过 程中的多源异构工业数据， 并传入 模型预报模块(5)， 同时通过 前端界面(1)显示； 步骤6： 模型预报模块(5)通过步骤4中加载的板形质量预报模型对步骤2中厚板号对应 的厚板进行板形质量预报， 并通过 前端界面(1)显示厚板 板形质量预报结果。 2.根据权利要求1所述的基于工业大数据的厚板板形预报方法， 其特征是： 所述的步骤 1包括： 步骤1.1： 将不同厚板在生产过程中产生的历史数据存 储在工业数据库(6)内； 步骤1.2： 用户通过前端界面(1)针对指定厚板发出质量预报执行指令， 数据预处理模 块(2)从工业数据库(6)中调取指定厚板的历史数据； 步骤1.3： 数据预处理模块(2)对历史数据进行信息截取和数据补齐处理， 构成多源异 构数据块， 并将多源异构数据块传入到模型训练模块(3)中； 步骤1.4： 模型训练模块(3)将板形质量异常进行分类， 并对每个板形质量异常类别分 别建立异常标准； 步骤1.5： 模型训练模块(3)通过多源异构数据块针对每个板形质量异常类别建立板形 质量预报模型； 步骤1.6： 将指定厚板相对应的板形质量预报模型保存在模型数据库(4)中， 并分配对 应的模型ID。 3.根据权利要求2所述的基于工业大数据的厚板板形预报方法， 其特征是： 所述的数据权　利　要　求　书 1/3 页 2 CN 115034124 A 2预处理模块(2)对历史数据进行信息截取的方法是： S1.3.1： 通过厚板的位置信息分别截取对应位置处若干个温度传感器的测温区间； S1.3.2： 设定温度跳变参考值， 作 为温度发生跳变的判断标准， 根据温度跳变参考值在 测温区间内截取每 个温度传感器的温度数据信息 。 4.根据权利要求3所述的基于工业大数据的厚板板形预报方法， 其特征是： 每个所述的 温度传感器的测温区间截取时保留一定余 量， 该余量的长度为测温区间长度的5％。 5.根据权利要求3所述的基于工业大数据的厚板板形预报方法， 其特征是： 在每个温度 传感器的测温区间中， 温度跳变参考值为该测温区间中最高温度与最低温度之 间的温度差 的50％。 6.根据权利要求2所述的基于工业大数据的厚板板形预报方法， 其特征是： 所述的步骤 1.3中， 数据补齐包括加热 过程数据补齐、 轧制过程数据补齐和冷却过程数据补齐； 所述的加热过程数据补齐方法是： 提取一个厚板样本的在炉时间， 并根据在炉时间分 别截取若干个温度传感器对应的炉温数据， 将炉温数据按时间顺序排列成针对该厚板样本 的二维炉温数据； 以所有厚板样本中炉温数据的最大量为标准， 在其余厚板样本中炉温数 据的周围补齐零 点， 使所有厚板样本中炉温数据的维度统一； 所述的轧制过程数据补齐方法是： 以所有厚板样本中道次维度的最大量为标准， 在其 余厚板样本的道次维度中补齐随机数据， 使所有厚板样本中道次维度统一； 所述的冷却过程数据补齐方法是： 以所有厚板样本中数据维度的最大量为标准， 在其 余厚板样本的数据维度中补齐随机数据， 使所有厚板样本中数据维度统一。 7.根据权利要求2所述的基于工业大数据的厚板板形预报方法， 其特征是： 所述的步骤 1.4中， 板形质量异常的类别包括： 头尾翘曲、 厚度异常、 中浪、 左边浪和右边浪； 所述的头尾翘曲的异常标准为： 厚板头部FQC数据超限、 或厚板尾部FQC数据超限、 或厚 板头部出现浪形、 或厚板尾部出现浪形； 厚度异常的异常标准为： 厚板中部区域FQC数据超 限； 中浪的异常标准为： 厚板中部区域FQC数据未超限， 但在厚板的纵向方向上出现浪形； 左 边浪的异常标准为： 厚板的左边部区域FQC数据超限或者出现浪形； 右边浪的异常标准为： 厚板的右边部区域FQC数据超限或者出现浪形。 8.根据权利要求2所述的基于工业大数据的厚板板形预报方法， 其特征是： 所述的步骤 1.5包括： S1.5.1： 按照不同工序下数据的不同特性， 将一个多源异构数据块切分成若干个小数 据块； S1.5.2： 利用最大值、 最小值、 平均值和方差对每一个小数据块进行表征， 构成统计量 数据； S1.5.3： 按照 工序的实际关联顺序， 将统计量数据组合成一个一维的统计指标新数据， 并将其作为预报模型的一个输入； S1.5.4： 利用最大信息系数算法计算统计指标新数据与每一种板形质量异常类别之间 的相关性系数m， 其中， 最大信息系数MIC∈[0,1]； S1.5.5： 将每个小数据块的相 关性系数求和， 得到不同数据块与板形质量异常类别之 间的相关性系 数M， M＝{m1,m2,…,mn}， 其中， mn为第n个小数据块与板形质量异常类别 之间 的相关性系数， mn＝mnave+mnstd+mnmax+mnmin； 其中， mnave为第n个小数据块的平均值与板 形质量权　利　要　求　书 2/3 页 3 CN 115034124 A 3