(19)中华 人民共和国 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 202111628309.1 (22)申请日 2021.12.28 (71)申请人 鞍钢集团自动化有限公司 地址 114002 辽宁省鞍山市高新区越岭路 259号 (72)发明人 鲁璐　乔磊　薛芷蘅　苏小利　 贾玥彤　李雪晴　王里程　白雪　 (74)专利代理 机构 鞍山嘉讯科技专利事务所 (普通合伙) 21224 代理人 张群 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/30(2012.01) G06F 30/20(2020.01)G06F 16/28(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/14(2020.01) (54)发明名称 一种集装箱卷板的力学性能预测方法 (57)摘要 一种集装箱卷板的力学性能预测方法， 通过 改进型BP神经网络模型建立力学性能预测模型， 对集装箱卷板的七个钢种力学性能进行预测， 输 出预测值。 预测模型模型可自监测、 自更新， 当预 测精度不满足要求时， 预测模型进行自动更新。 一种集装箱卷板的力学性能预测方法， 使得集装 箱卷板的抗拉强度、 屈服强度、 延伸率的预测精 度达到97.84％、 96.79％、 92.06％， 从而代替了 传统的人工检查方式， 更加便捷、 准确的预测集 装箱卷板的力学性能， 同时通过预测值对工艺参 数、 成分参数进行优化， 降低了设计过程中的盲 目性， 节省了时间、 成本 。 权利要求书1页 说明书4页 附图5页 CN 114219175 A 2022.03.22 CN 114219175 A 1.一种集装箱卷板的力学性能预测方法， 其特 征在于， 包括以下步骤： (S1)数据采集模块抽取 数据， 并保存至目标关系型 数据库； (S2)通过星型模型， 确定抽取的数据与工艺 参数、 成分参数表间关系； (S3)对力学性能指标与工艺参数、 成分参数进行相关性分析， 其中性能指标包括： 抗拉 强度、 屈服强度、 延伸率； (S4)确定抗拉强度、 屈服强度、 延伸率的影响因子， 确认各影响因子的最大值、 最小值、 指标的最大值、 最小值， 抽取80％的样本数据， 进行归一 化处理， 得到训练样本数据； (S5)选取隐藏层数、 隐藏神经 元数构建改进型BP神经网络模型； (S6)选取学习参数， 包括动量因子、 学习率、 训练次数、 初始的权值与阈值、 激活函数、 误差函数、 学习算法； (S7)对改进型BP神经网络模型进行 学习、 训练， 得到预测模型； (S8)通过20 ％测试样本数据对改进型BP神经网络模型进行测试， 并对预测模型进行准 确性评估， 其中准确性 最优的预测模型为 最终选定预测模型， 并可自动更新； (S9)抽取在线生产的集装箱卷板的七个钢种的相关工艺参数、 成分参数通过最终选定 预测模型， 进行在线力学性能预测， 输出性能指标 预测值， 并存 入关系型 数据库。 2.根据权利要求1所述的一种集装箱卷板的力学性 能预测方法， 其特征在于， 所述的步 骤(S1)中， 抽取 数据来自于炼钢M ES、 ERP系统、 热轧工程数据、 性能检验过程数据。 3.根据权利要求1所述的一种集装箱卷板的力学性 能预测方法， 其特征在于， 所述的步 骤(S4)中， 改进 型BP神经网络模 型采用磷含量、 钛含量、 碳含量、 铬含量、 硅含量、 硫含量、 硫 化砷、 卷曲温度、 终轧温度作为改进型BP神经网络模型的输入变量， 将抗拉强度、 屈服强度 和延伸率作为改进型BP神经网络模型的输出变量， 采用l og‑sigmoid作为激活函数。 4.根据权利要求1所述的一种集装箱卷板的力学性 能预测方法， 其特征在于， 所述的步 骤(S6)中， 动量因子为0.85、 学习率 为0.85、 初始的权值与阈值范围为 ‑0.2～0.2。 5.根据权利要求1所述的一种集装箱卷板的力学性 能预测方法， 其特征在于， 所述的步 骤(S8)中， 最 终选定预测模 型的自动更新， 是搭建力学性能预测的系统定期进 行自诊断， 检 测最终选定预测模型精度， 当不满足设定精度时， 启动报警提示并启动更新最终选定预测 模型； 更新最终选定预测模型时， 根据非正常工况时的工艺参数、 成分参数特点， 跳过非正 常工况时间段， 进行更新最终选定预测模 型， 重复步骤(S1)～(S8)， 得到新的最终选定预测 模型， 同时提 示更新最终选定预测模型完成。权　利　要　求　书 1/1 页 2 CN 114219175 A 2一种集装箱卷板的力学性能预测方 法 技术领域 [0001]本发明涉及钢铁材料性能检测技术领域， 特别涉及一种集装箱卷板的力学性能预 测方法。 背景技术 [0002]近年来， 随着国内外铁路运输和集装箱物流产业的蓬勃发展， 用户企业对优质集 装箱卷板的需求越来越大， 从而对集装箱卷板的强度、 韧性、 耐腐蚀性及其优良综合性能的 要求越来越高。 长期以来， 耐候钢的性能预测及其热轧工艺优化主要通过实物试验来探索 确定， 这必将耗费大量的人力、 物力和时间， 且在各个控制环节存在的人为因素， 将较大地 影响到耐候钢性能预测及其热轧工艺优化的精度。 发明内容 [0003]针对现有技术存在的问题及技术要求， 本发明的目的是提供了一种集装箱卷板的 力学性能预测方法， 通过改进型BP神经网络模型建立力学性能预测模型， 对集装箱卷板的 七个钢种力学性能进行预测， 输出预测值。 预测模型模型可自监测、 自更新， 当预测精度不 满足要求时， 预测模型进行自动更新。 [0004]为了达到上述目的， 本发明采用以下技 术方案实现： [0005]一种集装箱卷板的力学性能预测方法， 包括以下步骤： [0006](S1)数据采集模块抽取 数据， 并保存至目标关系型 数据库； [0007](S2)通过星型模型， 确定抽取的数据与工艺 参数、 成分参数表间关系； [0008](S3)对力学性能指标与工艺参数、 成分参数进行相关性分析， 其中性能指标包括： 抗拉强度、 屈服强度、 延伸率； [0009](S4)确定抗拉强度、 屈服强度、 延伸率 的影响因子， 确认各影响因子的最大值、 最 小值、 指标的最大值、 最小值， 抽取80％的样本数据， 进行归一 化处理， 得到训练样本数据； [0010](S5)选取隐藏层数、 隐藏神经 元数构建改进型BP神经网络模型； [0011](S6)选取学习参数， 包括动量 因子、 学习率、 训练次数、 初始的权值与阈值、 激活函 数、 误差函数、 学习算法； [0012](S7)对改进型BP神经网络模型进行 学习训练， 得到预测模型； [0013](S8)通过20％测试样本数据 对改进型BP神经 网络模型进行测试， 并对预测模型进 行准确性评估， 其中准确性 最优的预测模型为 最终选定预测模型， 并进行定期更新； [0014](S9)抽取在线生产的集装箱 卷板的七个钢种的相关工艺参数、 成分参数通过最终 选定预测模型， 进行在线力学性能预测， 输出性能指标 预测值， 并存 入关系型 数据库。 [0015]所述的步骤(S1)中， 抽取数据来自于炼钢MES、 ERP系统、 热轧工程数据、 性能检验 过程数据。 [0016]所述的步骤(S4)中， 改进型BP神经 网络模型采用磷含量、 钛含量、 碳含量、 铬含量、 硅含量、 硫含量、 硫化砷、 卷曲温度、 终轧温度作为改进 型BP神经网络模型的输入变量， 将抗说　明　书 1/4 页 3 CN 114219175 A 3