一种欠特征情况下的型钢规格尺寸控制建模及验证方法_吴郭贤.pdf

随着工艺和装备技术水平的提升，大断面型钢生产稳定性和产品质量控制水平有了显著的提高，积累了丰富的生产经验。但由于型钢产品的断面形状复杂，控制参数和尺寸数量较多，同时要考虑通长规格尺寸的合格情况，岗位人员一次调整合格率不高，伴随而来是成本损失，相关技术人员生产压力大，人才培养梯度层次不齐，往往要通过“废钢”来出人才。如何将规格尺寸调整算法化、模型化，成为解决这一问题的主要方法。现场实际生产数据在完备性和准确性两个方面存在一定问题，其中准确性问题主要为数据测量异常，这与检测设备运行稳定性和机械装备劣化有关，需定期进行设备校验或标定，才能得以修正。而数据完备性问题主要表现为规格控制方法解释差，即控制方法差异性大，这主要与测量装备缺失，以及无法直接测量有关，继而这些因子对规格尺寸控制有多大影响无法定量评估。在欠特征情况下，为提高模型准确性，本文通过数据聚合分类等数据集划分方法，在大类数据集上进行建模和验证，以消除小类异常样本的影响。1数据集划分算法由于型钢规格为尺度参数，且轧制工艺相对固定后，对规格的调整在一个相对狭窄的线性空间内进行，历史调整数据之间存在相对集中的特性。同时调整工况相近时，调整过程具有较高的重现性，因此本文采用原型聚类算法进行数据集划分。原型聚类具有代表性的两个算法是K均值聚类（Kmeans）和高斯混合聚类（GM）。1.1 K均值聚类算法1J=Nn=1Kk=1nkxn-k2（1）k=nnkxn/nxn（2）k=k-1+n（xn+k-1）（3）式中k为第k个原型向量，x为第n个样本，nk0，1，为第n个样本是否属于第k个原型向量的率属度。算法具体执行过程为：选定原型向量，计算原型向量与各数据点之间的距离J，即式（1）；令J关于原型向量的偏导数为零计算，如式（2），可令为新的原型向量，如此迭代，直至满足收敛条件为止，具体收敛条件一般为最大类别数，以及轮廓系数为代表的距离度量指标。该算法的特点式计算简单，容易达到局部最优，后面有学者采用批处理的方式（Kmeans-bat）将整个数据集一起用于更新原型向量，保证了一定的全局性，但整体搜索原型向量速度过慢。为了加快搜索算法，学者提出了LVQ算法2，采用式（3）进行对原型向量进行更新，求解速度大幅度提升。1.2高斯混合聚类算法3该算法的前提是假设观察样本集存在潜变量，且数据集是由以潜变量所划分的多个高斯分布混合而成，此处原型指高斯分布。pM（x）=Ki=1ip（xi，i）ni=pM（z=i xn）=pM（xn，z=i）/pM（xn）ui=Nn=1nixn/Nn=1nii=Nn=1ni（xn-i）（xn-i）T/Nn=1nii=Nn=1ni/mki=1i=1（4）式中pM（x）为假设样本由k个高斯分布混合而成的分布概率，z为k个高斯成分，i为混合系数，ui为第i个高斯成分的均值，i为第i个高斯成分的标准差，p（x|ui，i）为样本x由第i个高斯成分决定的条件概率。算法具体执行过程为：初始化设定高斯混合参数，按公式（3）计算样本由混合成分决定的后验概率，以及对应高斯成分的（，u，）参数值，更新设定参数值。如此迭代，直至满足收敛条一种欠特征情况下的型钢规格尺寸控制建模及验证方法吴郭贤（攀钢集团成都星云智联科技有限责任公司，四川 攀枝花617062）A Modeling and Verification Method of Section Steel Size Adjustmentin Case of Under Feature摘要：在型钢轧制领域，产品的规格尺寸控制是影响产品产量和质量的主要因素。由于型钢产品断面形状复杂，同时控制尺寸种类多，除了用先进设备保障之外，生产现场均设有规格尺寸调整岗位，但因为现场工况条件复杂，参数特征众多，同时有些特征无法直接测量或缺少测量装备，人工很难进行综合判断。这种经验控制的调整效率不高，需要根据数据关系进行模型化，而单纯地在大数据集上建模，模型的准确性不会太高。为了提高模型准确性，以钢轨规格控制为例，介绍了一种欠特征情况下的型钢规格控制建模及验证方法。关键词：型钢轧制；规格尺寸控制；欠特征建模；模型准确性Abstract:In the field of section steel rolling,the size control of products is the main factor affecting the production andquality of products.Because the section shape of section steel products is complex and there are many types of controldimensions,in addition to the support of advanced equipment,there are size adjustment posts on the production site.How-ever,due to the complex working conditions on the site,many parameter feature,and some feature cannot be measureddirectly or lack of measurement equipment.It is difficult to make comprehensive judgment manually.In order to improve theaccuracy of the model,taking rail specification control as an example,this paper introduces a modeling and verificationmethod of section steel size adjustment in the case of under feature.Keywords:section steel milling,size adjustment,under feature modeling,model accuracy一种欠特征情况下的型钢规格尺寸控制建模及验证方法84工业控制计算机2023年第36卷第1期件为止。通过观察发现，高斯混合中的成分均值与Kmeans中的均值向量具有相同形式，只是Kmeans中的率属度参数在GM中体现为概率加权，即GM算法模糊了簇间边界。在大样本中，这种方法降低了弃真和取伪错误的风险，但不同点在于Kmeans算法的簇中心直接由均值向量决定。而GM算法中的簇中心是在混合系数给定情况下，由均值和标准差共同决定的一堆数据，具有波动性，有一定的全局最优性。2逆向划分数据集建模及验证2.1逆向划分数据集型钢产品的质量控制离不开设备和工况保证，可以通过分析产品检测结果信息来甄别对应工况类别，因此应用聚类算法按照一定规则可以将大数据集划分出不同数据子集。这种划分方式与正向用已知工况条件进行数据集划分方式相反，所以称之为逆向划分数据集。本文使用型钢规格尺寸数据作为样本进行了数据划分，主要有三种划分方法：1）直接对规格差值向量进行聚类，即从规格变化规律上进行数据划分；2）使用各规格差值向量计算产品断面各组成部位的等效面积和总面积，然后分别使用等效面积和总面积两种参数进行聚类划分，即从面积变化规律上进行数据集划分；3）结合各规格测量点之间的约束关系，按此关系进行数据划分，如H型钢中腰厚和宽度之间的约束关系。2.2逆向聚类划分效果分析以钢轨某品种为例，使用三种逆向划分方式进行数据集划分，从结果上均能体现数据集上存在潜变量，但不同的方式存在潜变量明显程度不同。1）规格尺寸聚类划分。如表1所示，从轮廓系数上看，离散潜变量不明显，但从簇变化上看数据存在分层现象，即簇数量应为2，且各簇中的规格数据满足高斯分布。表1规格尺寸聚类轮廓系数表2）等效面积聚类划分。如表2所示，通过对钢轨头、腰、底三部分等效面积进行聚类，从轮廓系数上看，离散潜变量明显，从簇变化上看簇数量应为4，且各簇中的规格数据满足高斯分布。表2等效面积聚类轮廓系数表3）规格强约束划分。由图1可知底宽和腰厚，腰厚和头宽，底宽和腿长，上下对称，腿长与对称间均存在较强的相关性，可以根据相关系数较大的规格进行相关性数据筛选。通过分析各规格测量算法，各规格测点之间存在严格的约束关系，但综合相关系数并不为1，所以在一定误差范围内，按照这种规格约束规则可以进行数据筛选划分。2.3潜变量效应模拟分析当前型钢轧制系统中存在部分调整参数无检测数据是导致存在直接建模效果不佳的原因之一，如本文数据中没有轴向控制数据，此处通过有限元模拟仿真分析了轴向控制参数与规格尺寸之间的相关性。如图2所示，该轴向控制参数与钢轨底部尺寸之间存在明显的相关性，足以证明在历史数据中工艺控制中使用该参数进行工艺调整的概率较大，这也是造成逆向划分数据集分簇明显的原因之一。图2轴向控制与规格尺寸的关系2.4建模验证指标分析（1）模型指标定义1）方向一致性。调整前后规格实际变化值的符号与预测规格变化值方向相同则认为方向一致，模型预测符合实际结果，反之则不一致。将预测样本中方向一致的样本数量除以观察总量，即为方向一致性，该指标用于反映模型预测是否与客观现实状态一致。2）控制精度。取对预测样本的预测结果偏差的均方误作为衡量模型控制精度的指标，可以反映模型的控制能力或水平。（2）模型效果指标分析分别用上文三类数据划分方式所得的大样本子集和未划分前的总样本集，进行多元线性回归建模验证，对比模型验证指标，结果如图3、图4所示，进行逆向划分后平均方向一致性均图1规格相关系数热力图图3逆向划分数据集建模平均方向一致性对比85（上接第83页）of German emotional speech C/Ninth European Conferenceon Speech Communication and Technology,20058YAWEI M U,LAH GMEZ,MONTES A C,et al.Speech E-motionRecognitionUsingConvolutional-RecurrentNeuralNetworks with Attention Modell C/Proceedings of the 2ndInternational Conference on Computer Engineering,InformationScience and Internet Technology(CII 2017),2017:356-3659CHEN M,XHE,JING Y,et al.3-D Convolutional RecurrentNeural Networks With Attention Model for Speech EmotionRecognition J.IEEE Signal Processing Letters,2018,25(10):1440-144410MUPPIDI A,RADFAR M.Speech Emotion Recognition UsingQuaternion Convolutional Neural NetworksC/2021 IEEE In-ternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP),2021:6309-631311RLOTFIDERESHGI,PGOURNAY.BiologicallyinspiredspeechemotionrecognitionC/2017IEEEInternationalConference on Acoustics,Speech and Signal Processing(I-CASSP),2017:5135-513912Y JIN,P SONG,W ZHENG,et al.A f