技术新讯 > 计算推算,计数设备的制造及其应用技术 > 钢材力学性能预测方法、装置、电子设备及存储介质与流程  >  正文

钢材力学性能预测方法、装置、电子设备及存储介质与流程

  • 国知局
  • 2025-01-10 13:16:39

本发明涉及钢材力学性能预测,尤其涉及一种钢材力学性能预测方法、装置、电子设备及存储介质。

背景技术:

1、在钢材生产出来后,往往是通过抽检的方式来进行所生产的钢材的力学性能检测,由于检测过程较为繁琐、成本也较高,在保证所生产的产品质量的前提下,往往需要加大抽检的密度来进一步掌握所生产的钢材的力学性能,这极大地增加了成本。另一方面,由于检测也需要一定的时间,一旦出现钢材的力学性能不达标的问题,反馈生产线的时间具有滞后性,导致企业出现较大的损失。

技术实现思路

1、本发明提供一种钢材力学性能预测方法、装置、电子设备及存储介质,以解决相关技术中需要实际对生产的钢材进行检测来得到力学性能,时间长、成本高、结果具有滞后性,可能会导致企业出现较大的损失的技术问题。

2、本发明提供的一种钢材力学性能预测方法,所述钢材力学性能预测方法包括:获取待预测钢材的待预测特征数据,所述待预测特征数据包括所述待预测钢材在生产过程中的钢水成分和轧制过程参数;将所述待预测特征数据输入至预先训练好的第一预测模型中得到第一预测结果,以及将所述待预测特征数据输入至预先训练好的第二预测模型中,得到第二预测结果,其中,所述第一预测模型与所述第二预测模型的模型类型不同,所述第一预测模型和所述第二预测模型通过样本训练数据集训练得到,所述样本训练数据集中的样本训练数据包括训练样本特征数据和训练样本力学性能标签,所述训练样本特征数据包括样本钢材在生产过程中的钢水成分和轧制过程参数;基于所述第一预测结果和所述第二预测结果确定所述待预测钢材的预测力学性能结果。

3、于本发明一实施例中,将所述待预测特征数据输入至预先训练好的第一预测模型中得到第一预测结果,以及将所述待预测特征数据输入至预先训练好的第二预测模型中,得到第二预测结果之前,所述方法包括:获取第一样本数据子集,所述第一样本数据子集中的第一样本数据包括第一样本钢材的第一样本特征数据以及所述第一样本钢材的真实力学性能标签,所述第一样本特征数据包括所述第一样本钢材在生产过程中的钢水成分和轧制过程参数;若所述第一样本数据子集中的第一样本数据的数量少于预设真实样本数量阈值,获取第二样本数据子集,所述第二样本数据子集中的第二样本数据包括第二样本特征数据,所述第二样本特征数据包括第二样本钢材在生产过程中的钢水成分和轧制过程参数;通过所述第一样本数据子集分别对所述第一初始模型、第二初始模型进行第一次训练,得到第一次训练后的第一初始模型和第一次训练后的第二初始模型;将所述第二样本数据子集中至少部分第二样本特征数据分别输入至所述第一次训练后的第一初始模型和第一次训练后的第二初始模型,得到所述第一次训练后的第一初始模型输出的第一预测力学性能标签,以及所述第一次训练后的第二初始模型输出的第二预测力学性能标签;确定每一第一预测力学性能标签的第一预测效用值,以及确定每一第二预测力学性能标签的第二预测效用值;将第一预测效用值大于预设效用阈值的第一预测力学性能标签确定为第一样本力学性能伪标签,基于所述第一样本力学性能伪标签和所述第一样本力学性能伪标签对应的第二样本特征数据生成第一伪样本训练子数据集,基于所述第一伪样本训练子数据集和所述第一样本数据子集生成用于训练所述第一预测模型的第一样本训练数据子集;将第二预测效用值大于预设效用阈值的第二预测力学性能标签确定为第二样本力学性能伪标签,基于所述第二样本力学性能伪标签和所述第二样本力学性能伪标签对应的第二样本特征数据生成第二伪样本训练子数据集,基于所述第二伪样本训练子数据集和所述第一样本数据子集生成用于训练所述第二预测模型的第二样本训练数据子集;基于所述第一样本训练数据子集和所述第二样本训练数据子集生成所述样本训练数据集。

4、于本发明一实施例中,将所述第二样本数据子集中至少部分第二样本特征数据分别输入至所述训练后的第一初始模型和训练后的第二初始模型,包括:从所述第二样本数据子集中选择预设数量的第二样本特征数据,将选择的所述第二样本特征数据分别输入至所述训练后的第一初始模型和训练后的第二初始模型;若所述第一样本力学性能伪标签的数量小于预设伪样本数量阈值,以及所述第二样本力学性能伪标签的数量小于预设伪样本数量阈值,重新从所述第二样本数据子集中选择预设数量的第二样本特征数据,将选择的所述第二样本特征数据分别输入至所述训练后的第一初始模型和训练后的第二初始模型,直到重新选择的第二样本特征数据的次数大于预设次数阈值,或所述第一样本力学性能伪标签的数量大于或等于预设伪样本数量阈值,或所述第二样本力学性能伪标签的数量大于或等于预设伪样本数量阈值;若所述第一样本力学性能伪标签的数量小于预设伪样本数量阈值,以及所述第二样本力学性能伪标签的数量大于或等于预设伪样本数量阈值,重新从所述第二样本数据子集中选择预设数量的第二样本特征数据,将选择的所述第二样本特征数据输入至所述训练后的第一初始模型,直到重新选择的第二样本特征数据的次数大于预设次数阈值,或所述第一样本力学性能伪标签的数量大于或等于预设伪样本数量阈值;若所述第二样本力学性能伪标签的数量小于预设伪样本数量阈值,以及所述第一样本力学性能伪标签的数量大于或等于预设伪样本数量阈值,重新从所述第二样本数据子集中选择预设数量的第二样本特征数据,将选择的所述第二样本特征数据输入至所述训练后的第二初始模型,直到重新选择的第二样本特征数据的次数大于预设次数阈值,或所述第二样本力学性能伪标签的数量大于或等于预设伪样本数量阈值。

5、于本发明一实施例中,确定每一第一预测力学性能标签的第一预测效用值,以及确定每一第二预测力学性能标签的第二预测效用值,包括:将全部的第一预测力学性能标签以及全部的所述第一预测力学性能标签对应的第二样本特征数据添加到所述第一样本数据子集中,得到第一样本扩充数据集,通过所述第一样本扩充数据集对第一次训练后的第二初始模型进行第二次训练,得到第二次训练后的第二初始模型;在所述第一样本数据子集的全部第一样本特征数据中确定所述第一预测力学性能标签对应的第二样本特征数据的第一k-近邻样本特征数据,将所述第一k-近邻样本特征数据分别输入至第一次训练后的第二初始模型和第二次训练后的第二初始模型,得到第一样本预测性标签和第二样本预测性标签;基于所述第一样本预测性标签和第二样本预测性标签分别与所述第一k-近邻样本特征数据在所述第一样本数据子集中对应的真实力学性能标签之间的标签差异程度确定所述第一预测效用值;将全部的第二预测力学性能标签以及全部的所述第二预测力学性能标签对应的第二样本特征数据添加到所述第一样本数据子集中,得到第二样本扩充数据集,通过所述第二样本扩充数据集对第一次训练后的第一初始模型进行第二次训练,得到第二次训练后的第一初始模型;在所述第一样本数据子集的全部第一样本特征数据中确定所述第二预测力学性能标签对应的第二样本特征数据的第二k-近邻样本特征数据,将所述第二k-近邻样本特征数据分别输入至第一次训练后的第一初始模型和第二次训练后的第一初始模型,得到第三样本预测性标签和第四样本预测性标签;基于所述第三样本预测性标签和第四样本预测性标签分别与所述第二k-近邻样本特征数据在所述第一样本数据子集中对应的真实力学性能标签之间的标签差异程度确定所述第二预测效用值。

6、于本发明一实施例中,确定每一第一预测力学性能标签的第一预测效用值,以及确定每一第二预测力学性能标签的第二预测效用值,包括:

7、

8、其中,utility1_i为第一预测力学性能标签i的第一预测效用值,x1k为第一预测力学性能标签i对应的第二样本特征数据在第一样本数据子集的全部第一样本特征数据中的第一k-近邻样本特征数据,n1为全部第一预测力学性能标签对应的第二样本特征数据在第一样本数据子集的全部第一样本特征数据中的第一k-近邻样本特征数据的集合,y1k为第一k-近邻样本特征数据x1k在第一样本数据子集中对应的真实力学性能标签,h1为第一次训练后的第二初始模型,h1(x1k)为第一样本预测性标签,h’1为第二次训练后的第二初始模型,h’1(x1k)为第二样本预测性标签;utility2_i为第二预测力学性能标签i的第二预测效用值,x2k为第二预测力学性能标签i对应的第二样本特征数据在第一样本数据子集的全部第一样本特征数据中的第二k-近邻样本特征数据,n2为全部第二预测力学性能标签对应的第二样本特征数据在第一样本数据子集的全部第一样本特征数据中的第二k-近邻样本特征数据的集合,y2k为第二k-近邻样本特征数据x2k在第一样本数据子集中对应的真实力学性能标签,h2为第一次训练后的第一初始模型,h2(x2k)为第三样本预测性标签,h’2为第二次训练后的第一初始模型,h’2(x2k)为第四样本预测性标签。

9、于本发明一实施例中,基于所述第一预测结果和所述第二预测结果确定所述待预测钢材的预测力学性能结果,包括:获取所述预先训练好的第一预测模型的第一预设模型系数,以及所述预先训练好的第二预测模型的第二预设模型系数;根据所述第一预设模型系数和所述第二预设模型系数分别对所述第一预测结果和所述第二预测结果进行加权平均处理,得到所述待预测钢材的预测力学性能结果。

10、于本发明一实施例中,获取所述预先训练好的第一预测模型的第一预设模型系数,以及所述预先训练好的第二预测模型的第二预设模型系数之前,所述方法还包括:获取第三样本数据子集,所述第三样本数据子集中的第三样本数据包括第三样本钢材的第三样本特征数据以及所述第三样本钢材的真实力学性能标签,所述第三样本特征数据包括所述第三样本钢材在生产过程中的钢水成分和轧制过程参数;将所述第三样本数据子集中的第三样本特征数据分别输入至预先训练好的第一预测模型、预先训练好的第二预测模型,得到所述预先训练好的第一预测模型输出的第三预测结果,所述预先训练好的第二预测模型输出的第四预测结果;通过所述第三预测结果和所述第四预测结果与对应的第三样本钢材的真实力学性能标签的匹配结果确定预先训练好的第一预测模型的第一准确率,以及确定预先训练好的第二预测模型的第二准确率;将所述第一准确率确定为所述第一预设模型系数,以及将所述第二准确率确定为所述第二预设模型系数。

11、本发明还提供了一种钢材力学性能预测装置,所述钢材力学性能预测装置:获取模块,用于获取待预测钢材的待预测特征数据,所述待预测特征数据包括所述待预测钢材在生产过程中的钢水成分和轧制过程参数;预先训练好的第一预测模型,用于将所述待预测特征数据输入至预先训练好的第一预测模型中得到第一预测结果;预先训练好的第二预测模型,用于将所述待预测特征数据输入至预先训练好的第二预测模型中得到第二预测结果;结果确定模块,用于基于所述第一预测结果和所述第二预测结果确定所述待预测钢材的预测力学性能结果;其中,所述第一预测模型与所述第二预测模型的模型类型不同,所述第一预测模型和所述第二预测模型通过样本训练数据集训练得到,所述样本训练数据集中的样本训练数据包括训练样本特征数据和训练样本力学性能标签,所述训练样本特征数据包括样本钢材在生产过程中的钢水成分和轧制过程参数。

12、本发明还提供了一种电子设备,包括处理器、存储器和通信总线;所述通信总线用于将所述处理器和存储器连接;所述处理器用于执行所述存储器中存储的计算机程序,以实现如上述中任一项实施例提供的方法。

13、本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序用于使计算机执行如上述任一项实施例提供的方法。

14、本发明的有益效果:本发明提出的一种钢材力学性能预测方法、装置、电子设备及存储介质,该方法通过获取待预测钢材在生产过程中的钢水成分和轧制过程参数作为待预测特征数据,然后将该待预测特征数据输入到预先训练好的两个模型类型不同的预测模型中,得到两个预测结果,然后基于两个预测结果综合确定该待预测钢材的预测力学性能结果,通过上述方式能够基于生产过程中的相关数据对所生产的钢材的力学性能进行预测评估,得到初步的结果,成本相对较低,速度更快,一旦发现力学性能不达标的钢材能够及时反馈生产线,以便及时调整,减少企业损失,通过对钢材的力学性能进行准确预测可帮助钢铁企业降低检化验成本、提前预知批量性能质量问题,对钢铁企业降低成本和降低质量异议率有重要作用。

本文地址:https://www.jishuxx.com/zhuanli/20250110/352093.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。