一种用于IF钢的质量在线智能监测方法和系统与流程

一种用于if钢的质量在线智能监测方法和系统
技术领域
1.本技术涉及自动控制技术领域，尤其涉及一种用于if钢的质量在线智能监测方法和系统。


背景技术：

2.钢铁工业是典型的流程工业，产品在制造过程中涉及多个连续衔接的工序。目前，企业对产品质量管控的主要手段是通过制定合理的工艺规范，并采用“事后”抽样检测方式来判定产品的品质。这种依赖于生产经验制订的工艺规范及“事后”抽检的方式容易出现批量的产品质量判废，或导致用户由于质量异议提出索赔和退货。我国钢铁企业每年仅质量判废和质量异议所造成的经济损失近百亿元，如何利用大数据分析和机器学习的人工智能方法，实现产品质量在线监控、在线优化，制定科学的工艺规范和质量设计，是钢铁企业急待解决的关键技术。
3.实际工业生产中，需要确定不同工序的工艺参数控制范围，即制定不同产品的质量设计和工艺规范。当工艺参数(包括原料参数)在该范围内，认为所设定的过程参数能满足产品质量要求，反之，则可能出现质量异常。目前，钢铁企业在质量设计和工艺规范制定过程中，主要依赖于小批量工业试制和技术人员的生产经验制定对应的规范。


技术实现要素：

4.有鉴于此，本技术的目的在于提出一种用于if钢的质量在线智能监测方法和系统，本技术能够针对性的解决现有的问题。
5.基于上述目的，本技术提出了一种用于if钢的质量在线智能监测方法，包括：
6.数据采集与清洗，建立训练样本集；
7.采用软超球体方法训练所述训练样本集；
8.采用局部主流形演化算法进行产品质量在线优化；
9.生成if钢各工序的工艺规范。
10.进一步地，所述数据采集与清洗，建立训练样本集，包括：
11.采集生产线涉及材料性能的12个不同牌号if钢的工艺参数和质量指标值，包括：
12.炼钢工序冶炼过程中钢材中主要成分：碳c、锰mn、磷p、硫s元素的质量分数；
13.热轧工序：加热炉出口温度、精轧入口温度、精轧出口温度、卷取温度；
14.热处理工序：均热平均温度、快冷出口温度、时效出口温度、缓冷出口温度。
15.进一步地，所述采用软超球体方法训练所述训练样本集，包括：
16.根据预设的超椭球边界来判断所述工艺参数是否会造成产品质量异常，从采集的训练样本集中随机选取160个样本作为训练样本，由软超球体值作为控制限，确定该训练样本集的边界，即求解包含该训练样本集的最小封闭超球体。
17.进一步地，经过训练后的软超球体模型中，有36个支持向量，所述支持向量及对应的权重系数通过下式对产品质量进行在线监测：
[0018][0019]
其中，x表示待测点，q为支持向量的个数，γ表示松弛系数，表示支持向量，表示支持向量对应的权重系数，κ(,)表示变量的内积，r表示最小超球体的半径。
[0020]
进一步地，采用局部主流形演化算法进行产品质量在线优化，包括：
[0021]
计算待检测样本x到非线性超球体球心的距离平方为：
[0022][0023]
待测样本x的第j变量对偏离的贡献值为
[0024][0025]
其中sj为变量j的方差；
[0026]
通过所述贡献值确定质量异常的原因。
[0027]
进一步地，将贡献值超出预设范围的变量所对应的样本工艺参数确定为质量异常的主要原因。
[0028]
进一步地，所述生成if钢各工序的工艺规范，包括：通过寻求软超球体中最大的内接矩形体的方法来生成if钢各工序的工艺规范。
[0029]
基于上述目的，本技术还提出了一种用于if钢的质量在线智能监测系统，包括：
[0030]
样本集模块，用于数据采集与清洗，建立训练样本集；
[0031]
训练模块，用于采用软超球体方法训练所述训练样本集；
[0032]
在线优化模块，用于采用局部主流形演化算法进行产品质量在线优化；
[0033]
规范生成模块，用于生成if钢各工序的工艺规范。
[0034]
总的来说，本技术的优势及给用户带来的体验在于：
[0035]
针对钢铁企业在产品质量在线监控中存在的问题，本发明提出基于软超球体算法的质量异常点在线识别和异常原因诊断方法、基于流形学习和邻近点局部投影变换的工艺参数在线优化方法，来制定质量设计和工艺规范，提高生产质量稳定性。
附图说明
[0036]
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本技术公开的一些实施方式，而不应将其视为是对本技术范围的限制。
[0037]
图1示出根据本技术实施例的用于if钢的质量在线智能监测方法的流程图。
[0038]
图2示出线性超椭球将异常点判为正常点的示意图。
[0039]
图3示出样本点从原始空间映射到特征空间示意图。
[0040]
图4示出根据本技术实施例的训练集的控制限r2示意图。
[0041]
图5示出最小封闭超球体示意图。
[0042]
图6示出训练集的在线监测结果示意图。
[0043]
图7示出12个工艺参数的贡献图(第25样本)。
[0044]
图8示出12个工艺参数的贡献图(第57样本)。
[0045]
图9示出热处理工序的工艺参数上、下限示意图。
[0046]
图10示出时效温度与快冷温度的上、下限示意图。
[0047]
图11示出根据本技术实施例的用于if钢的质量在线智能监测系统的构成图。
[0048]
图12示出了本技术一实施例所提供的一种电子设备的结构示意图。
[0049]
图13示出了本技术一实施例所提供的一种存储介质的示意图。
具体实施方式
[0050]
下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
[0051]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0052]
本发明要解决的技术问题是提供一种用于if钢质量在线智能监测方法，针对工业生产数据具有高维、强耦合、非线性的特点，提出基于软超球体算法的产品质量异常在线识别和异常原因诊断方法。采用非线性高斯核函数将原始空间的样本点映射到高维特征空间，通过求解特征空间中软超球体边界来确定质量控制限，并利用支持向量和异常点的贡献图实现产品质量在线监测和异常原因在线诊断。通过寻找软超球体最大内接矩形来制定工艺规范的方法，满足产品个性化定制的需求。如图1所示，本技术的一种用于if钢质量在线智能监测方法，包括以下步骤：
[0053]
步骤s1：数据采集与清洗，建立训练样本集：采集生产线涉及材料性能的12个不同牌号if钢的工艺参数和质量指标值。具体为炼钢工序冶炼过程中钢材中主要成分：碳c、锰mn、磷p、硫s元素的质量分数；热轧工序：加热炉出口温度、精轧入口温度、精轧出口温度、卷取温度等；热处理工序：均热平均温度、快冷出口温度、时效出口温度、缓冷出口温度。
[0054]
步骤s2：从采集的数据集作为训练样本，采用软超球体方法对其训练：实际生产数据中，过程参数间往往存在多重耦合，变量间有着复杂的非线性特征，因此过程参数间并不满足多变量正态分布的假设前提。当数据集中存在非线性、非正态分布时，这种线性形式的超椭球边界易造成误判，如图2所示。
[0055]
采用基于核函数的非线性模式分析方法，其核方法通过非线性核函数来表示数据内在的复杂结构特征，用于确定非线性软超球体的边界。非线性核函数将原始欧氏空间上的数据集映射到高维特征空间中，通过映射点φ(x)和φ(z)的内积(对偶形式)求解非线性情况下的封闭超球体，如图3所示。从图3中可以看出，原始空间的样本点(左图)分布在一个复杂的封闭体内，而通过非线性核函数变換后，原先的样本点x映射到特征空间中的点φ(x)分布在封闭的球体内(图3右半部分)。
[0056]
对于一个稳定的生产过程，正常样本点分布在高维空间中的某个超椭球体内；一旦样本点超出超椭球体的边界，则认为该生产过程出现了异常。超椭球的位置取决于各变量的均值大小和变量间的相关性，而超椭球的大小则取决于变量的方差。质量异常点识别方法是根据所确定的超椭球边界来判断设定的过程参数是否会造成产品质量异常，从采集
的数据集中随机选取160个样本作为训练样本，并设松弛系数＝0.02，由式(1-4)确定的软超球体值作为控制限，其中xi为p维的数据向量，n为样本个数，需确定该数据集的边界，即求解包含该数据集的最小封闭超球体。数据集中的每个样本点与超椭球体中心c的距离均应小于球体的半径r，如图5所示。
[0057]
最小封闭超球体可以表述为如下优化问题
[0058]
优化解：
[0059]
约束条件：||x
i-c||2＝(x
i-c)
t
(x
i-c)≤r2,i＝1,2,...n
[0060]
在约束条件中加入拉格朗日乘子αi≥0，对应的拉格朗日函数为
[0061][0062]
对上式求c和r偏导，且令导数值为0，可求出超球体的优化解
[0063][0064]
其中κ(xi,xj)表示变量的内积。令由式(3)可以求得最小超球体的半径r和球心c
[0065][0066]
其中αi是由式(3)求得的最优解。
[0067]
训练结果如图4所示。从图4中可以看到，绝大部分样本均在控制限以下，这些样本都在软超球体的内部(正常样本)，但有3个样本在控制限的边界或超出控制限，可能存在质量异常的情况。查看原始数据后发现，除第46样本的质量指标略超出标准外，第28、58样本处在正常范围，但接近临界值。出现这种情况的原因是，在训练阶段设定松弛系数＝0.02，即允许个别正常样本被判为异常(在软超球体边界外)。松弛系数会影响软超球体值，因此对质量要求高的产品，为了严格监控生产过程可以适度降低控制限值。
[0068]
经过训练后的软超球体模型中，有36个支持向量，这些支持向量及对应的权重系数通过式(5)对产品质量进行在线监测。
[0069][0070]
其中，x表示待测点，q为支持向量的个数，γ表示松弛系数，表示支持向量，表示支持向量对应的权重系数。实际上，在判别式(5)中，d是学习样本在训练阶段求得的常量，并不需要在线计算，而κ(x,x)根据核函数的定义也是一个常数。与待检测点x有关的项
只有
[0071][0072]
因此，一个待识别样本在线判别时仅需计算式(6)，并由式(5)来判定质量是否异常，计算时间仅需几毫秒，完全满足质量在线监测的实时性要求。
[0073]
步骤s3：采用局部主流形演化算法用于产品质量在线优化：如果前工序的工艺参数出现偏差时，需要在后续工序中对工艺参数作动态调整，纠正前工序造成的质量偏差。从生产线上另采集120个样本数据来验证方法的有效性，在线监测结果如图6所示。从图6中可以发现，第25号样本点已超出了控制限，说明工艺参数出现异常；第57号样本点临近控制限，也可能出现异常。
[0074]
在工业应用中，一旦发现设定的工艺参数已偏离超球体时，应及时、准确地诊断出哪些工序、哪些工艺参数是造成偏差的原因，以便后续生产中调整工艺参数，避免出现批量的质量异常。质量异常诊断模型的功能是，从设定的工艺参数中寻找引起偏离可控区边界各工艺参数的贡献值，贡献值大的工艺参数是偏离可控区的主要原因。
[0075]
待检测样本x到非线性超球体(软超球体，soft hypersphere)球心的距离平方为：
[0076][0077]
由式(9)可知，造成r2(x)变大的原因是上式右边第二项。若采用高斯核函数，则有
[0078][0079]
其中，σ为高斯核函数的系数项。可知，若越大，则式(8)的值就越小，使得式(7)中的r2(x)值越大。由此可知，式(7)中待测样本到球心的距离改变量主要取决于
[0080][0081]
因而，待测样本x的第j变量对偏离的贡献值为
[0082][0083]
为了消除变量量纲对贡献值的影响，需对上式做标准化处理，标准化后变量j对偏离的贡献值
[0084][0085]
其中sj为变量j的方差，contr(xj)中贡献值最大的那些变量是造成质量偏离的主要原因。
[0086]
为了查找异常的原因，利用式(11)计算样本点工艺参数的贡献值(图7和图8)，发现碳质量分数和热轧加热炉出口温度贡献值最大。通过在线监控系统的数据显示，25号样本点的碳质量分数为0.0029％，已超出了0.0027％最大值，加热炉出口温度为1249℃，接近最小值1247℃；57号样本点的碳质量分数为0.0027％，加热炉出口温度为1247℃，均为临界
值，其它工艺参数均在控制限范围。
[0087]
由于工艺参数与质量指标间有着密切的关联，因此可以通过工艺参数的在线监测和诊断实现产品质量在线监控。本质上是建立实体对象(工艺装备和产品)与数字对象(工艺参数和产品质量)之间的数字孪生模型，并通过孪生模型来预测在设定的工艺参数条件下实体对象的行为。通过上述工业应用案例分析，证实采用软超球体方法所确定的控制限能有效地实现质量在线监控，并快捷、准确地诊断出现异常原因。
[0088]
步骤s4：生成if钢各工序的工艺规范：由确定的关键工艺参数的来生成按用户个性化需求的质量设计，表1给出了不同屈服强度的工艺参数范围。由于质量指标中，抗拉强度、延伸率、塑性应变比等指标在实际工业生产中基本上能满足产品质量要求，而屈服强度关系到if钢的成形性能，且在生产过程中较难精准控制，因此表1中仅给出针对屈服强度的质量设计。其它质量指标同样可以按用户要求制定相应的工艺参数范围，并与按屈服强度制定的工艺参数进行优化组合，最终确定工艺参数值以满足用户个性化定制。
[0089]
表1屈服强度的质量设计
[0090][0091][0092]
热处理序是if钢制造过程最后一道关键工序，工艺参数的设定将决定材料最终的性能，其主要工艺参数包括：均热平均温度、快冷出口温度、时效出口温度、缓冷出口温度等。工艺参数间的相关系数已在表2中给出，有4对变量的相关系数小于0.5，因而只关注这4种情况下软超球体在二维投影中的上、下限。图7给出了热处理工序中，这4对变量的上、下限。
[0093]
表2热处理工艺参数的相关系数
[0094][0095]
在图9a中，最大内接矩形的上、下限：均热温度840-814℃，快冷温度456-396℃；图9b中，均热温度840-807℃，时效温度392-356℃；图9c中，均热温度839-809℃，缓冷温度
662-618℃；图9d中，时效温度392-357℃，缓冷温度662-620℃。寻求所有变量的最小集合(并集)，热处理工序的工艺参数的上、下限：均热温度839-814℃、快冷温度456-396℃、时效温度392-357℃、缓冷温度662-620℃。
[0096]
由于时效温度和快冷温度存在强耦合(相关系数为0.72)，因而需讨论强耦合情况下关联工艺参数的边界问题。软超球体在时效温度、快冷温度二维变量上的投影如图10所示，从图上可发现二维投影是一个倾斜的复杂边界(倾角为相关系数的正切函数)，这时最大内接矩形变成了平行四边形，上、下限需从a、b两点的边界来确定。平行体的边界：时效温度396-347℃、快冷温度451-398℃；而由最大内接矩形确定的上、下限：时效温度392-357℃、快冷温度456-396℃，求两个集合的并集，最终的上、下限：时效温度392-357℃、快冷温度451-398℃。
[0097]
参照同样的方法，确定其它工序的工艺参数的上、下限，表3给出各工序工艺参数的设定范围。为了对比不同方法所确定的上、下限差异，表3中还给出了由最大最小值和6σ方法确定的上、下限。可以看出，采用软超球体边界所确定工艺参数的上、下限区域比其它方法所确定的上、下限区域要严格，且更加合理和精准。
[0098]
表3工艺参数的预设值
[0099][0100][0101]
申请实施例提供了一种用于if钢的质量在线智能监测系统，该系统用于执行上述实施例所述的用于if钢的质量在线智能监测方法，如图11所示，该系统包括：
[0102]
样本集模块901，用于数据采集与清洗，建立训练样本集；
[0103]
训练模块902，用于采用软超球体方法训练所述训练样本集；
[0104]
在线优化模块903，用于采用局部主流形演化算法进行产品质量在线优化；
[0105]
规范生成模块904，用于生成if钢各工序的工艺规范。
[0106]
本技术的上述实施例提供的用于if钢的质量在线智能监测系统与本技术实施例提供的用于if钢的质量在线智能监测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
[0107]
本技术实施方式还提供一种与前述实施方式所提供的用于if钢的质量在线智能
监测方法对应的电子设备，以执行上用于if钢的质量在线智能监测方法。本技术实施例不做限定。
[0108]
请参考图12，其示出了本技术的一些实施方式所提供的一种电子设备的示意图。如图12所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本技术前述任一实施方式所提供的用于if钢的质量在线智能监测方法。
[0109]
其中，存储器201可能包含高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
[0110]
总线202可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本技术实施例任一实施方式揭示的所述用于if钢的质量在线智能监测方法可以应用于处理器200中，或者由处理器200实现。
[0111]
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
[0112]
本技术实施例提供的电子设备与本技术实施例提供的用于if钢的质量在线智能监测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
[0113]
本技术实施方式还提供一种与前述实施方式所提供的用于if钢的质量在线智能监测方法对应的计算机可读存储介质，请参考图13，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的用于if钢的质量在线智能监测方法。
[0114]
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
[0115]
本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的用于if钢的质量在线智能监测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行
或实现的方法相同的有益效果。
[0116]
需要说明的是：
[0117]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备有固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本技术也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本技术的内容，并且上面对特定语言所做的描述是为了披露本技术的最佳实施方式。
[0118]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0119]
类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在上面对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
[0120]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0121]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0122]
本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的虚拟机的创建系统中的一些或者全部部件的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0123]
应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，
不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0124]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种用于if钢的质量在线智能监测方法，其特征在于，包括：数据采集与清洗，建立训练样本集；采用软超球体方法训练所述训练样本集；采用局部主流形演化算法进行产品质量在线优化；生成if钢各工序的工艺规范。2.根据权利要求1所述的用于if钢的质量在线智能监测方法，其特征在于，所述数据采集与清洗，建立训练样本集，包括：采集生产线涉及材料性能的12个不同牌号if钢的工艺参数和质量指标值，包括：炼钢工序冶炼过程中钢材中主要成分：碳c、锰mn、磷p、硫s元素的质量分数；热轧工序：加热炉出口温度、精轧入口温度、精轧出口温度、卷取温度；热处理工序：均热平均温度、快冷出口温度、时效出口温度、缓冷出口温度。3.根据权利要求2所述的用于if钢的质量在线智能监测方法，其特征在于，所述采用软超球体方法训练所述训练样本集，包括：根据预设的超椭球边界来判断所述工艺参数是否会造成产品质量异常，从采集的训练样本集中随机选取160个样本作为训练样本，由软超球体值作为控制限，确定该训练样本集的边界，即求解包含该训练样本集的最小封闭超球体。4.根据权利要求3所述的用于if钢的质量在线智能监测方法，其特征在于，经过训练后的软超球体模型中，有36个支持向量，所述支持向量及对应的权重系数通过下式对产品质量进行在线监测：过下式对产品质量进行在线监测：其中，x表示待测点，q为支持向量的个数，γ表示松弛系数，表示支持向量，表示支持向量对应的权重系数，κ(,)表示变量的内积，r表示最小超球体的半径。5.根据权利要求4所述的用于if钢的质量在线智能监测方法，其特征在于，所述采用局部主流形演化算法进行产品质量在线优化，包括：计算待检测样本x到非线性超球体球心的距离平方为：待测样本x的第j变量对偏离的贡献值为其中s
j
为变量j的方差；通过所述贡献值确定质量异常的原因。6.根据权利要求5所述的用于if钢的质量在线智能监测方法，其特征在于，将贡献值超出预设范围的变量所对应的样本工艺参数确定为质量异常的主要原因。7.根据权利要求1所述的用于if钢的质量在线智能监测方法，其特征在于，
所述生成if钢各工序的工艺规范，包括：通过寻求软超球体中最大的内接矩形体的方法来生成if钢各工序的工艺规范。8.一种用于if钢的质量在线智能监测系统，其特征在于，包括：样本集模块，用于数据采集与清洗，建立训练样本集；训练模块，用于采用软超球体方法训练所述训练样本集；在线优化模块，用于采用局部主流形演化算法进行产品质量在线优化；规范生成模块，用于生成if钢各工序的工艺规范。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1-7任一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行实现如权利要求1-7中任一项所述的方法。

技术总结
本申请提供一种用于IF钢的质量在线智能监测方法和系统，方法包括：数据采集与清洗，建立训练样本集；采用软超球体方法训练所述训练样本集；采用局部主流形演化算法进行产品质量在线优化；生成IF钢各工序的工艺规范。本发明利用工业大数据分析和机器学习方法来确定IF钢产品质量可控区的范围从而实现质量在线智能监控。针对钢铁企业在产品质量在线监控中存在的问题，本发明提出基于软超球体算法的质量异常点在线识别和异常原因诊断方法、基于流形学习和邻近点局部投影变换的工艺参数在线优化方法，来制定质量设计和工艺规范，提高生产质量稳定性。质量稳定性。质量稳定性。


技术研发人员：徐钢 曹卫文
受保护的技术使用者：苏州宝联重工股份有限公司
技术研发日：2023.05.15
技术公布日：2023/8/14