【技术实现步骤摘要】
本专利技术涉及冶金，尤其涉及一种集成学习的热轧无缝钢管力学性能预测方法及装置。
技术介绍
1、热轧无缝钢管作为关键的基础材料，其力学性能是反映钢管质量的主要指标之一。热轧无缝钢管的力学性能的稳定性与预测准确性直接关系到下游行业的生产安全与产品质量。
2、然而，当前钢铁企业在评估无缝钢管的力学性能时，主要依赖于传统的人工抽检方法。传统人工抽检方式依赖于操作人员的经验和技能水平，主观性较强，容易导致结果的不一致性和误差；且抽检的样本量有限，难以全面覆盖所有生产批次和产品，增加了漏检和误判的风险。最后，频繁的检测和试验过程不仅增加了生产线的停机时间，还消耗了大量的资源和人力，难以全面、准确地反映每一根钢管的实际性能状况。
技术实现思路
1、本专利技术提供了一种集成学习的热轧无缝钢管力学性能预测方法及装置，能够实现热轧无缝钢管力学性能的自动检测，提高热轧无缝钢管的检测效率。
2、第一方面，本专利技术提供了一种集成学习的热轧无缝钢管力学性能预测方法，该方法包括：获取轧制过程中热轧无缝钢管的化学成分、材料参数和生产过程参数；对化学成分、材料参数和生产过程参数标准化处理，生成输入特征；基于输入特征，以及各类预测模型，得到各类预测模型的输出特征；预测模型包括bp神经网络模型、支持向量机模型和快速学习网络模型；输出特征包括热轧无缝钢管的预测力学性能参数；基于各类预测模型的输出特征，以及各类预测模型的权重系数，确定热轧无缝钢管的力学性能参数。
3、在一种可能的实现方
4、在一种可能的实现方式中，基于各类预测模型的输出特征，以及各类预测模型的权重系数，确定热轧无缝钢管的力学性能参数，之前还包括：基于训练样本中的测试集，对各类预测模型，进行测试，得到各类预测模型的测试结果；基于测试结果，以及测试集中的输出特征，采用粒子群算法，确定各类预测模型的权重系数。
5、在一种可能的实现方式中，基于测试结果，以及测试集中的输出特征，采用粒子群算法，确定各类预测模型的权重系数，包括：步骤一，基于测试结果和测试集中的输出特征，生成粒子群，粒子群包括每个测试样本对应的多组权重系数；并对粒子群参数初始化。粒子群参数包括粒子种群数目、最大迭代次数、个体学习因子、社会学习因子、随机产生粒子的初始位置、初始速度和速度变化范围。步骤二，计算粒子群中每个测试样本对应的个体极值，以及多个测试样本的种群极值；步骤三，基于粒子群的个体极值和种群极值，对当前迭代过程中每个粒子的速度和位置向量进行更新；步骤四，若迭代次数大于最大迭代次数，则输出最优解；若迭代次数小于等于最大迭代次数，则重复步骤二、步骤三和步骤四，直至退出迭代；步骤五，基于最优解，确定各类预测模型的权重系数。
6、在一种可能的实现方式中，计算粒子群中每个测试样本对应的个体极值，以及多个测试样本的种群极值，包括：计算每个测试样本对应的多个粒子的均方根误差；基于多个粒子的均方根误差，确定每个粒子的适应度；基于每个粒子的适应度，确定每个测试样本的局部最优适应度；将每个测试样本的局部最优适应度对应的粒子，确定为个体极值；基于每个测试样本的局部最优适应度，确定多个测试样本的全局最优适应度；将全局最优适应度对应的粒子，确定为种群极值。
7、在一种可能的实现方式中，基于各类预测模型的输出特征，以及各类预测模型的权重系数，确定热轧无缝钢管的力学性能参数之后，还包括：基于热轧无缝钢管的力学性能参数，以及预设的力学性能指标，确定各力学性能参数的评价值；力学性能指标为各力学性能参数的可靠性区间；基于各力学性能参数的评价值，确定各力学性能参数的区间覆盖率；基于各力学性能参数的区间覆盖率，对预测得到的力学性能参数进行评价，确定评价结果。
8、在一种可能的实现方式中，基于各力学性能参数的评价值，确定各力学性能参数的区间覆盖率，包括：基于如下公式，确定区间覆盖率；
9、；
10、其中，picp为区间覆盖率，n为力学性能参数的数量，为第i个力学性能参数的评价值，若第i个力学性能参数处于区间，则，若第i个力学性能参数不处于区间，则；为力学性能参数的基准值，为预测值的允许误差。
11、在一种可能的实现方式中，化学成分包括以下至少一项：锰、铬、钼、镍、铜、钒、铌、钛、碳、硅；材料参数包括壁厚和外径；生产过程参数包括加热炉出口温度、加热时间、穿孔机入口温度、轧机入口温度、定径机入口温度、定径机出口温度；力学性能参数包括屈服强度、抗拉强度和延伸率。
12、第二方面，本专利技术实施例提供了一种集成学习的热轧无缝钢管力学性能预测装置，该预测装置包括：通信模块，用于获取轧制过程中热轧无缝钢管的化学成分、材料参数和生产过程参数；处理模块，用于对化学成分、材料参数和生产过程参数标准化处理，生成输入特征；基于输入特征，以及各类预测模型，得到各类预测模型的输出特征；预测模型包括bp神经网络模型、支持向量机模型和快速学习网络模型；输出特征包括热轧无缝钢管的预测力学性能参数；基于各类预测模型的输出特征，以及各类预测模型的权重系数，确定热轧无缝钢管的力学性能参数。
13、第三方面，本专利技术实施例提供了一种电子设备，该电子设备包括存储器和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
14、第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
15、本专利技术提供一种集成学习的热轧无缝钢管力学性能预测方法及装置，本专利技术通过组合热轧无缝钢管的化学成分、材料参数和生产过程参数，构建输入特征，结合bp神经网络模型、支持向量机模型和快速学习网络模型等各类预测模型进行力学性能参数预测，实现热轧无缝钢管力学性能的自动检测。并通过权重系数实现各类网络模型的集成学习，综合各类预测模型的优点，相比于传统人工抽检方式，本专利技术提高了热轧无缝钢管的检测效率和准确性。
本文档来自技高网...【技术保护点】
1.一种集成学习的热轧无缝钢管力学性能预测方法，其特征在于，包括：
2.根据权利要求1所述的集成学习的热轧无缝钢管力学性能预测方法，其特征在于，所述基于所述各类预测模型的输出特征，以及各类预测模型的权重系数，确定所述热轧无缝钢管的力学性能参数，之前还包括：
3.根据权利要求2所述的集成学习的热轧无缝钢管力学性能预测方法，其特征在于，所述基于所述各类预测模型的输出特征，以及各类预测模型的权重系数，确定所述热轧无缝钢管的力学性能参数，之前还包括：
4.根据权利要求3所述的集成学习的热轧无缝钢管力学性能预测方法，其特征在于，所述基于所述测试结果，以及测试集中的输出特征，采用粒子群算法，确定所述各类预测模型的权重系数，包括：
5.根据权利要求4所述的集成学习的热轧无缝钢管力学性能预测方法，其特征在于，所述计算粒子群中每个测试样本对应的个体极值，以及多个测试样本的种群极值，包括：
6.根据权利要求1所述的集成学习的热轧无缝钢管力学性能预测方法，其特征在于，所述基于所述各类预测模型的输出特征，以及各类预测模型的权重系数，确定所述热轧
7.根据权利要求6所述的集成学习的热轧无缝钢管力学性能预测方法，其特征在于，所述基于各力学性能参数的评价值，确定各力学性能参数的区间覆盖率，包括：
8.根据权利要求1至7中任一项所述的集成学习的热轧无缝钢管力学性能预测方法，其特征在于，所述化学成分包括以下至少一项：锰、铬、钼、镍、铜、钒、铌、钛、碳、硅；所述材料参数包括壁厚和外径；所述生产过程参数包括加热炉出口温度、加热时间、穿孔机入口温度、轧机入口温度、定径机入口温度、定径机出口温度；所述力学性能参数包括屈服强度、抗拉强度和延伸率。
9.一种集成学习的热轧无缝钢管力学性能预测装置，其特征在于，所述预测装置包括：
10.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行如权利要求1至8中任一项所述方法的步骤。
...【技术特征摘要】
1.一种集成学习的热轧无缝钢管力学性能预测方法，其特征在于，包括：
2.根据权利要求1所述的集成学习的热轧无缝钢管力学性能预测方法，其特征在于，所述基于所述各类预测模型的输出特征，以及各类预测模型的权重系数，确定所述热轧无缝钢管的力学性能参数，之前还包括：
3.根据权利要求2所述的集成学习的热轧无缝钢管力学性能预测方法，其特征在于，所述基于所述各类预测模型的输出特征，以及各类预测模型的权重系数，确定所述热轧无缝钢管的力学性能参数，之前还包括：
4.根据权利要求3所述的集成学习的热轧无缝钢管力学性能预测方法，其特征在于，所述基于所述测试结果，以及测试集中的输出特征，采用粒子群算法，确定所述各类预测模型的权重系数，包括：
5.根据权利要求4所述的集成学习的热轧无缝钢管力学性能预测方法，其特征在于，所述计算粒子群中每个测试样本对应的个体极值，以及多个测试样本的种群极值，包括：
6.根据权利要求1所述的集成学习的热轧无缝钢管力学性能预测方法，其特征在于，所...
【专利技术属性】
技术研发人员：刘国栋，曹娜，李艳楠，朱永生，
申请(专利权)人：承德建龙特殊钢有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。