基于大数据的力学性能预测与工艺参数筛选

在热轧生产线上，神经网络模型被广泛地应用于力学性能在线预测技术中。建立神经网络模型需要高质量的生产数据，万万不可将原始数据直接用于建模，因此如何得到高质量的数据样本成为必须解决的问题。在神经网络建模过程中，操作人员需要根据生产经验选择模型的工艺参数，不同人员训练出来的模型良莠不齐，因此需要找到确定模型输入工艺参数的依据。

东北大学的学者针对数据样本质量和输入工艺参数的选择问题进行了研究，采用了计算马氏距离的方法剔除异常点，改善数据样本的质量。基于采集到的热轧汽车大梁板的17个工艺参数的生产数据，采用贝叶斯神经网络建立力学性能预测模型。通过采用平均影响值筛选出对力学性能影响较大的工艺参数进行建模，以简化模型。结果显示：简化后的模型取得了较高的预测精度，对于抗拉强度和屈服强度，分别有96.64％和94.96％的数据预测值和实际值相对误差在±6％以内；对于伸长率,有96.64％的数据预测值和实际值的绝对误差在±4％以内。