基于大数据的C-Mn钢数据预处理及神经网络模型

doi:10.12068/j.issn.1005-3026.2016.12.009

东北大学学报:自然科学版 ›› 2016, Vol. 37 ›› Issue (12): 1710-1715.DOI: 10.12068/j.issn.1005-3026.2016.12.009

基于大数据的C-Mn钢数据预处理及神经网络模型

吴思炜，曹光明，周晓光，刘振宇

(东北大学轧制技术及连轧自动化国家重点实验室，辽宁沈阳110819)

收稿日期:2015-07-28 修回日期:2015-07-28 出版日期:2016-12-15 发布日期:2016-12-23
通讯作者: 吴思炜
作者简介:吴思炜(1989-)，男，辽宁阜新人，东北大学博士研究生; 刘振宇(1967-)，男，内蒙古赤峰人，东北大学教授，博士生导师.
基金资助:
钢铁联合基金重点项目(U1460204)；辽宁省自然科学基金资助项目(2015020180)；中央高校基本科研业务费专项资金资助项目(N140704002).

Data Preprocessing and Neural Network Model of C-Mn Steel Based on Big Data

WU Si-wei， CAO Guang-ming， ZHOU Xiao-guang， LIU Zhen-yu

State Key Laboratory of Rolling and Automation， Northeastern University， Shenyang 110819， China.

Received:2015-07-28 Revised:2015-07-28 Online:2016-12-15 Published:2016-12-23
Contact: LIU Zhen-yu
About author:-
Supported by:
-

摘要/Abstract

摘要： 在神经网络建模时，如果原始数据不加处理或经过简单剔除异常值后用于建模，则可能建立出错误的模型，即其规律并不符合物理冶金原理.因此建模前需要对原始数据进行处理，使其呈现出显著的规律性.针对钢铁生产采集的大量C-Mn钢数据进行了钢种归并，提出了数据预处理的一套方法，并采用LM-BP神经网络建立了满足一定精度(94.21%)的多牌号C-Mn钢屈服强度预测模型.通过平均影响值(mean impact value，MIV)分析了成分及工艺参数对屈服强度的影响规律.结果表明，随着碳含量的增加，屈服强度增大；随着终轧厚度和卷取温度的降低，屈服强度增大.

关键词: 大数据, 建模, 预处理, 平均影响值, C-Mn钢

Abstract: In neural network modeling， it may build a wrong model using original data without any treatment or only eliminating the abnormal value， for it could contain the law not to follow the physical metallurgy principle. To make the regularity significant， the original data need to be processed before modeling. In this work， based on the data of the C-Mn steel derived from a large number of data collected from different steel grades， a set of method for data preprocessing was proposed and a model for predicting yield strength of the C-Mn steel was established using LM-BP neural network， which could make the prediction accuracy meet the requirement (94.21%). The effects of the elements content and processing parameters on the yield strength were analyzed by the mean impact value (MIV). The results showed that the yield strength increased with the increase of carbon content and increased with the decrease of final rolling thickness and coiling temperature.

Key words: big data, modeling, data preprocessing, mean impact value (MIV), C-Mn steel

中图分类号:

TG335.11

吴思炜，曹光明，周晓光，刘振宇. 基于大数据的C-Mn钢数据预处理及神经网络模型[J]. 东北大学学报:自然科学版, 2016, 37(12): 1710-1715.

WU Si-wei， CAO Guang-ming， ZHOU Xiao-guang， LIU Zhen-yu. Data Preprocessing and Neural Network Model of C-Mn Steel Based on Big Data[J]. Journal of Northeastern University Natural Science, 2016, 37(12): 1710-1715.

参考文献

[1]Liu Y G，Luo J，Li M Q.The fuzzy neural network model of flow stress in the isothermal compression of 300M steel ［J］.Materials & Design，2012，41:83-88.
[2]Powar A，Date P.Modeling of microstructure and mechanical properties of heat treated components by using artificial neural network ［J］.Materials Science and Engineering:A，2015，628:89-97.
[3]Sidhu G，Bhole S D，Chen D L，et al.Development and experimental validation of a neural network model for prediction and analysis of the strength of bainitic steels ［J］.Materials & Design，2012，41:99-107.
[4]Sun Y，Zeng W D，Han Y F，et al.Determination of the influence of processing parameters on the mechanical properties of the Ti-6Al-4V alloy using an artificial neural network ［J］.Computational Materials Science，2012，60:239-244.
[5]Sun Y，Zheng W D，Han Y F，et al.Modeling the correlation between microstructure and the properties of the Ti-6Al-4V alloy based on an artificial neural network ［J］.Materials Science and Engineering:A，2011，528(29/30):8757-8764.
[6]贾涛，刘振宇，胡恒法，等.基于贝叶斯神经网络的SPA-H热轧板力学性能预测［J］.东北大学学报(自然科学版)，2008，29(4):521-524.(Jia Tao，Liu Zhen-yu，Hu Heng-fa，et al.Mechanical property prediction for hot rolled SPA-H steel using Bayesian neural network ［J］.Journal of Northeastern University (Natural Science)，2008，29(4):521-524.)
[7]Mehmed K.Data mining:concepts，models，methods，and algorithms［M］.New York:John Wiley & Sons，2011.
[8]Fu Z G，Qi M F，Jing Y.Regression forecast of main steam flow based on mean impact value and support vector regression ［C］//Power and Energy Engineering Conference.Shanghai，2012:27-29.
[9]Riva R，Mapelli C，Venturini R.Effect of coiling temperature on formability and mechanical properties of mild low carbon and HSLA steels processed by thin slab casting and direct rolling ［J］.ISIJ International，2007，47(8):1204-1213.
[10]Jian Q X U，Jia Y C，Li H L，et al.Effects of coiling temperature on strength，yield ratio and precipitation behaviors of hot rolled high strength microalloyed steel for cold forming ［J］.Journal of Iron and Steel Research，International，2011(sup 1):572-575.

[1]	罗忠，吴东泽，李雷，葛长闯. 转子系统动力学仿真平台设计与实验验证[J]. 东北大学学报（自然科学版）, 2023, 44(3): 375-381.
[2]	王述红，李友明，尹宏，侯钦宽. 基于多约束DSI算法的GeoSMA-3D程序改进[J]. 东北大学学报（自然科学版）, 2023, 44(2): 251-257.
[3]	房晓晴，刘书含，孙文强. 高炉煤气管网水力建模及调度策略[J]. 东北大学学报（自然科学版）, 2023, 44(1): 69-75.
[4]	原培新，蔡炟，曹文伟，陈超. 基于双目立体视觉的列车目标识别和测距技术[J]. 东北大学学报（自然科学版）, 2022, 43(3): 335-343.
[5]	胡蛟，胡茑庆，沈建，罗鹏. 直升机主减典型部件故障动力学建模与仿真[J]. 东北大学学报（自然科学版）, 2022, 43(12): 1732-1740.
[6]	李明，赵岐，陈昭，梁力. 基于PHF-LSM-MT法岩石材料细观边界建模与水力裂缝扩展研究[J]. 东北大学学报（自然科学版）, 2022, 43(10): 1461-1468.
[7]	葛悦，李宇溪，周福才，张鑫月. 具有前向安全特性的密态图像搜索方案[J]. 东北大学学报（自然科学版）, 2021, 42(8): 1079-1085.
[8]	马辉，于明月，高昂，赵晨光. 基于非线性虚拟材料栓接结合部动力学建模方法[J]. 东北大学学报（自然科学版）, 2021, 42(8): 1111-1119.
[9]	单鹏，何年，李志刚，吴缀. 分数阶微分Whittaker平滑器[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1527-1532.
[10]	黄智，刘永超，廖荣杰，曹旭军. 基于SSO算法优化神经网络的数控机床热误差建模[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1569-1578.
[11]	黄川，胡平，连静. 一种基于车载信号还原机动车道3D地图的大数据方法[J]. 东北大学学报:自然科学版, 2020, 41(6): 771-777.
[12]	康程铭，赵春雨，付立新. 基于物理建模法的加工中心主轴热误差建模[J]. 东北大学学报:自然科学版, 2020, 41(4): 528-533.
[13]	高鹏，韩力仁，袁帅，陈洪运. 基于高压电脉冲的磁铁石英岩预处理[J]. 东北大学学报:自然科学版, 2020, 41(4): 563-568.
[14]	徐辑林，邹平，王文杰，杨旭磊. 基于烧蚀原理的激光抛光的数值建模与分析[J]. 东北大学学报:自然科学版, 2020, 41(12): 1760-1766.
[15]	贾庆仁，车德福，钟壬清. 矿山复杂巷道网络组件式三维建模方法[J]. 东北大学学报:自然科学版, 2020, 41(12): 1774-1780.

基于大数据的C-Mn钢数据预处理及神经网络模型

Data Preprocessing and Neural Network Model of C-Mn Steel Based on Big Data

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价