2006年第 1期 宝 � 钢 � 技 � 术
提高冷轧高强度钢板屈服强度控制水平的研究
殷 � 峻 1,王国清 2,范宝明 2,嵇 � 晓 1,刘建荣 2,朱 � 敏 2
( 1.上海宝信软件股份有限公司,上海 � 201203 ; 2.宝钢分公司,上海 � 201900)
� � 摘要: 在高强度钢板中,超低碳烘烤硬化钢板 (简称 BH钢板 )是新型优质汽车用薄板。在生产 BH 钢板
时, 需要有效地控制屈服强度,以保证较好的深冲性能。采用四方图识别了影响屈服强度的关键因素, 包括化
学成分、热轧参数、冷轧参数等; 基于大量的生产过程历史数据,分别用回归分析、神经元网络、决策树三种不
同方法进行分析, 建立各关键输入变量 ( K IV )对屈服强度 ( KOV )影响的多变量模型。以神经元网络模型为
例, 进行了模型评价。以该模型为基础,在已知某些 KIV取值的情况下,能够较为准确地预测 BH钢成品的屈
服强度, 合格率提高 7个百分点,取得了较好的经济效益。
� � 关键词: 数据挖掘;神经元网络;回归分析
中图分类号: TP311文献标识码: B文章编号: 1008- 0716( 2006) 01- 0069- 04
Research on Improving H igh Strength Steel� s Yield Strength
Yin Jun
1
, Wang Guoqing
2
, Fan Baom ing
2
, J iX iao
1
, L iu Jianrong
2
, ZhuM in
2
( 1. Shanghai Baosight Software Co. , L td. , Shanghai 201203, China;
2. Baostee lBranch, Shanghai 201900, China)
� � Abstrac t: Am ong high streng th sheets, extra low�carbon bake�harden ing stee l shee t ( BH ) is a new kind of au�
tom obile sheet w ith sound qua lity. To guarantee good deep�draw ing prope rty o f BH stee l sheet, it is requ ired that the
y ield streng th ( YS) be effective ly contro lled in production. A m ethod ca lled Four Square Puzzle has been used to
identify key factors that affectYS. They inc lude chem ical com position, ho t ro lling and co ld ro lling param eters, e tc. A
mu lti�variab le ana lytical model has been bu ilt to study the effect o f key inpu t var iables ( K IV ) on YS ( KOV ) through
analysis o f a great num ber o f histo rical data on produc tion w ith three d iffe rentm e thods including regression analysis,
neura l netwo rk and dec is ion tree. Them ode l has been eva luated by tak ing neural network as an exam ple. Based on
this mode,l it is possib le to predict finished BH steel product� s YS if certain K IV va lues are ava ilable. A s a resu lt,
qua lification rate has c lim bed by 7% and better econom ic benefits have been reaped.
K eywords: datam in ing; neura l netwo rk; regression analysis
0� 概述
在现代汽车的结构性能中减轻车重、提高安
全性一直是广大科技工作者着力攻克的重大课
题,这极大地促进了高强度钢板的制造及应用技
术的进步,促进了汽车用板向高强度方向发展。
在高强度钢板中, 超低碳烘烤硬化钢板 (简
称 BH钢板 )是具有优良的深冲性能和较高的烘
烤硬化性能的新型优质汽车用薄板 [ 1]。其特点
是冲压成形前较软,易成形加工,通过成形后涂漆
烘烤, 屈服强度增加, 非常适合于生产汽车外板。
殷 � 峻 � 工程师 � 1971年生 � 1996年毕业于华中科技大学 � 现
从事数据挖掘专业 � 电话 � 26646409
因此, 在生产 BH钢板时, 需要有效地控制屈服强
度,以保证较好的深冲性能。
本文利用数据挖掘方法, 对 BH 钢的性能进
行分析、建模。此模型应用于生产实践,取得了较
好的效益。
1� K IV的识别
KOV (K ey Ou tput Variab le)是过程的关键输
出变量,是目标变量, 是我们要研究的问题; K IV
( Key Input Variable )是过程的关键输入变量, 是
影响 KOV的关键因素。K IV是工艺过程的真实
反映, 它们的清晰描述是解决工艺问题的根本基
础。K IV、KOV的识别是建立在一定的生产工艺
69
宝 � 钢 � 技 � 术 2006年第 1期
知识基础上的,是技术人员经验的积累。准确识
别 K IV、KOV,可以帮助我们有针对性地探索它们
之间的内在联系与规律, 为最终提高产品质量提
供支持。
四方图是一种较好的识别 K IV的方法, 该图
主要从两个方面考察输入变量 ( IV ), 即: 输入变
量发生异常的频率,以及输入变量对 KOV的影响
程度。若某一输入变量经常出现异常,并对 KOV
产生严重影响,则该变量是 K IV;若某一输入变量
控制较稳定,不经常出现异常, 但一旦出现异常,
就会对 KOV产生严重影响, 则该变量可能是
K IV,还需要根据工艺经验,进一步判断; 若某一
变量对 KOV的影响很小,则该变量不是 K IV。见
图 1。
图 1� 识别 K IV
F ig. 1 � Identify ing K IV
� � 屈服强度是 BH钢的成品性能之一, 影响它
的因素有很多。在准确识别、确定影响因素的基
础上, 有效控制, 才能将屈服强度稳定在用户要求
的范围内。
这里, 屈服强度是目标变量, 是 KOV。影响
它的关键因素, 即 K IV, 主要来自四个方面, 有板
坯成分 (如 C、S i等 ) ,热轧工序的终轧温度、卷取
温度等,冷轧工序参数 (如平整率、平整速度等 ),
另外还有一些其它参数, 如合同订货厚度等。图
2是以上分析的鱼刺图,
表
关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf
1详细列出了屈服强
图 2� 鱼刺图分析
F ig. 2� F ishbone chart fo r ana lysis
表 1� K IV与 KOV清单
Tab. 1� A list o f K IV and KOV
类型 属性 参数 出现异常频度 影响程度 数量
KOV 性能 屈服强度 1
K IV
板坯成分 碳含量、硅含量、铌含量 高频 严重 3
热轧参数 终轧温度 (平均值、头部值、尾部值 )、卷取温度 (平均值、头部值、尾部值 ) 高频 严重 6
冷轧参数 均热温度 (平均值、头部值、尾部值 )、退火速度 (平均值、头部值、尾部值 ) 高频 严重 6
其它 订货厚度 低频 严重 1
70
殷 � 峻等 � 提高冷轧高强度钢板屈服强度控制水平的研究
度问题的 K IV、KOV清单,共计 16个 K IV。
在本
案例
全员育人导师制案例信息技术应用案例心得信息技术教学案例综合实践活动案例我余额宝案例
中, 识别出的影响 BH 钢屈服强度
的关键因素跨越了整个生产工艺链, 从炼钢、热轧
工序, 到冷轧工序,充分考虑了生产过程中的各种
因素。另外, 为了真实反映生产过程, 部分 K IV
选用的是高频采样数据,如终轧温度头部值、终轧
温度尾部值的采样频率是 0. 4 s,平整率的采样频
率是 20 m采样一次。这些都为后续研究的有效
性、准确性奠定了强有力的基础。
2� 数据处理
我们的目标是发现屈服强度变化的客观规
律,是通过历史数据来探索这一内在关系的, 因
此,本案例的分析是基于数据的分析。数据质量
对分析结果的影响非常大, 数据越准确、越真实,
越能反映实际的生产情况, 由此得出的分析结果
就越有效。
因此,在进行提高屈服强度控制水平的研究
之前, 必须着重处理好 3个问题: ( 1)由于屈服强
度是 BH 钢的成品性能, 影响它的因素来自于炼
钢、热轧、冷轧等整个工艺链,必须合理地将板坯、
热轧卷、冷轧卷进行准确的对应与勾连,以得到有
效的数据; ( 2)钢卷在生产过程中会有调头情况,
卷的头尾对应关系也是要考虑的因素; ( 3 )通常
屈服强度一般在卷的头部和尾部进行取样, 对于
一些高频采样数据 (如终轧温度、卷取温度 ) , 必
须准确选取卷的头部和尾部的采样数据, 以便有
效对应屈服强度的取样值。
3� 模型创建
由上述分析可知, 影响屈服强度的因素跨越
了炼钢、热轧、冷轧等诸多工序,它不仅与化学成
分有关,还与各工序的生产环境有关 (如温度、速
度等 ), 很难用机理来明确解释其中的规律, 而掌
握屈服强度变化的规律是提高屈服强度控制水平
的有效途径。本文将基于历史数据,分别用回归
分析、神经元网络、决策树三种不同方法进行分
析,建立各 K IV对屈服强度 ( KOV)影响的多变量
模型。由于不同的方法基于不同的原理,在选择
方法上要特别慎重。方法不同, 对于一个特定的
问题, 结果各异。如回归分析方法建立在统计学
原理的基础上,适用于建立多个变量之间的关系。
人工神经网络源于对脑神经系统的模拟, 具有很
强的适应于复杂环境和多目标控制要求的自学习
能力, 并具有以任意精度逼近任意非线性连续
函
关于工期滞后的函关于工程严重滞后的函关于工程进度滞后的回复函关于征求同志党风廉政意见的函关于征求廉洁自律情况的复函
数的特性,广泛应用于系统辨识、智能控制、故障
诊断等各个领域。决策树是根据不同的重要特
征,以树型结构表示分类或决策集合,从而产生规
则和发现规律, 是一种有监督的归纳学习方法。
简单说来,决策树是用树的结构来描述决策过程,
它提供了一种展示类似在什么条件下会得到什么
值这类规则的方法。
图 3详细描述了 BH钢屈服强度模型的建立
过程。首先, 对经过预处理的数据分类, 取其中
70%的数据用于训练模型、15%数据作模型验证,
余下的 15%数据作检验。分别用回归分析、神经
元网络、决策树分析建立模型。然后对三种模型
的结果进行评价 ( A ssessment)、打分 ( Score), 最后
输出结果。
图 3� BH钢屈服强度模型的建立过程
F ig. 3� P rocess of building a y ield
streng th model fo r BH stee l
4� 对模型的评价
以神经元网络模型为例, 进行模型评价。利
用事先预留下的 15%数据 (这部分数据未参与模
型的训练 )对神经元网络模型进行评价。用屈服
强度预测值与实际值之差,即模型的预测误差,来
考察模型的精度。
�i = �y i - yi
式中, �i为预测误差; �y i为预测值; yi 为实际
值。
对模型的预测误差 �i进行分析 (图 4) ,该冷
轧产品屈服强度模型的误差服从正态分布,且误
71
宝 � 钢 � 技 � 术 2006年第 1期
图 4� 神经元网络模型误差分布图
F ig. 4� Error distribution of a
neura l netw ork model
差相对集中在 0MPa附近 (误差 �i 的均值为
- 0. 989 MPa)。
当屈服强度预测误差在 5 MPa (即预测值
与实际值相差 2% )时,模型预测的命中率可以达
到 75% , 即, 该模型的屈服强度预测误差在
5MPa内的可能性是 75% ;当屈服强度预测误
差在 13MPa (即预测值与实际值相差 5% )时,
模型预测的命中率可以达到 95%, 即, 屈服强度
预测误差在 13MPa内的可能性是 95%。
以预测误差的平方和作为该神经元模型的评
分函数 [ 2] : S = 1
n
!n
i= 1
( �yi - yi )。
经计算, 该模型的误差平方和 S约为 89, 该
屈服强度模型的精度较高。随着数据的不断积
累、模型的逐步优化, 模型精度还将进一步提高。
5� 模型应用效果
神经元网络是一种预测模型,我们以该模型
为基础,在已知某些 K IV (如 C含量、终轧温度
等 )取值的情况下,能够较为准确地预测 BH钢成
品的屈服强度。
2004年下半年开始, 逐渐将该神经元网络模
型产生的结论应用于生产实践, 着重调整 C、Nb
比例与热轧的终轧温度,改进工艺,大大提高了该
BH钢屈服强度的控制水平, 合格率提高 7个百
分点, 取得阶段性经济效益 120余万元。
6� 结语
汽车外板生产比重的大小直接衡量着钢铁企
业竞争力的强弱,持续提升高强度钢板的性能、质
量是当今世界各大钢铁企业奋起拼争的核心技术
堡垒。
本文首先识别了影响 BH 钢屈服强度的
K IV、KOV,收集、分析了大量的历史数据, 建立了
BH钢屈服强度的神经元网络模型, 挖掘出了其
中的内在规律, 并将该模型得出的结论成功应用
于生产实践,取得了较好的效益。
参 考 文 献
[ 1] � 康永林. 现代汽车板的质量控制与成形性 [M ] . 北京:冶
金工业出版社, 1999: 331.
[ 2] � DavidH and, H eikk iM ann ila, Padhraic Sm yth. 数据挖掘原
理 [M ]. 北京:机械工业出版社, 2003: 361.
编辑 � 马凯利
(收稿日期: 2005- 02- 28 )
(改稿日期: 2005- 09- 23 )
72