基于k-NN 算法的鋼板性能預(yù)測模型的建立與應(yīng)用

張仁琳

（福建三鋼（集團(tuán)）有限責(zé)任公司中板廠，福建 三明 365000）

中厚板是典型的以熱軋或控軋狀態(tài)交付最終用戶使用的鋼材產(chǎn)品，其產(chǎn)品性能是衡量產(chǎn)品質(zhì)量的主要依據(jù)[1]，影響中厚板性能的主要因素是化學(xué)成分和生產(chǎn)工藝，研究、開發(fā)產(chǎn)品性能預(yù)測系統(tǒng)，了解并掌握中厚板化學(xué)成分和生產(chǎn)工藝對其性能的影響規(guī)律具有重要意義。

研究開發(fā)中厚板產(chǎn)品性能預(yù)測系統(tǒng)，可以利用現(xiàn)有數(shù)據(jù)庫中的海量數(shù)據(jù)，結(jié)合當(dāng)今主流的數(shù)據(jù)挖掘技術(shù)，建立基于大數(shù)據(jù)技術(shù)的產(chǎn)品性能預(yù)測模型，并開發(fā)交互軟件，使技術(shù)人員能在仿真環(huán)境下實(shí)現(xiàn)產(chǎn)品性能預(yù)測，甚至是新產(chǎn)品性能的預(yù)測，這樣可以大大提高中厚板工藝控制的準(zhǔn)確性和降低新產(chǎn)品研發(fā)的周期和成本。k 最鄰近（k Nearest Neighbor，簡稱k-NN）算法是數(shù)據(jù)挖掘領(lǐng)域常用的機(jī)器學(xué)習(xí)算法，具有簡單易用、模型訓(xùn)練時(shí)間快、預(yù)測效果好、對異常值不敏感等優(yōu)點(diǎn)，是一種非參的、惰性的算法模型[2-3]。目前還未將k-NN 算法應(yīng)用于中厚板性能預(yù)測上，因此本文利用福建三鋼中厚板數(shù)據(jù)庫資料，探索k-NN 算法在中厚板性能預(yù)測領(lǐng)域的應(yīng)用。

1 中厚板生產(chǎn)工藝簡述

中厚板生產(chǎn)線從坯料庫接收板坯進(jìn)入加熱爐進(jìn)行加熱，加熱到軋鋼所需溫度，出鋼后經(jīng)過粗軋和精軋軋制，然后進(jìn)行控冷、熱矯，送入冷床進(jìn)行冷卻，再根據(jù)規(guī)格和訂單需求進(jìn)行火切或組合剪（切頭剪、圓盤剪、定尺剪）處理。具體工藝流程如圖1 所示。

圖1 中厚板生產(chǎn)工藝流程

2 中厚板性能的影響因素

2.1 化學(xué)成分

化學(xué)成分是影響中厚板性能的內(nèi)因。鋼中碳含量的不同，以及合金元素種類和多少的不同，都會(huì)使鋼板性能產(chǎn)生不同，特別是Nb、V、Ti、Mn 等合金元素能改善鋼板的塑性和強(qiáng)度。

2.2 加熱工藝

板坯加熱溫度的上限通常取鐵碳相圖中固相線以下100～150 ℃，另外從細(xì)化晶粒的要求出發(fā)，需充分考慮加熱溫度，不可使加熱后的奧氏體晶粒變得粗大及不均。

2.3 軋制工藝

軋鋼過程主要通過控制、調(diào)整生產(chǎn)條件，包括壓縮率、開軋溫度、冷卻速度、反紅溫度等，使最終獲得的金相組織是細(xì)小、有均勻鐵素體及片狀彌散度大的珠光體組織，從而保證鋼板可獲得良好的機(jī)械性能。

3 基于k-NN 算法的鋼板性能預(yù)測模型

3.1 k-NN 算法理論

k-NN 算法又稱為k 近鄰算法或者k 最近鄰算法，是數(shù)據(jù)挖掘領(lǐng)域中基于實(shí)例學(xué)習(xí)的非參數(shù)回歸預(yù)測法，通過搜索訓(xùn)練集數(shù)據(jù)庫中與預(yù)測值特征向量最相似的k 個(gè)樣本來進(jìn)行分類和預(yù)測[4]。如果某一個(gè)樣本與該訓(xùn)練集空間中k 個(gè)最相似（即訓(xùn)練集空間中最近鄰）的樣本中的絕大多數(shù)都屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別。k-NN 算法采用距離度量的方式判斷歷史數(shù)據(jù)與預(yù)測值特征向量的近似程度。

k-NN 方法中有三個(gè)最基本的要素，即k 值的選取、距離的度量以及分類決策時(shí)的規(guī)則。本文以曼哈頓距離（Manhattan Distance）作為距離算法，以加權(quán)平均值法作為預(yù)測值輸出算法。

3.2 k-NN 算法預(yù)測模型的建立

3.2.1 建立k-NN 模型的訓(xùn)練集

中厚板生產(chǎn)過程中，鋼板性能（以屈服強(qiáng)度為例）是一個(gè)由多重因素相互影響的復(fù)雜過程，影響因素很多，包括化學(xué)成分、壓縮率、開軋溫度、反紅溫度、冷卻速度等。將已有的數(shù)據(jù)庫構(gòu)建為訓(xùn)練集S（同時(shí)作為測試集），S 由i 個(gè)樣本組成，每個(gè)樣本由m 個(gè)特征向量（輸入變量）及輸出變量y 構(gòu)成，其數(shù)學(xué)表達(dá)式為：

3.2.2 建立距離算法

設(shè)yp為預(yù)測值（輸出變量），xp為預(yù)測值yp的特征向量，計(jì)算特征向量xp與訓(xùn)練集S 中歷史特征向量xm的曼哈頓距離dm：

3.2.3 預(yù)估鋼板性能

基于上述方法，在訓(xùn)練集內(nèi)尋找出k 個(gè)距離最小的樣本，k 值采用經(jīng)驗(yàn)得出。

最后，將k 個(gè)樣本的屬性值采用加權(quán)平均值法計(jì)算出目標(biāo)鋼板性能的預(yù)測值yp：

式中：ωi是第i 個(gè)樣本的權(quán)重。

3.2.4 確定k 值

本文擬定k=2、3、4、5、6 五個(gè)值進(jìn)行了模型訓(xùn)練，最終結(jié)果如表1 所示。

表1 模擬訓(xùn)練結(jié)果統(tǒng)計(jì)

訓(xùn)練結(jié)果表明，k=2 時(shí)預(yù)測誤差最小、精度最高。

3.3 中厚板性能預(yù)測模型的應(yīng)用

模型應(yīng)用包含以下四方面：自動(dòng)預(yù)測，可實(shí)現(xiàn)每塊鋼板在下冷床時(shí)的性能值預(yù)測；投用情況分析及跟蹤，該功能包含投用情況查詢和投用情況分鋼種查詢；手動(dòng)預(yù)測，可以選擇已經(jīng)自動(dòng)預(yù)測完成的鋼板，修改特征值后（部分工藝參數(shù)，如開軋溫度）重新計(jì)算，該模塊可以感知各個(gè)特征對屈服、抗拉、延伸影響的趨勢，為軋制工藝的調(diào)整提供依據(jù)；根據(jù)時(shí)間段查詢各個(gè)規(guī)格鋼種的預(yù)測值統(tǒng)計(jì)，統(tǒng)計(jì)項(xiàng)包含“小于2%”“小于5%”“小于6%”“小于9%”“小于5 MPa”“小于10 MPa”“小于20 MPa”“小于30 MPa”的占比，以便對模型進(jìn)行優(yōu)化，同時(shí)按鋼種生成規(guī)格數(shù)據(jù)分布圖。

4 結(jié)語

k-NN 算法屬于大數(shù)據(jù)挖掘算法，數(shù)據(jù)樣本的規(guī)模越大，其預(yù)測結(jié)果越科學(xué)、準(zhǔn)確，基于k-NN 算法的中厚板性能預(yù)測模型考慮了中厚板性能影響的多面性和非線性，以中厚板生產(chǎn)的各項(xiàng)指標(biāo)和成分作為特征向量，以中厚板各項(xiàng)性能指標(biāo)作為輸出向量，是一種多因素的綜合模型[5]。本文利用三鋼中板廠現(xiàn)有數(shù)據(jù)庫，構(gòu)建了k-NN 預(yù)測模型的訓(xùn)練集和測試集，得出k=2 時(shí)模型預(yù)測精度較高。此外，將今后的生產(chǎn)數(shù)據(jù)不斷補(bǔ)充到訓(xùn)練集中，以進(jìn)一步提高模型預(yù)測精度。基于k-NN 算法的鋼板性能預(yù)測模型可實(shí)現(xiàn)實(shí)時(shí)預(yù)測，從而指導(dǎo)中厚板生產(chǎn)的工藝調(diào)整。