中厚板产品抗拉强度预测系统的设计与实现
发布时间：2022-01-24 02:31
随着我国钢铁行业持续推进智能制造与两化融合建设,工业软件生产制造执行系统（MES）、产销系统（ERP）是支撑制造型企业实现智能制造的核心要素,多年来,在系统里积累存储了大量的生产经营活动相关数据,数据挖掘技术可应用这些海量数据为企业挖掘提炼隐藏其中有价值的信息,用“数据”说话,找到影响产品质量、成本的重要影响因素,从而达到优化工艺、减少缺陷、降低成本和提高产品成材率的目的,为企业实现智能化生产奠定基础。本论文针对鞍钢股份有限公司中厚板厂产品性能进行预测分析。重点研究中厚板产品性能参数、生产工艺流程、化学成分等影响产品性能的各项因素,通过采集和整合中厚板厂各级信息系统中与生产经营相关的各项数据,构建中厚板主题数据池,规范数据标准,建立中厚板生产工序360全景数据视图,实现数据资源共享。利用先进的大数据分析技术构建数据多维分析、关联分析及预测分析等模型,对数据进行不同层次的信息提取和深度挖掘,实现从数据到信息再到知识的转化。本论文使用IBM SPSS Modeler平台,将数据池中的数据样本输入分类回归树、线性回归、广义线性以及人工神经网络四种数据挖掘模型中,通过反复训练和校验预测模型并结...
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景
1.2 研究现状
1.3 主要研究内容
2 中厚板产品工艺、性能分析与预测方法
2.1 中厚板产品性能预测指标参数分析
2.2 炼钢连铸、中厚板生产工艺
2.3 影响中厚板产品性能因素分析
2.4 中厚板产品性能预测方法
2.5 本章小结
3 系统设计
3.1 系统需求分析
3.2 系统架构设计
3.3 系统功能设计
3.3.1 数据池的主要功能
3.3.2 数据挖掘的主要功能
3.3.3 人机交互仿真平台的主要功能
3.4 本章小结
4 系统实现
4.1 数据池的建立
4.1.1 构建数据池
4.1.2 数据治理
4.2 抗拉强度性能预测模型的创建及训练
4.2.1 数据导入
4.2.2 数据校核与数据优化
4.2.3 确定预测模型的影响因素及角色分配
4.2.4 线性回归预测模型的创建
4.2.5 分类回归预测模型的创建
4.2.6 神经元网络预测模型的创建
4.2.7 广义线性预测模型的创建
4.3 本章小结
5 系统模型评估
5.1 模型评估标准的建立
5.1.1 拉伸强度
5.1.2 屈服强度
5.1.3 延伸率强度
5.2 模型评估结论
5.3 模型的仿真应用
5.4 本章小结
结论
参考文献
附录A 性能预测最终表
附录B 字段类型表
致谢
【参考文献】：
期刊论文
[1]基于随机森林的钢材性能预报与影响因素筛选[J]. 杨威,李维刚,赵云涛,严保康,王文波. 钢铁. 2018(03)
[2]基于数据自动分析与决策的全流程质量管控平台[J]. 张国红,戴亚辉,崔永欢. 冶金自动化. 2017(06)
[3]论如何利用大数据技术实现钢卷的性能预测[J]. 李会娟. 中国管理信息化. 2017(10)
[4]钢铁企业转炉炼钢耗氧量预测模型研究[J]. 王红君,蒋伟杰,赵辉,岳有军. 计算机仿真. 2017(04)
[5]产品质量模型与控制模型的研究及应用[J]. 陈万庆,陈昆昌,李仁旺,荣杰,曹衍龙. 成组技术与生产现代化. 2016(04)
[6]热轧C-Mn钢工业大数据预处理对模型的改进作用[J]. 吴思炜,周晓光,曹光明,史乃安,刘振宇,王国栋. 钢铁. 2016(05)
[7]大数据背景下灾害年份粮情信息模型仿真[J]. 郭小波,张德贤. 计算机仿真. 2016(01)
[8]桥梁缆索用SWRS82B钢热轧盘条的组织性能预报研究[J]. 牛国锋,宋仁伯,张磊,孙君君,回士旭. 河北冶金. 2015(06)
[9]冶金全流程工艺质量在线监控和离线分析诊断系统[J]. 吕志民,徐钢,毛文赫,殷实,杜建新. 冶金自动化. 2015(03)
[10]莱钢全流程低氧位超低碳钢生产技术优化与应用[J]. 邹春锋,郭伟达,张佩,韩蕾蕾,高志滨. 江西冶金. 2015(02)
硕士论文
[1]基于BP神经网络的转炉供氧模型的研究与应用开发[D]. 付佳.冶金自动化研究设计院 2014
[2]基于数据挖掘的高校教学管理决策支持系统研究[D]. 吕慎敏.山东师范大学 2012
[3]基于数据挖掘的马钢CSP热轧板卷的性能预测[D]. 张祝亭.安徽工业大学 2012
[4]数据挖掘在热轧板带质量预测中的应用[D]. 郑杨元.昆明理工大学 2009
本文编号：3605659
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景
1.2 研究现状
1.3 主要研究内容
2 中厚板产品工艺、性能分析与预测方法
2.1 中厚板产品性能预测指标参数分析
2.2 炼钢连铸、中厚板生产工艺
2.3 影响中厚板产品性能因素分析
2.4 中厚板产品性能预测方法
2.5 本章小结
3 系统设计
3.1 系统需求分析
3.2 系统架构设计
3.3 系统功能设计
3.3.1 数据池的主要功能
3.3.2 数据挖掘的主要功能
3.3.3 人机交互仿真平台的主要功能
3.4 本章小结
4 系统实现
4.1 数据池的建立
4.1.1 构建数据池
4.1.2 数据治理
4.2 抗拉强度性能预测模型的创建及训练
4.2.1 数据导入
4.2.2 数据校核与数据优化
4.2.3 确定预测模型的影响因素及角色分配
4.2.4 线性回归预测模型的创建
4.2.5 分类回归预测模型的创建
4.2.6 神经元网络预测模型的创建
4.2.7 广义线性预测模型的创建
4.3 本章小结
5 系统模型评估
5.1 模型评估标准的建立
5.1.1 拉伸强度
5.1.2 屈服强度
5.1.3 延伸率强度
5.2 模型评估结论
5.3 模型的仿真应用
5.4 本章小结
结论
参考文献
附录A 性能预测最终表
附录B 字段类型表
致谢
【参考文献】：
期刊论文
[1]基于随机森林的钢材性能预报与影响因素筛选[J]. 杨威,李维刚,赵云涛,严保康,王文波. 钢铁. 2018(03)
[2]基于数据自动分析与决策的全流程质量管控平台[J]. 张国红,戴亚辉,崔永欢. 冶金自动化. 2017(06)
[3]论如何利用大数据技术实现钢卷的性能预测[J]. 李会娟. 中国管理信息化. 2017(10)
[4]钢铁企业转炉炼钢耗氧量预测模型研究[J]. 王红君,蒋伟杰,赵辉,岳有军. 计算机仿真. 2017(04)
[5]产品质量模型与控制模型的研究及应用[J]. 陈万庆,陈昆昌,李仁旺,荣杰,曹衍龙. 成组技术与生产现代化. 2016(04)
[6]热轧C-Mn钢工业大数据预处理对模型的改进作用[J]. 吴思炜,周晓光,曹光明,史乃安,刘振宇,王国栋. 钢铁. 2016(05)
[7]大数据背景下灾害年份粮情信息模型仿真[J]. 郭小波,张德贤. 计算机仿真. 2016(01)
[8]桥梁缆索用SWRS82B钢热轧盘条的组织性能预报研究[J]. 牛国锋,宋仁伯,张磊,孙君君,回士旭. 河北冶金. 2015(06)
[9]冶金全流程工艺质量在线监控和离线分析诊断系统[J]. 吕志民,徐钢,毛文赫,殷实,杜建新. 冶金自动化. 2015(03)
[10]莱钢全流程低氧位超低碳钢生产技术优化与应用[J]. 邹春锋,郭伟达,张佩,韩蕾蕾,高志滨. 江西冶金. 2015(02)
硕士论文
[1]基于BP神经网络的转炉供氧模型的研究与应用开发[D]. 付佳.冶金自动化研究设计院 2014
[2]基于数据挖掘的高校教学管理决策支持系统研究[D]. 吕慎敏.山东师范大学 2012
[3]基于数据挖掘的马钢CSP热轧板卷的性能预测[D]. 张祝亭.安徽工业大学 2012
[4]数据挖掘在热轧板带质量预测中的应用[D]. 郑杨元.昆明理工大学 2009
本文编号：3605659
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/3605659.html
