基于大数据的钢轨轧制生产参数推优分析与应用

发布时间：2023-04-04 04:45

　　我国作为高铁大国强国,又有一带一路等经济计划,同时近年来,城市轨道交通线路与日俱增。对基础设备之一的钢轨,无论是新建钢轨线路或是维护轨道都是必要的元素,所以钢轨的生产质量、产量是关系到物流经济发展与人民交通生活便利的基石。然而,在钢轨的轧制生产过程中,对于万能轧制机械的孔型参数现场修正改优等调整仍然依赖人工专家经验。为了降低钢轨轧制生产线的事故发生率,缩短生产周期,提高产品合格率,有必要对生产钢轨的工艺过程进行数据驱动的参数推优。在传统的机械材料等领域对轧制生产参数优化时,常使用基于应力场,应变场,热场等物理变化的描述微分方程进行有限元分析进行仿真模拟来进行专家设定。这一方面需要材料力学的专业知识和软件技能,另一方面仿真的准确度与微元的数量以及形态,方程描述准确度息息正相关,同时运行时间随着微元数量的增多而增长。因此本文采用多目标学习的机器学习回归算法对钢轨轧制生产过程进行数据驱动的拟合,建立模型虚拟轧制机台,再根据该模型使用多目标进化算法搜索到可接受的帕累托最优解集。由此快速的解决钢轨轧制过程中出现的不良钢轨生产突增的问题。首先对钢轨生产数据进行了预处理和分析的工作,对生产履历数据进...

【文章页数】：88 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
        1.1.1 研究背景
        1.1.2 钢轨轧制现状以及研究意义
    1.2 国内外研究历史与现状
        1.2.1 数据挖掘在制造工业及钢轨生产领域的应用
        1.2.2 多目标数据驱动优化研究现状
    1.3 本文的主要贡献与创新
    1.4 本论文的结构安排
第二章 相关基础理论与关键技术
    2.1 相关分析
        2.1.1 皮尔森相关系数
        2.1.2 F值
    2.2 多目标机器学习
        2.2.1 梯度提升树算法
        2.2.2 XGBoost(e Xtreme Gradient Boosting)算法
        2.2.3 LightGBM(Light Gradient Boosting Machine)算法
        2.2.4 神经网络
    2.3 多目标进化算法
        2.3.1 多目标优化问题
        2.3.2 遗传进化算法
        2.3.3 粒子群进化算法
    2.4 本章小结
第三章 数据预处理与分析
    3.1 钢轨轧制生产履历数据
        3.1.1 数据清洗
        3.1.2 概况
        3.1.3 数据分布
    3.2 相关分析
        3.2.1 相关系数计算及结果
        3.2.2 依据线性关系上采样
    3.3 采样目的
    3.4 本章小结
第四章 钢轨轧制生产过程的多目标学习模型
    4.1 数据集构建
    4.2 多目标回归模型评估指标
    4.3 基于XGBoost的一阶多目标回归模型
        4.3.1 数据算法拟合性
        4.3.2 参数选择与调节
        4.3.3 模型评估
    4.4 基于LightGBM的一阶多目标回归模型
        4.4.1 数据算法拟合性
        4.4.2 参数选择与调节
        4.4.3 模型评估
    4.5 基于BP神经网络的高阶多目标回归模型
        4.5.1 实验设计
        4.5.2 算法可行性
        4.5.3 模型评估
    4.6 代理模型选择
    4.7 本章小结
第五章 多目标进化算法
    5.1 遗传算法
        5.1.1 个体编码解码
        5.1.2 适应度函数
        5.1.3 选择重组繁殖
        5.1.4 停止条件
    5.2 粒子群算法
    5.3 粒子群算子嵌入的遗传算法
    5.4 参数推优实验
        5.4.1 实验设计
        5.4.2 结果与分析
    5.5 本章小结
第六章 全文总结与展望
    6.1 全文总结
    6.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3781809