基于數據驅動的光整機用輥平臺開發
段曉溪a，張新魁b，陳彪b，馬幸江b
（首鋼京唐鋼鐵聯合有限責任公司，a.制造部；b.冷軋作業部，河北 唐山 063200）
摘要：光整機的用輥對于鍍鋅產線帶鋼的粗糙度控制十分關鍵。針對某公司冷軋鍍鋅機組產品的粗糙度要求高、歷史數據未充分利用等問題，設計了一種基于數據驅動的光整機用輥程序。通過對光整機歷史數據進行相關性分析，得到光整機用輥計劃對應的目標屬性參數，根據目標屬性參數構建模型，并基于python開發用輥平臺。結果表明，利用推薦模型可快速有效地為當前訂單計劃輸出對應的用輥信息，無需人工費時費力地查表確定輥信息，確保軋制效率。
關鍵字：光整機；大數據；智能化；python；tkinter
1 引言
國內鋼鐵市場進入“冬常態”，高端戰略產品支撐京唐公司的產業結構，尤其是冷軋鍍鋅產線的汽車板、家電板、高強鋼等產品，需求量攀升，對質量的要求也越來越高。而光整工藝是冷軋鍍鋅產線的重要環節，該環節的主要是調整鍍鋅板表面的粗糙度，提高鍍層黏附力，消除帶鋼的屈服平臺，能夠更好的提升汽車板、家電板的使用性能。因此，光整機的軋制工藝對于提高帶鋼表面質量起著至關重要的作用[1-3]?，F階段鍍鋅線主要生產寶馬、大眾、長城、比亞迪等國內外高端汽車板，然而軋制不同規格的鋼種需要使用的軋輥是不同的，為確保光整機的軋制質量，在軋制之前需要根據軋制規格需求來選擇匹配的軋輥。現有技術中一般是通過人工經驗或者是人工查表來制定合適的軋輥，費時費力，影響軋制效率。
隨著設備的升級換代，使得數據的采集和存儲變的方便，數據庫存儲了海量的歷史數據，因此催生了基于數據驅動技術的發展。通過分析歷史數據，我們可以得到對我們有用的信息并加以利用，使得數據的采集和存儲變得更加有意義[4-6]。
為解決光整機用輥完全依賴技術員的問題，本文提出基于數據驅動的光整機用輥模型，利用python實現對現場近2年來采集的數據進行分析，構建用輥模型，開發用輥平臺，實現用輥計劃快速準確推薦。
2 模型構建
光整機在鍍鋅產線中發揮著至關重要的作用，主要利用工作輥對帶鋼進行光整、在滿足軋制訂單要求的粗糙度的條件下保證板型和機械性能[7,8]。因此光整機工作輥工作輥的選取十分重要，本節主要詳細介紹光整機用輥模型的具體實現，模型構建流程圖如圖 1所示。
本項目模型分為4個模塊。分別為數據預處理模塊、相關性分析模塊、數據庫構造模塊、用輥模型構建模塊。由于python在數據分析方面具有得天獨厚的優勢，擁有大量的數據處理的庫函數，并且能夠開發界面程序，因此本文是基于python完成數據處理和操作界面開發的。
圖1 模型構建流程圖
2.1 數據預處理
利用系統中導出的原始數據進行預處理，由于生產的帶鋼質量等級并不都是符合要求的，因此需要剔除質量不合格的歷史生產數據，例如實際粗糙度超出范圍、帶鋼評審不合格、存在缺失值的數據記錄。
2.2 相關性分析
本文采用C4.5算法中相關性的度量方法信息增益率來計算不同屬性對光整機用輥型號的影響程度，信息增益率是由信息增益與屬性固有值的比值得來的。單純的依賴信息增益作為分類特征會出現一些問題，如：數據集中有編號一列，則編號的信息熵為0，這樣得到編號的信息增益是最大的，但很顯然這樣分類是沒有意義的。因此引入信息增益率，很好的解決了這個問題。信息增益率、屬性固有值的計算方法分別如式(2-1)、(2-2)所示。
通過計算信息增益率，篩選出對光整機用輥比較重要的幾個參數，分別為鍍層種類、強度、粗糙度范圍、訂單分選度、RPC、用途等參數，具體的目標屬性對應的信息增益率如表1所示。其中，信息增益率越大說明該屬性對用輥計劃的影響程度越大，本實施例選取相關性較大的參數（信息增益率≥0.1）作為決策樹節點，包括：粗糙度范圍、用途、訂單厚度、光整率、強度、鍍層種類、RPC、訂單分選度。
表1
|
目標屬性 |
信息增益率 |
|
鍍層種類 |
0.496 |
|
強度 |
0.314 |
|
粗糙度范圍 |
0.262 |
|
訂單分選度 |
0.24 |
|
RPC |
0.21 |
|
用途 |
0.208 |
|
訂單厚度 |
0.184 |
|
光整率 |
0.163 |
2.3 構建光整機備輥模型
基于相關性分析出來影響程度較大的屬性建立決策樹用輥模型。主要分為三個模型，精確匹配、用途擴大、光整率擴大、厚度擴大，三個屬性同時擴大五個模型組合。首先將計劃單導入，然后從數據庫精準檢索、未檢索到的擴大光整率，擴大范圍為上下0.1，未檢索到的擴大強度，擴大范圍為上下0.1。一條計劃單的數據可能會與數據庫中的多條數據記錄匹配，本模型將多條數據記錄的參數值取平均值、頻次保留下來。模型中我們將用途相鄰范圍內可以適當擴大，檢索不到當前強度用途時，可以擴大一下用途再次檢索。其中RPC屬性的最小值越小越好，因此在分類規則中只要比數據庫小就行。
模型1： 計劃單強度==數據庫強度 & 計劃單厚度==數據庫厚度 & 計劃單粗糙度范圍==數據庫粗糙度范圍 & 計劃單光整率==數據庫光整率 & 計劃單用途==數據庫用途 & 計劃單RPC最小<=數據庫RPC最小
模型2： 計劃單強度==數據庫強度 & （數據庫厚度-0.1<=計劃單厚度<=數據庫厚度+0.1） & 計劃單粗糙度范圍==數據庫粗糙度范圍 & 計劃單光整率==數據庫光整率 & 計劃單用途==數據庫用途& 計劃單RPC最小<=數據庫RPC最小
模型3： 計劃單強度==數據庫強度 & 計劃單厚度==數據庫厚度 & 計劃單粗糙度范圍==數據庫粗糙度范圍 & （數據庫光整率-0.1<=計劃單光整率<=數據庫光整率+0.1） & 計劃單用途==數據庫用途 & 計劃單RPC最小<=數據庫RPC最小
模型4： 計劃單強度==數據庫強度 & 計劃單厚度==數據庫厚度 & 計劃單粗糙度范圍==數據庫粗糙度范圍 &計劃單光整率==數據庫光整率 & (數據庫用途-1<=計劃單用途<=數據庫用途+1) & 計劃單RPC最小<=數據庫RPC最小
模型5： （數據庫強度-1<=計劃單強度<=數據庫強度+1） & （數據庫厚度-0.1<=計劃單厚度<=數據庫厚度+0.1） & 計劃單粗糙度范圍==數據庫粗糙度范圍 &（數據庫光整率-0.1<=計劃單光整率<=數據庫光整率+0.1）& (數據庫用途-1<=計劃單用途<=數據庫用途+1) & 計劃單RPC最小<=數據庫RPC最小
3 平臺開發
模型的操作界面是基于python的內置庫函數tkinter設計完成的，tkinter包含了設計界面常用的按鈕、標簽、表格等一系列控件[9]。
軟件主要包括數據預處理模塊、數據分析模塊、模型構建模塊、計劃單導入模塊、用輥計劃單輸出模塊、數據庫更新模塊。
開發框圖如圖2所示：
圖2 開發架構框圖
3.1數據庫錄入
首先是數據庫的導入，采取的策略是點擊打開軟件時自動讀取數據庫，此時軟件處于加載狀態，加載完數據庫顯示操作頁面。
3.2計劃單讀取
點擊按鈕選擇要導入的計劃單，導入計劃單之后，需要進行數據參數的預篩選，將需要的參數篩選出來，用以模型預測。
3.3模型預測
模型預測這部分采取的策略為將將原始計劃單分組，鋅鋁鎂、純鋅外板、純鋅普板三類，數據庫也分為鋅鋁鎂、純鋅外板、純鋅普板，這樣就可以大大減少模型運算的時間。
3.4用輥計劃單輸出
用輥計劃單輸出，該部分除了在原有計劃單增加一列用輥型號外，還另外增加了歷史粗糙度最大值、歷史粗糙度最小值、歷史粗糙度平均值、歷史軋制力均值、歷史入口張力均值、歷史出口張力均值、歷史RPC平均值、歷史鋼卷信息這幾列。
其中用輥型號后面跟著頻率，表示該規格的帶鋼用此型號的輥的次數，其他參數的最小值最大值平均值就是基于這些數據記錄計算出來的。
3.5數據庫更新
數據庫的更新部分，增加了更新責任人和更新時間，其中更新時間設置為電腦當前時間，增加更新責任人主要是為了后期數據庫出現問題容易追溯。
3.6界面展示
其中操作界面如圖3所示，用輥推薦1這一列，2.5小輥（11）表示在數據庫中匹配到與計劃單相同參數的11條記錄帶鋼采用的是2.5小輥，入口張力、出口張力、軋制力為這11條數據記錄的平均值，可供操作人員參考。
圖3 操作界面
4 結論
(1) 針對現有技術存在的用輥匹配問題，本文提出了基于數據驅動的用輥模型，通過對歷史數據信息進行有效的挖掘，構建光整機用輥模型，利用該模型可快速有效地為當前訂單計劃輸出對應的用輥信息，無需人工費時費力地查表確定輥信息，確保了軋制效率。
(2)基于python語言進行設計開發平臺，python在數據處理方面有著很大的優勢，此外利用tkinter庫開發了界面程序，方便工程師操作，提高鍍鋅線的數字化水平。
參考文獻
[1] 左岳, 劉劼, 陳鐘. 大寬厚比薄規格鍍鋅家電板生產關鍵技術與質量控制[J].冶金動力, 2022(02):17-21+41.
[2] 布曉亮, 王超, 李金良, 王偉. 鍍鋅光整機軋制穩定性分析[J].冶金設備,2021(04):44-47.
[3] 馮偉. 冷軋熱鍍鋅光整機工藝控制分析與應用[J].中國金屬通報,2020(05):95-96.
[4] 張軍, 謝謙, 盧海峰. 冷軋熱鍍鋅平整機平行過程控制系統開發[J].重型機械,2022(04):38-41.
[5] 劉春明, 吳洪文, 高麗娟, 韓慶坤. 數據驅動的裝備制造業數字化轉型路徑研究與實踐[J].智慧軌道交通,2022,59(01):1-4.
[6] 宋志欣. 基于數據驅動的冷軋過程軋機振動預測研究[D].東北大學,2020.
[7] 吳恩旭. 鞍鋼冷軋5#熱鍍鋅機組光整系統改進與實現的研究[D].哈爾濱工業大學,2021.
[8] 張國堂, 孫朝勇. 熱鍍鋅光整缺陷產生原因及控制措施[J].甘肅冶金,2020,42(05):62-65.
[9] 黃盼. 基于深度學習的行人重識別研究[D].南京郵電大學,2022.