一种针对深冲钢质量的在线自动判级方法和系统与流程

1.本技术涉及自动控制技术领域，尤其涉及一种针对深冲钢质量的在线自动判级方法和系统。


背景技术：

2.流程工业，如冶金、化工等工业领域，产品在制造过程中涉及多个连续衔接的工序，为了确保成品的最终质量，要求每道工序的工艺参数设定在工艺规范所确定的区间内。目前，企业对产品质量管控的主要手段是通过制订合适的工艺规范，并采用“事后”抽样检测方式来判定产品的品质。但是，这种依赖于生产经验制订的工艺规范及“事后”抽检的方式容易出现批量的产品质量判废。因此，如何利用大数据分析和人工智能方法，实现产品质量在线自动判级，提高产品质量可靠性是当前企业亟待解决的关键问题。由于工业生产数据中往往具有多元、强耦合、非线性的特征，因此在建立产品质量数字孪生模型时存在一些问题。本质上，产品质量数字孪生模型是建立工艺装备所设定的工艺参数与产品质量指标之间的对应关系，并根据各工序的实际工艺参数值来预测产品质量指标区间，实现产品质量在线智能判级和质量持续优化。


技术实现要素：

3.有鉴于此，针对钢铁企业在产品质量在线自动判级中存在的问题，基于上述目的，本技术提出了一种针对深冲钢质量的在线自动判级方法，包括：
4.将高维的工艺参数通过非线性同等缩放算法变换成低维的数据集；
5.对缩放后数据集进行聚类，分析工艺参数的类分布特征；
6.根据聚类后样本的质量指标值分布，采用核简支集类边界算法来确定不同产品质量级别的类边界；
7.依据已确定的类边界，通过质量指标预测实现产品在线判级。
8.进一步地，所述将高维的工艺参数通过非线性同等缩放算法变换成低维的数据集，包括：
9.数据采集与清洗，建立训练样本集：从实际生产线上，收集深冲钢的工艺参数及对应的质量指标数据；剔除训练样本中存在缺失数据、异常点的数据；
10.采用pca、kpca和/或非线性多维同等缩放算法，对训练样本数据进行降维，得到二维数据。
11.进一步地，所述工艺参数及对应的质量指标数据包括：
12.炼钢工序冶炼过程中钢坯的主要成分：c、mn、p、s元素的质量分数；
13.热轧工序：加热炉出口温度、精轧入口温度、精轧出口温度、卷取温度；
14.冷轧工序：冷轧压下率；
15.热处理工序：加热平均温度、均热平均温度、快冷出口温度、时效出口温度、缓冷出口温度。
16.进一步地，所述对缩放后数据集进行聚类，分析工艺参数的类分布特征，包括：
17.对所述二维数据进行聚类，分析不同降维算法的效果和聚类精度，将选出的8个关键变量经标准化处理后，提取4个特征向量，并将其中特征值最大的2个特征向量作为二维数据的主成分轴；
18.选出的8个关键工艺参数包括：炼钢工序：c、mn质量分数；热轧工序：精轧入口温度、精轧出口温度、卷取温度；冷轧工序：冷轧压下率；热处理工序：快冷出口温度、缓冷出口温度。
19.进一步地，所述根据聚类后样本的质量指标值分布，采用核简支集类边界算法来确定不同产品质量级别的类边界，包括：
20.根据聚类后样本的质量指标值分布，确定每个训练样本的类别，并给出训练样本的分类标记；
21.将标记样本的质量指标值映射到质量分布图上，并根据样本的标记类别划定不同产品类的边界。
22.进一步地，所述提取4个特征向量时，将特征空间的样本点间的平方距离与投影到低维子空间的平方距离的相关性最大化来实现非线性多维缩放，使原始空间中的样本点之间的距离与经过2d或3d缩放后样本点之间的距离保持同等缩放。
23.进一步地，所述依据已确定的类边界，通过质量指标预测实现产品在线判级，包括：
24.将待判样本的工艺参数通过同等缩放投影到低维映射图中，并选取邻近的k个训练集中的样本点作为参考样本，采用k-邻近分类法确定待判样本的类别。
25.基于上述目的，本技术还提出了一种针对深冲钢质量的在线自动判级系统，包括：
26.缩放模块，用于将高维的工艺参数通过非线性同等缩放算法变换成低维的数据集；
27.聚类模块，用于对缩放后数据集进行聚类，分析工艺参数的类分布特征；
28.类边界模块，用于根据聚类后样本的质量指标值分布，采用核简支集类边界算法来确定不同产品质量级别的类边界；
29.在线判级模块，用于依据已确定的类边界，通过质量指标预测实现产品在线判级。
30.总的来说，本技术的优势及给用户带来的体验在于：本发明提出了基于高维数据非线性同等缩放与核简支集类边界计算相结合的方法，实现深冲钢的质量在线智能分类和自动判级。通过深冲钢中三类钢种的样本数据进行验证结果分析，证实方法的有效性和实时性。
附图说明
31.在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本技术公开的一些实施方式，而不应将其视为是对本技术范围的限制。
32.图1示出根据本技术实施例的针对深冲钢质量的在线自动判级方法的流程图。
33.图2示出根据本技术实施例的核参数取不同值时累积误差分布图。
34.图3示出线性pca方法(a)和非线性多维同等缩放方法(b)降维后的工艺参数聚类
示意图。
35.图4示出标记样本的质量指标分布图。
36.图5示出三种钢种的质量指标的上下限示意图。
37.图6示出根据本技术实施例的针对深冲钢质量的在线自动判级系统的构成图。
38.图7示出了本技术一实施例所提供的一种电子设备的结构示意图。
39.图8示出了本技术一实施例所提供的一种存储介质的示意图。
具体实施方式
40.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
41.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
42.图1示出根据本技术实施例的针对深冲钢质量的在线自动判级方法的流程图。如图1所示，该针对深冲钢质量的在线自动判级方法包括：
43.步骤s1：构建训练样本集：从实际生产线上，收集不同类别样本的工艺参数及对应的质量指标数据，具体为炼钢工序冶炼过程中钢坯的主要成分：c、mn、p、s元素的质量分数；热轧工序：加热炉出口温度、精轧入口温度、精轧出口温度、卷取温度；冷轧工序：冷轧压下率；热处理工序：加热平均温度、均热平均温度、快冷出口温度、时效出口温度、缓冷出口温度共计14个。剔除训练样本中存在缺失数据、异常点等不规范的数据。
44.表1主要工艺参数名称及统计值
[0045][0046]
对工艺参数与质量指标作相关分析，发现14个变量中只有8个变量的相关系数的绝对值较大，其他变量的相关系数的绝对值均小于0.3。相关系数低的原因，(1)该变量与质量指标间没有明显的关联；(2)该工艺参数方差很小，对质量指标不会造成影响，如元素s和p质量分数，加热炉出口温度等没有明显变化。选出的8个关键工艺参数包括，炼钢工序：c、
mn质量分数；热轧工序：精轧入口温度、精轧出口温度、卷取温度；冷轧工序：冷轧压下率；热处理工序：快冷出口温度、缓冷出口温度。
[0047]
采用非线性多维同等缩放算法(mdps)，对训练样本数据进行降维，得到二维数据。
[0048]
步骤s2：工艺参数聚类分析：对二维数据进行聚类，分析不同降维算法的效果和聚类精度。优化非线性多维同等缩放算法的核参数，图1给出了径向基核参数σ在0.1～6.0之间所对应的累积误差。由于l(k)矩阵具有半正定特征，对应的特征值中λ1＝0，且λ2≥λ3≥
…
≥λn，所以累积误差为负值。拉普拉斯矩阵是一个半正定矩阵，其特征值都是非负的，且总存在一个特征值为0。从图2中可以看出，当核参数σ取2.0时累积误差最小。图3分别给出两种不同方法降维后，2d的映射图及聚类的结果。为了便于比较，这两种方法均将选出的8个关键变量经标准化处理后，提取4个特征向量，并将其中特征值最大的2个特征向量作为2d数据的主成分轴。
[0049]
为了解决非线性数据在降维后易出现畸变问题，将特征空间φ(x)的样本点间的平方距离与投影到低维子空间的平方距离的相关性最大化来实现非线性多维缩放，可最大程度地使原始空间中的样本点之间的距离与经过2d或3d缩放后样本点之间的距离保持同等缩放。
[0050]
给定由核定义的特征空间中的一个样本集
[0051]
s＝[φ(x1),φ(x2),
…
,φ(xn)]
t
ꢀꢀꢀꢀ
(1)
[0052]
选择较小的l，如l＝2，3，寻求原始数据x从s维特征空间投影到l维空间τ，使得
[0053]
||τ(xi)-τ(xj)||≈||φ(xi)-φ(xj)||i,j＝1,2,...,n
ꢀꢀꢀꢀꢀ
(2)
[0054]
式中，||.||表示模长，τ是嵌入在特征空间中l维低维子空间。
[0055]
为了建立特征空间中样本对的距离与在低维空间中样本对的投影距离相关性最大化，即累积误差e(τ)最小化，可求解下面的优化问题
[0056][0057]
约束条件为：||τs||2＝1，τs⊥
j,s＝1,2,...l
[0058]
τd⊥
τe,d,e＝1,2,...,l
ꢀꢀꢀꢀ
(4)
[0059]
式中j表示所有分量均为1的列向量，τd，τe为τ子空间中相互正交的单位向量。
[0060]
式(3)的优化问题还可以理解为另一种表达形式
[0061][0062]
进一步分析可知
[0063]
[0064]
由于τ是子空间中相互正交的单位向量，因此式(3)可简化为：
[0065][0066]
式中，为对角矩阵，l(k)＝d-k为拉普拉斯矩阵。
[0067]
式(7)的解可由拉普拉斯矩阵l(k)的特征值分解中求得，其中τ为矩阵l(k)的特征向量。由前两个最大特征值所张成的特征向量子空间可以实现高维数据的2d缩放。
[0068]
步骤s3：建立工艺参数与质量指标间的数字孪生模型：对工艺参数进行聚类，确定每个训练样本的类别，并给出训练样本的分类标记。然后，将标记样本的质量指标值映射到质量分布图上，并根据样本的标记类别划定不同产品类的边界。图4给出了训练样本中，采用非线性同等缩放降维和k-均值聚类后，标记样本的质量指标分布图。由于抗拉强度、塑性应变比这两个指标所有样本均满足质量标准要求，因此在图4中仅给出延伸率、屈服强度的质量指标分布情况。为了便于实际工业应用，将图4中曲线边界简化为线性(矩形)边界，如图5所示。在图5中，质量分布的类边界线划定了不同类的质量指标上下限。如果将工艺参数确定的质量类别与钢种标准确定的类别作对比，可以看出：类1(钢种dc06)延伸率的下限为45％，屈服强度的上限为135mpa；类2(钢种dc05)延伸率的下限为43％，屈服强度的上限为145mpa；类3(钢种dc04)延伸率的下限为40％，屈服强度的上限为160mpa。对照表1给出的汽车钢企业内部标准，上述方法所确定的上下限与表1的内部标准是一致的。唯一的差异是dc06和dc05这两类钢种的屈服强度的上限减少5mpa，这比企业制定的内标还要严格，以确保产品质量的合格率。但是，有7个属于类型2的样本在dc05控制限外(如图5所示)，因此视为错误分类，整体分类的准确率为97.2％。需要说明，由于钢种的质量标准上下限原因，如dc04的屈服强度范围为135～160mpa，dc05的屈服强度范围为125～150mpa，因此类1和类2的样本在dc04和dc05存在重叠区域，但这并不表明由工艺参数所确定的类被误判。如，dc04中的个别样本点落在dc05区域，可以被判定为dc05，因为这些样本满足dc0质量指标，同样这些样本也满足dc04质量标准，因此不会引起客户异议。
[0069]
表1汽车钢性能指标的行标/企业内标
[0070][0071]
步骤s4：实现产品质量的在线智能判级：将待判样本的工艺参数通过同等缩放投影到低维映射图中，并选取邻近的k个训练集中的样本点作为参考样本，采用k-邻近分类法确定待判样本的类别。
[0072]
申请实施例提供了一种针对深冲钢质量的在线自动判级系统，该系统用于执行上述实施例所述的针对深冲钢质量的在线自动判级方法，如图6所示，该系统包括：
[0073]
缩放模块601，用于将高维的工艺参数通过非线性同等缩放算法变换成低维的数据集；
[0074]
聚类模块602，用于对缩放后数据集进行聚类，分析工艺参数的类分布特征；
[0075]
类边界模块603，用于根据聚类后样本的质量指标值分布，采用核简支集类边界算法来确定不同产品质量级别的类边界；
[0076]
在线判级模块604，用于依据已确定的类边界，通过质量指标预测实现产品在线判级。
[0077]
本技术的上述实施例提供的针对深冲钢质量的在线自动判级系统与本技术实施例提供的针对深冲钢质量的在线自动判级方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
[0078]
本技术实施方式还提供一种与前述实施方式所提供的针对深冲钢质量的在线自动判级方法对应的电子设备，以执行上针对深冲钢质量的在线自动判级方法。本技术实施例不做限定。
[0079]
请参考图7，其示出了本技术的一些实施方式所提供的一种电子设备的示意图。如图7所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本技术前述任一实施方式所提供的针对深冲钢质量的在线自动判级方法。
[0080]
其中，存储器201可能包含高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
[0081]
总线202可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本技术实施例任一实施方式揭示的所述针对深冲钢质量的在线自动判级方法可以应用于处理器200中，或者由处理器200实现。
[0082]
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
[0083]
本技术实施例提供的电子设备与本技术实施例提供的针对深冲钢质量的在线自动判级方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
[0084]
本技术实施方式还提供一种与前述实施方式所提供的针对深冲钢质量的在线自
动判级方法对应的计算机可读存储介质，请参考图8，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的针对深冲钢质量的在线自动判级方法。
[0085]
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
[0086]
本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的针对深冲钢质量的在线自动判级方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
[0087]
需要说明的是：
[0088]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备有固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本技术也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本技术的内容，并且上面对特定语言所做的描述是为了披露本技术的最佳实施方式。
[0089]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0090]
类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在上面对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
[0091]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0092]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0093]
本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行
的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的虚拟机的创建系统中的一些或者全部部件的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0094]
应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0095]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种针对深冲钢质量的在线自动判级方法，其特征在于，包括：将高维的工艺参数通过非线性同等缩放算法变换成低维的数据集；对缩放后数据集进行聚类，分析工艺参数的类分布特征；根据聚类后样本的质量指标值分布，采用核简支集类边界算法来确定不同产品质量级别的类边界；依据已确定的类边界，通过质量指标预测实现产品在线判级。2.根据权利要求1所述的方法，其特征在于，所述将高维的工艺参数通过非线性同等缩放算法变换成低维的数据集，包括：数据采集与清洗，建立训练样本集：从实际生产线上，收集深冲钢的工艺参数及对应的质量指标数据；剔除训练样本中存在缺失数据、异常点的数据；采用pca、kpca和/或非线性多维同等缩放算法，对训练样本数据进行降维，得到二维数据。3.根据权利要求2所述的方法，其特征在于，所述工艺参数及对应的质量指标数据包括：炼钢工序冶炼过程中钢坯的主要成分：c、mn、p、s元素的质量分数；热轧工序：加热炉出口温度、精轧入口温度、精轧出口温度、卷取温度；冷轧工序：冷轧压下率；热处理工序：加热平均温度、均热平均温度、快冷出口温度、时效出口温度、缓冷出口温度。4.根据权利要求2或3所述的方法，其特征在于，所述对缩放后数据集进行聚类，分析工艺参数的类分布特征，包括：对所述二维数据进行聚类，分析不同降维算法的效果和聚类精度，将选出的8个关键变量经标准化处理后，提取4个特征向量，并将其中特征值最大的2个特征向量作为二维数据的主成分轴；选出的8个关键工艺参数包括：炼钢工序：c、mn质量分数；热轧工序：精轧入口温度、精轧出口温度、卷取温度；冷轧工序：冷轧压下率；热处理工序：快冷出口温度、缓冷出口温度。5.根据权利要求4所述的方法，其特征在于，所述根据聚类后样本的质量指标值分布，采用核简支集类边界算法来确定不同产品质量级别的类边界，包括：根据聚类后样本的质量指标值分布，确定每个训练样本的类别，并给出训练样本的分类标记；将标记样本的质量指标值映射到质量分布图上，并根据样本的标记类别划定不同产品类的边界。6.根据权利要求4或5所述的方法，其特征在于，所述提取4个特征向量时，将特征空间的样本点间的平方距离与投影到低维子空间的平方距离的相关性最大化来实现非线性多维缩放，使原始空间中的样本点之间的距离与经过2d或3d缩放后样本点之间的距离保持同等缩放。7.根据权利要求5所述的方法，其特征在于，所述依据已确定的类边界，通过质量指标预测实现产品在线判级，包括：
将待判样本的工艺参数通过同等缩放投影到低维映射图中，并选取邻近的k个训练集中的样本点作为参考样本，采用k-邻近分类法确定待判样本的类别。8.一种针对深冲钢质量的在线自动判级系统，其特征在于，包括：缩放模块，用于将高维的工艺参数通过非线性同等缩放算法变换成低维的数据集；聚类模块，用于对缩放后数据集进行聚类，分析工艺参数的类分布特征；类边界模块，用于根据聚类后样本的质量指标值分布，采用核简支集类边界算法来确定不同产品质量级别的类边界；在线判级模块，用于依据已确定的类边界，通过质量指标预测实现产品在线判级。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1-7任一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行实现如权利要求1-7中任一项所述的方法。

技术总结
本申请提供一种针对深冲钢质量的在线自动判级方法和系统。为了实现深冲钢产品质量在线自动判级，本发明提出基于高维数据非线性同等缩放与核简支集类边界确定相结合的质量在线智能判级方法。将高维的工艺参数通过非线性同等缩放算法变换成低维的数据集，并对缩放后数据集进行聚类，分析工艺参数的类分布特征。然后，根据分类后样本的质量指标值分布，采用核简支集类边界算法来确定不同产品质量级别的类边界。最后，依据已确定的类边界，通过质量指标预测实现产品在线判级。本发明实现深冲钢的质量在线智能分类和自动判级。通过深冲钢中三类钢种的样本数据进行验证结果分析，证实方法的有效性和实时性。法的有效性和实时性。法的有效性和实时性。


技术研发人员：徐钢 曹卫文
受保护的技术使用者：苏州宝联重工股份有限公司
技术研发日：2023.05.15
技术公布日：2023/8/16