|本期目录/Table of Contents|

[1]董维振,陈 燕*,李媛媛.基于多元逐步回归的带钢性能预测模型[J].工业仪表与自动化装置,2022,(02):107-111.[doi:10.19950/j.cnki.cn61-1121/th.2022.02.022]
　DONG Weizhen,CHEN Yan*,LI Yuanyuan.Research on prediction model of steel properties based on multiple stepwise regression and data mining[J].Industrial Instrumentation & Automation,2022,(02):107-111.[doi:10.19950/j.cnki.cn61-1121/th.2022.02.022]
点击复制

基于多元逐步回归的带钢性能预测模型

《工业仪表与自动化装置》[ISSN:1000-0682/CN:61-1121/TH]

卷:
期数:
2022年02期
页码:
107-111
栏目:
出版日期:
2022-04-15

文章信息/Info

Title:
Research on prediction model of steel properties based on multiple stepwise regression and data mining
文章编号:
1000-0682（2022）02-0000-00
作者:
董维振1; 陈 燕1*; 李媛媛2
（1.广西大学 计算机与电子信息学院，广西 南宁 530004；2.曹妃甸职业技术学院 人工智能学院，河北 唐山 063205）
Author(s):
DONG Weizhen1; CHEN Yan1*; LI Yuanyuan2
( 1.School of Computer,Electronics and Information, Guangxi University, Guangxi Nanning 530004, China;2.College of artificial intelligence,CAOFEIDIAN COLLEGE OF TECHOLOGY, Hebei Tangshan 063205, China)
关键词:
带钢性能预测; 机器学习; 数据挖掘; 多元线性回归; 逐步回归; 大数据
Keywords:
strip performance prediction;  machine learning;  data mining;  multiple linear regression;  stepwise regression;  big data
分类号:
TP391.41
DOI:
10.19950/j.cnki.cn61-1121/th.2022.02.022
文献标志码:
A
摘要:
为了挖掘冶金产品关键工艺参数与成品性能间的关系、实现特定牌号性能自动预测，构建了带钢性能预测模型。模型基于多元线性回归的机器学习方法和数据挖掘方法，构建了牌号性能影响因素知识库，通过大量真实生产环境数据，分析其相关性和性能影响因素。实验过程基于2020个预测样本的数据集，其中选择1616个样本作为训练集，404个样本作为测试集，每个样本包括24 种属性，对成品性能Y1和Y2进行了单独训练和预测，均方差结果仅为0.018 2和2.937 1×10-5。实验表明，该性能预测模型预测准确率高，有效命中率达到90%以上，具有良好的应用前景。
Abstract:
In order to explore the relationship between the key process parameters of metallurgical products and the properties of finished products and realize the automatic prediction of the properties of specific grades, a strip performance prediction model was constructed. Based on the machine learning method and data mining method of multiple linear regression, the model constructs the knowledge base of brand performance influencing factors, and analyzes its correlation and performance influencing factors through a large number of real production environment data. The experimental process is based on the data set of 2020 prediction samples, of which 1616 samples are selected as the training set and 404 samples as the test set. Each sample includes 24 attributes. The finished product performance Y1 and Y2 are trained and predicted separately, and the mean square deviation results are only 0.018 2 and 2.937 1 × 10-5。 Experiments show that the prediction accuracy of the performance prediction model is high, and the effective hit rate is more than 90%, which has a good application prospect.

参考文献/References:

[1]刘玠.人工智能推动冶金工业变革[J].钢铁,2020,55(06):1-7.

[2]李江昀,杨志方,郑俊锋,等.深度学习技术在钢铁工业中的应用[J].钢铁,2021,56(09):43-49.
[3]刘振宇,曹光明,周晓光,等.组织性能预测技术及其在智能热轧中的核心作用[J].轧钢,2019,36(02):1-7.
[4]高文,黄铁军.从信息社会迈向智能社会[J]. 中国报业, 2020(5):46-47.
[5]殷瑞钰.关于智能化钢厂的讨论——从物理系统一侧出发讨论钢厂智能化[J].钢铁,2017,52(6):1.
[6]赵振锐，孙雪娇.钢铁企业智能制造架构的探索、实践及展望[J].冶金自动化,2019,43（1）:24.
[7]谢少捷,王伟,何福善.基于梯度提升决策树的特征筛选与钢卷力学性能预测[J].机械工程材料,2021,45(10):104-110.
[8]杨健,吴思炜.基于机器学习的钢铁轧制过程性能预测[J].钢铁,2021,56(09):1-9.
[9]韩凤兰,戴闻斌,李玲玉,等.基于BP神经网络的粉煤灰进场快速检测和性能预测技术研究[J].建筑施工,2021,43(09):1864-1868.
[10]陈小军，李鹏飞，李萍，等.多元逐步回归分析法在煤层含气量预测中的应用[J].煤炭工程，2019，51（2）：106-111.
[11]沈立成，黄思静，刘洁，等.用多元逐步回归方法评价储层孔隙度的控制因素[J].成都理工学院学报，2002（6）：610-616.
[12]付勇，汪立今，柴凤梅，等.多元线性回归和逐步回归分析在白石泉Cu-Ni 硫化物矿床研究中的应用[J].地学前缘，2009，16（1）：373-380.
[13]国亮.改进多元线性回归模型在某油田产量预测中的应用[J].西安电子科技大学学报：社会科学版，2009，19（3）：71-75.
[14]张杰,朱家明.基于多元回归和三次指数平滑法对垃圾总量的预测[J].齐鲁工业大学学报,2020,34(04):69-74.
[15]杨丽,付伟.基于多元线性回归的云南省经济发展影响因素分析[J].山西农经,2019(04):9-11.

相似文献/References:

[1]李荣芳.基于神经网络的 WiFi 位置指纹室内定位算法研究[J].工业仪表与自动化装置,2022,(03):109.[doi:10.19950/j.cnki.cn61-1121/th.2022.03.023]
　LI Rongfang.Research on WiFi location fingerprint indoor localization algorithm based on neural network[J].Industrial Instrumentation & Automation,2022,(02):109.[doi:10.19950/j.cnki.cn61-1121/th.2022.03.023]
[2]李 闯,蔺奕存,李鹏竹,等.基于One-Class SVM的凝泵入口滤网堵塞预警模型开发与应用[J].工业仪表与自动化装置,2022,(05):97.[doi:10.19950/j.cnki.cn61-1121/th.2022.05.018]
　LI Chuang,LIN Yicun,LI Pengzhu,et al.Development and application of an early warning model for condensate pump inlet filter clogging based on One-Class SVM[J].Industrial Instrumentation & Automation,2022,(02):97.[doi:10.19950/j.cnki.cn61-1121/th.2022.05.018]
[3]温焱明,熊 波,牛火平,等.基于数据驱动的供热系统优化调控研究[J].工业仪表与自动化装置,2024,(02):49.[doi:DOI:10.19950/j.cnki.CN61-1121/TH.2024.02.009]
　WEN Yanming,XIONG Bo,NIU Huoping,et al.Research on data-driven optimization and regulation of heating systems[J].Industrial Instrumentation & Automation,2024,(02):49.[doi:DOI:10.19950/j.cnki.CN61-1121/TH.2024.02.009]

备注/Memo

备注/Memo:
收稿日期：2021-11-06

作者简介：
更新日期/Last Update: 1900-01-01