智慧制造是股份公司在新形勢(shì)下技術(shù)發(fā)展的必然趨勢(shì)，也是在激烈的市場(chǎng)競(jìng)爭(zhēng)中贏得主動(dòng)、立于不敗的重要保證。1580 熱軋智能車間建設(shè)是寶鋼第一個(gè)作為國家工信部試點(diǎn)的示范智能化項(xiàng)目，通過引進(jìn)和升級(jí)現(xiàn)有技術(shù)和裝備，寶鋼邁出了鋼鐵工業(yè)智能化升級(jí)的步伐。

本文將詳細(xì)介紹寶鋼如何應(yīng)用基于JMP Pro的智能算法，預(yù)測(cè)1580熱軋精軋的自然寬展的項(xiàng)目實(shí)踐，也是2020 JMP Discovery Summit China寶鋼股份設(shè)備部數(shù)模主任工程師朱健勤先生當(dāng)天演講內(nèi)容的補(bǔ)充。本文經(jīng)作者授權(quán)發(fā)布，未經(jīng)許可，不得轉(zhuǎn)載。

一 項(xiàng)目背景—為何需要JMP Pro？

寶鋼 1580 熱軋智能車間建設(shè)工程中，精軋動(dòng)態(tài)寬度控制（DWC）系統(tǒng)由德國普瑞特公司（Primetals Technologies Germany GmbH，簡(jiǎn)稱 PT）將其精軋自然寬展預(yù)測(cè)及自適應(yīng)的神經(jīng)網(wǎng)絡(luò)模型嵌入到 L2 系統(tǒng)中，通過 L2 過程參數(shù)的輸入，計(jì)算精軋自然寬展的預(yù)測(cè)值，用于確定粗軋目標(biāo)寬度及軋后自適應(yīng)，并作為參考值傳送至 L1，由 L1 實(shí)現(xiàn)精軋寬度的動(dòng)態(tài)控制，從而顯著地提高了 1580 熱軋精軋出口寬度的控制精度，其模型預(yù)測(cè)值與實(shí)際值的平均偏差僅有 1.38mm（2019 年 1 月～9 月），參見圖 1。

然而，德國普瑞特公司提供的精軋自然寬展預(yù)測(cè)及自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型是一個(gè)黑箱模型，其源代碼是經(jīng)過加密的，無法閱讀或修改，也沒有模型結(jié)構(gòu)說明，因而無法進(jìn)行參數(shù)調(diào)整、模型調(diào)優(yōu)等改進(jìn)工作。

因此，團(tuán)隊(duì)希望能夠通過應(yīng)用JMP統(tǒng)計(jì)分析產(chǎn)品家族的其他機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能建模工具，開發(fā)出一個(gè)智能模型，用于寶鋼股份1580熱軋廠的精軋自然寬展預(yù)測(cè)，籍以替代德國PT公司的黑箱模型，并使該自主開發(fā)模型的預(yù)測(cè)值與實(shí)際值的偏差達(dá)到月平均值≤1.7mm，從而基本達(dá)到德國黑箱模型的控制水準(zhǔn)。

基于此，團(tuán)隊(duì)開始借助于JMP Pro中的預(yù)測(cè)建模工具作進(jìn)一步的嘗試和探索。

二 智能化預(yù)測(cè)模型的建立

1 數(shù)據(jù)的收集與清理
團(tuán)隊(duì)采集了 1580 熱軋 2019.01～2019.09 共九個(gè)月的精軋生產(chǎn)數(shù)據(jù)，并編制 SAS 程序?qū)ζ渲?2019 年 1～8 月的數(shù)據(jù)進(jìn)行清理與整合，共提取出有效數(shù)據(jù) 85423 塊帶鋼，并匯總形成 Excel 數(shù)據(jù)文件。

2 數(shù)據(jù)篩選

01 運(yùn)用智能算法篩選關(guān)鍵因子
應(yīng)用JMP Pro統(tǒng)計(jì)分析軟件中的 Bootstrap 森林算法對(duì)該數(shù)據(jù)集（2019 年1～8 月，85423 條記錄、206 個(gè)影響因子）進(jìn)行擬合訓(xùn)練，然后從訓(xùn)練的結(jié)果中根據(jù)對(duì)實(shí)際自然寬展貢獻(xiàn)度（依據(jù)回歸平方和）的大小，選取方差平方和＞3000 的影響因子，共31 個(gè)，參見圖 2。

02 普瑞特（PT）公司經(jīng)驗(yàn)傳承
由德國普瑞特（PT）公司提供的自然寬展神經(jīng)網(wǎng)絡(luò)模型分析診斷系統(tǒng)的輸入/出界面，不難看出該神經(jīng)網(wǎng)絡(luò)黑箱模型需要化學(xué)成分、精軋入口寬度、出口寬度等 33 個(gè)輸入變量， 參見圖 3。

03 數(shù)據(jù)合成

團(tuán)隊(duì)將 JMP Pro的Bootstrap森林算法篩選的關(guān)鍵因子與普瑞特（PT）公司神經(jīng)網(wǎng)絡(luò)模型所需的輸入變量進(jìn)行對(duì)比，可以發(fā)現(xiàn)有 4 個(gè)影響因子是相同的，它們是預(yù)計(jì)算的精軋目標(biāo)寬度及化學(xué)成分硅（Si）、鈮（Nb）等。

同時(shí)，根據(jù)生產(chǎn)質(zhì)量分析經(jīng)驗(yàn)，不難看出粗軋實(shí)際寬度、粗軋后半寬度實(shí)際值、粗軋目標(biāo)寬度等因子之間存在自相關(guān)性，并且這些變量與團(tuán)隊(duì)需要擬合的目標(biāo)實(shí)際自然寬展（spread_ACT）也存在線性相關(guān)性。應(yīng)用JMP Pro 的多元線性相關(guān)性分析工具對(duì)這八個(gè)影響因子及自然寬展實(shí)際值進(jìn)行分析，可以看到八個(gè)影響因子之間呈強(qiáng)相關(guān)關(guān)系（相關(guān)性系數(shù) r＞0.99），且與自然寬展實(shí)際值的相關(guān)性也比較強(qiáng)（r＞55%）。參見圖 4。

除此以外，出鋼記號(hào)（alloyCode）有 1000 多個(gè)，雖然其對(duì)自然寬展有影響，且貢獻(xiàn)度最大，但由于維度太大，無法進(jìn)行擬合，可以另行采用表格方式進(jìn)行自適應(yīng)學(xué)習(xí)。

因而經(jīng)過討論，最終決定將這 9 個(gè)變量刪去，加上重復(fù)的 4 個(gè)變量共刪去 13 個(gè)影響因子。這樣 31 個(gè)影響因子還剩余 18 個(gè)，加上普瑞特公司經(jīng)驗(yàn)傳承的 33 個(gè)因子，最終確定 51 個(gè)影響因子。

3 數(shù)據(jù)準(zhǔn)備
針對(duì)最終確定的影響精軋自然寬展的 51 個(gè)影響因子，團(tuán)隊(duì)采集了 2019 年 6 月至 8 月共三個(gè)月的數(shù)據(jù)（共 30533 塊帶鋼），應(yīng)用 JMP Pro讀取這些數(shù)據(jù)，并將精軋自然寬展實(shí)際值作為目標(biāo)值（Y，響應(yīng)變量），51 個(gè)影響因子作為擬合數(shù)據(jù)（X，自變量），并隨機(jī)設(shè)置該擬合數(shù)據(jù)集的 80%作為訓(xùn)練集，20%作為驗(yàn)證集。

三 智能模型的訓(xùn)練及離線擬合

團(tuán)隊(duì)嘗試應(yīng)用 JMP Pro分析軟件中的兩種智能建模方法：神經(jīng)網(wǎng)絡(luò)及 Bootstrap 森林法分別對(duì)上述數(shù)據(jù)集進(jìn)行訓(xùn)練和驗(yàn)證，得到如下結(jié)果：

1 應(yīng)用神經(jīng)網(wǎng)絡(luò)建模方法

由圖5和圖6可知，應(yīng)用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練擬合后得到的模型，用驗(yàn)證數(shù)據(jù)驗(yàn)證后的決定系數(shù) R2 為 0.858，RMSE 為 1.506，絕對(duì)偏差的平均值為 1.16，理論上已經(jīng)達(dá)到了團(tuán)隊(duì)設(shè)定的目標(biāo)。

圖6給出了三種模型的預(yù)測(cè)值（從左至右依次是 JMP 模型、PT 模型及寶鋼現(xiàn)有模型）與實(shí)際值的散點(diǎn)圖，從中可見 JMP 擬合的模型其離散程度是最小的。

2 應(yīng)用Bootstrap森林法建模方法

由圖7和圖8可知，應(yīng)用 Bootstrap 森林法訓(xùn)練擬合后得到的模型，用驗(yàn)證數(shù)據(jù)驗(yàn)證后的決定系數(shù) R2達(dá)到了 0.863，RMSE 為 1.48，獲得了更高的預(yù)測(cè)精度。

同樣，圖8給出了三種模型的預(yù)測(cè)值（從左至右依次是 JMP 模型、PT 模型及寶鋼現(xiàn)有模型）與實(shí)際值的散點(diǎn)圖，從中可見 JMP 擬合的模型其離散程度是最小的。）

由上述兩種智能模型算法的應(yīng)用可以看出，Bootstrap 森林算法的擬合效果比神經(jīng)網(wǎng)絡(luò)要好，預(yù)測(cè)精度更高，這兩種建模方法都達(dá)到了項(xiàng)目團(tuán)隊(duì)的目標(biāo)。

但是，這僅僅是對(duì)數(shù)據(jù)的理論分析結(jié)果，究竟實(shí)際應(yīng)用效果如何，還是要用現(xiàn)場(chǎng)的實(shí)際控制數(shù)據(jù)來說話。如何將這些智能算法建立的模型應(yīng)用于實(shí)際控制才是真正有意義的工作。

JMP Pro軟件的模型導(dǎo)出功能為團(tuán)隊(duì)架起了理論到實(shí)踐的橋梁，跨越了離線分析到在線應(yīng)用的鴻溝，使得天塹變通途。

四 智能模型的在線驗(yàn)證

1?模型的導(dǎo)出
應(yīng)用JMP Pro 軟件將這兩種智能模型算法轉(zhuǎn)換成了 C 語言代碼，從而為智能控制模型在現(xiàn)場(chǎng)的實(shí)際應(yīng)用，跨出了關(guān)鍵性的一步。

2?模型的在線驗(yàn)證
將兩種智能模型算法轉(zhuǎn)換成的 C 語言程序代碼經(jīng)過編譯后集成到 1580 熱軋粗軋過程計(jì)算機(jī)離線模擬機(jī)的預(yù)設(shè)定進(jìn)程中，然后應(yīng)用 2019 年 9 月份的數(shù)據(jù)進(jìn)行測(cè)試，即輸入因子是 9 月份的帶鋼實(shí)際數(shù)據(jù)，運(yùn)用智能模型預(yù)測(cè)精軋自然寬展，然后采用普瑞特 PT 公司相同的標(biāo)準(zhǔn)差計(jì)算公式分別計(jì)算寶鋼模型、PT 公司模型和 JMP智能模型的標(biāo)準(zhǔn)差，參見下圖 9：

由圖 9 可見，從實(shí)際預(yù)測(cè)結(jié)果看，JMP 森林法擬合得到的模型，其預(yù)測(cè)結(jié)果已經(jīng)達(dá)到了寶鋼現(xiàn)有模型的預(yù)測(cè)結(jié)果！

五 項(xiàng)目小結(jié)及經(jīng)驗(yàn)

通過運(yùn)用JMP Pro統(tǒng)計(jì)分析軟件中的智能分析及建模方法，團(tuán)隊(duì)對(duì) 1580 熱軋精軋自然寬展的預(yù)測(cè)值、實(shí)際值以及相關(guān)參數(shù)進(jìn)行了訓(xùn)練、驗(yàn)證和擬合，得到了神經(jīng)網(wǎng)絡(luò)和Bootstrap 森林兩種智能控制模型，其理論預(yù)測(cè)精度和驗(yàn)證精度完全達(dá)到了德國普瑞特公司的神經(jīng)網(wǎng)絡(luò)模型精度。

同時(shí)，借助于 JMP Pro軟件的模型發(fā)布功能，團(tuán)隊(duì)獲得了其 C 語言的程序代碼，并在現(xiàn)場(chǎng)過程控制計(jì)算機(jī)的模擬機(jī)上進(jìn)行了預(yù)設(shè)定進(jìn)程實(shí)際測(cè)試，取得了非常好的效果，從而為下一步開展在線生產(chǎn)試驗(yàn)和驗(yàn)證奠定了充實(shí)的基礎(chǔ)。

除此以外，在分析和建模過程中，團(tuán)隊(duì)也總結(jié)了以下幾點(diǎn)經(jīng)驗(yàn)供大家參考：

• 訓(xùn)練數(shù)據(jù)的時(shí)間跨度不宜過長，以 3～4 個(gè)月為宜；
  

• 訓(xùn)練驗(yàn)證的數(shù)據(jù)量不宜過大，以 3～4 萬條記錄為宜；
  

• 如果配以自適應(yīng)學(xué)習(xí)功能，可以使預(yù)測(cè)精度更高。
  
  可以看到的是，隨著中國制造2025戰(zhàn)略的提出和推進(jìn)，制造業(yè)逐步從制造向“智造”轉(zhuǎn)型與升級(jí)，智慧制造賦能未來鋼廠勢(shì)在必行。寶鋼1580熱軋精軋自然寬展項(xiàng)目的嘗試與探索，為寶鋼其他產(chǎn)品線的智慧制造之路提供了很好的參考和依據(jù)，科學(xué)的分析工具必將成為制造業(yè)走向詩和遠(yuǎn)方不可或缺的強(qiáng)大引擎。