吴思炜
,
周晓光
,
曹光明
,
史乃安
,
刘振宇
,
王国栋
钢铁
doi:10.13228/j.boyuan.issn0449-749x.20150584
在应用C-Mn钢工业大数据进行神经网络建模时，如果将大量原始数据不加处理或者经过简单的剔除异常值处理后进行建模，很容易建立满足一定精度要求的模型。但是，如果进一步研究模型的规律性，却常常有违背客观规律的情况。这是由于原始数据中大量的数据相互干扰和生产数据的离散分布造成的。因此在建模过程中，需要将冗余和误差较大的数据剔除，保证训练数据和预测数据的均匀分布，这样能够在减小建模的计算量的同时保证数据具有显著的规律性，从而建立出合理的模型。文章利用Bayes神经网络建立了多种牌号C-Mn钢力学性能预测模型，并对影响屈服强度的工艺参数进行了分析。经统计，屈服强度和抗拉强度的预测数据中分别有96.64%和99.16%的数据预测值和实测值绝对误差在±30 MPa之内，伸长率的预测数据中有85.71%的数据预测值和实测值绝对误差在±4%内。
关键词:
大数据
,
建模
,
Bayes神经网络
,
C-Mn钢
,
屈服强度
吴思炜
,
刘振宇
,
周晓光
,
史乃安
钢铁研究学报
doi:10.13228/j.boyuan.issn1001-0963.20150380
神经网络数据样本的质量影响着模型的预测精度；选择有效的工艺参数进行建模可以提高模型的训练速度，节省训练时间。针对数据样本质量和输入工艺参数的选择问题进行了研究，采用了计算马氏距离的方法剔除异常点，改善数据样本的质量。基于采集到的热轧汽车大梁板的17个工艺参数的生产数据，采用贝叶斯神经网络建立力学性能预测模型。通过采用平均影响值筛选出对力学性能影响较大的工艺参数进行建模，以简化模型。结果显示：简化后的模型取得了较高的预测精度，对于抗拉强度和屈服强度，分别有96·64％和94·96％的数据预测值和实际值相对误差在±6％以内；对于伸长率，有96·64％的数据预测值和实际值的绝对误差在±4％以内。
关键词:
大数据
,
汽车大梁板
,
贝叶斯神经网络
,
马氏距离
,
平均影响值
