《基于人工智能的钢板钢带质量缺陷追溯技术要求》.pdf

XX/TXXXXX—XXXX

基于人工智能的钢板钢带质量缺陷追溯技术要求

1范围

本文件规定了质量缺陷追溯系统架构、基本要求、质量诊断功能要求、质量缺陷溯源功能要求。

本文件适用于板、带材轧制产线设计单位、生产制造企业以及第三方服务商进行钢铁板带产品质量

缺陷追溯和工艺优化。

2规范性引用文件

本文件无规范性引用文件。

3术语和定义

下列术语和定义适用于本文件。

3.1

质量缺陷qualitydefects

产品的外形尺寸、内在性能或表面状态等不符合相关标准规范要求的统称。

3.2

缺陷分类defectclassification

产品的外形尺寸、内在性能或表面状态等偏离相关标准规范要求而进行的质量不合格产品缺陷类型

的划分。

3.3

缺陷追溯defecttraceability

将缺陷定位到相关的工艺区间或工艺参数。

3.4

质量诊断qualityDiagnosis

为确定产品是否符合其质量标准而进行的确认过程。

3.5

生产工艺库productionprocesslibrary

由钢板钢带产品生产过程工艺参数、工艺优化方法及流程和生产工艺模型等构成的库的统称。

3.6

质量缺陷库qualitydefectlibrary

由钢板钢带产品质量缺陷判定标准、质量缺陷类型及对应的追溯方式方法等构成的库的统称。

4缩略语

3

XX/TXXXXX—XXXX

下列缩略语适用于本文件。

DNN：深度神经网络（DeepNeuralNetwork）

RF：随机森林（RandomForest）

SVM：支持向量机（SupportVactorMachine）

XGBoost：极端梯度提升（ExtremeGradientBoosting）

RNN：循环神经网络（RecurrentNeuralNetwork）

LSTM：长短期记忆网络（LongShortTermMemory）

CNN：卷积神经网络（ConvolutionalNeuralNetworks）

GAN：生成对抗网络（GenerativeAdversarialNetwork）

ML：机器学习（MachineLearning）

DL：深度学习（DeepLearning）

MSE：均方误差（MeanSquareError）

MAE：平均绝对误差（MeanAbsoluteError）

2

R：决定系数（R-Square）

mAP：均值平均精度（MeanAveragePrecision）

LIME：模型无关的局部可解释模型（LocalInterpretableModel-agnosticExplanations）

SHAP：沙普利加性解释（ShapleyAdditiveExplanations）

5质量缺陷追溯系统架构

质量缺陷追溯系统架构主要用于完成钢板钢带质量缺陷的判定和追溯，包括数据支撑、质量诊断和

质量缺陷追溯三个部分。将采集的轧制过程数据经过数据预处理、数据转换、数据集成和数据同步等步

骤完成数据治理后，相应数据应满足真实性、准确性和一致性等数据质量要求，得到适用于质量缺陷追

溯系统的高质量数据，将治理好的数据应用于质量缺陷追溯系统进行钢板钢带质量缺陷的追溯工作。系

统通过将质量数据按照判定规则或人工经验标准进行质量判定，识别缺陷是否产生，并根据缺陷判定规

则，实现缺陷分类。

基于专家经验知识驱动、数据驱动和最优化方法驱动的质量缺陷追溯方式，首先通过直接选择方法、

过滤式方法或嵌入式方法等实现建模用工艺参数选择，采用机器学习和深度学习方