工业数学模型——钢坯力学性能预测（二）

1、工业场景

无论使用什么样的钢材，其机械性能都非常重要，主要性能通常是屈服强度和抗拉强度、延伸率和断面收缩率。力学性能可以通过试验室试验评估，使用钢材成品试样在类似的轧制条件下进行拉力试验。本文旨在利用数学模型构建了一种基于工业大数据为基础的钢坯力学性能预测模型。钢坯力学性能预测对于缩短产品研发周期，提高质量稳定性，提高生产效率，减排降耗等方面具有重要显示意义。

2、数学模型

钢坯力学性能主要受自身的化学成分以及生产过程控制参数的影响，即各种微量金属成分的含量、温度控制以及轧制厚度等工艺控制参数。由于各个钢种成分不一样，影响钢卷最终性能的工艺参数也不一样。常规来说主要影响其性能的为C、Si、Mn、S、P元素含量以及终轧温度、卷取温度等有关。我们将这些与产品性能相关的参数以及实际检测性能结果关联起来，建立性能预测模型，研究模型实时预测产品的性能部分替代传统取样方法的可行性。

本次研究主要采用随机森林算法。随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法。

随机森林随机的主要是2个方面，一个是随机选取特征，一个是随机样本。比如我们有N条数据，每条数据M个特征，随机森林会随机X条选取样本数据和Y个特征，然后组成多个决策树。

随机森林的生成方法：

1.从样本集中通过重采样的方式产生n个样本。

2.假设样本特征数目为a，对n个样本选择a中的k个特征，用建立决策树的方式获得最佳分割点。

3.重复m次，产生m棵决策树。

4.多数投票机制来进行预测。

通过对历史数据分析，选取了在炉时长、部分在炉取样点温度、粗轧出口温度、精轧入口温度、精轧出口温度、冷却水温度、卷取温度等42个特征值，进行钢坯伸展性、延伸率、弯曲折断3个性能值进行预测。

3、数据清洗

本次研究以钢坯型号SPHC为例，通过对采集数据进行异常值处理最终获取3325条数据用于本次研究。

4、模型构建

from sklearn.ensemble import  RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
import pandas as pd
import numpy as np



def open_excel():
    """
    打开数据集，进行数据处理
    :return:特征集数据、标签集数据
    """
    read_data = pd.read_csv(f'D:\\LIHAOWORK\\1.csv')
    labels = read_data.iloc[0:,[7, 9, 12]].to_numpy()
    labels = np.float64(labels)
    features = read_data.iloc[0:,[2, 3, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53]].to_numpy()
    features = np.float64(features)
    return features, labels


# 加载数据
X, y = open_excel()

# 处理nan值
#for idx, val in enumerate(X):
    #is_nan = np.isnan(val)
    #if(is_nan.any()) :
        #print(val)
        #print(idx)

# 样本分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)

# 建立模型
rf = RandomForestRegressor(n_estimators=10)

# 训练模型
rf.fit(X_train, y_train