(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210976036.8 (22)申请日 2022.08.15 (71)申请人 一重集团大连工程 技术有限公司 地址 116000 辽宁省大连市经济技 术开发 区东北大街96号 申请人 中国第一重型机 械股份公司 (72)发明人 屈磊　黄志影　郑鹏　沈自尚　 关有良　 (74)专利代理 机构 北京隆源天恒知识产权代理 有限公司 1 1473 专利代理师 丁晴晴 (51)Int.Cl. G06F 30/20(2020.01) G06F 17/18(2006.01) G06F 16/25(2019.01)C22C 38/02(2006.01) C22C 38/04(2006.01) C22C 38/44(2006.01) C22C 38/46(2006.01) G06F 119/08(2020.01) (54)发明名称 轧辊差温热处 理性能预测方法 (57)摘要 本发明提供一种轧辊差温热处理性能预测 方法， 属于合金铸钢轧辊技术领域， 包括步骤如 下： 取相对应的第一组轧辊差温热处理数据和第 一组轧辊性能数据， 对第一组轧辊差温热处理数 据依次进行有效性分析和相关性 分析， 得到第一 组相关性数据， 并建立轧辊差温热处理管理数据 库和轧辊差温热处理性能预测模 型， 然后训练和 评估轧辊差温热处理性能预测模 型， 再将轧辊差 温热处理性能预测模型集成于轧辊差温热处理 智能化管 理系统， 用于指导轧辊差温热处理性能 预测； 与现有技术相比， 本发明创造性地提出一 种适用于轧辊差温热处理的性能预测方法， 以提 升轧辊差温热处 理性能预测的准确性。 权利要求书3页 说明书9页 附图2页 CN 115392007 A 2022.11.25 CN 115392007 A 1.一种轧辊差温热处 理性能预测方法， 其特 征在于， 包括以下步骤： 步骤S1， 取相对应的第一组轧辊差温热处理数据和第一组轧辊性能数据， 对所述第一 组轧辊差温热处 理数据进行有效性分析， 得到有效性数据； 步骤S2， 对所述有效性数据进行相关性分析， 得到第 一组相关性数据， 并建立轧辊差温 热处理管理数据库； 步骤S3， 基于所述第一组相关性数据和所述第 一组轧辊性能数据建立轧辊差温热处理 性能预测模型； 步骤S4， 取相对应的多组轧辊差温热处理数据和多组轧辊性能数据， 经过步骤S1至步 骤S2的处理后， 得到相对应的多组相关性数据和多组轧辊性能数据， 再导入所述轧辊差温 热处理性能预测模型， 训练和评估所述轧辊差温热处理性能预测模型， 直至所述轧辊差温 热处理性能预测模型中标定值以上的轧辊性能预测值满足预测精度， 然后 将所述轧辊差温 热处理性能预测模型集成于轧辊差温热处 理智能化管理系统； 步骤S5， 将新产生的第 二组轧辊差温热处理数据依次进行所述有效性分析和所述相关 性分析， 得到第二组相关性数据， 再导入所述轧辊差温热 处理智能化管理系统， 获得第二组 轧辊性能预测值。 2.根据权利要求1所述的轧辊差温热处理性 能预测方法， 其特征在于， 所述轧辊差温热 处理数据包括轧辊生产条件参数、 轧辊差温热处理工艺参数， 所述轧辊生产条件参数包括 材料名称、 辊身直径、 轧辊性能技术要求、 轧辊合金成分、 车间编号、 差温热处理炉编号、 喷 水淬火设备编号、 环境温度， 所述轧辊合金成分包括C、 Si、 Mn、 P、 S、 Cr、 Mo、 Ni、 V、 Nb成分数据 项， 所述差温热 处理工艺参数包括淬火加热高保温度和时间、 淬火加热低保温度和时间、 淬 火时间和回火温度， 所述轧辊性能数据为辊身硬度、 轧辊抗热裂性能、 轧辊耐磨耐冲击性 能、 辊身光洁度和轧辊切削加工性能中的一种。 3.根据权利要求2所述的轧辊差温热处理性 能预测方法， 其特征在于， 所述有效性分析 的过程包括： 基于热处理知识， 剔除与所述轧辊性能数据变化没有关系的所述轧辊差温热处理数 据。 4.根据权利要求3所述的轧辊差温热处理性 能预测方法， 其特征在于， 所述有效性分析 的过程包括： 剔除以下数据项： 材料名称， 辊身硬度技术要求， 轧辊合金成分中的Si、 Mn、 P、 S成分数 据项， 车间编号， 差温热处 理炉编号； 保留以下数据项： 辊身直径， 轧辊合金成分中的C、 Cr、 Mo、 Ni、 V、 Nb成分数据项， 喷水淬 火设备编号， 环境温度， 差温热处 理工艺参数。 5.根据权利要求1所述的轧辊差温热处理性 能预测方法， 其特征在于， 所述相关性分析 的过程包括： 将所述有效性数据进行归一化处理或标准化处理， 然后采用相关系数r衡量任一所述 有效性数据与任一所述轧辊性能数据间的相关性， 所述相关系数r如下： 其中， i表示数据项序号， xi为自变量， 表示序号为i的所述有效性数据， 表示序号为i权　利　要　求　书 1/3 页 2 CN 115392007 A 2的所述有效性数据均值， yi为因变量， 表示序号为i的所述轧辊性能数据， 表示序号为i的 所述轧辊性能数据均值； 剔除|r|< 0.5时的数据项， 保留|r|≥0.5时的数据项。 6.根据权利要求1所述的轧辊差温热处理性 能预测方法， 其特征在于， 步骤S3 中的所述 轧辊差温热处 理性能预测模型基于多元回归方法建立， 所述多元回归方法的回归方程 为： 其中， i表示数据项序号， xi为自变量， 表 示序号为i的所述第一组相关性数据， 表示序 号为i的回归系数 预测值， 为因变量的预测值， 表示第一组轧辊性能预测值。 7.根据权利要求6所述的轧辊差温热处理性 能预测方法， 其特征在于， 所述轧辊差温热 处理性能预测模型的建立过程包括： 步骤S31， 根据所述有效性数据和所述第一组轧辊性能数据确定自变量和因变量； 步骤S32， 用最小二乘法求 解所述回归方程中的回归系数 步骤S33， 通过计算样本决定系数R2检验所述回归方程的显著性， 其中样本决定系数R2 为： 其中， 表示序号为i的所述第一组轧辊性能预测值， 表示所述第一组轧辊性能数据均 值， yi为表示序号 为i的所述第一组轧辊性能数据； 步骤S34， 通过残差分析评估所述第一组轧辊性能预测值与所述第一组轧辊性能数据 均值之间的差距。 8.根据权利要求1所述的轧辊差温热处理性 能预测方法， 其特征在于， 步骤S4中训练和 评估所述轧辊差温热处 理性能预测模型的过程包括： 将相对应的所述多组相关性数据和所述多组轧辊性能数据导入所述轧辊差温热处理 性能预测模型， 多轮迭代所述轧辊差温热处 理性能预测模型， 获得 所述预测精度； 当所述轧辊性能预测值与相对应的所述轧辊性能数据的差值处于所述轧辊性能的预 测精度内， 将所述轧辊性能预测值纳入回归线拟合， 反 之剔除。 9.根据权利要求8所述的轧辊差温热处理性 能预测方法， 其特征在于， 所述轧辊性能数 据为辊身硬度， 所述轧辊性能的预测精度绝对值≤ 3HS。 10.根据权利要求1 ‑9任一所述的轧辊差温热处理性能预测方法， 其特征在于， 包括以 下步骤： 步骤S6， 基于所述第二组轧辊差温热处理数据获得第二组轧辊性能数据， 将所述第二 组轧辊性能数据和所述第二组相关性数据导入所述轧辊差温热处理管理数据库， 用于训 练、 评估和更新所述轧辊差温热处理性能预测模型， 形成自适应轧辊差温热处理性能预测 模型； 步骤S7， 将新产生的第N组轧辊差温热处理数据依次进行所述有效性分析和所述相关 性分析， 得到第N组相关性数据， 再导入步骤S6的所述自适应轧辊差温热处理性能预测模 型， 获得第N组轧辊性能预测值； 步骤S8， 基于所述第N组轧辊差温热处理数据获得第N组轧辊性能数据， 依次重复步骤权　利　要　求　书 2/3 页 3 CN 115392007 A 3