Статистический контроль дефектов непрерывнолитой заготовки на основе методов машинного обучения и анализа данных

 
Код статьиS000523100001250-9-1
DOI10.31857/S000523100001250-9
Тип публикации Статья
Статус публикации Опубликовано
Авторы
Аффилиация: Череповецкий государственный университет
Адрес: Российская Федерация, Череповец
Аффилиация: Череповецкий государственный университет
Адрес: Российская Федерация, Череповец
Аффилиация: Череповецкий государственный университет
Адрес: Российская Федерация, Череповец
Название журналаАвтоматика и телемеханика
ВыпускВыпуск 8
Страницы101-110
Аннотация

Рассмотрены вопросы возникновения дефектов при производстве непрерывнолитых заготовок на установках непрерывной разливки стали. Предложена модель прогнозирования трещин слябов на основе алгоритма машинного обучения Random Forest. Определены основные технологические параметры, влияющие на возникновение трещин. Представлены результаты работы модели. 

Ключевые словаСтатистический контроль, дефект непрерывнолитой заготовки, непрерывная разливка стали, трещины на слябе, горячий всад, алгоритм Random Forest, влияющие параметры.
Получено30.09.2018
Дата публикации30.09.2018
Цитировать   Скачать pdf Для скачивания PDF необходимо авторизоваться
Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной.

всего просмотров: 392

Оценка читателей: голосов 0

1. Якушин Б. Теория свариваемостисталей и сплавов. М: МГТУ им. Н.Э. Баумана. 2014.

2. Колпаков С.В., Старов Р.В., Смоктий В.В. и др. Технология производства стали в современных конвертерных цехах. М.: Машиностроение, 1991.

3. Мищенко И.О. Управление уровнем дефектов поверхности и макроструктуры непрерывнолитых слябов МНЛЗ радиально-криволинейного типа. Дисс. канд. техн. наук. М.: 2006.

4. Назаренко Н.В., Чичкарев Е.А. Повышение качества непрерывнолитых заготовок из перитектических марок стали за счет выбора рациональных параметров разливки // Науч. тр. ДонНТУ. Металлургия. 2009. № 11. С. 124–130.

5. Чамберс Д., Уилер Д. Статистическое управление процессами. Оптимизация бизнеса с использованием контрольных карт Шухарта. М.: Альпина Паблишер, 2016.

6. Varfolomeev I.A., Ershov E.V., Bogachev D.V. Electro-Optical Monitoring of the Chromatic Error of the Polymeric Coating of a Galvanized Strip // Russ. J. Nondestruct. 2016. V. 52. No. 5. P. 287–293.

7. Witten I.H., Frank E. Data Mining: Practical Machine Learning Tools and Techniques. 2 ed. San-Francisco: Morgan Kaufmann, 2005.

8. Hosmer D.W. Applied Logistic Regression. 2 ed. N.Y.: Wiley, 2000.

9. Вьюгин В.В. Математические основы машинного обучения и прогнозирования. М.: МЦМНО, 2014.

10. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction Chapter 15. Random Forests. 2nd ed. Germany: Springer, 2009.

11. Картиев С.Б., Курейчик В.М. Алгоритм классификации, основанный на принципах случайного леса, для решения задачи прогнозирования // Программные продукты и системы. 2016. № 2. С. 11–15.

12. Чистяков С.П. Случайные леса: обзор // Тр. Карельского науч. центра РАН. Петрозаводск: 2013. № 2. С. 117–136.

13. Кабаков Р.И. R в действии. Анализ и визуализация данных на языке R. М.: ДМК Пресс, 2014. C. 33–36.

14. Ferna´ndez-Delgado M., Cernadas E., Barro S., Amorim D. Do We Need Hundreds of Classifiers to Solve Real World Classification Problems? // J. Machine Learning Res. 2014. No. 15. С. 3133–3181.

Система Orphus

Загрузка...
Вверх