热轧带钢因其广泛应用于汽车、造船等行业而成为重要的钢铁产品。然而，热轧带钢生产涉及复杂工艺、多维参数和多工序耦合，容易导致产品质量缺陷，传统的质量追溯方法难以应对动态复杂的生产环境。随着人工智能和工业知识图谱技术的发展，基于数据驱动的方法为质量缺陷追溯提供了新思路。
传统方法主要依靠统计学建模，但仅针对某一工序或工况进行分析，无法适应多工序和动态环境的质量追溯需求。同时，深度学习等机器学习方法尽管在质量预测中表现出色，但其黑盒特性限制了对质量缺陷原因的追溯。此外，工业知识图谱在生产质量控制中的应用较少，尚未形成系统的质量缺陷追溯框架。
最近，同济大学的凌卫青博士及其团队提出了一种基于知识图谱推理的热轧带钢产品质量缺陷追溯方法。他们利用随机森林模型进行质量预测，并通过SHAP方法解释预测结果，将数据挖掘结果与生产机理知识、专家经验相结合，构建热轧带钢的知识图谱。随后，团队将知识图谱映射到贝叶斯网络，进行推理分析，实现了对导致质量缺陷关键工艺参数的精准识别。实验验证表明，该方法能有效应对不同生产工况的动态变化，显著提升了质量缺陷追溯的准确性。
相关研究成果以“基于知识图谱推理的热轧带钢产品质量缺陷追溯”为题目发表于《计算机集成制造系统》2024年第30卷第3期。论文作者为：张佳琪，凌卫青*。
研究结果和结论：
知识图谱构建:构建了热轧带钢的质量分析知识图谱，涵盖工艺参数、质量参数及其关联关系；
模型解释:开发了基于SHAP的随机森林模型解释机制，识别出关键工艺参数；
推理性能:验证集结果显示，模型在MRR（平均倒数排名）上的得分为0.663，在Hits@3指标上的得分为0.763，表明该方法在预测质量缺陷原因方面具有较高准确性；
实用价值:方法有效识别了质量缺陷与工艺参数之间的关联，为工艺参数优化和生产决策提供了有力支持。
该论文中共有图片6张、表格11个，部分图片和表格如下：
图1. 整体架构
图2. 质量分析知识图谱结构示意图
图3. 带钢热连轧精轧段
图4. 特征贡献摘要图
图5 质量分析知识图谱
如果您需要论文原文，请在本页最下方留言“2413”。您想看哪方面的文献资料，也请给小编留言。
您可以点击下方“#轧钢”，然后“订阅”该合集，系统将更精准地向您推荐相关资讯。
欢迎投稿，欢迎“点赞、在看”！
