Frontier Materials & TechnologiesFrontier Materials & TechnologiesFrontier Materials & Technologies2782-40392782-6074Togliatti State University87310.18323/2782-4039-2023-3-65-10ArticlesСтатьиConcerning the selection of areas with a dominant type of dependence when analyzing production control dataО выборе областей с доминирующим типом зависимости при анализе данных производственного контроляhttps://orcid.org/0009-0008-7671-0291TimoshenkoVictoria V.ТимошенкоВиктория Владимировна
Russian Federation

postgraduate student

аспирант

VVTimoshenko@edu.misis.ruhttps://orcid.org/0009-0003-4055-9298BudanovaEkaterina S.БудановаЕкатерина Сергеевна
Russian Federation

graduate student

магистрант

EPastukh@edu.misis.ruhttps://orcid.org/0009-0003-5380-5558KodirovDavronjon F.КодировДавронжон Фарходжон Угли
Russian Federation

postgraduate student

аспирант

DFKodirov@edu.misis.ruhttps://orcid.org/0000-0001-9381-9223SokolovskayaElina A.СоколовскаяЭлина Александровна
Russian Federation

PhD (Engineering), Associate Professor, assistant professor of Chair of Materials Science and Strength Physics

кандидат технических наук, доцент, доцент кафедры металловедения и физики прочности

Sokolovskaya@misis.ruhttps://orcid.org/0000-0002-0339-2391KudryaAleksandr V.КудряАлександр Викторович
Russian Federation

Doctor of Sciences (Engineering), Professor, professor of Chair of Materials Science and Strength Physics

доктор технических наук, профессор, профессор кафедры металловедения и физики прочности

AVKudrya@misis.ruUniversity of Science and Technology MISIS, MoscowУниверситет науки и технологий МИСИС, Москва29092023310311429092023https://vektornaukitech.ru/jour/article/view/873

The formation of representative databases determines the interest in forecasting and managing the quality of metal based on data mining using special software products often based on regression analysis and not always taking into account the statistical nature of an object of study itself. This can lead to misinterpretation of the results or incomplete extracted information reducing the efficiency of statistical processing. Based on the analysis of the production database of the technology for producing 13G1S-U sheet steel, the authors evaluated the possibilities of multiple linear regression for predicting the quality of a steel sheet. The study shows that the type of distribution of the values of control parameters, the distribution nature of which was estimated based on the determination of the skewness and kurtosis coefficients, limits the regression forecast depth. Due to the great deviation of the predicted models from the experimental values in the right tail area of the distribution of the impact strength values, in this work, the authors developed the methods for separating data arrays and proposed criteria to compare the obtained results. To assess the accuracy of the results obtained, arrays with a deliberately asymmetric distribution were selected from the initial sample, against which the statistical characteristics were also compared. Based on the proposed techniques, the authors identified the dominant chemical elements that contribute to the difference in the distribution of the values of acceptance properties existing within the same standard technology. The study shows that the proposed separation method can be used as a variation of cognitive graphics techniques to identify areas with a dependence dominant type based on the correlation of skewness and kurtosis coefficients.

Формирование представительных баз данных определяет интерес к прогнозированию и управлению качеством металла на основе раскопок данных с использованием специальных программных продуктов, зачастую основанных на регрессионном анализе и не всегда учитывающих статистическую природу самого объекта исследования. Это может привести к ошибочной трактовке результатов или к неполноте извлекаемой информации, снижая эффективность статистической обработки. На основе анализа производственной базы данных технологии получения листовой стали 13Г1С-У были оценены возможности множественной линейной регрессии для прогноза качества листа. Показано, что глубина прогноза регрессии ограничена видом распределения значений управляющих параметров, характер распределения которых оценивали на основе определения коэффициентов асимметрии и эксцесса. В связи с сильным отклонением прогнозируемых моделей от экспериментальных значений в области правого хвоста распределений значений ударной вязкости, в данной работе были развиты методы разделения массивов данных и предложены критерии сравнения получаемых результатов. Для оценки корректности получаемых результатов из исходной выборки были выделены массивы с заведомо ассиметричным распределением, относительно которых также проведено сравнение статистических характеристик. На основе предлагаемых методов выявлены доминирующие химические элементы, которые вносят вклад в различие распределения значений приемо-сдаточных свойств, существующих в рамках одной и той же штатной технологии. Показано, что предложенный метод разделения может быть использован как вариация приемов когнитивной графики для выделения областей с доминирующим типом зависимости на основе соотношения коэффициентов асимметрии и эксцесса.

analysis of production control datametal product quality controlquality forecast in metallurgycognitive graphics techniquesproduction data mining13G1S-U steelанализ данных производственного контроляуправление качеством металлопродукциипрогноз качества в металлургииприемы когнитивной графикираскопки производственных данныхсталь 13Г1С-УVyboyshchik M.A., Ioffe A.V. Scientific basis of development and the methodology of creation of steels for the production of oilfield casing and tubular goods with the increased strength and corrosion resistance. Vektor nauki Tolyattinskogo gosudarstvennogo universiteta, 2019, no. 1, pp. 13–20. DOI: 10.18323/2073-5073-2019-1-13-20.Выбойщик М.А., Иоффе А.В. Научные основы разработки и методология создания сталей для производства нефтепромысловых труб повышенной прочности и коррозионной стойкости // Вектор науки Тольяттинского государственного университета. 2019. № 1. С. 13–20. DOI: 10.18323/2073-5073-2019-1-13-20.Vlasov S.A., Genkin A.L., Nikulina I.V., Koynov T.A., Shatalov R.L., Kravtsov S.V. Computer-integrated control of metallurgical complexes using forecasting simulation. IFAC Proceedings Volumes, 2009, vol. 42, no. 4, pp. 1832–1837. DOI: 10.3182/20090603-3-ru-2001.0321.Vlasov S.A., Genkin A.L., Nikulina I.V., Koynov T.A., Shatalov R.L., Kravtsov S.V. Computer-integrated control of metallurgical complexes using forecasting simulation // IFAC Proceedings Volumes. 2009. Vol. 42. № 4. P. 1832–1837. DOI: 10.3182/20090603-3-ru-2001.0321.Kudrya A.V., Sokolovskaya E.A., Kodirov D.F., Bosov E.V., Timoshenko V.V. Possibilities of “data mining” of production control in metallurgy for prediction of strength, ductility and toughness of metal products. Deformatsiya i razrushenie materialov, 2023, no. S3, pp. 31–40. EDN: UBYQIQ.Кудря А.В., Соколовская Э.А., Кодиров Д.Ф., Босов Е.В., Тимошенко В.В. Возможности «раскопок данных» производственного контроля в металлургии для прогноза прочности, пластичности и вязкости металлопродукции // Деформация и разрушение материалов. 2023. № S3. С. 31–40. EDN: UBYQIQ.Chaykin A.V. Nauchnye osnovy innovatsionnykh tekhnologiy pechnoy i vnepechnoy obrabotki chugunov i staley dlya otlivok otvetstvennogo naznacheniya [Scientific foundations of innovative technologies for furnace and out-of-furnace processing of cast irons and steels for critical castings]. Sankt Petersburg, Naukoemkie tekhnologii Publ., 2022. 245 p.Чайкин А.В. Научные основы инновационных технологий печной и внепечной обработки чугунов и сталей для отливок ответственного назначения. СПб.: Наукоемкие технологии, 2022. 245 с.Wang G., Ledwoch A., Hasani R.M., Grosu R., Brintrup A. A generative neural network model for the quality prediction of work in progress products. Applied Soft Computing, 2019, vol. 85, article number 105683. DOI: 10.1016/j.asoc.2019.105683.Wang G., Ledwoch A., Hasani R.M., Grosu R., Brintrup A. A generative neural network model for the quality prediction of work in progress products // Applied Soft Computing. 2019. Vol. 85. Article number 105683. DOI: 10.1016/j.asoc.2019.105683.Kudrya A.V., Sokolovskaya E.A., Kodirov D.F., Bosov E.V., Kotishevskiy G.V. On necessity of taking into account statistical nature of the objects using Big Data in metallurgy. CIS Iron and Steel Review, 2022, no. 1, pp. 105–112. DOI: 10.17580/cisisr.2022.01.19.Kudrya A.V., Sokolovskaya E.A., Kodirov D.F., Bosov E.V., Kotishevskiy G.V. On necessity of taking into account statistical nature of the objects using Big Data in metallurgy // CIS Iron and Steel Review. 2022. № 1. P. 105–112. DOI: 10.17580/cisisr.2022.01.19.Kudrya A.V., Sokolovskaya E.A., Trachenko V.A., Korotneva K.V. Contribution of the technological heredity into appearance of viscosity nonhomogeneity in constructional steel. Vektor nauki Tolyattinskogo gosudarstvennogo universiteta, 2013, no. 3, pp. 202–204. EDN: SBOZDD.Кудря А.В., Соколовская Э.А., Траченко В.А., Коротнева К.В. Вклад технологической наследственности в появление неоднородности вязкости конструкционных сталей // Вектор науки Тольяттинского государственного университета. 2013. № 3. С. 202–204. EDN: SBOZDD.Zhukov P.I., Glushchenko A.I., Fomin A.V. Prediction model of temperature of cast billet based on its heating retrospection using boosting “random forest” structure. Vestnik Novosibirskogo gosudarstvennogo universiteta. Seriya: Informatsionnye tekhnologii, 2020, vol. 18, no. 4, pp. 11–27. DOI: 10.25205/1818-7900-2020-18-4-11-27.Жуков П.И., Глущенко А.И., Фомин А.В. Модель для прогнозирования температуры заготовки по ретроспекции ее нагрева на основе бустинга структуры // Вестник Новосибирского государственного университета. Серия: Информационные технологии. 2020. Т. 18. № 4. С. 11–27. DOI: 10.25205/1818-7900-2020-18-4-11-27.Kolobov A.V., Malyshev K.V., Varfolomeev I.A., Ivanov D.A., Bogachev D.V. Effectiveness increasing of rolling mill operation due to prediction of uninterruptedly-casted block defects. Proizvodstvo prokata, 2017, no. 9, pp. 39–42. EDN: ZFPZKT.Колобов А.В., Малышев К.В., Варфоломеев И.А., Иванов Д.А., Богачев Д.В. Повышение эффективности работы прокатного стана за счет прогнозирования дефектов непрерывнолитой заготовки // Производство проката. 2017. № 9. С. 39–42. EDN: ZFPZKT.Zenisek J., Gröning H., Wild N., Huskic A., Affenzeller M. Machine Learning based Data Stream Merging in Additive Manufacturing. Procedia Computer Science, 2022, vol. 200, pp. 1422–1431. DOI: 10.1016/j.procs.2022.01.343.Zenisek J., Gröning H., Wild N., Huskic A., Affenzeller M. Machine Learning based Data Stream Merging in Additive Manufacturing // Procedia Computer Science. 2022. Vol. 200. P. 1422–1431. DOI: 10.1016/j.procs.2022.01.343.Jain R., Lee U., Samal S., Park N. Machine-Learning-Guided Phase Identification and Hardness Prediction of Al-Co-Cr-Fe-Mn-Nb-Ni-V Containing High Entropy Alloys. Journal of Alloys and Compounds, 2023, vol. 956, article number 170193. DOI: 10.1016/j.jallcom.2023.170193.Jain R., Lee U., Samal S., Park N. Machine-Learning-Guided Phase Identification and Hardness Prediction of Al-Co-Cr-Fe-Mn-Nb-Ni-V Containing High Entropy Alloys // Journal of Alloys and Compounds. 2023. Vol. 956. Article number 170193. DOI: 10.1016/j.jallcom.2023.170193.Narula P., Kumar P.A., Vanaja J., Prasad Reddy G.V., Rao G.V.S. Machine learning assisted prediction of creep data of India specific reduced activation ferritic martensitic steel. Materials Today Communications, 2023, vol. 35, article number 106165. DOI: 10.1016/j.mtcomm.2023.106165.Narula P., Kumar P.A., Vanaja J., Prasad Reddy G.V., Rao G.V.S. Machine learning assisted prediction of creep data of India specific reduced activation ferritic martensitic steel // Materials Today Communications. 2023. Vol. 35. Article number 106165. DOI: 10.1016/j.mtcomm.2023.106165.Doroganov V.S., Pimonov A.G. Methods of statistical analysis and neural network technologies for prediction of metallurgical coke quality. Vestnik Kemerovskogo gosudarstvennogo universiteta, 2014, no. 4-3, pp. 123–129. EDN: TELNMP.Дороганов В.С., Пимонов А.Г. Методы статистического анализа и нейросетевые технологии для прогнозирования показателей качества металлургического кокса // Вестник Кемеровского государственного университета. 2014. № 4-3. C. 123–129. EDN: TELNMP.Saoudi A., Fellah M., Hezil N., Lerari D., Khamouli F., Atoui L., Bachari K., Morozova J., Obrosov A., Samad M.A. Prediction of mechanical properties of welded steel X70 pipeline using neural network modelling. International Journal of Pressure Vessels and Piping, 2020, vol. 186, article number 104153. DOI: 10.1016/j.ijpvp.2020.104153.Saoudi A., Fellah M., Hezil N., Lerari D., Khamouli F., Atoui L., Bachari K., Morozova J., Obrosov A., Samad M.A. Prediction of mechanical properties of welded steel X70 pipeline using neural network modelling // International Journal of Pressure Vessels and Piping. 2020. Vol. 186. Article number 104153. DOI: 10.1016/j.ijpvp.2020.104153.Li C., Yin C., Xu X. Hybrid optimization assisted deep convolutional neural network for hardening prediction in steel. Journal of King Saud University – Science, 2021, vol. 33, no. 6, article number 101453. DOI: 10.1016/j.jksus.2021.101453.Li C., Yin C., Xu X. Hybrid optimization assisted deep convolutional neural network for hardening prediction in steel // Journal of King Saud University – Science. 2021. Vol. 33. № 6. Article number 101453. DOI: 10.1016/j.jksus.2021.101453.Gao X., Qi K., Deng T., Qiu C., Zhou P., Du X. Application of Artificial Neural Network to Predicting Hardenability of Gear Steel. Journal of Iron and Steel Research International, 2006, vol. 13, no. 6, pp. 71–73. DOI: 10.1016/S1006-706X(06)60114-3.Gao X., Qi K., Deng T., Qiu C., Zhou P., Du X. Application of Artificial Neural Network to Predicting Hardenability of Gear Steel // Journal of Iron and Steel Research International. 2006. Vol. 13. № 6. P. 71–73. DOI: 10.1016/S1006-706X(06)60114-3.Jiang L., Wang A., Tian N., Zhang W., Fan Q. BP Neural Network of Continuous Casting Technological Parameters and Secondary Dendrite Arm Spacing of Spring Steel. Journal of Iron and Steel Research International, 2011, vol. 18, no. 8, pp. 25–29. DOI: 10.1016/S1006-706X(11)60099-X.Jiang L., Wang A., Tian N., Zhang W., Fan Q. BP Neural Network of Continuous Casting Technological Parameters and Secondary Dendrite Arm Spacing of Spring Steel // Journal of Iron and Steel Research International. 2011. Vol. 18. № 8. P. 25–29. DOI: 10.1016/S1006-706X(11)60099-X.De Oliveira Filho M.F., Caradec P.D.B., Calsaverini R., Spinelli J.E., Ishikawa T.T. Neural network for classification of MnS microinclusions in steels. Journal of Materials Research and Technology, 2023, vol. 24, pp. 8522–8532. DOI: 10.1016/j.jmrt.2023.05.101.De Oliveira Filho M.F., Caradec P.D.B., Calsaverini R., Spinelli J.E., Ishikawa T.T. Neural network for classification of MnS microinclusions in steels // Journal of Materials Research and Technology. 2023. Vol. 24. P. 8522–8532. DOI: 10.1016/j.jmrt.2023.05.101.Gola J., Britz D., Staudt T., Winter M., Schneider A.S., Ludovici M., Mücklich F. Advanced microstructure classification by data mining methods. Computational Materials Science, 2018, vol. 148, pp. 324–335. DOI: 10.1016/j.commatsci.2018.03.004.Gola J., Britz D., Staudt T., Winter M., Schneider A.S., Ludovici M., Mücklich F. Advanced microstructure classification by data mining methods // Computational Materials Science. 2018. Vol. 148. P. 324–335. DOI: 10.1016/j.commatsci.2018.03.004.Gmurman V.E. Teoriya veroyatnostey i matematicheskaya statistika [Probability Theory and Mathematical Statistics]. Moscow, YuRAYT Publ., 2009. 478 p.Гмурман В.Е. Теория вероятностей и математическая статистика. М.: ЮРАЙТ, 2009. 478 с.Kudrya A.V., Sokolovskaya E.A. Prediction of the Destruction of Materials with an Inhomogeneous Structures. Fizika metallov i metallovedenie, 2022, vol. 123, no. 12, pp. 1334–1346. EDN: DROJHB.Кудря А.В., Соколовская Э.А. Прогноз разрушения материалов с неоднородной структурой // Физика металлов и металловедение. 2022. Т. 123. № 12. С. 1334–1346. EDN: DROJHB.