(19)中华人民共和国国家知识产权局
(12)发明专利说明书
(10)申请公布号 CN 111105160 A
(43)申请公布日 2020.05.05
崔胜贤(21)申请号 CN201911325509.2
(22)申请日 2019.12.20
(71)申请人 北京工商大学;中国电子信息产业集团有限公司第六研究所
    地址 100048 北京市海淀区阜成路11号耕耘楼808
(72)发明人 梁博德 孙践知 姜洪朝
(74)专利代理机构 北京精金石知识产权代理有限公司
    代理人 王虎
(51)Int.CI
     
                                                                  权利要求说明书 说明书 幅图
(54)发明名称
      一种基于倾向性异质装袋算法的钢材质量预测方法
(57)摘要
      本发明提供一种基于倾向性异质装袋算法的钢材质量预测方法,属于钢材自动生产技术领域,包括如下步骤:S1:数据预处理;S2:特征提取;得到具有主成分特征的数据集;S3:对数据进行分类;部分作为训练样本集,部分作为测试样本集;S4:构建基于Bagging的集成学习模型;S5:利用训练样本集对步骤S3中构建的集成学习模型进行训练;利用测试样本集对步骤S4中构建的集成学习模型进行测试;S6:使用步骤S5得到的集成学习模型对钢材生产过程中的数据分类,得到分类结果,根据分类结果预测钢材质量。本发明提供的上述预测方法,对钢材生产中采集到的数据进行了特征分析和提取,并且通过对集成学习模型进行改进,提高了预测的准确率和预测稳定性。
法律状态
法律状态公告日
法律状态信息
法律状态
权 利 要 求 说 明 书
1.一种基于倾向性异质装袋算法的钢材质量预测方法,其特征在于,包括如下步骤:
S1:数据预处理;
对钢材生产过程中采集的数据进行预处理,预处理后得到包含n个初始特征的数据,每一个初始特征包含一个数据集;
S2:特征提取;
对初始特征进行提取,筛选出k个主成分特征,得到k个主成分特征的数据集;
S3:对数据进行分类;
将步骤S2所得每一个具有主成分特征的数据集中的数据进行标注,以某一时刻的包含k个主成分特征的数据作为一个样本进行标注,分别标注为质量合格样本和质量不合格样本;将标注后的样本进行分类,部分作为训练样本集,部分作为测试样本集;
S4:构建基于Bagging的集成学习模型;
S41:构建多个基础分类器;
S42:组合所述基础分类器;采用加权平均法,集成学习器的最终投票结果y和基础分类器的投票权重ω
i
以及投票结果a
i
的关系为:
y=∑ω
i
*a
i
                        (1)
S5:利用训练样本集对步骤S4中构建的集成学习模型进行训练;利用测试样本集对步骤S4中构建的集成学习模型进行测试;
S6:使用步骤S5得到的集成学习模型对钢材生产过程中的数据分类,得到分类结果,根据分类结果预测钢材质量;
其中,n和k均为大于0的正整数,且k≤n。
2.如权利要求1所述的一种基于倾向性异质装袋算法的钢材质量预测方法,其特征在于,
所述步骤S4中,组合所述基础分类器时:
获得每个基础分类器的分类准确率acc后,将其转换为与ε-Softmax函数相关的权重ω:
       
     
其中ε∈(0,1]。
3.如权利要求1所述的一种基于倾向性异质装袋算法的钢材质量预测方法,其特征在于,所述步骤S1中预处理包括:
将冗余和误差较大的数据剔除;
将无法用技术手段补齐的残缺数据剔除;
将数据无量纲化处理。
4.如权利要求1所述的一种基于倾向性异质装袋算法的钢材质量预测方法,其特征在于,所述步骤S1中数据包括:
具有S55类型表面缺陷钢材在炼钢、热轧、退火、酸洗四个生产阶段生产数据,以及钢卷在酸洗后的质检结果数据。
5.如权利要求1所述的一种基于倾向性异质装袋算法的钢材质量预测方法,其特征在于,步骤S2中特征提取步骤包括: