[發明專利]一種基于混合集成學習的連續退火帶鋼質量在線檢測方法

有效

• 申請號: 201710159565.8
• 申請日: 2017-03-17
• 公開（公告）號: CN106886799B
• 公開（公告）日: 2019-08-02
• 發明（設計）人: 徐子睿;黃燦明;王丹敬;王顯鵬
• 申請（專利權）人: 東北大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/12
• 代理公司: 沈陽優普達知識產權代理事務所(特殊普通合伙) 21234
• 代理人: 俞魯江

本發明公開一種基于混合集成學習的連續退火產品質量在線檢測方法，將AdaBoost中對誤差較大樣本的重復學習機制引入到Bagging框架中，進一步提升了在線檢測方法的精度；同時，Bagging框架中每個子學習機使用隨機抽樣方式構建其訓練樣本集合，使得各子學習機的訓練樣本集合具有差異性，能夠提高在線檢測方法的泛化能力。經過實際生產數據測試，本發明所提出的方法能夠實現對連續退火帶鋼產品質量的在線檢測，其效果要優于單獨使用Bagging或者AdaBoost集成學習建模方法，從而能夠幫助連續退火機組提高產品質量控制的水平。

技術領域

本發明屬于鋼鐵企業連續退火過程的自動控制技術領域，特別涉及一種帶鋼產品質量在線檢測方法。

背景技術

在鋼鐵企業中，由于連續退火機組的帶鋼是前后焊接在一起連續生產，帶鋼在退火之后的質量(通過硬度進行評價)還無法實現在線檢測，現場操作人員只能根據經驗判斷正在生產的帶鋼的質量，難以提高連續退火生產過程的質量控制水平。

針對連續退火生產過程帶鋼產品質量難以在線檢測的問題，論文“基于PLS的連續退火機組帶鋼質量預報及過程監測系統設計與實現[D]”(汪源,東北大學,2009)所提出的方法只考慮了較少的過程變量并且該方法主要是針對過程監測與故障診斷。專利“一種連續退火產品硬度在線集成學習預報方法”(唐立新，王顯鵬，申請號：CN201410843307.8)提出了一種基于AdaBoost的集成學習建模方法，但是AdaBoost方法的不足之處在于：(1)該方法在訓練每個子學習機時都使用全部的訓練樣本，導致訓練時間長；(2)當有新的樣本加入到訓練樣本集合中時，需要對所有的子學習機全部重新訓練。

發明內容

針對現有技術存在的不足，本發明提供一種基于混合集成學習的連續退火產品質量在線檢測方法。

本發明的技術方案是：

一種基于混合集成學習的連續退火產品質量在線檢測方法，包括如下步驟：

步驟1：構建訓練樣本集合：一個訓練樣本的輸出為一條帶鋼的產品質量，輸入為該帶鋼生產時的過程數據；從連續退火機組的歷史數據中采集正常生產工況下的n個樣本，建立訓練樣本集合；

步驟2：數據降維：對采集到的樣本數據集合進行歸一化，然后進行主元分析，得到降維后的訓練樣本集合L；

步驟3：子學習機生成：根據步驟2得到的訓練樣本集合L，使用基于Bagging和AdaBoost的混合集成學習方法訓練得到K個子學習機，方法為：

步驟3.1：設定子學習機索引i＝1，子學習機的最大數量K；

步驟3.2：針對第i個子學習機，如果i＝1，則直接從訓練樣本集合L按照均勻分布進行可放回隨機抽樣，共獲得pn個測試樣本，其中0<p<1，如果pn不是整數，則做下取整處理，作為第1個子學習機的訓練樣本集合；否則，首先選擇前一個子學習機中訓練誤差大于a％的樣本，其中a為一個人為設定值，然后再按照均勻分布進行可放回抽樣的方式從L中選取其它樣本(這些樣本與已經加入的誤差較大樣本不重復)，共構成pn個測試樣本，作為第i(i>1)個子學習機的訓練樣本集合S_i；

步驟3.3：調整訓練樣本的權重：如果i＝1，則所有樣本的權重相同，設為1/pn；否則，按照如下方式調整各訓練樣本的權重：

步驟3.3.1：將所加入的誤差較大的每個樣本j的權重設置為w_j＝100×e_j％，其中e_j％為這個樣本的絕對誤差；

步驟3.3.2：將隨機抽樣獲得樣本的權重設置為1；

步驟3.3.3：對所有樣本的權重進行歸一化，即每個樣本的權重為其中l從1到pn，w_l為訓練樣本集合L中相應樣本的權重；