[發明專利]一種基于核偏最小二乘結合支持向量機的板凸度預測方法

有效

• 申請號: 202010056162.2
• 申請日: 2020-01-18
• 公開（公告）號: CN111250548B
• 公開（公告）日: 2021-11-12
• 發明（設計）人: 姬亞鋒;王曉軍;宋樂寶;彭文;李華英;原浩;牛晶
• 申請（專利權）人: 太原科技大學
• 主分類號: B21B37/28
• 分類號: B21B37/28;B21B38/02
• 代理公司: 北京志霖恒遠知識產權代理事務所(普通合伙) 11435
• 代理人: 申紹中

1.一種基于核偏最小二乘結合支持向量機的板凸度預測方法，其特征在于：包括下列步驟：

S1、利用高精度監測裝置收集現場數據，所述現場數據包括：生產時間、卷鋼號、F1～F7機架的軋制力、F1～F7機架軋制速度、F1～F7機架彎輥力、F1～F7機架輥縫值、F1～F7機架的竄輥量、軋后寬度、軋后厚度、軋后凸度、入口及出口溫度；

S2、對采集的數據進行預處理；

S2.1、計算各生產數據的平均值和標準差

所述為生產數據的平均值，S_x為生產數據的標準差，n為生產數據的個數，x_i為第i個生產數據；

S2.2、對數據進行標準化變換，計算標準化變換后矩陣的相關系數矩陣

所述n為生產數據的個數，所述i、j分別為數據x所在的行數和列數，所述S_x為標準差，所述X₀為原始數據矩陣標準化后的標準化矩陣；

S2.3、對相關系數矩陣進行特征值分解，計算主成分分析的特征值λ、各成分方差貢獻率及累積方差貢獻率；

S2.4、確定主成分數h，選出貢獻率高的h個主成分使總累積貢獻率CPV大于90％，從而確定主成分數為h；

S2.5、計算原始數據和新數據的T²統計量，對于第i個數據點，T²統計量為：

所述l_i是第i個數據點x_i向主方向矩陣L，所述L＝[l₁,l₂,…,l_h]的投影值，所述是主成分t_j的方差，是主成分矩陣的協方差矩陣；

S2.6、計算顯著性水平在α＝0.05時T²統計量的控制限

所述n為生產數據的個數，所述h為主成分個數，所述α為顯著水平，所述F_α(h,n-1)為在顯著水平為α的情況下自由度為h和n-1的F分布的臨界值；

S2.7、繪制出T²控制圖，剔除異常點；

S3、建立KPLS回歸預測模型；

S3.1、對去除異常點的數據重新進行標準化處理；

S3.2、選擇核函數k，選擇高斯核函數：所述σ為大于0的常數；

S3.3、利用核函數計算出核矩陣K

所述X_φ為現場軋制過程數據標準化矩陣X在特征空間中的映射點構成的映射數據矩陣；

S3.4、對核矩陣進行中心化處理，將核函數K變為

所述j為所有元素均為1的n維列向量；

S3.5、提取主成分矩陣T,U

T＝[t₁,t₂,…,t_h]

U＝[u₁,u₂,…,u_h]

所述λ為核矩陣的特征值，所述t、u為所求主成分；

S3.6、建立KPLS回歸預測模型

Y_t＝KB

B＝U(T^TKU)^-1T^TY

所述Y為訓練集中數據點的因變量矩陣，所述K為根據訓練集中數據點的自變量計算出的核矩陣，所述Y_t為測試集數據點的因變量預測矩陣，所述B為核偏小二乘模型的系數矩陣，所述T、U為核偏小二乘算法分別從K和Y中提取的主成分矩陣；

S4、建立KPLS-SVM板凸度預測模型；

S4.1、計算出KPLS回歸預測模型的絕對預測誤差值Er

Er＝Y_t-Y；

S4.2、對絕對預測誤差值進行歸一化處理

所述x,y∈Rⁿ,x_min＝min(x),x_max＝max(x)；

S4.3、利用SVM對絕對預測誤差值與訓練集自變量進行訓練；

S4.4、采用粒子群優化算法選擇出最佳參數組合c與g；

S4.4.1、產生粒子和種群；

S4.4.2、計算粒子的適應度；

S4.4.3、更新種群中每個粒子的位置和速度，粒子根據以下公式來更新自己的速度和位置：

v_Id(t+1)＝K(v_Id(t)+c₁r₁(P_Id(t)-x_Id(t)+c₁r₂(P_Jd(t)-x_Id(t)))

x_Id(t+1)＝x_Id(t)+v_Id(t+1)

C＝c₁+c₂

所述I表示第I各粒子，所述d為速度和位置的第d維，所述t為迭代代數，所述ω為慣性權重系數，所述c₁和c₂為學習因子，所述c₁,c₂∈[0,4],r₁,r₂為介于[0,1]之間的隨機數，所述P_Id為粒子P_I在第d維個體極值坐標，所述P_Jd是粒子群在第J維的全局極值坐標；

S4.4.4、判斷是否滿足條件，選擇出最佳參數組合c與g；

S4.5、最終建立KPLS-SVM預測模型：

Y_c＝KB+R

所述R為利用SVM對KPLS回歸預測模型的絕對預測誤差值與訓練集自變量進行訓練得到的預測誤差矩陣；

S4.6、利用測試集數據進行測試，輸出板凸度預測結果。