[發(fā)明專利]一種基于監(jiān)督神經(jīng)網(wǎng)絡(luò)的連鑄坯皮下夾渣缺陷實(shí)時預(yù)報方法

在審

• 申請?zhí)枺?/td>: 202010943916.6
• 申請日: 2020-09-09
• 公開（公告）號: CN112101445A
• 公開（公告）日: 2020-12-18
• 發(fā)明（設(shè)計）人: 宋執(zhí)環(huán);陳雨薇;魏馳航
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 賈玉霞

本發(fā)明公開一種基于監(jiān)督神經(jīng)網(wǎng)絡(luò)的連鑄坯皮下夾渣缺陷實(shí)時預(yù)報方法，該方法首先使用T閾值下的K均值算法對樣本進(jìn)行預(yù)處理，隨后使用堆疊缺陷相關(guān)的自編碼器提取有效特征，作為分類模型的輸入，對鋼鐵連鑄過程中的夾渣情況進(jìn)行預(yù)測估計。針對夾渣故障分類中的正負(fù)樣本不平衡特點(diǎn)，本發(fā)明的方法在對占多數(shù)的正常樣本集進(jìn)行K?means聚類時，引入閾值T的限制，使獲得的各類大小趨于一致，提升樣本的平衡度；針對訓(xùn)練樣本中存在與缺陷不相關(guān)或相關(guān)性較小的信息，在數(shù)據(jù)預(yù)訓(xùn)練時采用了基于缺陷相關(guān)的堆疊自編碼器特征提取方法，減少不相關(guān)的信息，以提高后續(xù)分類準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明屬于連鑄坯皮下夾渣缺陷預(yù)測領(lǐng)域，涉及樣本不平衡問題的解決以及利用缺陷信息指導(dǎo)相關(guān)要素提取的方法，尤其涉及一種基于監(jiān)督神經(jīng)網(wǎng)絡(luò)的連鑄坯皮下夾渣缺陷實(shí)時預(yù)報方法。

背景技術(shù)

在連續(xù)鑄鋼的過程中，由于鋼坯表面溫度極高，與空氣接觸很容易發(fā)生氧化，為了保護(hù)鋼坯，連鑄過程中往往會在鋼坯表面覆上保護(hù)渣，待鋼坯冷卻后將保護(hù)渣掃落。然而會有部分保護(hù)渣嵌入鋼體中，在嵌入部分出現(xiàn)夾渣現(xiàn)象，導(dǎo)致在后續(xù)利用鋼坯(如拉絲或者展平)時發(fā)生斷裂或者表面凹陷，大大降低鋼制品的質(zhì)量。因此，皮下夾渣檢測是鑄鋼流水線上亟待解決的工程技術(shù)問題。

過程監(jiān)測方法可以分為三類：第一類是基于模型的方法，它是最為傳統(tǒng)的一種，依賴于精確的過程機(jī)理模型；第二類是基于知識的方法，它需要過程行為的可用知識以及工廠操作員的經(jīng)驗(yàn)，創(chuàng)建一個盡可能完整的知識庫，但是需要經(jīng)過漫長的積累；第三類是基于數(shù)據(jù)的方法，它不需要精確的模型和豐富的專家知識，監(jiān)測結(jié)果往往更加直觀。然而，目前的研究幾乎沒有針對連鑄坯皮下夾渣這一工業(yè)問題提出合適的故障診斷模型，通過過程機(jī)理模型減少夾渣的方法都需要較為穩(wěn)定的生產(chǎn)環(huán)境，在實(shí)際生產(chǎn)過程中這些要求很難達(dá)到，因此，通過構(gòu)建故障診斷預(yù)測模型來減少夾渣問題顯得十分必要。

考慮到夾渣樣本集存在正負(fù)樣本不平衡性，而多數(shù)分類器是基于“類”的大小近似這一假設(shè)工作的，在樣本不平衡的情況下，分類性能不佳，因此，首要是在數(shù)據(jù)預(yù)處理中添加消除不平衡問題的算法，它將直接影響到隨后分類器的設(shè)計。此前，有不少學(xué)者提出過欠采樣的分組算法，從與故障樣本占相同大小的正常樣本中隨機(jī)選擇一個子集，利用此子集和故障類進(jìn)行分類，最后將這些子分類器合并以生成最終分類結(jié)果。但是欠采樣的方法會失去正常樣本的部分信息，不能有效地解決故障樣本稀缺性問題。與之相對應(yīng)的，如基于SMOTE的過采樣方法，它通過隨機(jī)增加故障樣本來減小不平衡性帶來的弊端，然而只是在故障集的族類邊界內(nèi)添加樣本，這些添加的樣本無法跳出稀缺的“類”，可能導(dǎo)致過擬合現(xiàn)象。為了避免過采樣導(dǎo)致的過擬合與欠采樣帶來的信息缺失等負(fù)面影響，采用T閾值下的K均值算法將正常類劃分為與故障類大小近似的若干類，從而將二分類問題轉(zhuǎn)化為多分類問題。

考慮到訓(xùn)練樣本中存在與缺陷不相關(guān)或相關(guān)性較小的信息，可能導(dǎo)致神經(jīng)網(wǎng)絡(luò)冗余、性能降低和訓(xùn)練時間延長。當(dāng)前很多深度學(xué)習(xí)預(yù)訓(xùn)練網(wǎng)絡(luò)只針對樣本數(shù)據(jù)指導(dǎo)要素學(xué)習(xí)，而沒有利用訓(xùn)練集的標(biāo)簽信息。

發(fā)明內(nèi)容

針對鋼坯連鑄的工藝過程，并且為了克服常用模型在解決樣本不平衡問題上的不足，增強(qiáng)缺陷信息對要素提取的指導(dǎo)作用，本發(fā)明提出一種基于監(jiān)督神經(jīng)網(wǎng)絡(luò)的連鑄坯皮下夾渣缺陷實(shí)時預(yù)報方法，將有監(jiān)督的特征提取思想引入多分類模型，幫助模型準(zhǔn)確快速地進(jìn)行故障分類，實(shí)現(xiàn)了連鑄過程中的夾渣情況實(shí)時預(yù)測。

本發(fā)明的目的通過如下的技術(shù)方案來實(shí)現(xiàn)：

一種基于監(jiān)督神經(jīng)網(wǎng)絡(luò)的連鑄坯皮下夾渣缺陷實(shí)時預(yù)報方法，該方法包括如下步驟：

S1：收集鋼坯連鑄過程數(shù)據(jù)的一部分作為訓(xùn)練數(shù)據(jù)集P(x，y)∈R^n×m，其中包含輸入數(shù)據(jù)x和與夾渣故障變量相關(guān)的二分類標(biāo)簽y，n表示樣本個數(shù)，R表示實(shí)數(shù)集，輸入數(shù)據(jù)維數(shù)為m-1，標(biāo)簽維數(shù)為1；所述的輸入數(shù)據(jù)x包括發(fā)生故障的正樣本和沒有發(fā)生故障的負(fù)樣本；

S2：對訓(xùn)練數(shù)據(jù)集P(x，y)進(jìn)行預(yù)處理，具體如下：