[發明專利]一種基于Xgboost的軋機多目標振動預測方法

在審

• 申請號: 202011623091.6
• 申請日: 2020-12-30
• 公開（公告）號: CN112668500A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 張陽;林然錳;胡一劍;馬興旺
• 申請（專利權）人: 太原科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 山西五維專利事務所(有限公司) 14105
• 代理人: 雷立康

1.一種基于Xgboost的軋機多目標振動預測方法，其特征在于：包括如下步驟：

步驟1：將從軋機現場實測到的工藝參數和振動數據進行拼接，組成完整的數據集；再將數據導入Jupyter中，查看數據是否有缺失值和異常值；若有缺失值，采用均值填充法填充缺失值；若有異常值直接刪除；最后將數據標準化；

步驟2：對標準化后的數據進行聚類、降維處理，選取數據特征；

步驟3：將選取的數據特征進行訓練集、測試集劃分，70％為訓練集，30％為測試集；

步驟4：設置Xgboost模型及參數，設置精度要求；

步驟5：將訓練集數據導入Xgboost模型進行訓練，查看預測精度；若預測精度達到設置精度要求，則進行下一步驟，否則繪制學習曲線，重新確定Xgboost模型參數，重新訓練Xgboost模型；

步驟6：將測試集數據導入滿足精度要求的Xgboost模型，得出預測值，調用Xgboost模型Score接口查看預測準確率，用matplotlib繪制預測結果圖像并與測試集真實值進行對比。

2.根據權利要求1所述的一種基于Xgboost的軋機多目標振動預測方法，其特征在于：所述步驟1中的工藝參數采用PDA進行記錄提?。凰稣駝訑祿樵谲垯C設備工作輥、上支撐輥和下支承輥位置布置傳感器采集的工作輥、上支撐輥和下支承輥的振動數據，使用東華動態信號采集分析系統將軋機工藝參數、振動數據導出為CSV文件。

3.根據權利要求1所述的一種基于Xgboost的軋機多目標振動預測方法，其特征在于：所述步驟1中的數據標準化為采用如下公式對數據進行標準化處理，

式中：μ為均值，σ為標準差，x^*為標準化處理后數據，x為原始數據。

4.根據權利要求1所述的一種基于Xgboost的軋機多目標振動預測方法，其特征在于：所述步驟1中的均值填充法為調用Sklearn中的impute.Simplelmputer模塊，模塊中的strategy參數代表填補缺失值策略，默認為均值；所述步驟1中的異常值直接刪除為使用impute.Simplelmputer中的drop函數，直接將異常值刪除。

5.根據權利要求1所述的一種基于Xgboost的軋機多目標振動預測方法，其特征在于：所述步驟2中的對標準化后的數據進行聚類、降維處理為調用sklearn中的聚類、降維算法，對數據進行聚類、降維處理，最終選取6個軋機工藝參數即軋制力、軋制速度、入口厚度、出口厚度，前張力和后張力為輸入特征，選取3個軋機振動即工作輥、上支撐輥和下支撐輥振動為輸出特征。

6.根據權利要求1所述的一種基于Xgboost的軋機多目標振動預測方法，其特征在于：所述步驟3中的將特征提取后的數據進行訓練集、測試集劃分是指：調用sklearn中的model_selection模塊中的train_test_split函數，隨機將數據的70％劃分為訓練集，30％劃分測試集。

7.根據權利要求1所述的一種基于Xgboost的軋機多目標振動預測方法，其特征在于：所述步驟4中的參數為Xgboost模型默認參數即learning_rate＝0.1，n_estimators＝500，max_depth＝5，min_child_weight＝1，gamma＝0，subsample＝0.8，reg_alpha＝0，reg_lambda＝1；所述精度要求為90％以上。

8.根據權利要求1所述的一種基于Xgboost的軋機多目標振動預測方法，其特征在于：所述步驟5中的繪制學習曲線為在Jupyter中，繪制Xgboost模型主要參數學習曲線，學習曲線的最佳參數為learning_rate＝0.1，n_estimators＝4000，max_depth＝4，min_child_weight＝1，gamma＝0，subsample＝0.8，reg_alpha＝0，reg_lambda＝1。