[發(fā)明專利]一種基于Xgboost的軋機(jī)多目標(biāo)振動(dòng)預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011623091.6
• 申請(qǐng)日: 2020-12-30
• 公開(kāi)（公告）號(hào): CN112668500A
• 公開(kāi)（公告）日: 2021-04-16
• 發(fā)明（設(shè)計(jì)）人: 張陽(yáng);林然錳;胡一劍;馬興旺
• 申請(qǐng)（專利權(quán)）人: 太原科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 山西五維專利事務(wù)所(有限公司) 14105
• 代理人: 雷立康

本發(fā)明涉及一種基于Xgboost的軋機(jī)多目標(biāo)振動(dòng)預(yù)測(cè)方法。主要是解決現(xiàn)有的振動(dòng)預(yù)測(cè)方法存在的作用預(yù)測(cè)范圍窄和無(wú)法實(shí)現(xiàn)多目標(biāo)振動(dòng)預(yù)測(cè)的技術(shù)問(wèn)題。本發(fā)明的技術(shù)方案是：其包括如下步驟：步驟1：將從軋機(jī)現(xiàn)場(chǎng)實(shí)測(cè)到的工藝參數(shù)和振動(dòng)數(shù)據(jù)進(jìn)行拼接，組成完整的數(shù)據(jù)集；步驟2：對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行聚類、降維處理，選取數(shù)據(jù)特征；步驟3：將選取的數(shù)據(jù)特征進(jìn)行訓(xùn)練集、測(cè)試集劃分，70％為訓(xùn)練集，30％為測(cè)試集；步驟4：設(shè)置Xgboost模型及參數(shù)，設(shè)置精度要求；步驟5：將訓(xùn)練集數(shù)據(jù)導(dǎo)入Xgboost模型進(jìn)行訓(xùn)練，查看預(yù)測(cè)精度；步驟6：將測(cè)試集數(shù)據(jù)導(dǎo)入滿足精度要求的Xgboost模型，得出預(yù)測(cè)值，調(diào)用Xgboost模型Score接口查看預(yù)測(cè)準(zhǔn)確率，用matplotlib繪制預(yù)測(cè)結(jié)果圖像并與測(cè)試集真實(shí)值進(jìn)行對(duì)比。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于Xgboost的軋機(jī)多目標(biāo)振動(dòng)預(yù)測(cè)方法，它屬于軋機(jī)振動(dòng)預(yù)測(cè)技術(shù)領(lǐng)域。

背景技術(shù)

軋機(jī)振動(dòng)是反映軋機(jī)設(shè)備工作狀態(tài)的重要指標(biāo)，軋機(jī)振動(dòng)會(huì)影響生產(chǎn)效率并影響產(chǎn)品質(zhì)量，運(yùn)行時(shí)振動(dòng)不僅會(huì)造成軋輥、軋件表面出現(xiàn)振痕。還會(huì)造成板帶厚度波動(dòng)，限制軋制的速度，進(jìn)而導(dǎo)致生產(chǎn)效率下降，甚至出現(xiàn)斷鋼停產(chǎn)等安全事故。隨著軋機(jī)設(shè)備向自動(dòng)化、智能化方向快速發(fā)展，對(duì)設(shè)備振動(dòng)要求更加嚴(yán)格，對(duì)軋機(jī)振動(dòng)的預(yù)測(cè)就顯得尤為重要，現(xiàn)有的振動(dòng)預(yù)測(cè)方法都是單目標(biāo)預(yù)測(cè)，預(yù)測(cè)范圍窄，無(wú)法實(shí)現(xiàn)多目標(biāo)振動(dòng)預(yù)測(cè)。

發(fā)明內(nèi)容

本發(fā)明的目的是解決現(xiàn)有的振動(dòng)預(yù)測(cè)方法存在的作用預(yù)測(cè)范圍窄和無(wú)法實(shí)現(xiàn)多目標(biāo)振動(dòng)預(yù)測(cè)的技術(shù)問(wèn)題，提供一種基于Xgboost的軋機(jī)多目標(biāo)振動(dòng)預(yù)測(cè)方法。

為解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案是：

一種基于Xgboost的軋機(jī)多目標(biāo)振動(dòng)預(yù)測(cè)方法，其包括如下步驟：

步驟1：將從軋機(jī)現(xiàn)場(chǎng)實(shí)測(cè)到的工藝參數(shù)和振動(dòng)數(shù)據(jù)進(jìn)行拼接，組成完整的數(shù)據(jù)集；再將數(shù)據(jù)導(dǎo)入Jupyter中，查看數(shù)據(jù)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(shù)據(jù)標(biāo)準(zhǔn)化；

步驟2：對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行聚類、降維處理，選取數(shù)據(jù)特征；

步驟3：將選取的數(shù)據(jù)特征進(jìn)行訓(xùn)練集、測(cè)試集劃分，70％為訓(xùn)練集，30％為測(cè)試集；

步驟4：設(shè)置Xgboost模型及參數(shù)，設(shè)置精度要求；

步驟5：將訓(xùn)練集數(shù)據(jù)導(dǎo)入Xgboost模型進(jìn)行訓(xùn)練，查看預(yù)測(cè)精度；若預(yù)測(cè)精度達(dá)到設(shè)置精度要求，則進(jìn)行下一步驟，否則繪制學(xué)習(xí)曲線，重新確定Xgboost模型參數(shù)，重新訓(xùn)練Xgboost模型；

步驟6：將測(cè)試集數(shù)據(jù)導(dǎo)入滿足精度要求的Xgboost模型，得出預(yù)測(cè)值，調(diào)用Xgboost模型Score接口查看預(yù)測(cè)準(zhǔn)確率，用matplotlib繪制預(yù)測(cè)結(jié)果圖像并與測(cè)試集真實(shí)值進(jìn)行對(duì)比。

進(jìn)一步地，所述步驟1中的工藝參數(shù)采用PDA進(jìn)行記錄提取；所述振動(dòng)數(shù)據(jù)為在軋機(jī)設(shè)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(dòng)數(shù)據(jù)，使用東華動(dòng)態(tài)信號(hào)采集分析系統(tǒng)將軋機(jī)工藝參數(shù)、振動(dòng)數(shù)據(jù)導(dǎo)出為CSV文件。

進(jìn)一步地，所述步驟1中的數(shù)據(jù)標(biāo)準(zhǔn)化為采用如下公式對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，

式中：μ為均值，σ為標(biāo)準(zhǔn)差，x^*為標(biāo)準(zhǔn)化處理后數(shù)據(jù)，x為原始數(shù)據(jù)。

進(jìn)一步地，所述步驟1中的均值填充法為調(diào)用Sklearn中的impute.Simplelmputer模塊，模塊中的strategy參數(shù)代表填補(bǔ)缺失值策略，默認(rèn)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(shù)，直接將異常值刪除。