[發明專利]一種基于特征向量和邏輯斯諦回歸模型的結晶器漏鋼預報方法

在審

• 申請號: 202110689727.5
• 申請日: 2021-06-22
• 公開（公告）號: CN113505785A
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 王旭東;王硯宇;段海洋;姚曼
• 申請（專利權）人: 大連理工大學
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/34;G06K9/62;B22D11/16
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 李曉亮;潘迅

1.一種基于特征向量和邏輯斯諦回歸模型的結晶器漏鋼預報方法，其特征在于，所述結晶器漏鋼預報方法通過對結晶器銅板溫度速率異常區域提取可視化特征向量，并利用邏輯斯諦回歸模型對特征向量進行分類，最終檢測和預報結晶器漏鋼，包括以下步驟：

第一步、結晶器銅板溫度速率異常區域特征提取

(1)在結晶器內、外弧寬面的銅板上，在左、右側窄面銅板上各布置多個熱電偶；在線檢測結晶器銅板熱電偶的溫度，并通過插值算法計算出非熱電偶測點位置的結晶器銅板溫度值；將銅板溫度映射到二維平面，得到對應的二維溫度熱像圖；

(2)通過幀間差分算法計算銅板測點和非測點處的溫度變化速率，得到銅板溫度對應的二維溫度速率熱像圖；

(3)統計歸納樣本庫中的溫度速率數據后，設置溫度速率閾值為T_z，利用閾值分割算法將正常溫度波動區域與異常溫度波動區域進行區分，從二維溫度速率熱像圖中剔除溫度速率小于T_z的正常溫度波動區域，并采用游程遞歸算法對溫度速率大于T_z的異常點進行連通性標記，獲取溫度速率異常區域；

(4)溫度速率異常區域中包含黏結漏鋼及正常工況區域，分別提取兩者的高度H、寬度W、面積S、橫向移動速率V_y、縱向移動速率V_x五種可視化特征；

第二步、異常區域特征向量構造與處理

(1)將第一步提取到的黏結漏鋼的區域特征與黏結漏鋼下的拉速V_c組合成特征向量X_B，同時將正常工況區域特征與正常工況下的拉速V_c’組合成特征向量X_N：

X_B＝[H_B,W_B,S_B,V_Bx,V_By,V_C]

X_N＝[H_N,W_N,S_N,V_Nx,V_Ny,V_C']

(2)獲取m例黏結漏鋼區域特征向量樣本X_B和n例正常工況特征向量樣本X_N，組建樣本集Q：

Q＝{(X_B1,1),(X_B2,1),...,(X_Bm,1),(X_N1,0),(X_N2,0),...,(X_Nn,0)}

式中，1和0分別代表黏結漏鋼區域樣本和正常工況樣本的類別標簽；

(3)對Q中特征向量樣本進行歸一化處理：

式中，X_imin、X_imax分別表示特征向量樣本X第i維特征的最小值和最大值，F_i表示特征向量X的第i維特征歸一化后對應的數值；歸一化后的樣本集記為P：

P＝{(F_B1,1),(F_B2,1),...,(F_Bm,1),(F_N1,0),(F_N2,0),...,(F_Nn,0)}

第三步、調整超參數并訓練邏輯斯諦回歸模型

(1)樣本集劃分；

將樣本集P按照K-折交叉驗證的原則進行K次劃分，每次取P中K-1個子集作為訓練集R，剩余一個子集作為驗證集E，劃分后共得到K組不同的訓練集R和驗證集E；

(2)網格搜索調整超參數；

基于原始的邏輯斯諦回歸模型，根據模型超參數的每種組合均進行K輪訓練和驗證，每輪在包含K-1個子集的訓練集R上訓練模型，在剩余一個子集的驗證集E上驗證模型，即計算模型分類準確率；取K輪模型的平均分類準確率作為該組超參數的驗證分數；

所述原始邏輯斯諦回歸模型形式如下：

式中，P(Y＝1|x)代表模型將特征向量樣本x預測為漏鋼的概率，w為權值向量，b為偏置項；

(3)構建最終模型；

比較邏輯斯諦回歸模型超參數的每種組合計算出的驗證分數，選取驗證分數最高的組合作為模型的最終超參數；

(4)基于最終構建的邏輯斯諦回歸模型，在樣本集P上訓練模型，得到模型參數w和b；第四步、基于邏輯斯諦回歸模型在線檢測及預報漏鋼

(1)實時提取結晶器銅板溫度速率異常區域的典型可視化特征，結合實時工況下的拉速將特征組合并進行歸一化處理后，構造得到異常區域特征向量F_fv；

(2)將異常區域特征向量F_fv輸入邏輯斯諦回歸模型中，得到模型的預測值y；

(3)根據邏輯斯諦回歸模型的預測值y預報結晶器漏鋼；若y＝1則為黏結漏鋼，發出警報并迅速降低鑄機拉速；若y＝0則為正常工況，繼續下一時刻的黏結漏鋼檢測與預報。

2.根據權利要求1所述的一種基于特征向量和邏輯斯諦回歸模型的結晶器漏鋼預報方法，其特征在于，所述的漏鋼預報的方法適用于板坯、方坯、圓坯、異型坯或其他連鑄坯的漏鋼預報。