[發明專利]一種基于特征向量和Adaboost集成模型的結晶器漏鋼預報方法

有效

• 申請號: 202111140316.7
• 申請日: 2021-09-28
• 公開（公告）號: CN113814369B
• 公開（公告）日: 2022-11-18
• 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: B22D11/18
• 分類號: B22D11/18;G06V10/764;G06V10/774
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 李曉亮

1.一種基于特征向量和Adaboost集成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提取結晶器銅板溫度速率異常區域的可視化特征，并利用Adaboost集成模型對可視化特征組成的特征向量進行分類，從而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可視化及異常區域特征提取

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，利用閾值分割算法區分正常溫度波動區域與異常溫度波動區域，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，獲取銅板不同位置的溫度速率異常區域；所述的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p例黏結漏鋼區域特征向量樣本X_B和q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_Bp,1),(X_N1,-1),(X_N2,-1),...,(X_Nq,-1)}

式中，1和-1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_Bp,1),(F_N1,-1),(F_N2,-1),...,(F_Nq,-1)}

第三步、訓練Adaboost集成模型

(1)構建訓練樣本集；從樣本集P中隨機獲取黏結漏鋼區域樣本F_B和正常工況樣本F_N各t例組成訓練樣本集T；即T＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}，其中x_i∈χ,y_i∈Y＝{-1，+1}；χ代表樣本x_i所屬的實例空間，Y是標記集合，n＝2t即樣本個數；

(2)訓練Adaboost模型；

2.1)初始化訓練樣本的權值分布：

D₁＝(ω₁₁,...,ω_1i,...,ω_1n),式中，ω_1i為樣本集T中第i個樣本的權值；

2.2)對m＝1,2,3…M

2.2.1)使用權值分布為D_m的訓練數據集學習，得到基本分類器G_m(x):χ→{-1,+1}，即建立樣本實例空間到標記集合的映射關系；

2.2.2)計算G_m(x)在訓練樣本集上的分類誤差率：

式中I(·)為指示函數，當·為真和假時分別取值為1和0；

2.2.3)計算基本分類器G_m(x)的系數：

2.2.4)更新訓練樣本集的權值分布：

D_m+1＝(ω_m+1,1,...ω_m+1,i,...,ω_m+1,n)

這里，Z_m是規范化因子，

2.3)構建基本分類器G_m(x)的線性組合：得到最終分類器

第四步、基于Adaboost集成模型在線檢測及預報漏鋼

(1)在線檢測并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為特征向量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輸入分類器G(x)中，得到模型的預測值y；

(3)根據模型的預測值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＝-1則為正常工況，繼續下一時刻的黏結漏鋼檢測與預報。