一种基于极限学习机的连铸坯质量预测方法技术

本发明专利技术提供一种基于极限学习机的连铸坯质量预测方法，属于钢铁冶金技术领域。该方法首先采集连铸坯实际生产所涉及的数据，找到影响连铸坯质量的影响因素，然后对所选取的样本数据进行预处理并根据这些数据来确定极限学习机计输入节点个数、输出节点个数，之后，将训练数据集输入极限学习机中完成对极限学习机的训练，最后输入剩余的样本数据，完成对连铸坯质量的缺陷等级分类。该方法训练速度快、预测精度高、适应性较好，较基于统计学方法、专家系统、BP神经网络等连铸坯质量预测模型的预测精度和运算速度都有了明显的提升，进而可对连铸坯的质量进行及时和精确判定。

【技术实现步骤摘要】
一种基于极限学习机的连铸坯质量预测方法
本专利技术涉及钢铁冶金
，特别是指一种基于极限学习机的连铸坯质量预测方法。
技术介绍
近几十年以来，随着钢铁企业快速发展，连铸坯的热装热送、直接轧制技术使连续铸钢成为钢铁企业最活跃的研究领域，这一技术的发展不仅大幅度降低了钢铁的生产成本、设备的投入，而且提高了产品的竞争力。但是，目前的连铸技术还不能彻底消除缺陷的产生，致使在后续的热装热送、直接轧制过程必然会有缺陷的产生，从而影响钢材产品的质量。如果能对这些缺陷的连铸坯进行及时的判定和分拣下线，不仅可以提高连铸坯/产品的质量，而且有利于连铸-连轧过程的连续化生产。如何及时准确地预报和检测铸坯质量是钢铁企业可持续发展过程中亟待解决的重要问题。目前，连铸坯质量预测的方法主要包括统计学方法和和非统计学方法，统计学方法包括：线性回归、非线性回归等，非统计学方法包括：专家系统、BP神经网络等。连铸坯生产过程中钢水经过凝固、结晶、相变等一系列复杂的物理化学变化，所涉及的生产设备、参数众多，且各影响因素与连铸坯缺陷呈现着较强的非线性关系。基于统计学方法建立的连铸坯质量预测模型的适应性和泛化能力较弱，对于目前钢铁企业多钢种、小批量生产模式的连铸坯质量预测具有一定的局限性；而基于非统计学方法的连铸坯质量预测模型具有较强的适应性和泛化能力，由于影响连铸坯质量的影响众多，且各影响因素和连铸坯缺陷之间具有较强的非线性关系，人工神经网络较强的非线性逼近能力可以很好的解决这一问题，BP神经网络是目前应用最广泛的神经网络之一。同样，该方法也成功应用于钢铁领域的连铸坯质量预测。但是基于该方法建立的模型在训练过程需要消耗大量的时间、易陷入局部最优值以及训练过程需要设置大量的网络训练参数，且预测精度低，难以迅速、及时地对钢铁企业连铸坯质量进行准确的判定，不利于钢铁企业高品质钢的高效化生产。因此，开发一种适应性强，运算速率快且预测准确率高的连铸坯质量预测方法，对于提高炼钢-连铸过程连铸坯质量的“窄窗口”自动化控制水平具有重要意义。
技术实现思路
本专利技术要解决的技术问题是提供一种基于极限学习机的连铸坯质量预测方法。该方法包括步骤如下：(1)极限学习机输入变量的选取：根据连铸坯质量的影响因素和连铸坯缺陷，运用Pearson相关系数进行相关性分析，找到影响连铸坯质量的影响因素；(2)对连铸坯质量的影响因素数据进行采集，并对这些数据进行预处理，确定极限学习机计输入节点个数、输出节点个数，确定使用的样本数据，建立模型；(3)对极限学习机输入数据进行归一化处理，并选取采集的样本数据中的三分之二输入极限学习机中完成对极限学习机的训练；(4)对极限学习机输入剩余三分之一的样本数据，验证模型的准确性，通过综合考虑极限学习机的训练拟合度和判定缺陷等级准确率来设置合理的隐含层节点个数和隐含层激活函数，以保证网络结构的最优化，完成对连铸坯质量的缺陷等级分类。其中，步骤(2)中数据预处理方法是通过剔除和数据平滑技术对异常数据进行预处理。步骤(3)中数据的归一化处理选择范围为[0.1，0.9]，由于各变量数据之间的数量级差别很大，将影响极限学习机对连铸坯缺陷级别的分类准确率，选择数据归一化的范围为[0.1，0.9]，这样既可以避免由于数据数量级存在较大差别对基于极限学习机的连铸坯质量预测模型的预测准确率产生的影响，又可以保持各变量数据的原始信息。步骤(2)中整个模型的建立包括：模型训练、模型验证、模型的参数选择。步骤(3)中历史数据的选取为随机选取样本数据的三分之二。该方法利用工业控制计算机和过程数据库来实现对连铸坯质量的实时预报，其中，工业控制计算机用于实时判定、反馈连铸坯的质量；过程数据库与工业控制计算机相连接，用于实时采集、记录连铸坯生产过程数据，为工业控制计算机的运行提供数据支撑。本专利技术的上述技术方案的有益效果如下：上述方案中，可以避免基于统计学方法、专家系统、BP神经网络等连铸坯质量预测模型适应性差、训练时间长、易陷入局部最优值，该方法无需在训练过程中大量设置神经网络的参数和最优网络结构参数的寻找，明显提高了连铸坯质量判定模型的分类精度和运算速率。本专利技术方法通过极限学习机对连铸坯缺陷等级进行分类，在训练过程中不需要调整网络的输入权值以及隐藏层的偏置，只需设置网络的隐藏层节点个数，就能产生唯一的最优解，且该模型训练速度快、预测精度高、适应性较好，较基于统计学方法、专家系统、BP神经网络等连铸坯质量预测模型的预测精度和运算速度都有了明显的提升，进而可对连铸坯的质量进行及时和精确判定。附图说明图1为本专利技术的基于极限学习机的连铸坯质量预测方法的构成示意图；图2为本专利技术涉及的工业控制计算机各运行模块的计算流程图。具体实施方式为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。本专利技术提供一种基于极限学习机的连铸坯质量预测方法，如图1所示，为该方法的构成示意图。如图2所示，该方法具体步骤如下：(1)极限学习机输入变量的选取：根据连铸坯质量的影响因素和连铸坯缺陷，运用Pearson相关系数进行相关性分析，找到影响连铸坯质量的影响因素；(2)对连铸坯质量的影响因素数据进行采集，并对这些数据进行预处理，确定极限学习机计输入节点个数、输出节点个数，确定使用的样本数据，建立模型；(3)对极限学习机输入数据进行归一化处理，并选取采集的样本数据中的三分之二输入极限学习机中完成对极限学习机的训练；(4)对极限学习机输入剩余三分之一的样本数据，验证模型的准确性，完成对连铸坯质量的缺陷等级分类。在具体应用中，主要通过对国内某特钢厂180mm×180mm连铸方坯60Si2Mn弹簧钢典型的三种缺陷(中心疏松、中心偏析、缩孔)来验证模型的有效性。首先，对所采集的样本数据进行预测处理、相关性分析，确定本模型的所需数据；其次，将三分之二的数据样本用来建立基于极限学习机的连铸坯质量预测模型，再运用建立好的模型处理待分类的三分之一数据样本；最后，根据模型的输出判断识别结果与实际结果进行比较得出结论，并统计该模型运算所需的时间。训练过程无需设置大量的神经网络结构参数，只需要选择确定合适的隐含层节点个数便可以获得本模型的最优解，极大的提高了模型的运算速度和分类准确率。具体应用过程如下：(1)首先对国内某特钢厂生产180mm×180mm连铸坯60Si2Mn弹簧钢历史数据进行采集，并确定影响连铸坯质量的影响因素集。本专利技术以连铸坯的中心疏松、中心偏析、缩孔缺陷三种典型缺陷为例，通过对所采集的数据运用Pearson(皮尔逊)相关系数进行相关性分析和蔡开科教授的归纳总结，确定模型的输入变量个数。(2)对影响连铸坯质量的因素进行数据的预处理，对异常数据进行预处理，确定最终的样本数据集。(3)将以上得到的数据样本集合进行归一化处理，数据归一化范围为[0.1，0.9]，同时，对样本所对应的连铸坯缺陷等级进行分类标签的创建。(4)构建极限学习机，根据(3)所处理的数据，随机选取其中的三分之二数据来训练模型，剩余的三分之一数据来验证模型的有效性，通过综合考虑极限学习机的训练拟合度和判定缺陷等级准确率来设置合理的隐含层节点个数和隐含层激活函数。(5)中间包钢水浇注开始后，数据库系统实时采集本文档来自技高网...

【技术保护点】
1.一种基于极限学习机的连铸坯质量预测方法，其特征在于：具体步骤如下：(1)极限学习机输入变量的选取：根据连铸坯质量的影响因素和连铸坯缺陷，运用Pearson相关系数进行相关性分析，找到影响连铸坯质量的影响因素；(2)对连铸坯质量的影响因素数据进行采集，并对这些数据进行预处理，确定极限学习机计输入节点个数、输出节点个数，确定使用的样本数据，建立模型；(3)对极限学习机输入数据进行归一化处理，并选取采集的样本数据中的三分之二输入极限学习机中完成对极限学习机的训练；(4)对极限学习机输入剩余三分之一的样本数据，验证模型的准确性，完成对连铸坯质量的缺陷等级分类。

【技术特征摘要】
1.一种基于极限学习机的连铸坯质量预测方法，其特征在于：具体步骤如下：(1)极限学习机输入变量的选取：根据连铸坯质量的影响因素和连铸坯缺陷，运用Pearson相关系数进行相关性分析，找到影响连铸坯质量的影响因素；(2)对连铸坯质量的影响因素数据进行采集，并对这些数据进行预处理，确定极限学习机计输入节点个数、输出节点个数，确定使用的样本数据，建立模型；(3)对极限学习机输入数据进行归一化处理，并选取采集的样本数据中的三分之二输入极限学习机中完成对极限学习机的训练；(4)对极限学习机输入剩余三分之一的样本数据，验证模型的准确性，完成对连铸坯质量的缺陷等级分类。2.根据权利要求1所述的基于极限学习机的连铸坯质量预测方法，其特征...

【专利技术属性】
技术研发人员：刘青，陈恒志，杨建平，管敏，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京,11