一种板坯表面裂纹的预测方法及装置制造方法及图纸

本申请涉及冶金自动控制技术领域，公开了一种板坯表面裂纹的预测方法及装置，在该方法中，预先使用历史板坯的关键生成数据，通过随机森林算法构建裂纹预测模型，然后获取当前板坯在生产过程中的关键参数数据，将当前板坯的关键生产数据输入至预先构建的裂纹预测模型中，获取裂纹预测模型输出的裂纹预测概率。根据所述裂纹预测概率，生成所述当前板坯表面是否存在裂纹的预测结果。相对于使用物理手段，本申请实施例公开的方法通过预先构建的模型，利用板坯生产过程中的数据，便可对板坯表面的裂纹实现预测，无需另外安装特定的检测设备，也就无需实施检测设备的日常维护工作，有效节约生产成本。

【技术实现步骤摘要】
一种板坯表面裂纹的预测方法及装置
本申请涉及冶金自动控制
，尤其涉及一种板坯表面裂纹的预测方法及装置。
技术介绍
在连铸生产中，裂纹是板坯常见的表面缺陷。通常情况下，板坯表面形成裂纹的影响因素包括生产过程中的钢水成分、工艺元素以及设备等。轻微的裂纹经精整后对后续工序不会产生影响，严重的裂纹会导致板坯判废，甚至漏钢。连铸生产技术暂时不能彻底消除裂纹缺陷，因此为了保证连续化生产，需要在板坯流向下一工序之前，对表面存在裂纹的板坯进行准确预测，进而及时将之分拣下线。目前，在对板坯表面的裂纹进行预测时，通常采用物理手段实现，例如采用光学检测法或者电磁超声波检测法来实现。其中，光学检测法就是使用光源照向板坯，然后根据板坯反射回来的光线，对板坯表面是否存在裂纹进行判断。电磁超声波检测法与光学检测法原理类似，只不过使用的反射信号是声波。但是，利用上述物理手段对板坯表面的裂纹进行预测时，都需要配备相应的检测设备，例如光学检测法的光源发射器以及光线接收器等，电磁超声波检测法的超声波发射器以及超声波接收器等，实际应用中，这些设备不仅价格昂贵，而且日常维护工作也将增加生产成本。
技术实现思路
为了解决利用物理手段对板坯表面的裂纹进行预测，导致增加生产成本的问题，本申请通过以下实施例公开了一种板坯表面裂纹的预测方法及装置。本申请第一方面，公开了一种板坯表面裂纹的预测方法，包括：获取预先构建的裂纹预测模型，所述裂纹预测模型基于随机森林算法建立，并使用历史板坯的关键生产数据完成训练及测试，所述历史板坯的关键生产数据包括所述历史板坯在生产过程中的关键参数数据以及所述历史板坯的特征数据，其中，所述关键参数从所述历史板坯在生产过程中的多个特征参数中提取所得，所述特征参数为在生产过程中导致板坯表面形成裂纹的影响参数，所述特征数据用于表明所述历史板坯的表面是否存在裂纹；获取当前板坯的关键生产数据，所述当前板坯的关键生产数据包括所述当前板坯在生产过程中的关键参数数据；将所述当前板坯的关键生产数据输入至所述裂纹预测模型中，获取所述裂纹预测模型输出的裂纹预测概率；根据所述裂纹预测概率，生成所述当前板坯表面是否存在裂纹的预测结果，其中，若所述裂纹预测概率大于或等于预设阈值，则生成所述当前板坯表面存在裂纹的预测结果。可选的，所述关键参数包括重要特征参数以及工艺特征参数；其中，所述重要特征参数为在生产过程中导致板坯表面形成裂纹的重要影响因素，所述重要特征参数根据每个所述特征参数之间的线性关系，从多个特征参数中提取所得；所述工艺特征参数为根据冶金工艺规则，对多个所述特征参数进行线性组合所构造的参数。可选的，构建所述裂纹预测模型的步骤包括：采集所述历史板坯的生产数据，生成采样数据集，所述历史板坯的生产数据包括所述历史板坯在生产过程中的参数数据以及所述历史板坯的特征数据，所述参数数据包括所述历史板坯在生产过程中的多个特征参数的生产数据；使用分层抽样法，对所述采样数据集进行划分抽样，获取目标样本集，所述目标样本集为训练样本集或测试样本集；对所述目标样本集进行数据预处理，从所述目标样本集中所包含的多个特征参数中提取关键参数，并根据所提取的关键参数的生产数据，生成目标数据集，所述目标数据集为训练集或测试集，其中所述训练集为针对所述训练样本集进行数据预处理所生成的目标数据集，所述测试集为针对所述测试样本集进行数据预处理所生成的目标数据集；采用随机森林算法，建立预测模型；使用所述训练集对所述预测模型进行训练，使用所述测试集对训练完成的所述预测模型进行测试，构建所述裂纹预测模型。可选的，所述对所述目标样本集进行数据预处理，从所述目标样本集中所包含的多个特征参数中提取关键参数，并根据所提取的关键参数的生产数据，生成目标数据集，包括：对所述目标样本集进行统计分析；根据所述目标样本集的统计分析结果，对每个所述特征参数的生产数据进行异常处理，获取每个所述特征参数的规范数据，所述异常处理包括：判断所述特征参数的生产数据是否存在缺失值，若存在，则对所述缺失值进行数据插补；以及，判断所述特征参数的生产数据是否存在异常值，若存在，则对所述异常值进行数据修复；使用皮尔逊系数，计算每个所述特征参数与板坯表面裂纹之间的线性关系，并根据所述线性关系，提取所述重要特征参数；结合冶金工艺规则，对每个所述特征参数进行线性组合，构造所述工艺特征参数；获取所述重要特征参数的规范数据以及所述工艺特征参数的规范数据；根据所述重要特征参数的规范数据以及所述工艺特征参数的规范数据，生成所述目标数据集。可选的，所述使用所述训练集对所述预测模型进行训练，包括：根据交叉验证法，将所述训练集折分为训练子集和验证子集；使用所述训练子集和所述验证子集，对所述预测模型进行交叉训练。可选的，所述使用所述训练集对所述预测模型进行训练之前，所述方法还包括：从所述训练集中提取所述特征数据，所述特征数据包括正特征数据以及负特征数据，其中，所述正特征数据用于表示所述历史板坯的表面存在裂纹，所述负特征数据用于表示所述历史板坯的表面不存在裂纹；判断所述正特征数据与所述负特征数据的数量比例是否满足预设的比例；若判断结果为不满足，则按照所述预设的比例，从所述训练集中重新进行采样，获取用于训练所述预测模型的新的训练集。可选的，所述根据所述裂纹预测概率，生成所述当前板坯表面是否存在裂纹的预测结果之前，所述方法还包括：获取所述测试集对训练完成的预测模型进行测试时，所述训练完成的预测模型所输出的历史裂纹预测概率；对所述历史裂纹预测概率进行概率分布统计，获取概率分布统计结果；使用最大类间方差法，获取用于划分所述概率分布统计结果的最佳阈值；将所述最佳阈值设置为所述预设阈值。可选的，所述根据所述裂纹预测概率，生成所述当前板坯表面是否存在裂纹的预测结果，包括：判断所述裂纹预测概率是否大于或等于预设阈值，所述预设阈值为所述最佳阈值；其中，若判断结果为是，则生成所述当前板坯表面存在裂纹的预测结果；若判断结果为否，则生成所述当前板坯表面不存在裂纹的预测结果。本申请第二方面，公开了一种板坯表面裂纹的预测装置，所述预测装置应用于本申请第一方面所公开的一种板坯表面裂纹的预测方法，所述预测装置包括：模型获取模块，用于获取预先构建的裂纹预测模型，所述裂纹预测模型基于随机森林算法建立，并使用历史板坯的关键生产数据完成训练及测试，所述历史板坯的关键生产数据包括所述历史板坯在生产过程中的关键参数数据以及所述历史板坯的特征数据，其中，所述关键参数从所述历史板坯在生产过程中的多个特征参数中提取所得，所述特征参数为在生产过程中导致板坯表面形成裂纹的影响参数，所述特征数据用于表明所述历史板坯的表面是否存在裂纹；当前数据采集模块，用于获取当前板坯的关键生产数据，所述当前板坯的关键生产本文档来自技高网...

【技术保护点】
1.一种板坯表面裂纹的预测方法，其特征在于，包括：/n获取预先构建的裂纹预测模型，所述裂纹预测模型基于随机森林算法建立，并使用历史板坯的关键生产数据完成训练及测试，所述历史板坯的关键生产数据包括所述历史板坯在生产过程中的关键参数数据以及所述历史板坯的特征数据，其中，所述关键参数从所述历史板坯在生产过程中的多个特征参数中提取所得，所述特征参数为在生产过程中导致板坯表面形成裂纹的影响参数，所述特征数据用于表明所述历史板坯的表面是否存在裂纹；/n获取当前板坯的关键生产数据，所述当前板坯的关键生产数据包括所述当前板坯在生产过程中的关键参数数据；/n将所述当前板坯的关键生产数据输入至所述裂纹预测模型中，获取所述裂纹预测模型输出的裂纹预测概率；/n根据所述裂纹预测概率，生成所述当前板坯表面是否存在裂纹的预测结果，其中，若所述裂纹预测概率大于或等于预设阈值，则生成所述当前板坯表面存在裂纹的预测结果。/n

【技术特征摘要】
1.一种板坯表面裂纹的预测方法，其特征在于，包括：
获取预先构建的裂纹预测模型，所述裂纹预测模型基于随机森林算法建立，并使用历史板坯的关键生产数据完成训练及测试，所述历史板坯的关键生产数据包括所述历史板坯在生产过程中的关键参数数据以及所述历史板坯的特征数据，其中，所述关键参数从所述历史板坯在生产过程中的多个特征参数中提取所得，所述特征参数为在生产过程中导致板坯表面形成裂纹的影响参数，所述特征数据用于表明所述历史板坯的表面是否存在裂纹；
获取当前板坯的关键生产数据，所述当前板坯的关键生产数据包括所述当前板坯在生产过程中的关键参数数据；
将所述当前板坯的关键生产数据输入至所述裂纹预测模型中，获取所述裂纹预测模型输出的裂纹预测概率；
根据所述裂纹预测概率，生成所述当前板坯表面是否存在裂纹的预测结果，其中，若所述裂纹预测概率大于或等于预设阈值，则生成所述当前板坯表面存在裂纹的预测结果。


2.根据权利要求1所述的方法，其特征在于，所述关键参数包括重要特征参数以及工艺特征参数；
其中，所述重要特征参数为在生产过程中导致板坯表面形成裂纹的重要影响因素，所述重要特征参数根据每个所述特征参数之间的线性关系，从多个特征参数中提取所得；
所述工艺特征参数为根据冶金工艺规则，对多个所述特征参数进行线性组合所构造的参数。


3.根据权利要求2所述的方法，其特征在于，构建所述裂纹预测模型的步骤包括：
采集所述历史板坯的生产数据，生成采样数据集，所述历史板坯的生产数据包括所述历史板坯在生产过程中的参数数据以及所述历史板坯的特征数据，所述参数数据包括所述历史板坯在生产过程中的多个特征参数的生产数据；
使用分层抽样法，对所述采样数据集进行划分抽样，获取目标样本集，所述目标样本集为训练样本集或测试样本集；
对所述目标样本集进行数据预处理，从所述目标样本集中所包含的多个特征参数中提取关键参数，并根据所提取的关键参数的生产数据，生成目标数据集，所述目标数据集为训练集或测试集，其中所述训练集为针对所述训练样本集进行数据预处理所生成的目标数据集，所述测试集为针对所述测试样本集进行数据预处理所生成的目标数据集；
采用随机森林算法，建立预测模型；
使用所述训练集对所述预测模型进行训练，使用所述测试集对训练完成的所述预测模型进行测试，构建所述裂纹预测模型。


4.根据权利要求3所述的方法，其特征在于，所述对所述目标样本集进行数据预处理，从所述目标样本集中所包含的多个特征参数中提取关键参数，并根据所提取的关键参数的生产数据，生成目标数据集，包括：
对所述目标样本集进行统计分析；
根据所述目标样本集的统计分析结果，对每个所述特征参数的生产数据进行异常处理，获取每个所述特征参数的规范数据，所述异常处理包括：判断所述特征参数的生产数据是否存在缺失值，若存在，则对所述缺失值进行数据插补；以及，判断所述特征参数的生产数据是否存在异常值，若存在，则对所述异常值进行数据修复；
使用皮尔逊系数，计算每个所述特征参数与板坯表面裂纹之间的线性关系，并根据所述线性关系，提取所述重要特征参数；
结合冶金工艺规则，对每个所述特征参数进行线性组合，构造所述工艺特征参数；
获取所述重要特征参数的规范数据以及所述工艺特征参数的规范数据；
根据所述重要特征参数的规范数据以及所述工艺特征参数的规范数据，生成所述目标数据集。


5.根据权利要求3所述的方法，其特征在于，所述使用所述训练集对所述预测模型进行训练，包括：
根据交叉验证法，将所述训练集折分为训练子集和验证子集；
使用所述训练子集和所述验证子集，对所述预测模型进行交叉训练。


6.根据权利要求3所述的方法，其特征在于，所述使用所述训练...

【专利技术属性】
技术研发人员：李福存，王苏扬，姜跃文，谢伟建，刘小华，杨爱玲，祝菲菲，
申请(专利权)人：南京天芯云数据服务有限公司，
类型：发明
国别省市：江苏;32