基于多分类支持向量机的钢铁冷轧精整生产原料分配方法组成比例

本发明专利技术涉及钢铁企业冷轧精整生产过程的自动控制技术领域，提供一种基于多分类支持向量机的钢铁冷轧精整生产原料分配方法。首先采集精整生产样本集合；然后对精整生产样本集合依次进行特征一次选择、One‑Hot编码、基于随机森林模型的特征二次选择、数据标准化；接着，在任意两类样本间构建子学习机，H个子学习机构成基于多分类支持向量机的钢铁冷轧精整生产原料分配模型，并基于贝叶斯优化方法对模型参数进行优化，选择出准确率最高的超参数组合，得到训练后的原料分配模型；最后，采集待分配原料的信息数据，将数据清洗后的特征输入训练后的原料分配模型中，得到原料分配结果。本发明专利技术能够提高原料分配的精度和效率，减小工人的工作量。

Raw material allocation method of steel cold rolling finishing production based on multi classification support vector machine

【技术实现步骤摘要】
基于多分类支持向量机的钢铁冷轧精整生产原料分配方法
本专利技术涉及钢铁企业冷轧精整生产过程的自动控制
，特别是涉及一种基于多分类支持向量机的钢铁冷轧精整生产原料分配方法。
技术介绍
精整是钢铁企业冷轧生产的一道重要工序。在实际生产过程中，精整工序的原料来自连退工序，连退后的原料首先会被分配到精整工序的原料池中，然后各精整机组从相应的原料池中获得原料以进行精整生产。实际生产中采用人工经验的方法将原料分配到各个原料池中，这种方法严重依赖人工操作经验，且由于精整工序的原料众多，工人的工作量巨大。当前针对钢铁冷轧精整生产原料分配的非人工方法还非常缺乏。
技术实现思路
针对现有技术存在的问题，本专利技术提供一种基于多分类支持向量机的钢铁冷轧精整生产原料分配方法，能够提高原料分配的精度和效率，减小工人的工作量。本专利技术的技术方案为：一种基于多分类支持向量机的钢铁冷轧精整生产原料分配方法，其特征在于，包括下述步骤：步骤1：采集最近t时间段内钢铁冷轧的精整生产样本，得到含有M个精整生产样本的精整生产样本集合S＝{S1,S2,...,Sm,...,SM}；其中，Sm为第m个精整生产样本，m∈{1,2,...,M}，Sm＝{Sm1,Sm2,...,Smn,...,Sm,N,ym}，{Sm1,Sm2,...,Smn,...,SM,N}为样本Sm的原料信息数据，Smn为样本Sm的原料信息数据中的第n个特征，n∈{1,2,...,N}，N为精整生产样本中的特征总数，ym为样本Sm的原料分配结果，所述原料分配结果为原料池号，原料池号的类别总数为a；所述原料信息数据包括原料基本信息数据、加工信息数据、合同信息数据；所述原料基本信息数据包括材料号、材料种类、入口材料类型、入口材料厚度、入口材料宽度、入口材料长度、入口材料重量、入口材料内径、入口材料外径、出口材料厚度、出口材料宽度、出口材料长度、出口材料重量、出口材料内径、出口材料外径、入口厚度向上跳跃、入口厚度向下跳跃、入口宽度向上跳跃、入口宽度向下跳跃、出口厚度向上跳跃、出口厚度向下跳跃、出口宽度向上跳跃、出口宽度向下跳跃；所述加工信息数据包括封锁标记、全程工序途径码、制程号、当前工序顺序号、全程工序代码、后全程工序顺序号、后全程工序代码、返修标记、维修序号、返修工序代码、返修机组代码、材料组别、新试号、库区代码、材料库位号、材料状态码、材料预计生产时间、材料入库时间、持续时间、前工序、必做标记、涂油种类代码、涂油量代码、后处理方式代码、切边标记、冷轧精整加工类型、包装方式代码、分选度代码、下道工序指针、返修类型、成品工序标记、出钢记号、牌号；所述合同信息数据包括得分值、合同性质代码、订单号、合同交货期、紧急标记、拖期标记、工序计划日期、差欠重量、订货重量单件最小值、订货重量单件最大值、按周交货标志、出口标记、最终用户代码、订货重量；步骤2：对精整生产样本集合进行数据清洗：步骤2.1：对精整生产样本集合S进行特征一次选择，去除对原料分配影响小的特征，得到特征一次选择后的精整生产样本集合S1；其中，对原料分配影响小的特征包括原料基本信息数据中的材料号、材料种类、入口材料类型、入口厚度向上跳跃、入口厚度向下跳跃、入口宽度向上跳跃、入口宽度向下跳跃、出口厚度向上跳跃、出口厚度向下跳跃、出口宽度向上跳跃、出口宽度向下跳跃，加工信息数据中的封锁标记、新试号、材料入库时间、持续时间，合同信息数据中的合同交货期；步骤2.2：对特征一次选择后的精整生产样本集合S1中的非数值型特征进行One-Hot编码，得到One-Hot编码后的精整生产样本集合S2；步骤2.3：构建随机森林模型，基于随机森林模型对One-Hot编码后的精整生产样本集合S2中的特征进行特征二次选择，得到特征二次选择后的精整生产样本集合S3；所述随机森林模型中决策树总棵数为K、每棵决策树可以选择的最大特征个数为Nmax、基尼指数评分阈值为T；步骤2.4：对特征二次选择后的精整生产样本集合S3进行数据标准化，得到数据清洗后的精整生产样本集合为X＝{X1,X2,...,Xm,...,XM}；其中，Xm为数据清洗后的第m个精整生产样本，Xm＝{Xm1,Xm2,...,Xmj,...,XmJ,ym}，{Xm1,Xm2,...,Xmj,...,XmJ}为数据清洗后的样本Xm的原料信息数据，Xmj为数据清洗后的样本Xm的原料信息数据中的第j个特征，j＝{1,2,...,J}，J为特征二次选择后的特征总数；将相同原料池号的样本归为一类，从而将数据清洗后的精整生产样本集合X分为a类；步骤3：利用数据清洗后的精整生产样本集合X构建并训练基于多分类支持向量机的钢铁冷轧精整生产原料分配模型：步骤3.1：采用一对一分类法在任意两类样本之间构建一个子学习机，H个子学习机构成基于多分类支持向量机的钢铁冷轧精整生产原料分配模型；其中，子学习机采用最小二乘支持向量机LSSVM，H＝a(a-1)/2，每个子学习机的输入为数据清洗后的原料信息数据、输出为该子学习机对应的两个类别获取的投票数，H个子学习机的输出中获取投票数最大的类别为原料分配结果；步骤3.2：基于贝叶斯优化方法，对钢铁冷轧精整生产原料分配模型的模型参数进行优化；步骤3.2.1：确定需要优化的超参数为随机森林模型中的决策树总棵数K、每棵决策树可以选择的最大特征个数Nmax、基尼指数评分阈值T和子学习机中的误差惩罚参数C、核函数参数σ；步骤3.2.2：确定各超参数的优化范围；步骤3.2.3：初始化迭代次数G＝1，设置最大迭代次数为Gmax，从各超参数的优化范围中各随机选取一个值构成第G次迭代的超参数组合；步骤3.2.4：计算第G次迭代的超参数组合下钢铁冷轧精整生产原料分配模型对精整生产样本集合X分类的准确率；构建以超参数组合为输入、该超参数组合下的准确率为输出的目标函数，利用第{1,2,...,G}次迭代的超参数组合与准确率数据，使用高斯过程回归拟合目标函数，得到第G次迭代的目标函数的后验分布；步骤3.2.5：根据第G次迭代的目标函数的后验分布选择置信区间上界算法作为采集函数从优化范围中寻找第G+1次迭代的超参数组合；步骤3.2.6：若G＜Gmax，则令G＝G+1，返回步骤3.2.4；若G≥Gmax，则进入步骤3.2.7；步骤3.2.7：选择Gmax个超参数组合中准确率最高的超参数组合作为钢铁冷轧精整生产原料分配模型的模型参数，得到训练后的钢铁冷轧精整生产原料分配模型；步骤4：采集待分配原料的原料信息数据，采用步骤2中相同的数据清洗方法，对待分配原料的原料信息数据进行数据清洗，得到待分配原料的数据清洗后的J个特征构成输入向量，将输入向量输入训练后的钢铁冷轧精整生产原料分配模型中，得到待分配原料的原料分配结果。进一步地，所述步骤2.2包括下述步骤：步骤2.2.1：针对特征一次选择后的精整生产样本集合S1中的每个非数值型特征，统计该非数值本文档来自技高网...

【技术保护点】
1.一种基于多分类支持向量机的钢铁冷轧精整生产原料分配方法，其特征在于，包括下述步骤：/n步骤1：采集最近t时间段内钢铁冷轧的精整生产样本，得到含有M个精整生产样本的精整生产样本集合S＝{S

【技术特征摘要】
1.一种基于多分类支持向量机的钢铁冷轧精整生产原料分配方法，其特征在于，包括下述步骤：
步骤1：采集最近t时间段内钢铁冷轧的精整生产样本，得到含有M个精整生产样本的精整生产样本集合S＝{S1,S2,...,Sm,...,SM}；
其中，Sm为第m个精整生产样本，m∈{1,2,...,M}，Sm＝{Sm1,Sm2,...,Smn,...,Sm,N,ym}，{Sm1,Sm2,...,Smn,...,SM,N}为样本Sm的原料信息数据，Smn为样本Sm的原料信息数据中的第n个特征，n∈{1,2,...,N}，N为精整生产样本中的特征总数，ym为样本Sm的原料分配结果，所述原料分配结果为原料池号，原料池号的类别总数为a；
所述原料信息数据包括原料基本信息数据、加工信息数据、合同信息数据；所述原料基本信息数据包括材料号、材料种类、入口材料类型、入口材料厚度、入口材料宽度、入口材料长度、入口材料重量、入口材料内径、入口材料外径、出口材料厚度、出口材料宽度、出口材料长度、出口材料重量、出口材料内径、出口材料外径、入口厚度向上跳跃、入口厚度向下跳跃、入口宽度向上跳跃、入口宽度向下跳跃、出口厚度向上跳跃、出口厚度向下跳跃、出口宽度向上跳跃、出口宽度向下跳跃；所述加工信息数据包括封锁标记、全程工序途径码、制程号、当前工序顺序号、全程工序代码、后全程工序顺序号、后全程工序代码、返修标记、维修序号、返修工序代码、返修机组代码、材料组别、新试号、库区代码、材料库位号、材料状态码、材料预计生产时间、材料入库时间、持续时间、前工序、必做标记、涂油种类代码、涂油量代码、后处理方式代码、切边标记、冷轧精整加工类型、包装方式代码、分选度代码、下道工序指针、返修类型、成品工序标记、出钢记号、牌号；所述合同信息数据包括得分值、合同性质代码、订单号、合同交货期、紧急标记、拖期标记、工序计划日期、差欠重量、订货重量单件最小值、订货重量单件最大值、按周交货标志、出口标记、最终用户代码、订货重量；
步骤2：对精整生产样本集合进行数据清洗：
步骤2.1：对精整生产样本集合S进行特征一次选择，去除对原料分配影响小的特征，得到特征一次选择后的精整生产样本集合S1；
其中，对原料分配影响小的特征包括原料基本信息数据中的材料号、材料种类、入口材料类型、入口厚度向上跳跃、入口厚度向下跳跃、入口宽度向上跳跃、入口宽度向下跳跃、出口厚度向上跳跃、出口厚度向下跳跃、出口宽度向上跳跃、出口宽度向下跳跃，加工信息数据中的封锁标记、新试号、材料入库时间、持续时间，合同信息数据中的合同交货期；
步骤2.2：对特征一次选择后的精整生产样本集合S1中的非数值型特征进行One-Hot编码，得到One-Hot编码后的精整生产样本集合S2；
步骤2.3：构建随机森林模型，基于随机森林模型对One-Hot编码后的精整生产样本集合S2中的特征进行特征二次选择，得到特征二次选择后的精整生产样本集合S3；所述随机森林模型中决策树总棵数为K、每棵决策树可以选择的最大特征个数为Nmax、基尼指数评分阈值为T；
步骤2.4：对特征二次选择后的精整生产样本集合S3进行数据标准化，得到数据清洗后的精整生产样本集合为X＝{X1,X2,...,Xm,...,XM}；
其中，Xm为数据清洗后的第m个精整生产样本，Xm＝{Xm1,Xm2,...,Xmj,…,XmJ,ym}，{Xm1,Xm2,...,Xmj,...,XmJ}为数据清洗后的样本Xm的原料信息数据，Xmj为数据清洗后的样本Xm的原料信息数据中的第j个特征，j＝{1,2,...,J}，J为特征二次选择后的特征总数；将相同原料池号的样本归为一类，从而将数据清洗后的精整生产样本集合X分为a类；
步骤3：利用数据清洗后的精整生产样本集合X构建并训练基于多分类支持向量机的钢铁冷轧精整生产原料分配模型：
步骤3.1：采用一对一分类法在任意两类样本之间构建一个子学习机，H个子学习机构成基于多分类支持向量机的钢铁冷轧精整生产原料分配模型；
其中，子学习机采用最小二乘支持向量机LSSVM，H＝a(a-1)/2，每个子学习机的输入为数据清洗后的原料信息数据、输出为该子学习机对应的两个类别获取的投票数，H个子学习机的输出中获取投票数最大的类别为原料分配结果；
步骤3.2：基于贝叶斯优化方法，对钢铁冷轧精整生产原料分配模型的模型参数进行优化；
步骤3.2.1：确定需要优化的超参数为随机森林模型中的决策树总棵数K、每棵决策树可以选择的最大特征个数Nmax、基尼指数评分阈值T和子学习机中的误差惩罚参数C、核函数参数σ；
步骤3.2.2：确定各超参数的优化范围；
步骤3.2.3：初始化迭代次数G＝1，设置最大迭代次数为Gmax，从各超参数的优化范围中各随机选取一个值构成第G次迭代的超参数组合；
...

【专利技术属性】
技术研发人员：王显鹏，张云佳，董志明，唐立新，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21