一种基于监督神经网络的连铸坯皮下夹渣缺陷实时预报方法技术

本发明专利技术公开一种基于监督神经网络的连铸坯皮下夹渣缺陷实时预报方法，该方法首先使用T阈值下的K均值算法对样本进行预处理，随后使用堆叠缺陷相关的自编码器提取有效特征，作为分类模型的输入，对钢铁连铸过程中的夹渣情况进行预测估计。针对夹渣故障分类中的正负样本不平衡特点，本发明专利技术的方法在对占多数的正常样本集进行K‑means聚类时，引入阈值T的限制，使获得的各类大小趋于一致，提升样本的平衡度；针对训练样本中存在与缺陷不相关或相关性较小的信息，在数据预训练时采用了基于缺陷相关的堆叠自编码器特征提取方法，减少不相关的信息，以提高后续分类准确性。

【技术实现步骤摘要】
一种基于监督神经网络的连铸坯皮下夹渣缺陷实时预报方法
本专利技术属于连铸坯皮下夹渣缺陷预测领域，涉及样本不平衡问题的解决以及利用缺陷信息指导相关要素提取的方法，尤其涉及一种基于监督神经网络的连铸坯皮下夹渣缺陷实时预报方法。
技术介绍
在连续铸钢的过程中，由于钢坯表面温度极高，与空气接触很容易发生氧化，为了保护钢坯，连铸过程中往往会在钢坯表面覆上保护渣，待钢坯冷却后将保护渣扫落。然而会有部分保护渣嵌入钢体中，在嵌入部分出现夹渣现象，导致在后续利用钢坯(如拉丝或者展平)时发生断裂或者表面凹陷，大大降低钢制品的质量。因此，皮下夹渣检测是铸钢流水线上亟待解决的工程技术问题。过程监测方法可以分为三类：第一类是基于模型的方法，它是最为传统的一种，依赖于精确的过程机理模型；第二类是基于知识的方法，它需要过程行为的可用知识以及工厂操作员的经验，创建一个尽可能完整的知识库，但是需要经过漫长的积累；第三类是基于数据的方法，它不需要精确的模型和丰富的专家知识，监测结果往往更加直观。然而，目前的研究几乎没有针对连铸坯皮下夹渣这一工业问题提出合适的故障诊断模型，本文档来自技高网...

【技术保护点】
1.一种基于监督神经网络的连铸坯皮下夹渣缺陷实时预报方法，其特征在于，该方法包括如下步骤：/nS1：收集钢坯连铸过程数据的一部分作为训练数据集P(x，y)∈R

【技术特征摘要】
1.一种基于监督神经网络的连铸坯皮下夹渣缺陷实时预报方法，其特征在于，该方法包括如下步骤：
S1：收集钢坯连铸过程数据的一部分作为训练数据集P(x，y)∈Rn×m，其中包含输入数据x和与夹渣故障变量相关的二分类标签y，n表示样本个数，R表示实数集，输入数据维数为m-1，标签维数为1；所述的输入数据x包括发生故障的正样本和没有发生故障的负样本；
S2：对训练数据集P(x，y)进行预处理，具体如下：
S2.1：将步骤一获得的训练数据集P(x，y)归一化，即将其线性映射到(0，1)区间，得到新数据集
S2.2：鉴于中的样本不平衡性，首先采用T阈值下的K-means算法对负样本聚为K类，由此，训练集分为大小近似的K+1类，其中：
T＝abnormal
K＝math.ceil(normal/abnormal)
这里，abnormal、normal、math.ceil分别表示训练集的故障样本数、训练集的正常样本数，以及向上取整函数；
S2.3：将二分类标签y按照相应的类别映射为多分类标签其中[1，0，0，0，...，0]为第一类的标签，[0，1，0，0，...，0]为第二类的标签，[0，0，1，0，...，0]为第三类的标签，以此类推直到[0，0，0，0，...，1]为第K+1类的标签；第一类的标签为故障样本集的标签，第二类～第K+1类的标签为正常样本集的标签；至此，实现训练集预处理，预处理后的新训练集记为其中，表示归一化后的输入数据，为多分类标签，输入数据维数为m-1，标签维数为K+1；
S3：利用数据预处理后的新训练集建立分类模型，具体如下：
S3.1构建堆叠缺陷相关的自编码器，即SDAE，对新训练集进行有监督的预训练，以提取特征；
(1)分割为输入数据和标签数据将作为第一层DAE的输入，经过隐藏层的非线性变换，得到编码器输出其中，f为激活函数；
(2)使H经过两个随机初始化后的解码器分别得到输入数据和标签数据的重构和
(3)通过最小化重构误差完成第一层DAE的训练，得到第一层DAE的权重和偏置参数；
(4)以第一层训练得到的编码器输出H作为第二层DAE的输入，执行和第一步相同的操作，完成第二层DAE的训练，得到第二层DAE的权重和偏置参数；以此类推，直到完成末层DAE的训练；将得到的每层DAE的权重和偏置参数用于构建堆叠缺陷相关的自编码器，达到逐层减少不相关的信息并从原始数...

【专利技术属性】
技术研发人员：宋执环，陈雨薇，魏驰航，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33