一种基于时序网络的连铸坯质量预测方法及系统技术方案

本发明专利技术涉及钢铁铸造中连铸坯质量预测领域，公开了一种基于时序网络的连铸坯质量预测方法及系统。本发明专利技术中，首先，服务器基于随机森林特征选择器选择对连铸坯质量有重要影响的关键特征，能够降低数据维度，提升模型学习能力，有助于改善连铸工艺。其次，服务器根据选择好的多变量特征数据，输入到设计的时序神经网络进行特征提取，包括感知关键点计算和特征表示提取，进行训练模型。最后，训练完成的模型根据连铸坯的生产过程数据进行实时质量预测。本发明专利技术解决了多变量生产数据的实时质量预测问题，能够及时发现有质量问题的连铸坯，防止质量缺陷的连铸坯流入热轧工艺生产线，提升智能化制造水平，降低不良产品带来的经济损失。降低不良产品带来的经济损失。降低不良产品带来的经济损失。

【技术实现步骤摘要】
一种基于时序网络的连铸坯质量预测方法及系统


[0001]本专利技术涉及一种基于时序网络的连铸坯质量预测方法以及采用该方法的系统，用于解决流水生产线上的连铸坯质量难以实时预报问题，属于钢铁铸造中连铸坯质量预测领域。

技术介绍

[0002]在整个钢铁生产工序中，连铸坯是热轧工序的原材料，其质量决定着后续的热轧和冷轧工序的产品质量，因而连铸坯的质量等级关系着成品钢材的优劣。经由连铸生产线配置的传感器网络采集得到的结晶器液面波动、铸造速度等实时工艺特征参数控制和影响着连铸坯成品的质量。利用连铸生产过程中的工艺数据预测连铸坯质量显得十分必要。
[0003]应用于连铸生产线质量预测的方法主要分为基于物理设备探测的方法和基于连铸坯生产过程建模的机器学习方法。基于物理设备探测的方法通常耗费较大的人力和物力，且干扰了连铸坯的流水化生产而难以大幅推广应用。基于时序神经网络的连铸坯质量预测方法能够发现质量缺陷的连铸坯与合格连铸坯的生产数据特征的差异，且不影响连铸坯的流水线作业。
[0004]连铸坯生产数据呈现出规模海量和高维度特性，数据标签缺失，且质量合格和缺陷类别的样本数据比例不平衡。这对于构建质量缺陷诊断预测模型并应用于连铸坯生产线显得十分困难。

技术实现思路

[0005]本专利技术要解决的技术问题是：现有连铸坯质量实时预测方法存在的精度偏低和多变量预测困难。
[0006]为了解决上述技术问题，本专利技术的一个技术方案是提供了一种基于时序网络的连铸坯质量预测方法，其特征在于，包括离线质量缺陷预测器训练和在线质量缺陷预测两个部分，其中，所述离线质量缺陷预测器训练包括以下步骤。
[0007]步骤S1：服务器收集连铸坯生产过程数据和对应的样本标签，对连铸坯生产过程数据进行预处理后，基于连铸坯生产过程数据筛选出M个重要特征变量，去除连铸坯生产过程数据中不属于重要特征变量的数据获得多变量数据X＝{x1,x2,
…
,x
m
,
…
,x
M
}，x
m
为多变量数据X中的第m个单变量数据，为筛选出的一个重要特征变量数据；
[0008]步骤S2：服务器提取多变量数据X中的感知关键点，并统计得到感知关键点数量P
s
；
[0009]步骤S3：服务器计算出多变量数据X中每条单变量对应的时序距离D，然后根据时序距离D计算出多变量数据X对应的时序距离D
M
；
[0010]步骤S4：服务器构建时序网络模型，根据处理后的多变量数据X训练时序网络模型；
[0011]所述在线质量缺陷预测包括以下步骤：
[0012]步骤S5：传感器采集连铸坯的生产过程实时数据，并将其上传到服务器；
[0013]步骤S6：服务器对收集到的生产过程实时数据进行预处理和标准化，从生产过程实时数据中筛选出与M个重要特征变量相对应的多变量数据X；
[0014]步骤S7：服务器计算得到多变量数据X的感知关键点数量P
s
和时序距离D
M
；
[0015]步骤S8：服务器将多变量数据X、感知关键点数量P
s
和时序距离D
M
输入训练好的时序网络模型中，获得该连铸坯的质量类别。
[0016]优选地，所述步骤S1具体包括以下子步骤：
[0017]步骤S1
‑
1：服务器收集连铸坯生产过程数据和对应的样本标签，去除重复数据，对缺失数据填零处理，将连铸坯生产过程数据进一步定义为样本时序数据；
[0018]步骤S1
‑
2：标准化样本时序数据X，根据公式将样本数据X缩放到标准区间[0.0,1.0]内，std(X)表示标准化函数；
[0019]步骤S1
‑
3：根据标准化后的样本时序数据，利用随机森林模型筛选出M个重要特征变量，得到重要特征集合F＝{f1,f2,
…
f
M
}，f
M
表示第M个重要特征；
[0020]步骤S1
‑
4：去除样本时序数据X中不在重要特征集合F中的特征变量数据，则将每条样本时序数据X重新定义为一个多变量数据，表示为X＝{x1,x2,
…
,x
m
,
…
,x
M
}，x
m
为多变量数据X中的第m个单变量数据，为筛选出的一个重要特征变量数据。
[0021]优选地，所述步骤2具体包括以下子步骤：
[0022]步骤S2
‑
1：计算多变量X中的感知关键点，将第i个感知关键点表示为P
i
，则将符合下式的波动点tp
i
记为感知关键点P
i
，得到关键点集合P＝{P1,P2,
…
,P
i
,
…
,P
n
}，n表示样本时序数据X中的感知关键点的总数：
[0023]tp
i
‑1≤tp
i
≤tp
i+1
或者tp
i
‑1≥tp
i
≤tp
i+1
[0024]s.t.|k
i
‑
k
i
‑1|≥δ
[0025]式中，k
i
表示两个不同观测点相连而成的直线的斜率，(x
i
,y
i
)分别是时序中的某个时间点和某个变量值；
[0026]步骤S2
‑
2：计算每条多变量X中的感知关键点数量P
s
＝|P|＝n。
[0027]优选地，所述步骤S3具体包括以下子步骤：
[0028]步骤S3
‑
1：计算每条单变量对应的时序与基准时序的动态时间距离D，计算得到的第m个单变量x
m
的时序为n以及基准时序的动态时间距离D为D
n
，n＝1,2,
…
,M；
[0029]设观测点i与观测点j的动态时间距离D为D(i,j)，则有：
[0030]D(i,j)＝M
ij
+min(D(i
‑
1,j),D(i
‑
1,j
‑
1),D(i,j
‑
1))
[0031][0032]式中，(g
i
,h
i
)表示两条时序起点组成的元组，(g
s
,h
s
)表示两条时序终点组成的元组，k表示观测时序的总步长；
[0033]步骤S3
‑
2，根据计算多变量X对应的时序距离D
M
，则有
[0034]优选地，所述步骤S4具体包括以下子步骤：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序网络的连铸坯质量预测方法，其特征在于，包括离线质量缺陷预测器训练和在线质量缺陷预测两个部分，其中，所述离线质量缺陷预测器训练包括以下步骤。步骤S1：服务器收集连铸坯生产过程数据和对应的样本标签，对连铸坯生产过程数据进行预处理后，基于连铸坯生产过程数据筛选出M个重要特征变量，去除连铸坯生产过程数据中不属于重要特征变量的数据获得多变量数据X＝{x1，x2，...，x
m
，...，x
M
}，x
m
为多变量数据X中的第m个单变量数据，为筛选出的一个重要特征变量数据；步骤S2：服务器提取多变量数据X中的感知关键点，并统计得到感知关键点数量P
s
；步骤S3：服务器计算出多变量数据X中每条单变量对应的时序距离D，然后根据时序距离D计算出多变量数据X对应的时序距离D
M
；步骤S4：服务器构建时序网络模型，根据处理后的多变量数据X训练时序网络模型；所述在线质量缺陷预测包括以下步骤：步骤S5：传感器采集连铸坯的生产过程实时数据，并将其上传到服务器；步骤S6：服务器对收集到的生产过程实时数据进行预处理和标准化，从生产过程实时数据中筛选出与M个重要特征变量相对应的多变量数据X；步骤S7：服务器计算得到多变量数据X的感知关键点数量P
s
和时序距离D
M
；步骤S8：服务器将多变量数据X、感知关键点数量P
s
和时序距离D
M
输入训练好的时序网络模型中，获得该连铸坯的质量类别。2.如权利要求1所述一种基于时序网络的连铸坯质量预测方法，其特征在于，所述步骤S1具体包括以下子步骤：步骤S1
‑
1：服务器收集连铸坯生产过程数据和对应的样本标签，去除重复数据，对缺失数据填零处理，将连铸坯生产过程数据进一步定义为样本时序数据；步骤S1
‑
2：标准化样本时序数据X，根据公式将样本数据X缩放到标准区间[0.0，1.0]内，std(X)表示标准化函数；步骤S1
‑
3：根据标准化后的样本时序数据，利用随机森林模型筛选出M个重要特征变量，得到重要特征集合F＝{f1，f2，...f
M
}，f
M
表示第M个重要特征；步骤S1
‑
4：去除样本时序数据X中不在重要特征集合F中的特征变量数据，则将每条样本时序数据X重新定义为一个多变量数据，表示为X＝{x1，x2，...，x
m
，...，x
M
}，x
m
为多变量数据X中的第m个单变量数据，为筛选出的一个重要特征变量数据。3.如权利要求1所述一种基于时序网络的连铸坯质量预测方法，其特征在于，所述步骤2具体包括以下子步骤：步骤S2
‑
1：计算多变量X中的感知关键点，将第i个感知关键点表示为P
i
，则将符合下式的波动点tp
i
记为感知关键点P
i
，得到关键点集合P＝{P1，P2，...，P
i
，...，P
n
}，n表示样本时序数据X中的感知关键点的总数：tp
i
‑1≤tp
i
≤tp
i+1
或者tp
i
‑1≥tp
i
≤tp
i+1
s.t.|k
i
‑
k
i
‑1|≥δ式中，k
i
表示两个不同观测点相连而成的直线的斜率，(x
i
，y
i
)分别是时序中的某个时间点和某个变量值；
步骤S2
‑
2：计算每条多变量X中的感知关键点数量P
s
＝|P|＝n。4.如权利要求1所述一种基于时序网络的连铸坯质量预测方法，其特征在于，所述步骤S3具体包括以下子步骤：步骤S3
‑
1：计算每条单变量对应的时序与基准时序的动态时间距离D，计算得到的第m个单变量x
m
的时序为n以及基准时序的动态时间距离D为D
n
，n＝1，2，...，M；设观测点i与观测点j的动态时间距离D为D(i，j)，则有：D(i，j)＝M
ij
+min(D(i
‑
1，j)，D(i
‑
1，j
‑
1)，D(i，j
‑
1))式中，(g
i
，h
i
)表示两条时序起点组成的元组，(g
s
，h
s
)表示两条时序终点组成的元组，k表示观测时序的总步长；步骤S3
‑
2，根据计算多变量X对应的时序距离D
M
，则有5.如权利要求1所述一种基于时序网络的连铸坯质量预测方法，其特征在于，所述步骤S4具体包括以下子步骤：步骤S4
‑
1：构建DTW动态卷积层，用于提取连铸坯生产过...

【专利技术属性】
技术研发人员：武星，
申请(专利权)人：上海大学，
类型：发明
国别省市：