【技术实现步骤摘要】
一种针对缺陷检测的钢铁产品性能智能诊断方法
[0001]本专利技术涉及钢铁检测
,尤其涉及一种针对缺陷检测的钢铁产品性能智能诊断方法
。
技术介绍
[0002]钢铁生产是典型的流程工业,下游工序常常受上游工序品质的影响
。
以热轧产品为例,如果热轧带钢具有凸度缺陷可能使带钢在冷轧中产生边浪,进而可能导致连续退火过程中断带的严重事故
。
同时热轧产品也是桥梁
、
船舶
、
钢管等工业的重要原材料,为避免有缺陷的钢铁产品流入下游,实现对带钢凸度的预诊断,对避免造成后续生产事故具有重要意义
。
实现钢铁产品的智能诊断,不仅可以提升生产节奏
、
防止批量缺陷的出现,还能提升整个生产流程的控制水平
。
[0003]目前,随着人工智能技术的发展,智能方法在钢铁生产过程的预测控制
、
故障诊断中得到了应用
。
中国专利“CN114492614A
一种基于集成学习的带钢热轧过程故障分类方法及装置”对历史样本数据库中不同数据集中的数据分别进行数据预处理;训练深度置信网络
,
对预处理后的历史样本数据进行特征提取并进行类型标注
,
以构建新的样本数据集;利用新的样本数据集训练
AdaBoost
分类模型
,
利用训练后的分类模型对带钢热轧过程数据进行故障分类
,
并结合历史故障维修信息定位故障变
【技术保护点】
【技术特征摘要】
1.
一种针对缺陷检测的钢铁产品性能智能诊断方法,其特征在于,包括以下步骤:步骤1:构建热轧带钢凸度数据集,对热轧带钢凸度数据集进行标准化数据预处理,并对预处理后的数据进行随机划分,分为训练数据以及测试数据;步骤2:采用生成少数类过采样方法和重复编辑近邻样本方法对训练数据进行平衡采样;步骤3:构建基于代价补偿因子的代价敏感轻型梯度提升机
CC
‑
LightGBM
,即钢铁产品性能智能诊断模型;步骤4:对钢铁产品性能智能诊断模型进行训练;步骤5:将训练好的钢铁产品性能智能诊断模型用于钢铁产品智能诊断
。2.
根据权利要求1所述的针对缺陷检测的钢铁产品性能智能诊断方法,其特征在于,步骤1中所述预处理公式如下:式中
x
′
为标准化后数据,
x
i
为数据集中的原始数据,
x
min
为原始数据中的最小数据,
x
max
为原始数据中的最大数据
。3.
根据权利要求1所述的针对缺陷检测的钢铁产品性能智能诊断方法,其特征在于,所述步骤2具体包括以下步骤:步骤
2.1
:采用生成少数类过采样技术
SMOTE
生成缺陷产品样本,公式如下:
x
syn
=
x
mi
+random(0,1)*|x
′
mi
‑
x
mi
|
式中
x
syn
为生成的缺陷产品样本,
x
mi
为原始缺陷产品样本,
x
′
mi
为
x
mi
的最近邻样本;步骤
2.2
:采用重复编辑近邻样本方法
RENN
对生成的重叠样本进行清洗;其中清洗规则如下:如果某一个样本的5个最近邻样本中大于等于3个样本与该样本不属于同一类别,则该样本被清洗;重复此过程多次,直到没有样本被清洗
。4.
根据权利要求1所述的针对缺陷检测的钢铁产品性能智能诊断方法,其特征在于,所述步骤3具体包括以下步骤:步骤
3.1
:定义基于代价补偿因子的代价敏感损失函数,公式如下:式中
x
i
是训练集中的第
i
个实例,
y
i
是第
i
个实例的实际值,是第
i
个实例的预测值,
μ
是代价补偿因子,
N
为训练集中的实例数量;步骤
3.2
:计算代价敏感损失函数的一阶导数
g
i
和二阶导数
h
i
,公式如下:
g
i...
【专利技术属性】
技术研发人员:孙杰,丁成砚,李贺,王非凡,徐德巍,杨一铭,彭文,张殿华,
申请(专利权)人:东北大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。