一种针对缺陷检测的钢铁产品性能智能诊断方法技术

本发明专利技术提供一种针对缺陷检测的钢铁产品性能智能诊断方法，涉及钢铁检测技术领域，本发明专利技术首先对热轧带钢数据集进行标准化处理，然后生成少数类过采样技术和重复编辑近邻样本方法平衡训练数据，接着构建引入代价补偿因子的轻型梯度提升机，通过混沌哈里斯鹰优化方法确定最优代价补偿因子，最后用智能诊断模型对热轧带钢数据集进行诊断

【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量；中国专利“CN112598026A
基于不平衡数据深度学习的连退生产过程故障诊断方法”采用
SMOTE
过采样方法对跑偏故障数据进行处理，将以特征提取模型为基础构建的深度神经网络作为子学习机，使用
AdaBoost.M2
算法训练得到用于连退生产过程的带钢跑偏预测的集成学习故障诊断模型；中国专利“CN111126490A
一种基于深度随机森林的钢板板形异常识别方法”采集钢板厚度数据集和板形质量标签，对相对厚度数据集进行上采样或下采样，以表征钢板的相对厚度的特征向量为输入
、
钢板的板形质量标签为输出，构建基于深度随机森林的钢板板形异常识别模型；中国专利“CN113189963A
一种基于非平衡数据的轧制过程故障诊断方法”通过对非平衡的轧制生产数据进行划分数据集达到训练数据平衡化，基于经过特征选取和数据清洗过的数据集构建深度置信网络
(DBN)
模型，验证集通过主动学习策略增加微调过程，模型实现非平衡数据分类；中国专利“CN114004251A
基于二维灰度图与迁移学习的冷连轧断带故障诊断方法”基于冷轧机不同机架的断带特征时序信号构成二维灰度图断带故障数据集
。
划分迁移学习源域及目标域，构建生成对抗网络增强源域数据集
,
构建迁移学习源域故障诊断模型
。
借助迁移学习方法
,
将源域故障诊断模型迁移至目标域
,
调整网络结构及参数
,
得到目标域故障诊断模型
。
将目标域故障诊断模型应用于新采集的故障数据集上
,
实现目标域断带特征诊断
。
[0004]目前，上述研究中应用智能算法进行钢铁产品性能诊断取得一定成果，但还存在一定缺陷
。
由于实际钢铁产品中有缺陷产品数量远小于合格产品数量，因此钢铁产品性能诊断往往是非平衡数据
。
上述研究中，多是采用过采样方法来平衡钢铁产品的数据集，但过采样容易导致模型过拟合且计算量大，降低诊断速度
。
同时，上述研究忽略了实际钢铁生产
中缺陷钢铁产品的误分类代价要高于合格钢铁产品的误分类代价，使得复杂工况下的缺陷检测精度难以保证
。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供一种针对缺陷检测的钢铁产品性能智能诊断方法；本专利技术建立基于轻型梯度提升机
(LightGBM,Light Gradient Boosting Machine)
钢铁产品性能智能诊断模型，并提出一种结合代价补偿因子与混合采样方法的新策略来提升缺陷检测精度，同时采用混沌哈里斯鹰优化方法
(CHHO,Chaotic Harris Hawks Optimizer)
对代价补偿因子进行寻优，建立具有最优性能的钢铁产品性能智能诊断模型，实现钢铁产品缺陷的快速
、
精确诊断
。
[0006]一种针对缺陷检测的钢铁产品性能智能诊断方法，包括以下步骤：
[0007]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；
[0008]所述预处理公式如下：
[0009][0010]式中
x
′
i
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
。
[0011]步骤2：采用生成少数类过采样技术和重复编辑近邻样本方法对训练数据进行平衡采样；
[0012]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：
[0013]x
syn
＝
x
mi
+random(0,1)*|x
′
mi
‑
x
mi
|
[0014]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；
[0015]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；
[0016]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；
[0017]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
；
[0018]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：
[0019][0020]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...

【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：