【技术实现步骤摘要】
本专利技术涉及一种检测方法及系统，尤其涉及一种铸坯裂纹在线预测方法及系统。
技术介绍
1、目前的连铸技术尚不能彻底消除铸坯缺陷的产生，铸坯缺陷已成为制约热送热装和生产顺行的重要因素之一。因此，对缺陷铸坯进行及时在线预报和检测铸坯质量，是保证无缺陷铸坯生产技术的关键，其对辅助生产的连续性、提高产品质量及降低生产成本具有重要的意义。
2、然而，由于连铸是高温、快速且全封闭的生产，因此，单纯依靠冶金机理模型和生产经验，无法有效地预测铸坯缺陷的发生。因此现有技术中已有采用铸坯的特征量来预测铸坯缺陷的技术方案。
3、例如，公开号为cn112101445a，名称为“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”的中国专利文献，提供了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。然而该方法对于确定的二分类铸坯缺陷问题，无法通过特征提取的聚类方法来处理数据的不平衡问题。
4、基于此，期望提供一种铸坯缺陷在线预测方法，其可以有效解决传统的炼钢数据分类过程中缺陷发生的少数类失衡引起的预测结果较差问题。
技术实现思路
1、本专利技术的目的之一在于提供一种铸坯纵裂纹在线预测方法，其可以有效解决传统的炼钢数据分类过程中缺陷发生的少数类失衡引起的预测结果较差问题。
2、为了实现上述目的，本专利
3、100：采集历史铸坯特征量数据，所述历史铸坯特征量数据具有铸坯是否发生了纵裂纹的标签；
4、200：对所述历史铸坯特征量数据进行预处理和规范化处理；
5、300：对历史铸坯特征量数据中发生了纵裂纹的样本数据进行过采样，对历史铸坯特征量数据中未发生纵裂纹的样本数据进行欠采样；
6、400：将欠采样和过采样采集的样本数据输入构建的二分类模型中对其进行训练，获得二分类模型的参数；
7、重复上述步骤300和步骤400，直到达到设定的次数，其中每一次训练获得的参数均作为下一次训练的初始参数；
8、500：在实际检测时，将采集的实测铸坯特征量数据经过预处理和规范化处理后输入二分类模型中，其输出铸坯是否会发生纵裂纹的判断。
9、铸坯缺陷受多种因素，例如钢水质量、工艺操作参数、设备状况等，的影响，其中每种影响因素都包括海量数据。同时，在常规生产的铸坯中，绝大部分是正常坯，只有极少数是具有缺陷的铸坯。因此，本专利技术基于具有时间序列特征的二分类问题来解决铸坯缺陷预测问题。
10、在这个过程中，会面临数据集极不平衡的问题。所谓的数据集不平衡指的是数据集各个类别的样本量极不均衡。以二分类问题为例，假设正类的样本数量远大于负类的样本数量，通常把多数类样本的比例大于100:1情况下的数据称为不平衡数据。如果用不平衡数据集训练模型，其预测结果通常偏向于多数类的那一方，从而导致少数类的预测结果较差。
11、基于此，本专利技术采用过采样和欠采样结合的综合采样方法对进行训练的样本数据进行平衡处理，来解决数据分类过程中缺陷发生的少数类失衡引起的模型预测结果较差问题。
12、具体来说，对于经过预处理的历史铸坯特征量的总样本数据集(其包括未发生纵裂纹的样本数据n个，发生了纵裂纹的样本数据m个)，在其中随机抽取小数据集模型训练样本和测试样本。首先，对于选取训练集，例如可以从m个发生了纵裂纹的样本数据中随机抽取一定比例，例如70％，获得0.7*m个缺陷样本；同时从未发生纵裂纹的样本数据中也随机抽取训练集，数量可以为缺陷样本的9倍，获得9*0.7*m个非缺陷样本，组成具有10*0.7*m个样本的训练集。同时对测试集也进行取样：例如，将剩下的0.3*m个缺陷样本，以及从n-9*0.3*m个非缺陷样本中随机抽取的9*0.3*m个非缺陷样本，组成具有10*0.3*m个样本的测试集。
13、将上述具有10*0.7*m个样本的训练集和具有10*0.3*m个样本的测试集输入初始化的二分类模型，采用优化算法对模型进行训练学习，得到本次采样对应的二分类模型的连接权值和阈值。
14、然后，重复上述采样和训练步骤若干次，直到达到设定的最大采样次数(该次数至少使得样本数据内的数据都能被遍历一次)，其中每次训练结束得到模型参数，都要作为下一次采用和训练的模型的初始参数。
15、当达到最大采用次数(也即训练次数)时，输出根据预测性能指标(例如非缺陷板坯样本预测命中率和缺陷板坯样本预测命中率)筛选本批次最优的模型参数，例如在一些实施方式中，其为神经网络模型的权值和阈值。
16、照此，就能保证二分类模型学习到大部分样本的自身规律，不会因为样本不均衡造成模型的欠学习或过学习，从而提高预测模型的泛化能力。
17、在一些实施方式中，由于以上采样方法会把少数类的缺陷样本重复使用多次，一个点会在高维空间中反复出现，这可能会导致：运气好就能分对很多点，否则分错很多点。因此，为了解决这一问题，可以在每次生成新数据点时加入轻微的随机扰动，以避免出现这种情况。
18、在本专利技术的一些实施方式在，二分类模型的关键参数需要进行大量的学习仿真实验，这些关键参数可以包括：神经网络隐含层节点数、随机抽样次数、每次抽取的训练集正常样本数、隐含层传递函数、输出层传递函数和训练优化算法等。因此，可以改变这些参数值，再重复采样步骤300。最终根据模型预测性能指标确定合适的模型学习参数和最优模型结构。
19、进一步地，在本专利技术所述的铸坯纵裂纹在线预测方法中，所述历史铸坯特征量数据和实测铸坯特征量数据均含有时间信息和铸坯长度信息。
20、也就是说，在本专利技术中，各特征量数据是基于时间轴与连铸长度之间的动态映射，完成所有数据从炉次、时间、长度的匹配关系而获得的。
21、进一步地，在本专利技术所述的铸坯纵裂纹在线预测方法中，所述历史铸坯特征量数据和实测铸坯特征量数据均包括下述各项中的至少其中两个：铸坯拉速、结晶器液位、液位波动、锥度、结晶器振动频率、结晶器振动振幅、结晶器振动负滑脱时间、结晶器厚度、结晶器上端宽度、结晶器冷却水进口温度、结晶器热流密度、宽面对称面结晶器热流密度差、窄面对称面结晶器热流密度差、结晶器相邻面热流比、结晶器冷却水出口压力、二次冷却水流量、中间包温度、过热度。
22、进一步地，在本专利技术所述的铸坯纵裂纹在线预测方法中，所述二分类模型采用神经网络，所述二分类模型的参数包括神经网络的权值和阈值。
23、进一步地，在本专利技术所述的铸坯纵裂纹在线预测方法中，采用标准梯度下降算法、带动量的下降梯度算法、可变学习率梯度算法、自适应学习率动量梯度下降法、levenberg-marquardt算法、bfgs拟牛顿算法、弹性梯度算法、量化共轭梯度法、powell-beale本文档来自技高网...
【技术保护点】
1.一种铸坯纵裂纹在线预测方法，其特征在于，包括步骤：
2.如权利要求1所述的铸坯纵裂纹在线预测方法，其特征在于，所述历史铸坯特征量数据和实测铸坯特征量数据均含有时间信息和铸坯长度信息。
3.权利要求1所述的铸坯纵裂纹在线预测方法，其特征在于，所述历史铸坯特征量数据和实测铸坯特征量数据均包括下述各项中的至少其中两个：铸坯拉速、结晶器液位、液位波动、锥度、结晶器振动频率、结晶器振动振幅、结晶器振动负滑脱时间、结晶器厚度、结晶器上端宽度、结晶器冷却水进口温度、结晶器热流密度、宽面对称面结晶器热流密度差、窄面对称面结晶器热流密度差、结晶器相邻面热流比、结晶器冷却水出口压力、二次冷却水流量、中间包温度、过热度。
4.如权利要求1所述的铸坯纵裂纹在线预测方法，其特征在于，所述二分类模型采用神经网络，所述二分类模型的参数包括神经网络的权值和阈值。
5.权利要求4所述的铸坯纵裂纹在线预测方法，其特征在于，采用标准梯度下降算法、带动量的下降梯度算法、可变学习率梯度算法、自适应学习率动量梯度下降法、Levenberg-Marquardt算法、BFGS
6.如权利要求1所述的铸坯纵裂纹在线预测方法，其特征在于，所述预处理包括：数据清洗、剔除异常值和填补缺失值。
7.如权利要求6所述的铸坯纵裂纹在线预测方法，其特征在于，采用拉格朗日插值法填补缺失值。
8.如权利要求1所述的铸坯纵裂纹在线预测方法，其特征在于，所述规范化处理包括：采用函数变换将不符合正态分布的数据压缩成正态分布的数据，对数值差距较大的数据进行最小-最大规范化或者零-均值规范化。
9.一种铸坯纵裂纹在线预测系统，其特征在于，其执行如权利要求1-8中任意一项所述的铸坯纵裂纹在线预测方法，其中所述铸坯纵裂纹在线预测系统包括：
...【技术特征摘要】
1.一种铸坯纵裂纹在线预测方法，其特征在于，包括步骤：
2.如权利要求1所述的铸坯纵裂纹在线预测方法，其特征在于，所述历史铸坯特征量数据和实测铸坯特征量数据均含有时间信息和铸坯长度信息。
3.权利要求1所述的铸坯纵裂纹在线预测方法，其特征在于，所述历史铸坯特征量数据和实测铸坯特征量数据均包括下述各项中的至少其中两个：铸坯拉速、结晶器液位、液位波动、锥度、结晶器振动频率、结晶器振动振幅、结晶器振动负滑脱时间、结晶器厚度、结晶器上端宽度、结晶器冷却水进口温度、结晶器热流密度、宽面对称面结晶器热流密度差、窄面对称面结晶器热流密度差、结晶器相邻面热流比、结晶器冷却水出口压力、二次冷却水流量、中间包温度、过热度。
4.如权利要求1所述的铸坯纵裂纹在线预测方法，其特征在于，所述二分类模型采用神经网络，所述二分类模型的参数包括神经网络的权值和阈值。
5.权利要求4所述的铸坯纵裂纹在线预测方法，其特征在于，采用标准梯度下降算法、带动量的下降梯度算法、...
【专利技术属性】
技术研发人员：刘旭峰，梅峰，于艳，
申请(专利权)人：宝山钢铁股份有限公司，
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。