本發(fā)明屬于鋼鐵企業(yè)連續(xù)退火過程的自動控制技術(shù)領(lǐng)域，特別涉及一種帶鋼產(chǎn)品質(zhì)量在線檢測方法。

背景技術(shù)：

在鋼鐵企業(yè)中，由于連續(xù)退火機組的帶鋼是前后焊接在一起連續(xù)生產(chǎn)，帶鋼在退火之后的質(zhì)量(通過硬度進行評價)還無法實現(xiàn)在線檢測，現(xiàn)場操作人員只能根據(jù)經(jīng)驗判斷正在生產(chǎn)的帶鋼的質(zhì)量，難以提高連續(xù)退火生產(chǎn)過程的質(zhì)量控制水平。

針對連續(xù)退火生產(chǎn)過程帶鋼產(chǎn)品質(zhì)量難以在線檢測的問題，論文“基于PLS的連續(xù)退火機組帶鋼質(zhì)量預報及過程監(jiān)測系統(tǒng)設計與實現(xiàn)[D]”(汪源,東北大學,2009)所提出的方法只考慮了較少的過程變量并且該方法主要是針對過程監(jiān)測與故障診斷。專利“一種連續(xù)退火產(chǎn)品硬度在線集成學習預報方法”(唐立新，王顯鵬，申請?zhí)枺篊N201410843307.8)提出了一種基于AdaBoost的集成學習建模方法，但是AdaBoost方法的不足之處在于：(1)該方法在訓練每個子學習機時都使用全部的訓練樣本，導致訓練時間長；(2)當有新的樣本加入到訓練樣本集合中時，需要對所有的子學習機全部重新訓練。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的不足，本發(fā)明提供一種基于混合集成學習的連續(xù)退火產(chǎn)品質(zhì)量在線檢測方法。

本發(fā)明的技術(shù)方案是：

一種基于混合集成學習的連續(xù)退火產(chǎn)品質(zhì)量在線檢測方法，包括如下步驟：

步驟1：構(gòu)建訓練樣本集合：一個訓練樣本的輸出為一條帶鋼的產(chǎn)品質(zhì)量，輸入為該帶鋼生產(chǎn)時的過程數(shù)據(jù)；從連續(xù)退火機組的歷史數(shù)據(jù)中采集正常生產(chǎn)工況下的n個樣本，建立訓練樣本集合；

步驟2：數(shù)據(jù)降維：對采集到的樣本數(shù)據(jù)集合進行歸一化，然后進行主元分析，得到降維后的訓練樣本集合L；

步驟3：子學習機生成：根據(jù)步驟2得到的訓練樣本集合L，使用基于Bagging和AdaBoost的混合集成學習方法訓練得到K個子學習機，方法為：

步驟3.1：設定子學習機索引i＝1，子學習機的最大數(shù)量K；

步驟3.2：針對第i個子學習機，如果i＝1，則直接從訓練樣本集合L按照均勻分布進行可放回隨機抽樣，共獲得pn個測試樣本，其中0<p<1，如果pn不是整數(shù)，則做下取整處理，作為第1個子學習機的訓練樣本集合；否則，首先選擇前一個子學習機中訓練誤差大于a％的樣本，其中a為一個人為設定值，然后再按照均勻分布進行可放回抽樣的方式從L中選取其它樣本(這些樣本與已經(jīng)加入的誤差較大樣本不重復)，共構(gòu)成pn個測試樣本，作為第i(i>1)個子學習機的訓練樣本集合S_i；

步驟3.3：調(diào)整訓練樣本的權(quán)重：如果i＝1，則所有樣本的權(quán)重相同，設為1/pn；否則，按照如下方式調(diào)整各訓練樣本的權(quán)重：

步驟3.3.1：將所加入的誤差較大的每個樣本j的權(quán)重設置為w_j＝100×e_j％，其中e_j％為這個樣本的絕對誤差；

步驟3.3.2：將隨機抽樣獲得樣本的權(quán)重設置為1；

步驟3.3.3：對所有樣本的權(quán)重進行歸一化，即每個樣本的權(quán)重為其中l(wèi)從1到pn，w_l為訓練樣本集合L中相應樣本的權(quán)重；

步驟3.4：針對給定權(quán)重的訓練樣本集合S_i，使用最小二乘支持向量機LSSVM方法訓練并得到第i個子學習機，并計算它的均方根誤差RMSE_i；

步驟3.5：設置i＝i+1；如果i≤K，則轉(zhuǎn)到步驟3.2；否則轉(zhuǎn)到步驟4；

步驟4：子學習機權(quán)重確定：根據(jù)每個子學習機的均方根誤差RMSE_i，計算每個子學習機的權(quán)重

步驟5：集成學習模型應用：在實際生產(chǎn)中，針對每條帶鋼，根據(jù)當前的生產(chǎn)過程數(shù)據(jù)，計算集成學習機的輸出，即最終的帶鋼產(chǎn)品質(zhì)量檢測值為其中f_i為第i個子學習機所輸出的帶鋼質(zhì)量。

最小二乘支持向量機LSSVM方法的步驟包括：

步驟1：初始化遺傳算法的種群規(guī)模為Z，交叉算子為SBX，最大迭代次數(shù)M；

步驟2：以LSSVM的模型參數(shù)：樣本誤差的懲罰系數(shù)γ和核函數(shù)參數(shù)σ作為變量，即遺傳算法的每個解X_j＝(γ_j,σ_j)，隨機產(chǎn)生Z個解，針對每個解，使用其所確定的LSSVM模型計算適應度值其中O_l(LSSVM_j)表示由解X_j所確定的LSSVM模型針對第l條帶鋼質(zhì)量的估計值，y_l表示該條帶鋼質(zhì)量的實際檢測值；

步驟3：隨機從種群中選取兩個父代解，對其執(zhí)行SBX交叉操作，得到新的中間解X'＝(γ',σ')；

步驟4：產(chǎn)生一個[0,1]內(nèi)的隨機數(shù)r，如果r<0.05，則對X'執(zhí)行變異操作，即將X'的兩個變量在其當前值的5％范圍內(nèi)隨機產(chǎn)生一個擾動值Δ_r和Δ_σ，然后設置γ'＝γ'+Δ_r,σ'＝σ'+Δ_σ，從而得到一個新解X_new；

步驟5：計算X_new的適應度值，如果其適應度值優(yōu)于兩個父代解中的至少一個，則用X_new替代父代解中最差的一個，即適應度值最大的一個；

步驟6：重復執(zhí)行Z次步驟3-5，得到新的種群；

步驟7：重復執(zhí)行M次步驟3-6，將最后種群中的最好解所對應的LSSVM模型作為第i個子學習機，然后計算該子學習機針對所有訓練樣本的均方根誤差其中LSSVM_i表示由遺傳算法所得到的最好解所確定的第i個子學習機；

步驟8：子學習機權(quán)重確定：根據(jù)每個子學習機的均方根誤差RMSE_i，計算每個子學習機的權(quán)重

本發(fā)明的有益效果：本發(fā)明的連續(xù)退火帶鋼質(zhì)量在線檢測方法將AdaBoost中對誤差較大樣本的重復學習機制引入到Bagging框架中，進一步提升了在線檢測方法的精度；同時，Bagging框架中每個子學習機使用隨機抽樣方式構(gòu)建其訓練樣本集合，使得各子學習機的訓練樣本集合具有差異性，能夠提高在線檢測方法的泛化能力。經(jīng)過實際生產(chǎn)數(shù)據(jù)測試，本發(fā)明所提出的方法能夠?qū)崿F(xiàn)對連續(xù)退火帶鋼產(chǎn)品質(zhì)量的在線檢測，其效果要優(yōu)于單獨使用Bagging或者AdaBoost集成學習建模方法，從而能夠幫助連續(xù)退火機組提高產(chǎn)品質(zhì)量控制的水平。

附圖說明

圖1為本發(fā)明所提出的混合集成學習建模方法的原理圖；

圖2為本發(fā)明一種實施方式的連續(xù)退火帶鋼質(zhì)量在線檢測方法流程圖；

圖3為本發(fā)明一種實施方式的連續(xù)退火帶鋼質(zhì)量預報值與單獨使用Bagging或AdaBoost集成學習方法的帶鋼質(zhì)量預報值的比較圖。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明作進一步說明。

針對調(diào)質(zhì)度為T5的帶鋼，將本發(fā)明所提出的連續(xù)退火帶鋼質(zhì)量在線檢測方法應用于本實施方式，包括如下步驟：

步驟1：構(gòu)建訓練樣本集合：一個訓練樣本的輸出為一條帶鋼的產(chǎn)品質(zhì)量，為帶鋼的洛氏硬度，輸入為該帶鋼生產(chǎn)時的過程數(shù)據(jù)，包括52項：入口厚度、入口寬度、碳含量、硫含量、磷含量、錳含量、氮含量、硅含量和總鋁含量、出爐溫度、平均卷曲溫度、平均精軋溫度、平均終軋溫度、連續(xù)酸洗-軋制延伸率、中央段速度、HF爐1區(qū)爐溫、HF爐2區(qū)爐溫、HF爐3區(qū)爐溫、HF爐4區(qū)爐溫、HF爐5區(qū)爐溫、HF爐出口帶鋼溫度、SF爐1區(qū)爐溫、SF爐2區(qū)爐溫、SF爐出口帶鋼溫度、SCF爐1區(qū)爐溫、SCF爐2區(qū)爐溫、SCF爐出口帶鋼溫度、1C爐1區(qū)爐溫、1C爐2區(qū)爐溫、1C爐3區(qū)爐溫、1C爐冷卻氣體溫度、1C爐出口帶鋼溫度、1OA爐1區(qū)爐溫、1OA爐2區(qū)爐溫、1OA爐出口帶鋼溫度、2OA爐1-1區(qū)爐溫、2OA爐1-2區(qū)爐溫、2OA爐2-1區(qū)爐溫、2OA爐2-2區(qū)爐溫、2OA爐出口帶鋼溫度、2C爐爐溫、2C冷卻氣體溫度、2C爐出口帶鋼溫度、WQ爐1區(qū)水溫、WQ爐2區(qū)水溫、平整機延伸率、平整機入口帶鋼張力、平整機中間帶鋼張力、平整機出口帶鋼張力、平整機1#機架軋制力和2#機架軋制力。從連續(xù)退火機組的歷史數(shù)據(jù)中采集正常生產(chǎn)工況下的n＝183個樣本，建立訓練樣本集合。

步驟2：數(shù)據(jù)降維：對采集到的樣本數(shù)據(jù)集合進行歸一化，然后進行主元分析，得到降維后的訓練樣本集合L；

步驟3：子學習機生成：根據(jù)步驟2得到的訓練樣本集合L，使用基于Bagging和AdaBoost的混合集成學習方法訓練得到K個子學習機，其建模思想如圖1所示，此例中取p＝0.8，即第一個子學習機從訓練樣本集合L中隨機選取0.8n個測試樣本進行訓練，得到第一個子學習機；在之后的子學習機生成過程中，首先將前一個子學習機訓練誤差較大的樣本加入到新的子學習機訓練樣本集合Si中，再從L中隨機選擇與已加入樣本不同的樣本，構(gòu)成0.8n個測試樣本進行訓練，得到第i個子學習機。這種混合建模方法基于Bagging框架，又將AdaBoost中針對誤差較大樣本的重復學習機制引入進來，從而提高模型的精度和泛化能力。

每個子學習機的生成方法包括：

步驟3.1：設定子學習機索引i＝1，子學習機的最大數(shù)量K＝5。

步驟3.2：針對第i個子學習機，如果i＝1，則直接從訓練樣本集合L按照均勻分布進行可放回隨機抽樣，共獲得0.8n取整后的146個測試樣本，作為第1個子學習機的訓練樣本集合；否則，首先選擇前一個子學習機中訓練誤差大于5％的樣本，然后再按照均勻分布進行可放回抽樣的方式從L中選取其它樣本(這些樣本與已經(jīng)加入的誤差較大樣本不重復)，共構(gòu)成146個測試樣本，作為第i(i>1)個子學習機的訓練樣本集合Si。

步驟3.3：調(diào)整訓練樣本的權(quán)重：如果i＝1，則所有樣本的權(quán)重相同，設為1/146；否則，按照如下方式調(diào)整各訓練樣本的權(quán)重：

步驟3.3.1：將所加入的誤差較大的每個樣本j的權(quán)重設置為wj＝100×ej％，其中ej％為這個樣本的絕對誤差。

步驟3.3.2：將隨機抽樣獲得樣本的權(quán)重設置為1。

步驟3.3.3：對所有樣本的權(quán)重進行歸一化，即每個樣本的權(quán)重為

步驟3.4：針對給定權(quán)重的訓練樣本集合Si，使用最小二乘支持向量機LSSVM方法訓練并得到第i個子學習機，并計算它的均方根誤差RMSEi。其中，LSSVM訓練的步驟包括：

步驟3.4.1：初始化遺傳算法的種群規(guī)模為100，交叉算子為SBX，最大迭代次數(shù)50。

步驟3.4.2：以LSSVM的模型參數(shù)：樣本誤差的懲罰系數(shù)γ和核函數(shù)參數(shù)σ作為變量，即遺傳算法的每個解Xj＝(γj,σj)，隨機產(chǎn)生100個解，針對每個解，使用其所確定的LSSVM模型計算適應度值其中Ol(LSSVMj)表示由解Xj所確定的LSSVM模型針對第l條帶鋼質(zhì)量的估計值，yl表示該條帶鋼質(zhì)量的實際檢測值。

步驟3.4.3：隨機從種群中選取兩個父代解，對其執(zhí)行SBX交叉操作，得到新的中間解X'＝(γ',σ')。

步驟3.4.4：產(chǎn)生一個[0,1]內(nèi)的隨機數(shù)r，如果r<0.05，則對X'執(zhí)行變異操作，即將X'的兩個變量在其當前值的5％范圍內(nèi)隨機產(chǎn)生一個擾動值Δr和Δσ，然后設置γ'＝γ'+Δr,σ'＝σ'+Δσ，從而得到一個新解Xnew。

步驟3.4.5：計算Xnew的適應度值，如果其適應度值優(yōu)于兩個父代解中的至少一個，則用Xnew替代父代解中最差的一個，即適應度值最大的一個。

步驟3.4.6：重復執(zhí)行100次步驟3.4.3-3.4.5，得到新的種群。

步驟3.4.7：重復執(zhí)行50次步驟3.4.3-3.4.6，將最后種群中的最好解所對應的LSSVM模型作為第i個子學習機，然后計算該子學習機針對所有訓練樣本的均方根誤差其中LSSVMi表示由遺傳算法所得到的最好解所確定的第i個子學習機。

步驟4：子學習機權(quán)重確定：根據(jù)每個子學習機的均方根誤差RMSEi，計算每個子學習機的權(quán)重

步驟5：集成學習模型應用：在實際生產(chǎn)中，針對每條帶鋼，根據(jù)當前的生產(chǎn)過程數(shù)據(jù)，計算集成學習機的輸出，即最終的帶鋼產(chǎn)品質(zhì)量檢測值為其中fi為第i個子學習機所輸出的帶鋼質(zhì)量。

表1和圖3給出了本發(fā)明所提出的混合集成學習方法與單獨使用Bagging或AdaBoost集成學習方法針對50個新采集的測試樣本(學習機沒有學習過的樣本)的實驗結(jié)果，在實驗中每種檢測方法均獨立運行30次，以進行統(tǒng)計分析。從表1中可以看出，本發(fā)明所提出的混合集成學習方法在均方根誤差RMSE和平均誤差兩個指標上均要優(yōu)于Bagging和AdaBoost方法。從圖3可以看出，本發(fā)明所提出的混合集成學習建模方法針對測試樣本的最大誤差也明顯小于Bagging和AdaBoost方法，從而表明混合集成學習建模方法具有更好的泛化能力。

表1.各集成學習建模方法的RMSE和平均誤差的結(jié)果比較