[发明专利]一种连续退火产品硬度在线集成学习预报方法

权利要求书

1.一种连续退火产品硬度在线集成学习预报方法，其特征在于：包括如下步骤：

步骤1：针对每一种调质度带钢，从数据库中读取最近m时间段内的连续退火生产样本，得到含有B个样本的连续退火生产样本集合；

步骤2：针对每一种调质度带钢的连续退火生产样本集合，进行数据处理；

步骤3：根据步骤2数据处理后的样本集合，求取主元转换矩阵M及针对每种调质度带钢采用基于LSSVM的集成学习建模方法建立其产品硬度预报模型并形成离线连续退火带钢产品硬度预报模型库；

步骤4：根据待连续退火生产的带钢调质度，从连续退火带钢产品硬度预报模型库中选择对应调质度带钢产品硬度预报模型，开始连续退火生产；

步骤5：以连续退火生产线上采样点的最大采样周期T_max的z倍作为带钢产品硬度预报模型的采样周期，实时获取连续退火生产过程数据，作为该种调质度带钢产品硬度预报模型的过程输入向量，同时对连续退火生产线上各采样点在每卷带钢产品头部穿过时产生的相关生产状态数据进行记录；所述生产过程数据为连续退火生产线上各采样点在每卷带钢产品头部穿过时产生的相关生产状态数据与相应的带钢信息的合成；所述带钢信息包括其自身的规格信息和热轧信息；

步骤6：采用聚类分析方法对过程输入向量进行过失误差侦破，如果该过程输入向量包含过失误差，则删除该过程输入向量，放弃本周期的带钢产品硬度预报，并等待下一个采样周期的过程输入向量；否则，则进入到步骤7；

步骤7：利用步骤3中所得到的主元转换矩阵M，对当前的过程输入向量进行降维，得到以主元表示的过程输入向量；

步骤8：基于降维后的过程输入向量，使用该种调质度带钢产品硬度预报模型对带钢产品硬度进行预报；

步骤9：当本卷带钢连续退火生产完成后，截取带钢带头部分进行离线检测，获得本卷带钢产品硬度实际值，并进行记录；

步骤10：将所记录的每卷带钢的连续退火生产过程数据与其对应的产品硬度实际值进行匹配与合成，形成一个新的连续退火生产样本；每个连续退火生产样本包括H个数据项；所述H个数据项中包括若干个相关连续退火生产状态数据项、若干个带钢信息数据项和带钢产品硬度实际值；

步骤11：更新连续退火生产样本；

步骤12：按照步骤1至步骤3的方法，根据更新后的连续退火生产样本，分别对每一调质度带钢产品硬度预报模型进行更新；

步骤13：在新的带钢连续退火生产开始时，重复执行步骤4至步骤13，实现已知调质度带钢产品硬度的在线预报。

2.根据权利要求1所述的连续退火产品硬度在线集成学习预报方法，其特征在于：所述的步骤2中针对每一种调质度带钢的连续退火生产样本集合进行数据处理，包括如下步骤：

步骤2.1：分别对样本集合内每一数据项进行归一化处理，以消除不同数据项之间量纲不同的影响；

步骤2.2：针对归一化处理后的样本集合采用基于聚类的过失误差侦破方法，剔除样本集合中A个包含过失误差的样本；

步骤2.2.1：分别计算每个样本与其它B-1个样本之间的最小欧氏距离d_i(i＝1,2,…,B)；

步骤2.2.2：计算所有样本的最小欧氏距离的平均值d_avg，将d_avg的q倍作为第一门槛；

步骤2.2.3：将样本集合中与其它B-1个样本之间的最小欧氏距离d_i大于第一门槛值的样本剔除，同时将剩余的样本进行聚类，得到P个聚类；

步骤2.2.4：分别计算每一聚类与其它P-1个聚类之间的最小欧氏距离D_u(u＝1,2,…,P)；

步骤2.2.5：计算所有聚类的最小欧氏距离的平均值D_avg，并将D_avg的r倍作为第二门槛；

步骤2.2.6：将与其它P-1个聚类之间的最小欧氏距离大于第二门槛值并且聚类内样本数量小于t的聚类及其包含的样本剔除。

3.根据权利要求1所述的连续退火产品硬度在线集成学习预报方法，其特征在于：所述的步骤3中根据步骤2数据处理后的样本集合求取主元转换矩阵M的方法为：利用PCA方法，对步骤2数据处理后的样本集合中所有生产过程数据构成的矩阵进行降维，保留特征根大于等于1的主元，并将保留的主元存储于主元转换矩阵M。