[发明专利]一种基于梯度提升树模型的热连轧带钢凸度预测方法

权利要求书

1.一种基于梯度提升树模型的热连轧带钢凸度预测方法，其特征在于，包括如下步骤：

步骤1：选择相关热轧带钢的工艺参数、设备参数和带钢参数与实际带钢凸度作为建立热连轧带钢凸度预测模型的输入与输出；

步骤2：在热轧带钢生产现场收集相关原始建模数据并进行预处理，通过去除缺失值、异常值和数据均衡获得最终建模数据；

步骤3：按照一定比例将通过预处理获得的最终建模数据随机划分为训练数据集和测试数据集；

步骤4：基于训练数据集，采用交叉验证建立基于梯度提升树算法的热连轧带钢凸度预测模型；

步骤5：采用坐标下降法确定基于梯度提升树算法的热连轧带钢凸度预测模型的最优参数；

步骤6：基于测试数据集，采用决定系数、平均绝对误差、平均绝对百分误差和均方根误差来评价按照上述步骤建立的基于梯度提升树算法的热连轧带钢凸度预测模型的性能。

2.如权利要求1所述的基于梯度提升树模型的热连轧带钢凸度预测方法，其特征在于，所述步骤2具体为：

步骤2.1：检查所收集的每一个带钢数据样本是否存在缺失值，如果某一个带钢数据样本存在缺失值，则去除该带钢数据样本；

步骤2.2：将所有变量按照是否与带钢种类有关分为A类与B类，A类变量与带钢种类有关，B类变量与带钢种类无关；

步骤2.3：基于拉依达准则去除含有B类变量的异常值的每个带钢数据样本；

步骤2.4：根据带钢化学成分，尺寸规格将余下的带钢数据样本分成M个类别(C₁，…，C_J，…，C_M)；

步骤2.5：判断类别C_J中的带钢数据样本数是否超过30，如果带钢数据样本数超过30，基于拉依达准则去除含有A类变量的异常值的每个带钢数据样本；如果带钢数据样本数小于30，基于格拉布斯准则去除含有A类变量的异常值的每个带钢数据样本；

步骤2.6：去除采样极不均衡的带钢数据样本获得最终建模带钢数据。

3.如权利要求1所述的基于梯度提升树模型的热连轧带钢凸度预测方法，其特征在于，所述步骤2.3中的拉依达准则判别式为：

其中，是变量E的极值，是变量E的平均值，σ是变量E的方差；

判断变量E的极值是否满足式(1)，如果满足式(1)则为变量E中的异常值，去除该带钢数据样本；当变量E的极值不满足式(1)，则变量E中的异常值已全部去除，按照该方法去除含有B类变量的异常值的带钢数据样本。

4.如权利要求1所述的基于梯度提升树模型的热连轧带钢凸度预测方法，其特征在于，所述步骤2.5中格拉布斯准则通过对比计算所得的G值与临界G(n,α)值的大小来判断异常值，其中α为显著水平，G值计算公式为：

其中，n是变量F的取值数量，是变量F的第q个值，是变量F的平均值，σ是变量F的方差；

如果变量F的计算G值大于临界G(n,α)值，则为变量F的异常值，去除该带钢数据样本；当变量F的计算G值小于临界G(n,α)值，则变量F中无异常值，基于格拉布斯准则去除带钢数据样本数小于30的类别中含有A类变量的异常值的带钢样本。