[发明专利]一种基于倾向性异质装袋算法的钢材质量预测方法

权利要求书

1.一种基于倾向性异质装袋算法的钢材质量预测方法，其特征在于，包括如下步骤：

S1：数据预处理；

对钢材生产过程中采集的数据进行预处理，预处理后得到包含n个初始特征的数据，每一个初始特征包含一个数据集；

S2：特征提取；

对初始特征进行提取，筛选出k个主成分特征，得到k个主成分特征的数据集；

S3：对数据进行分类；

将步骤S2所得每一个具有主成分特征的数据集中的数据进行标注，以某一时刻的包含k个主成分特征的数据作为一个样本进行标注，分别标注为质量合格样本和质量不合格样本；将标注后的样本进行分类，部分作为训练样本集，部分作为测试样本集；

S4：构建基于Bagging的集成学习模型；

S41：构建多个基础分类器；

S42：组合所述基础分类器；采用加权平均法，集成学习器的最终投票结果y和基础分类器的投票权重ω_i以及投票结果a_i的关系为：

y＝∑ω_i*a_i (1)

S5：利用训练样本集对步骤S4中构建的集成学习模型进行训练；利用测试样本集对步骤S4中构建的集成学习模型进行测试；

S6：使用步骤S5得到的集成学习模型对钢材生产过程中的数据分类，得到分类结果，根据分类结果预测钢材质量；

其中，n和k均为大于0的正整数，且k≤n。

2.如权利要求1所述的一种基于倾向性异质装袋算法的钢材质量预测方法，其特征在于，

所述步骤S4中，组合所述基础分类器时：

获得每个基础分类器的分类准确率acc后，将其转换为与ε-Softmax函数相关的权重ω：

其中ε∈(0,1]。

3.如权利要求1所述的一种基于倾向性异质装袋算法的钢材质量预测方法，其特征在于，所述步骤S1中预处理包括：

将冗余和误差较大的数据剔除；

将无法用技术手段补齐的残缺数据剔除；

将数据无量纲化处理。

4.如权利要求1所述的一种基于倾向性异质装袋算法的钢材质量预测方法，其特征在于，所述步骤S1中数据包括：

具有S55类型表面缺陷钢材在炼钢、热轧、退火、酸洗四个生产阶段生产数据，以及钢卷在酸洗后的质检结果数据。

5.如权利要求1所述的一种基于倾向性异质装袋算法的钢材质量预测方法，其特征在于，步骤S2中特征提取步骤包括：

使用统计学方法对初始特征进行相关性检验，去除相关性较低或无相关性的特征；

对剩余每个初始特征中的数据进行随机采样得到多个样本，使用随机森林特征选择算法进行选择，得到特征基尼系数表；

投票评估各特征的重要性，得出m个强相关特征，m为大于0的正整数，m≤n；

使用主成分分析法进行特征融合，筛选出k个主成分特征，获得具有k个主成分特征的数据集，k≤m。

6.如权利要求1所述的一种基于倾向性异质装袋算法的钢材质量预测方法，其特征在于，所述步骤S3中对数据进行分类具体包括：89％作为训练样本集，11％作为测试样本集。

7.如权利要求1所述的一种基于倾向性异质装袋算法的钢材质量预测方法，其特征在于，所述步骤S5具体包括：

利用训练样本集对构建的集成学习模型进行训练，集成学习模型将训练样本集进行分类，并与步骤S3中标注的信息进行比对，如果一致，则判断该轮循环正确；如果不一致，则更正并继续循环；直至所有训练样本集中数据分类准确；

使用测试样本集对训练后的集成学习模型进行测试，如测试符合要求则认为集成学习模型训练合格，如测试不符合要求则返回训练步骤继续进行训练。

8.如权利要求1所述的一种基于倾向性异质装袋算法的钢材质量预测方法，其特征在于，所述步骤S6中钢材生产过程中的数据是经过步骤S1预处理和步骤S2特征提取的数据。