[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

说明书

本发明提供一种基于倾向性异质装袋算法的钢材质量预测方法，属于钢材自动生产技术领域，包括如下步骤：S1：数据预处理；S2：特征提取；得到具有主成分特征的数据集；S3：对数据进行分类；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；S5：利用训练样本集对步骤S3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。本发明提供的上述预测方法，对钢材生产中采集到的数据进行了特征分析和提取，并且通过对集成学习模型进行改进，提高了预测的准确率和预测稳定性。

技术领域

本发明涉及钢材自动生产技术领域，尤其涉及一种基于倾向性异质装袋算法的钢材质量预测方法，用于根据钢材生产中采集的数据对钢材质量进行预测。

背景技术

工业领域中累积了大量高冗余、高噪声、低精度、强耦合的数据，但通过数据清洗、特征提取以及选择适当的机器学习方法后，人们依然有望挖掘出数据中本质的规律。钢卷质量指标主要分为表面质量、力学性能、尺寸精度三个方面，其质量主要由成分、结构、制备工艺等因素决定，其中某个环节的改变都可能对最终钢材的质量产生巨大的影响。钢材生产的过程连续且繁杂，采集到的数据往往具有高冗余、高噪声、低精度、强耦合等特点，但通过数据清洗、特征提取以及挑选适当的机器学习方法后，人们依然有望挖掘出数据中本质的规律。

集成学习是机器学习方法的一种，它通过结合各种分类器以实现更好的预测性能。换言之，集成学习方法首先预测一些初步的结果，然后将初步结果组合生成一个新的最终结果。研究表明，集成分类器通常比基础分类器表现得更好。集成学习主要算法分为Boosting，Bagging和Stacking。Bagging是使用不同数据集产生基础分类器的方法，每个基础分类器都有自己的训练集，通常使用随机抽取方法和替换产生不同训练集。在生成所有训练集之后为每个分类器构建模型。

中国专利文献(CN103136638A钢材生产的自适应调整方法)公开了一种钢材生产的自适应调整方法，包括：选择钢材的规格和钢种，调用该规格和钢种的钢材的历史生产数据；从历史生产数据中获取第一数据组，第一数据组包括数个相连续的长周期，每一个长周期包括数个相连续的短周期，对每一个长周期中的每一个短周期进行编号，不同的长周期中的对应的短周期具有相关联的编号；基于第一数据组计算第一生产模型；选择指定时间点；从历史生产数据中获取第二数据组，该第二数据组包括指定时间点之前的数个相连续的短周期；基于第二数据组计算第二生产模型；根据第一生产模型和第二生产模型计算指定时间点的预测生产数据，根据预测生产数据对钢材的生产进行自适应调整。该发明提供的自适应调整方法虽然能够根据预测生产数据对钢材的生产进行自适应调整，但是其并未考虑到数据中的各个特征类别，而不同的数据对于钢材质量的影响是不同的。

综上所述，在实际应用中，可以根据具体问题选择对应的算法。但是经仿真实验后发现，已有的钢材预测方法均不够完善，而现有基础算法和集成学习算法的分类准确率和模型稳定性均不够理想，均无法满足实际钢材生产应用的需求。

发明内容

为解决现有的钢材预测方法存在的上述缺陷，本发明在已有算法的基础上进行改进，以得到分类准确率、稳定性更好的模型，并将其用于钢材预测。同时考虑到钢材预测中需要考虑到数据的特征类别，对特征类别进行了筛选分析，从而构建了一套完备的钢材质量预测方法。

本发明提供的具体技术方案如下：

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；