[发明专利]一种基于特征向量和逻辑斯谛回归模型的结晶器漏钢预报方法

权利要求书

1.一种基于特征向量和逻辑斯谛回归模型的结晶器漏钢预报方法，其特征在于，所述结晶器漏钢预报方法通过对结晶器铜板温度速率异常区域提取可视化特征向量，并利用逻辑斯谛回归模型对特征向量进行分类，最终检测和预报结晶器漏钢，包括以下步骤：

第一步、结晶器铜板温度速率异常区域特征提取

(1)在结晶器内、外弧宽面的铜板上，在左、右侧窄面铜板上各布置多个热电偶；在线检测结晶器铜板热电偶的温度，并通过插值算法计算出非热电偶测点位置的结晶器铜板温度值；将铜板温度映射到二维平面，得到对应的二维温度热像图；

(2)通过帧间差分算法计算铜板测点和非测点处的温度变化速率，得到铜板温度对应的二维温度速率热像图；

(3)统计归纳样本库中的温度速率数据后，设置温度速率阈值为T_z，利用阈值分割算法将正常温度波动区域与异常温度波动区域进行区分，从二维温度速率热像图中剔除温度速率小于T_z的正常温度波动区域，并采用游程递归算法对温度速率大于T_z的异常点进行连通性标记，获取温度速率异常区域；

(4)温度速率异常区域中包含黏结漏钢及正常工况区域，分别提取两者的高度H、宽度W、面积S、横向移动速率V_y、纵向移动速率V_x五种可视化特征；

第二步、异常区域特征向量构造与处理

(1)将第一步提取到的黏结漏钢的区域特征与黏结漏钢下的拉速V_c组合成特征向量X_B，同时将正常工况区域特征与正常工况下的拉速V_c’组合成特征向量X_N：

X_B＝[H_B,W_B,S_B,V_Bx,V_By,V_C]

X_N＝[H_N,W_N,S_N,V_Nx,V_Ny,V_C']

(2)获取m例黏结漏钢区域特征向量样本X_B和n例正常工况特征向量样本X_N，组建样本集Q：

Q＝{(X_B1,1),(X_B2,1),...,(X_Bm,1),(X_N1,0),(X_N2,0),...,(X_Nn,0)}

式中，1和0分别代表黏结漏钢区域样本和正常工况样本的类别标签；

(3)对Q中特征向量样本进行归一化处理：

式中，X_imin、X_imax分别表示特征向量样本X第i维特征的最小值和最大值，F_i表示特征向量X的第i维特征归一化后对应的数值；归一化后的样本集记为P：

P＝{(F_B1,1),(F_B2,1),...,(F_Bm,1),(F_N1,0),(F_N2,0),...,(F_Nn,0)}

第三步、调整超参数并训练逻辑斯谛回归模型

(1)样本集划分；

将样本集P按照K-折交叉验证的原则进行K次划分，每次取P中K-1个子集作为训练集R，剩余一个子集作为验证集E，划分后共得到K组不同的训练集R和验证集E；

(2)网格搜索调整超参数；

基于原始的逻辑斯谛回归模型，根据模型超参数的每种组合均进行K轮训练和验证，每轮在包含K-1个子集的训练集R上训练模型，在剩余一个子集的验证集E上验证模型，即计算模型分类准确率；取K轮模型的平均分类准确率作为该组超参数的验证分数；

所述原始逻辑斯谛回归模型形式如下：

式中，P(Y＝1|x)代表模型将特征向量样本x预测为漏钢的概率，w为权值向量，b为偏置项；

(3)构建最终模型；

比较逻辑斯谛回归模型超参数的每种组合计算出的验证分数，选取验证分数最高的组合作为模型的最终超参数；

(4)基于最终构建的逻辑斯谛回归模型，在样本集P上训练模型，得到模型参数w和b；第四步、基于逻辑斯谛回归模型在线检测及预报漏钢

(1)实时提取结晶器铜板温度速率异常区域的典型可视化特征，结合实时工况下的拉速将特征组合并进行归一化处理后，构造得到异常区域特征向量F_fv；

(2)将异常区域特征向量F_fv输入逻辑斯谛回归模型中，得到模型的预测值y；

(3)根据逻辑斯谛回归模型的预测值y预报结晶器漏钢；若y＝1则为黏结漏钢，发出警报并迅速降低铸机拉速；若y＝0则为正常工况，继续下一时刻的黏结漏钢检测与预报。

2.根据权利要求1所述的一种基于特征向量和逻辑斯谛回归模型的结晶器漏钢预报方法，其特征在于，所述的漏钢预报的方法适用于板坯、方坯、圆坯、异型坯或其他连铸坯的漏钢预报。