铸坯遗传的热轧带钢表面缺陷预测灰狼+NGBoost方法技术

本发明专利技术公开了铸坯遗传的热轧带钢表面缺陷预测灰狼+NGBoost方法，属于热轧带钢表面质量诊断领域，具体为：将同一时间维度的热轧带钢表面质量图像数据、热连轧过程控制参数和铸坯参数作为每个样本的输入特征，将铸坯遗传的热轧带钢表面缺陷检测结果作为标签输出，构建数据集；然后，对该数据集进行清洗、平滑、滤波和样本均匀化，划分为训练集和测试集。融合灰狼算法和NGBoost集成模型，构建铸坯遗传的热轧带钢表面缺陷预测“灰狼+NGBoost”模型，对其进行训练并测试验证，结果表明，该模型的分类预测精度优于NGBoost模型。本发明专利技术解决了现有NGBoost模型因手动调参而精度不高的问题和铸坯遗传的热轧带钢表面缺陷预测缺乏高精度智能模型的问题。能模型的问题。能模型的问题。

【技术实现步骤摘要】
铸坯遗传的热轧带钢表面缺陷预测灰狼+NGBoost方法


[0001]本专利技术属于热轧带钢表面质量诊断领域，具体涉及铸坯遗传的热轧带钢表面缺陷预测“灰狼+NGBoost”方法。

技术介绍

[0002]铸坯的表面质量是钢铁生产厂家重点关注的指标之一，因为通过对铸坯表面质量的检测，向上可以追溯炼钢、连铸环节的各个工艺参数的精准性，向下可以降低铸坯引发的热轧产品质量缺陷。
[0003]然而有些铸坯缺陷无法识别，直接遗传到热轧带钢，导致热轧带钢产品的质量缺陷，此类缺陷统称为铸坯遗传的热轧带钢表面缺陷，主要包括夹渣、翘皮和裂纹三种。
[0004]随着薄板热连轧技术的不断进步和应用，对表面质量需求的不断增加，基于图像的热轧带钢表面质量检测成为各大钢铁生产企业引进的热点技术。因为传统的通过局部切块儿检测的方式已无法满足当前的市场和用户需求。
[0005]基于图像的热轧带钢表面质量检测方法主要通过安放在热轧辊道上、下方的面扫高速摄像机，对带钢表面进行拍照存储，并采用滤波、图像识别的算法，识别缺陷。但因现存算法的运算量大、识别精度低和稳定性差等问题，多数生产现场仍然采用人工识别图像的方法进行缺陷识别与分类，从而限制了基于图像识别的缺陷检测技术的进一步推广应用。

技术实现思路

[0006]本专利技术目的在于提供一种铸坯遗传的热轧带钢表面缺陷预测“灰狼+NGBoost”方法，解决现有热轧带钢表面缺陷预测方法的分类与预测精度低的问题。
[0007]所述铸坯遗传的热轧带钢表面缺陷预测“灰狼+NGBoost”方法，具体步骤如下：
[0008]步骤一、针对同一时间维度下，根据热轧带钢表面质量图像数据与热连轧过程控制参数，选取特征和标签，构建数据集；
[0009]数据集包括1.36万样本，每个样本具有41个输入特征和一个具有四分类特性的输出标签值。
[0010]输出标签为真实的铸坯遗传的热轧带钢表面质量检测结果，包括夹渣、翘皮、裂纹或正常四类。
[0011]步骤二、对数据集进行清洗、平滑、滤波和样本均匀化，并划分为训练集和测试集；
[0012]步骤三、采用灰狼算法对NGBoost模型的参数进行协同优化，形成铸坯遗传的热轧带钢表面缺陷预测“灰狼+NGBoost”模型，并利用训练集对该模型进行训练；
[0013]NGBoost模型的参数为五个，即估计器、学习率、最大深度、叶子节点最小值、分裂数最大值；
[0014]具体训练过程如下：
[0015]首先，进行数据集进行归一化操作：
[0016][0017]X：处理前输入的特征数据，X
*
：处理后得到的数据，X
min
：处理前输入的特征数据的最小值，X
max
：处理前输入的特征数据的最大值。
[0018]然后，对NGBoost模型各参数分别设定一个初始值，作为灰狼的位置参数；并对灰狼的种群规模、个体维度、参数寻优范围和算法最大迭代次数进行初始化；
[0019]接着，将分类准确率作为每匹狼的适应度值，根据适应度值将灰狼种群划分为α、β、δ、ω四个等级。
[0020]狩猎过程由α、β和δ引导，ω狼跟随这三只狼。
[0021]最后，对灰狼的位置进行迭代更新，判断是否达到最大迭代次数，迭代结束时输出最优灰狼位置，灰狼的最优位置即为NGBoost模型的最佳参数，即缺陷预测“灰狼+NGBoost”模型训练完毕；
[0022]步骤四、利用测试集对训练好的缺陷预测“灰狼+NGBoost”模型进行验证；
[0023]步骤五、针对新时间段内热轧带钢表面质量图像数据，输入选取的特征到验证好的缺陷预测“灰狼+NGBoost”模型中，直接输出预测分类标签。
[0024]本专利技术的优点在于：
[0025]本专利技术铸坯遗传的热轧带钢表面缺陷预测灰狼+NGBoost方法，融合灰狼算法和NGBoost集成学习模型，能实现智能调参，精准预测铸坯遗传的热轧带钢表面缺陷类别。
附图说明
[0026]图1为本专利技术铸坯遗传的热轧带钢表面缺陷预测灰狼+NGBoost方法流程图；
[0027]图2为本专利技术热轧带钢表面缺陷预测“灰狼+NGBoost”模型验证的预测图。
具体实施方式
[0028]下面结合附图与具体实施过程，对本专利技术进行进一步的说明，以帮助行业内技术人员对本专利技术的内容有更完整、清晰的理解。
[0029]所述铸坯遗传的热轧带钢表面缺陷预测“灰狼+NGBoost”方法，如图1所示，具体步骤如下：
[0030]步骤一、针对同一时间维度下，根据热轧带钢表面质量图像数据与热连轧过程控制参数，选取特征和标签，构建数据集；
[0031]数据集包括1.36万样本，每个样本具有41个输入特征和一个具有四分类特性的输出标签值。
[0032]输入特征主要根据热轧过程数据和铸坯参数，包括：熔炼号、连浇号、热处理基准、热火焰清理基准清理程度、连铸号、中间包钢水温度、液相位温度、中间包最大钢水量、中间包最小钢水量、板坯切断长度、中间包内平均温度、铸造速度最大值与最小值、东西南北四个方向的热交换率平均值、液面高度最大与最小值、上水口流量最大与最小值、上滑板流量最大与最小值、上滑板流量平均值、上滑板压力最大、最小与平均值、材料长度、实际出炉温度、改钢与否、板坯底部宽、板坯顶部宽、上水口压力最大与最小值、板坯实际宽度与长度、下线时间，传送时间等41个参数；
[0033]输出标签为真实的铸坯遗传的热轧带钢表面质量检测结果，包括夹渣、翘皮、裂纹或正常四类。
[0034]步骤二、对数据集进行清洗、平滑、滤波和样本均匀化，并划分为训练集和测试集；
[0035]步骤三、采用灰狼算法对NGBoost模型的参数进行协同优化，形成铸坯遗传的热轧带钢表面缺陷预测“灰狼+NGBoost”模型，并利用训练集对该模型进行训练；
[0036]NGBoost模型是一种基于自然梯度提升的集成学习模型，具有较好的预测精度；但因NGBoost模型的预测精度不仅受其手动设置的五个参数值的影响，而且还受样本数据输入特征的非线性、相关性和数量等的影响，较难直接推广应用于工业生产。
[0037]本专利技术采用灰狼算法对NGBoost模型的五个参数，即估计器、学习率、最大深度、叶子节点最小值、分裂数最大值，进行智能优化，构建具有智能调参功能的“灰狼+NGBoost”预测模型，将NGBoost模型中的五个参数通过灰狼算法进行协同优化，找到一组最佳的参数组合，从而使NGBoost模型取得最佳的预测性能，即取得最高的预测精度。
[0038]作为一种全局优化寻找函数最优解的优化算法，对于需要参数优化的机器学习模型来说，灰狼算法是极为合适的寻优算法，因此将灰狼算法与机器学习模型进行相结合，能够帮助寻找建立热轧带钢表面缺陷预测模型的最优解，取得预测效果最好的热轧带钢表面缺陷预测模型。
[0039]具体训练过程如下：...

【技术保护点】

【技术特征摘要】
1.铸坯遗传的热轧带钢表面缺陷预测灰狼+NGBoost方法，其特征在于，具体步骤如下：首先、针对同一时间维度下，根据热轧带钢表面质量图像数据与热连轧过程控制参数，选取特征和标签，构建数据集；数据集包括输入样本和一个具有四分类特性的输出标签值；每个样本均具有41个输入特征；然后、对数据集进行清洗、平滑、滤波和样本均匀化，并将其划分为训练集和测试集；采用灰狼算法对NGBoost模型的参数进行协同优化，形成铸坯遗传的热轧带钢表面缺陷预测“灰狼+NGBoost”模型，并利用训练集对该模型进行训练；NGBoost模型的参数为五个，即估计器、学习率、最大深度、叶子节点最小值、分裂数最大值；最后、利用测试集对训练好的缺陷预测“灰狼+NGBoost”模型进行验证；针对新时间段内热轧带钢表面质量图像数据，输入选取的特征到验证好的缺陷预测“灰狼+NGBoost”模型中，直接输出预测分类标签。2.如权利要求1所述的铸坯遗传的热轧带钢表面缺陷预测灰狼+NGBoost方法，其特征在于，所述输入特征包括：熔炼号、连浇号、热处理基准、热火焰清理基准清理程度、连铸号、中间包钢水温度、液相位温度、中间包最大钢水量、中间包最小钢水量、板坯切断长度、中间包内平均温度、铸造速度最大值与最小值、东西南北四个方向的热交换率平均值、液面高度最大与最小值、上水口流量最大与最小值、上滑板流量最大与最小值、上滑板流量平均值、上滑板压力最大、最小与平均值、材料长度、实际出炉温度、改钢与否、板坯底部宽、板坯顶部宽、上水口压力最大与最小值、板坯实际宽度与长度、下线时间，以及传送时间；输出标签为真实的铸坯遗传的热轧带钢表面质量检测结果，包括夹渣、翘皮、裂纹或正常四类。3.如权利要求1所述的铸坯遗传的热轧带钢表面缺陷预测灰狼+NGBoost方法，其特征在于，...

【专利技术属性】
技术研发人员：陈金香，李灿，张琳，张云贵，
申请(专利权)人：中国钢研科技集团有限公司，
类型：发明
国别省市：