【技术实现步骤摘要】
本专利技术属于冶金连铸坯质量故障诊断领域，尤其涉及一种基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法。
技术介绍
1、连铸工艺在钢铁生产中扮演着至关重要的角色，其质量直接关系到后续生产环节的产品性能和加工成本。在连铸过程中，夹渣是常见的质量缺陷之一。夹渣是指在连铸过程中，液态钢水中夹带的非金属夹杂物被捕获并固化在铸坯中，形成的质量缺陷。这些夹杂物不仅会导致铸坯的机械性能下降，还可能在后续加工过程中引发裂纹等严重质量问题。因此，准确地诊断连铸坯中的夹渣缺陷，对于提高产品质量和生产效率具有重要意义。
2、传统的夹渣故障诊断方法主要依赖于人工检测和经验判断，这些方法不仅效率低下，且存在较大的主观性和不确定性，难以满足现代冶金工业对高效且准确诊断的需求。随着智能制造和大数据技术的快速发展，基于数据驱动的故障诊断方法成为研究热点。神经网络由于其强大的非线性建模能力与学习能力，已广泛应用于连铸坯质量故障诊断中。
3、然而，神经网络模型的性能高度依赖于其结构和参数的选择。传统的参数调整方法，如随机搜索和网格搜索，往往计算成本高且效率低，难以在复杂的超参数空间中找到最优解。此外，由于连铸过程工艺的复杂性，采集到的连铸坯夹渣质量数据具有数据冗余性高和数据维度高等特点，这些特性会影响模型的分类准确度。针对以上问题，本专利技术提出了一种结合互信息法和贝叶斯超参数优化的神经网络分类模型，旨在实现对连铸坯夹渣质量故障的精准诊断。
技术实现思路
1、本专利技术为了克服
2、为了实现上述目的，本专利技术的基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法如下：
3、该基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其主要特点是，所述的方法包括以下步骤：
4、(1)获取连铸坯生产过程数据，并对数据样本进行过采样处理，以解决类别不平衡问题；
5、(2)计算特征变量与质量类别的互信息值，剔除互信息值低于设定阈值的特征变量，再引入代理变量通过神经网络进行错误发现率(fdr)估计处理，以获得最优变量子集；
6、(3)采用神经网络对变量选择后的数据进行故障诊断，利用贝叶斯优化算法调整神经网络超参数，得到最优分类模型，并采用t-sne算法对分类结果进行可视化。
7、较佳的，所述的步骤(1)具体包括以下步骤：
8、(1.1)通过传感器和数据采集系统获取钢铁厂的连铸坯生产过程数据；
9、(1.2)采用自适应合成过采样技术(adasyn)对少数类样本进行过采样，以实现数据均衡化。
10、较佳的，所述的步骤(2)具体包括以下步骤：
11、(2.1)计算特征变量与质量类别的互信息值，剔除互信息值低于设定阈值的特征变量，对特征变量进行初步筛选；
12、(2.2)向神经网络输入初步变量筛选后的数据，并训练神经网络；
13、(2.3)计算每个变量的重要性并进行排序，去除排序后重要性较低的m个变量；
14、(2.4)进行错误发现率(fdr)估计，判断fdr值是否满足终止条件，以获取最优的变量子集。
15、按照以下方式计算互信息值：
16、
17、其中，x表示特征变量，y表示质量类别标签，n表示样本总数，p(x,y)表示x和y的联合概率分布函数，p(x)和p(y)分别表示x和y的边缘概率密度分布函数。
18、定义互信息阈值为λ，删除互信息值小于λ的特征变量，进行初步变量筛选。
19、按照以下方式计算变量重要性：
20、
21、其中，l表示损失函数，表示损失函数l对于第j个变量xj的第i个样本的偏导数值。
22、按照以下方式计算变量重要性低的m个变量：
23、
24、其中，m表示一次迭代需要删除的变量个数，表示ceil函数，返回大于等于·的所有整数中的最小整数，δ为消除率，用来调节神经网络删除变量的速度，γ*表示设定的临界fdr值，表示当前估计的fdr值，q0表示当前剩余的代理变量个数。
25、较佳的，所述的步骤(2.4)具体包括以下步骤：
26、(2.4.1)通过以下方式估计fdr值：
27、
28、其中，q表示剩余变量个数，a表示初始状态下加入的代理变量个数，b表示初始条件下原变量的个数。
29、(2.4.2)判断估计fdr值是否小于fdr临界值γ*，若满足该条件，则删除剩余变量中的代理变量并输出优质变量子集；若不满足该条件，则返回步骤(2.2)重复处理。
30、较佳的，所述的步骤(3)具体包括以下步骤：
31、(3.1)将经过筛选的优质变量数据集输入神经网络分类模型；
32、(3.2)定义贝叶斯优化的目标函数为神经网络损失函数的相反数，初始化网络参数θ和超参数组[ξ1,ξ2,…,ξk]，并训练神经网络；
33、(3.3)使用高斯过程回归拟合目标函数，得到目标函数的先验分布和后验分布；
34、(3.4)基于后验分布和采集函数得到新的超参数组合，再次训练神经网络；
35、(3.5)更新超参数，直到达到预设条件，获得最优超参数组合及其对应的分类模型，并采用t-sne算法对模型分类结果进行可视化。
36、按照以下方式得到神经网络的损失函数：
37、
38、其中，c表示类别数，yi,c表示第i个样本属于第c类的真实标签，表示模型对第i个样本预测属于第c类的概率，ξk表示第k组超参数，θk表示网络参数并通过反向传播进行优化。
39、按照以下方式优化网络参数：
40、
41、按照以下方式得到贝叶斯优化的目标函数：
42、g(ξk)＝-l(θk,ξk)
43、按照以下方式得到目标函数的先验分布:
44、
45、其中，ξ1:k表示1到k组超参数序列，μ0(·)表示均值函数，σ0(·)表示核函数。
46、假设h＝k+1，按照以下方式得到目标函数的后验分布：
47、
48、μh(ξ)＝σ0(ξ,ξ1:h)σ0(ξ1:h,ξ1:h)-1(g(ξ1:h)-μ0(ξ1:h))+μ0(ξ)
49、
50、其中，ξ1:h表示1到h组超参数序列，μh(ξ)表示后验均值，表示后验方差。
51、按照以下方式得到采集函数eih(ξ)：
52、
53、其中，表示当前观测到的最优值，表示标准正态分布的概率密度函数，φ(·)表示标准正态分布的累积分布函数。
本文档来自技高网...【技术保护点】
1.一种基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，所述的方法包括以下步骤：
2.根据权利要求1所述的基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，所述的步骤(1)具体包括以下步骤：
3.根据权利要求2所述的基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，所述的步骤(2)具体包括以下步骤：
4.根据权利要求3所述的基于互信息法和贝叶斯超参数优化的连铸坯夹渣质量故障诊断方法，其特征在于，按照以下方式计算所述的互信息值：
5.根据权利要求4所述的基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，按照以下方式计算变量重要性：
6.根据权利要求5所述的基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，所述的步骤(2.4)具体包括以下两个步骤：
7.根据权利要求6所述的基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，所述的步骤(3)具体包括
8.根据权利要求7所述的基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，按照以下方式得到神经网络的损失函数：
9.根据权利要求7所述的基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，按照以下方式得到目标函数的先验分布:
10.根据权利要求9所述的基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，按照以下方式得到采集函数EIh(ξ)：
11.根据权利要求10所述的基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，当优化次数达到I时，输出最优超参数组ξ*以及网络参数θ*，并得到最优分类模型。
...【技术特征摘要】
1.一种基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，所述的方法包括以下步骤：
2.根据权利要求1所述的基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，所述的步骤(1)具体包括以下步骤：
3.根据权利要求2所述的基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，所述的步骤(2)具体包括以下步骤：
4.根据权利要求3所述的基于互信息法和贝叶斯超参数优化的连铸坯夹渣质量故障诊断方法，其特征在于，按照以下方式计算所述的互信息值：
5.根据权利要求4所述的基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，按照以下方式计算变量重要性：
6.根据权利要求5所述的基于互信息和贝叶斯超参数优化的神经网络连铸坯夹渣质量故障诊断方法，其特征在于，所述的步骤(2.4)...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。