基于随机森林的铸坯裂纹智能预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115114968A(43)申请公布日2022.09.27(21)申请号202011072261.6(22)申请日2020.10.09(71)申请人武汉科技大学地址430081湖北省武汉市青山区和平大道947号(72)发明人李维刚淳李良易成新赵云涛(51)Int.Cl.G06K9/62(2022.01)G06N3/00(2006.01)权利要求书1页说明书9页附图2页(54)发明名称基于随机森林的铸坯裂纹智能预测方法(57)摘要本发明公开了一种基于随机森林的铸坯裂纹智能预测方法。一、收集对铸坯裂纹可能有影响的因素，对上述采集到的数据进行必要的预处理，并为数据集中的每个样本确定一个类别标签；二、使用随机森林算法对相关过程变量进行重要性排序，获得铸坯裂纹相关变量的重要性评分；三、通过引入随机森林算法构建铸坯裂纹的预测模型；四、逐步增加经随机森林筛选的重要性评分排在前面的相关变量，重新训练随机森林分类模型并测试新模型的精度，最后筛选出使得随机森林分类模型精度最高的相关变量组合。本专利所述的方法在对流号炉号都进行数据分析时，总分类精度可达到90.7％以上，在只对炉号进行分析时，总分类精度可达到59.4％以上，比XGBoost算法的精度高。CN115114968ACN115114968A权利要求书1/1页1.一种基于随机森林的铸坯裂纹智能预测方法，其特征在于，包括以下步骤：步骤一、收集对铸坯裂纹可能有影响的因素，并对上述采集到的数据进行必要的预处理，预处理方法如下：1)剔除数据记录中的零值；2)剔除数据记录中有缺失项数据的变量；3)将剩余变量有空值的地方用该变量的均值填补；4)按照炉号或者流号，对数据进行打标签处理；步骤二、对步骤一中预处理的相关过程变量使用随机森林算法进行重要性排序；步骤三、构建一种引入随机森林算法的铸坯裂纹预测模型，利用随机森林分类模型对铸坯数据集进行分类预测；步骤四、逐步增加经随机森林筛选的重要性评分排在前面的相关变量，将这些变量输入到随机森林分类模型，筛选出使得随机森林分类模型精度最高的相关变量组合；步骤五、利用正常工况下采集到的钢厂生产数据建立随机森林分类模型后，可以将其应用于铸坯裂纹智能预测。2.如权利要求1所述的基于随机森林的铸坯裂纹智能预测方法，其特征在于，上述步骤二中，具体算法步骤如下：1)生成自生数据集Dn：针对原始数据集，使用bootstrap重抽样方法进行有放回地随机数据抽取，形成与原始数据集大小相同的自生数据集Dn；2)由Dn生成分类树Tn：设原始数据的自变量总个数为p，在每一颗树的每个节点处随机选取mtry个自变量(1≤mtry≤p)作为备选分枝变量，基于备选分枝变量选取最优分枝，采用CART算法生成一棵没有剪枝的分类树；3)利用基尼指数评价变量(参数)重要性。3.如权利要求1所述的基于随机森林的铸坯裂纹智能预测方法，其特征在于，上述步骤三中，具体步骤如下：1)对于t＝1,2...,T，对训练集进行第t次随机采样，共采集m次，得到包含m个样本的采样集Dt；2)用采样集Dt训练第t个决策树模型Gt(x)，在训练决策树模型的节点的时候，在节点上所有的样本特征中选择一部分样本特征，在这些随机选择的部分样本特征中选择一个最优的特征来做决策树的左右子树划分；3)对于分类算法预测，T个弱学习器投出最多票数的类别或者类别之一为最终类别。4.如权利要求2所述的基于随机森林的铸坯裂纹智能预测方法，其特征在于，上述步骤二中，森林中树的数量即基评估器的数量取值为ntree＝2000。5.如权利要求3所述的基于随机森林的铸坯裂纹智能预测方法，其特征在于，上述步骤三中，基评估器的数量取值为ntree＝1000，选出排序前30的特征变量进行建模。2CN115114968A说明书1/9页基于随机森林的铸坯裂纹智能预测方法技术领域[0001]本发明涉及连铸生产过程控制领域，尤其涉及一种基于随机森林的铸坯裂纹智能预测方法。背景技术[0002]裂纹是连铸坯主要质量问题之一，在各类缺陷中裂纹约占50％。连铸过程铸坯发生相转变、碳氮化物在晶界的析出行为、不同组织间的性能差异是裂纹形成的根本原因。轻微的裂纹经精整后对后续工序不会产生影响，严重的裂纹会导致铸坯判废，甚至漏钢。连铸生产技术暂时不能彻底消除裂纹缺陷，因此为了保证连续化生产，需要在铸坯流向下一工序之前，对存在裂纹的铸坯进行准确预测，进而及时将之分拣下线。[0003]目前，有关铸坯裂纹的预测模型也出现了一些公开的专利文件，例如，名称为《连铸板坯表面纵裂纹在线预测的方法》(申请号：CN202010217692.0)文件中记载的方法：在结晶器壁面上设置多个温度检测点，且多个温度检测点呈矩形阵列形式排布，所述矩形阵列至少