一种基于分类决策树的热连轧终轧温度预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115138693A(43)申请公布日2022.10.04(21)申请号202210266243.4(22)申请日2022.03.17(71)申请人邯郸钢铁集团有限责任公司地址056015河北省邯郸市复兴区复兴路232号申请人邯钢集团邯宝钢铁有限公司(72)发明人郝学斌张亮王世新沈士杰刘晓东李金强周军锋(74)专利代理机构石家庄冀科专利商标事务所有限公司13108专利代理师李桂芳(51)Int.Cl.B21B37/74(2006.01)B21B38/00(2006.01)G06K9/62(2022.01)权利要求书2页说明书5页附图2页(54)发明名称一种基于分类决策树的热连轧终轧温度预测方法(57)摘要本发明涉及一种基于分类决策树的热连轧终轧温度预测方法，属于轧钢控制方法技术领域。本发明的技术方案是：将PDI数据发送给精轧过程自动化；根据PDI数据触发精轧模型计算，轧件按照精轧轧制规程开始进行轧制过程；将生产的历史数据归一化；构建分类决策树；当决策树划分数据集遇到终止条件时，决策树停止递归；决策树剪枝，交叉验证，保留较好的拟合精度的同时使模型具有一定泛化能力。本发明的有益效果是：采用决策树分类算法对模型进行优化，对数据集进行深入挖掘，按照特征进行划分，对已构建的模型实现细分，根据数据集分类不同独立进行训练最后统一输出预测结果，进一步解决了神经元网络预测中陷入局部最优的问题，使模型的预测精度大幅提高。CN115138693ACN115138693A权利要求书1/2页1.一种基于分类决策树的热连轧终轧温度预测方法，其特征在于包含以下步骤：步骤1：将PDI数据发送给精轧过程自动化；步骤2：根据PDI数据触发精轧模型计算，轧件按照精轧轧制规程开始进行轧制过程；步骤3：将生产的历史数据归一化，使不同量级的数据标准映射到0到1之间；步骤4：构建分类决策树步骤4.1：首先从数据集中按照上述方法遍塑最优特征和最优切分点，作为树的根节点，然后根据数据划分点划分数据，将数据集拆分为两个子集；步骤4.2：如果分类后的子集中数据全属于一类则给子集加上叶子的标签，如果子集中的数据仍可以再分，则把子集当做新的根节点，重新寻找最优特征和最优划分节点对数据集进行分类；步骤4.3：重复4.1和4.2中的步骤不断对子数据集进行划分，直到所有的子数据集都成为叶子节点，此时停止分类，决策树构建完成；步骤5：决策树终止条件当决策树划分数据集遇到以下情况时，决策树停止递归：在决策树划分进行到某一节点集合中的元素没有特征时，决策树停止递归；当前决策树节点样本个数小于设定值时，决策树停止递归；当决策树进行划分时子数据集中数据数量小于设置值时，子数据集返回上一节点，决策树停止递归；计算每个样本的均方差，当均方差小于设定值时，决策树停止递归；步骤6：决策树剪枝采用后剪枝，即先让所有节点正常分裂再对节点进行剪枝操作，使用剪枝损失函数来描述剪枝损失，用T表示节点，用t表示子树，其剪枝损失表达式为：Cα(t)＝C(t)+α|t|(1)式中，C(t)为预测误差，α为正则系数，|t|为叶子数量；如果将节点T进行剪枝操作，其损失函数为：Cα(T)＝C(T)+α(2)对节点进行划分会减小预测误差，增加拟合度，因此有C(t)<C(T)，当正则化系数很小趋近于0时，Cα(t)<Cα(T)，即不剪枝的损失函数小于剪枝的损失函数，此时模型偏向于于保留叶子；当正则化系数很大时，Cα(t)>Cα(T)，剪枝的损失函数小于不剪枝的损失函数，此时模型偏向于剪枝；步骤7：交叉验证运用交叉验证方式对生成的决策树进行剪枝处理，找出最佳的正则化系数α，进行良好的剪枝处理，保留较好的拟合精度的同时使模型具有一定泛化能力。2.根据权利要求1所述的一种基于分类决策树的热连轧终轧温度预测方法，其特征在于：所述步骤1中，PDI数据包括轧件中间坯尺寸数据、成品尺寸数据、钢种名称和化学组成成分。3.根据权利要求1所述的一种基于分类决策树的热连轧终轧温度预测方法，其特征在于：所述步骤7中，具体方法是联立式(1)和式(2)对正则化系数α进行求解：2CN115138693A权利要求书2/2页用式(3)计算出所有节点的正则化系数，将正则化系数按照大小进行排列。从最大的α开始进行验证，最后找到最佳正则化系数值完成对决策树的剪枝。3CN115138693A说明书1/5页一种基于分类决策树的热连轧终轧温度预测方法技术领域[0001]本发明涉及一种基于分类决策树的热连轧终轧温度预测方法，属于轧钢控制方法技术领域。背景技术[0002]在热连轧实际生产中温度控制是热连轧控制中非常重要的一环，温度穿插于整个带钢生产过程中，热轧带钢的尺寸精度和质量指标和温度的控制精度密不可分。生产中需要