[发明专利]一种板材性能的预测方法及装置

权利要求书

1.一种板材性能的预测方法，其特征在于，所述方法包括：

获取待预测板材的生产数据，所述生产数据包括所述待预测板材的化学成分、工艺参数和化验数据中的至少一项；

针对所述待预测板材的任一类型的性能指标，根据所述性能指标的类型，以及预先存储的性能指标的类型与预测模型的对应关系；

获取训练数据集，所述训练数据集包括多个待训练板材的训练生产数据及所述待训练板材中多个类型的性能指标分别对应的实际性能数据；

针对第一类型的性能指标，将所述训练生产数据分别输入多个初始的预测模型，得到所述初始的预测模型所对应的预测结果；所述第一类型的性能指标为多个类型的性能指标中的任意一个类型；

根据所述初始的预测模型所对应的预测结果以及所述第一类型的性能指标所对应的实际性能数据，进行反向训练，生成多个第一类型的预测模型；所述第一类型的预测模型用于预测所述第一类型的性能指标对应的性能数据；

针对任意一个第一类型的预测模型，将所述训练生产数据输入所述第一类型的预测模型，得到所述第一类型的预测模型所对应的预测结果；

根据所述第一类型的预测模型所对应的预测结果以及所述第一类型的性能指标对应的实际性能数据，确定所述第一类型的预测模型的误差率；

根据每个第一类型的预测模型的误差率，从所述多个第一类型的预测模型中确定候选预测模型；

建立所述第一类型的性能指标与所述候选预测模型之间的对应关系；

确定多个候选预测模型；

所述预测模型包括多项式回归模型、岭回归模型、核岭回归KRR模型、支持向量机SVM模型、邻近算法KNN模型、随机森林模型、渐进梯度回归树GBRT模型、极端梯度助推XGboost模型、分布式梯度提升框架LightGBM模型和迭代算法Adaboost模型中的任意一项；

根据所述多个候选预测模型以及预先设置的候选预测模型的权重值，确定组合模型；

所述组合模型包括输入层；

根据所述多个候选预测模型以及预先设置的候选预测模型的权重值，确定组合模型，包括：

将所述多个候选预测模型的输出层分别与所述预先设置的候选预测模型的权重值相乘后，作为所述组合模型的输入层，确定所述组合模型；

将所述待预测板材的生产数据输入所述组合模型中，得到所述待预测板材在所述性能指标上的预测性能数据；

将所述待预测板材的生产数据输入所述候选预测模型中，得到候选预测结果；

根据所述候选预测结果，以及预先设置的候选预测模型对应的权重值，确定所述组合模型的输入层对应的输入数据；

将所述输入数据输入所述组合模型的输入层，得到所述待预测板材在所述性能指标上的预测性能数据。

2.一种板材性能的预测装置，其特征在于，所述装置包括：

获取单元，用于获取待预测板材的生产数据，所述生产数据包括所述待预测板材的化学成分、工艺参数和化验数据中的至少一项；

处理单元，用于针对所述待预测板材的任一类型的性能指标，根据所述性能指标的类型，以及预先存储的性能指标的类型与预测模型的对应关系，确定多个候选预测模型；根据所述多个候选预测模型以及预先设置的候选预测模型的权重值，确定组合模型；将所述待预测板材的生产数据输入所述组合模型中，得到所述待预测板材在所述性能指标上的预测性能数据；

所述处理单元具体用于：

将所述多个候选预测模型的输出层分别与所述预先设置的候选预测模型的权重值相乘后，作为所述组合模型的输入层，确定所述组合模型；

所述处理单元具体用于：

将所述待预测板材的生产数据输入所述候选预测模型中，得到候选预测结果；以及，根据所述候选预测结果，以及预先设置的候选预测模型对应的权重值，确定所述组合模型的输入层对应的输入数据；以及，将所述输入数据输入所述组合模型的输入层，得到所述待预测板材在所述性能指标上的预测性能数据；

获取训练数据集，所述训练数据集包括多个待训练板材的训练生产数据及所述待训练板材中多个类型的性能指标分别对应的实际性能数据；

针对第一类型的性能指标，将所述训练生产数据分别输入多个初始的预测模型，得到所述初始的预测模型所对应的预测结果；所述第一类型的性能指标为多个类型的性能指标中的任意一个类型；

根据所述初始的预测模型所对应的预测结果以及所述第一类型的性能指标所对应的实际性能数据，进行反向训练，生成多个第一类型的预测模型；所述第一类型的预测模型用于预测所述第一类型的性能指标对应的性能数据；

针对任意一个第一类型的预测模型，将所述训练生产数据输入所述第一类型的预测模型，得到所述第一类型的预测模型所对应的预测结果；

根据所述第一类型的预测模型所对应的预测结果以及所述第一类型的性能指标对应的实际性能数据，确定所述第一类型的预测模型的误差率；

根据每个第一类型的预测模型的误差率，从所述多个第一类型的预测模型中确定候选预测模型；

建立所述第一类型的性能指标与所述候选预测模型之间的对应关系；

所述预测模型包括多项式回归模型、岭回归模型、核岭回归KRR模型、支持向量机SVM模型、邻近算法KNN模型、随机森林模型、渐进梯度回归树GBRT模型、极端梯度助推XGboost模型、分布式梯度提升框架LightGBM模型和迭代算法Adaboost模型中的任意一项。