[发明专利]一种基于XGBoost算法计算轧制力的方法及系统

说明书

本发明提供一种基于XGBoost算法计算轧制力的方法及系统，该方法使用大量历史数据，运用XGBoost算法对轧制力进行分析和预测，XGBoost采用了集成学习(Boosting)的思想，将弱分类器转化为强分类器，进而达到有效分类的目的，与GBDT算法相比，为了能够自定义loss函数，XGBoost将loss函数进行了2阶的泰勒展开，并同时加入正则项来权衡模型复杂度与避免过拟合，本发明使用了基于树模型的XGBoost，通过传统机理模型的参考和各个特征在节点分裂处出现的次数来确定模型的输入特征，再根据模型中各个参数对结果影响的重要程度，使用网格搜索法和先验知识进行参数调整，最终训练出模型从而计算出轧制力，与传统机理模型相比，轧制力计算精度显著提高。

技术领域

本发明属于基于人工智能算法计算热轧带钢轧制力的计算领域，特别涉及一种基于XGBoost算法计算轧制力的方法及系统。

背景技术

在热连轧系统中，轧制力的计算一直使用传统的机理模型，但轧制力计算受化学成分、温度、变形程度、压下量、变形抗力和轧辊直径等多种参数的影响，因为热轧形变过程属于弹塑性变形，导致了变形抗力的计算很难准确。在不同的生产工况下，基于力学原理的机理模型预报精度的提高有一定难度。

发明内容

为了解决现有技术中存在的问题，本发明提供了一种基于XGBoost算法计算轧制力的方法及系统。

本发明其中一个技术方案提供一种基于XGBoost算法计算轧制力的方法，该方法包括如下步骤：

获取历史数据，筛选出有用的特征；

构建以树模型为基础的XGBoost算法框架，并对参数进行调整；

将筛选出的有用的特征输入到经过参数调整的XGBoost算法框架内进行训练，生成轧制力计算模型；

将待测数据输入到轧制力计算模型内计算轧制力。

进一步改进的方案中，所述获取历史数据，筛选出有用的特征包括如下步骤：

获取历史数据，筛选历史数据内对计算轧制力影响最大的特征；

去掉筛选出的特征的异常值；

去掉相关性大的特征，进而筛选出有用的特征。

进一步改进的方案中，所述去掉筛选出的特征的异常值为利用箱型图去掉筛选出的特征的异常值。

进一步改进的方案中，所述对参数进行调整为利用网格搜索法与先验知识相结合对参数进行调整。

进一步改进的方案中，所述利用网格搜索法与先验知识相结合对参数进行调整具体包括：

利用先验知识确定需要调整的参数及需要调整参数的调整顺序和调整组合；

利用网格搜索法筛选每个参数在进行网络搜索时的范围和/或粒度。

本发明另一个技术方案提供一种基于XGBoost算法计算轧制力的系统，该系统包括：

获取历史数据，筛选出有用的特征的数据处理模块；

构建以树模型为基础的XGBoost算法框架，并对参数进行调整的框架构建模块；

将筛选出的有用的特征输入到经过参数调整的XGBoost算法框架内进行训练，生成轧制力计算模型的计算模型生成模块；

将待测数据输入到轧制力计算模型内计算轧制力的输出模块。

进一步改进的技术方案中，所述数据处理模块包括：

获取历史数据，筛选历史数据内对计算轧制力影响最大的特征的筛选子模块；

去掉筛选出的特征的异常值的异常值删除子模块；