[发明专利]一种采用逻辑回归分类预测连铸坯纵裂纹的方法

权利要求书

1.一种采用逻辑回归分类预测连铸坯纵裂纹的方法，其特征在于，包括以下步骤：

第一步、获取温度数据

(1)对于纵裂纹历史温度样本，截取包含温度下降-稳定-上升波动过程在内的L秒的同列热电偶温度数据；

(2)对于正常工况下的温度数据，截取连续L秒的同列热电偶温度数据；

第二步、温度预处理

(1)将同列热电偶第r、r+1行热电偶温度进行作差处理：

式中，T_(r)i、T_(r+1)i分别为第r、r+1行热电偶温度第i时刻的数值；为第r、r+1行热电偶温度第i时刻的数值的差值；

(2)求第r、r+1行热电偶温度差值T_minus间隔为k秒的变化率：

式中，为第r、r+1行热电偶温度第i+k时刻的数值的差值；

将同列热电偶温度得到的T_M_V作为一个样本，构成温度时序样本库：

S_{T_M_V}＝{(T_M_V_C1,1),(T_M_V_C2,1),…,(T_M_V_Cm,1),(T_M_V_N1,0),(T_M_V_N2,0),…,(T_M_V_Nn,0)}其中，T_M_V_C的类别标签为1，表示纵裂纹样本；T_M_V_N的类别标签为0，表示正常工况样本；m、n分别为样本库中纵裂纹和正常工况样本的数量；

第三步、最佳分类决策函数获取

将温度时序样本库S_{T_M_V}随机划分为H组子样本库，其中每一组子样本库均包含训练样本集和测试样本集，利用逻辑回归分类方法对每一组子样本库中的训练样本集进行训练，随后利用所得模型对该组子样本库中的测试样本集进行测试；如此对H组子样本库分别训练和测试并得到H个测试准确率，选取测试准确率最优的分类预测模型及其对应的分类决策函数，包括以下步骤：

(1)模型训练：在S_{T_M_V}中各随机抽取30例以上纵裂纹样本T_M_V_C和30例以上正常工况样本T_M_V_N，组成训练集，利用逻辑回归分类方法对其进行训练，得到逻辑回归分类方法对应的分类决策函数，即：

其中，表示温度时序样本向量，ω为时序样本对应的权重向量，b为位移项；

(2)模型测试：以(1)中得到的分类决策函数对S_{T_M_V}中剩余样本组成的测试集进行测试，并记录预测准确率；

(3)将步骤(1)～(2)重复执行H次，每次均重新随机抽取纵裂纹样本和正常工况样本组成新的训练样本集，并以剩余样本为测试样本集，最终得到H个分类决策函数及其对应的预测准确率；

(4)选择预测准确率最高的分类决策函数，作为最佳的逻辑回归分类决策函数；

第四步、纵裂纹在线预测

(1)在线检测过程中，截取当前时刻及之前连续L-1秒的同列热电偶的实时温度，以与第二步相同的方式对实时温度进行预处理，得到实时温度时序样本T_M_V_new；

(2)利用第三步得到的最佳逻辑回归分类决策函数对实时温度时序样本T_M_V_new的类别标签进行预测：

(3)如果决策函数的值大于等于阈值λ，则认为T_M_V_new为纵裂纹，发出纵裂纹警报；否则，更新时间，对下一时刻及之前连续L-1秒的同列热电偶的实时温度，即下一时刻对应的L秒的实时温度执行第四步(1)、第四步(2)和第四步(3)。

2.根据权利要求1所述的一种采用逻辑回归分类预测连铸坯纵裂纹的方法，其特征在于，所述第二步步骤(2)中温度时序样本库中纵裂纹样本和正常工况样本数量均不少于40例。

3.根据权利要求1或2所述的一种采用逻辑回归分类预测连铸坯纵裂纹的方法，其特征在于，所述第四步步骤(3)中阈值λ应满足条件λ∈[0.5,1)。

4.根据权利要求1或2所述的一种采用逻辑回归分类预测连铸坯纵裂纹的方法，其特征在于，所述方法适用于板坯、方坯、圆坯、异型坯连铸坯纵裂纹预测。

5.根据权利要求3所述的一种采用逻辑回归分类预测连铸坯纵裂纹的方法，其特征在于，所述方法适用于板坯、方坯、圆坯、异型坯连铸坯纵裂纹预测。