[发明专利]一种基于极限学习机的连铸坯质量预测方法

说明书

本发明提供一种基于极限学习机的连铸坯质量预测方法，属于钢铁冶金技术领域。该方法首先采集连铸坯实际生产所涉及的数据，找到影响连铸坯质量的影响因素，然后对所选取的样本数据进行预处理并根据这些数据来确定极限学习机计输入节点个数、输出节点个数，之后，将训练数据集输入极限学习机中完成对极限学习机的训练，最后输入剩余的样本数据，完成对连铸坯质量的缺陷等级分类。该方法训练速度快、预测精度高、适应性较好，较基于统计学方法、专家系统、BP神经网络等连铸坯质量预测模型的预测精度和运算速度都有了明显的提升，进而可对连铸坯的质量进行及时和精确判定。

本申请是名为《一种基于极限学习机的连铸坯质量预测方法》的专利申请的分案申请，原申请的申请日为2018年02月05日，申请号为201810109564.7。

技术领域

本发明涉及钢铁冶金技术领域，特别是指一种基于极限学习机的连铸坯质量预测方法。

背景技术

近几十年以来，随着钢铁企业快速发展，连铸坯的热装热送、直接轧制技术使连续铸钢成为钢铁企业最活跃的研究领域，这一技术的发展不仅大幅度降低了钢铁的生产成本、设备的投入，而且提高了产品的竞争力。但是，目前的连铸技术还不能彻底消除缺陷的产生，致使在后续的热装热送、直接轧制过程必然会有缺陷的产生，从而影响钢材产品的质量。如果能对这些缺陷的连铸坯进行及时的判定和分拣下线，不仅可以提高连铸坯/产品的质量，而且有利于连铸-连轧过程的连续化生产。如何及时准确地预报和检测铸坯质量是钢铁企业可持续发展过程中亟待解决的重要问题。

目前，连铸坯质量预测的方法主要包括统计学方法和和非统计学方法，统计学方法包括：线性回归、非线性回归等，非统计学方法包括：专家系统、BP神经网络等。连铸坯生产过程中钢水经过凝固、结晶、相变等一系列复杂的物理化学变化，所涉及的生产设备、参数众多，且各影响因素与连铸坯缺陷呈现着较强的非线性关系。基于统计学方法建立的连铸坯质量预测模型的适应性和泛化能力较弱，对于目前钢铁企业多钢种、小批量生产模式的连铸坯质量预测具有一定的局限性；而基于非统计学方法的连铸坯质量预测模型具有较强的适应性和泛化能力，由于影响连铸坯质量的影响众多，且各影响因素和连铸坯缺陷之间具有较强的非线性关系，人工神经网络较强的非线性逼近能力可以很好的解决这一问题，BP神经网络是目前应用最广泛的神经网络之一。同样，该方法也成功应用于钢铁领域的连铸坯质量预测。但是基于该方法建立的模型在训练过程需要消耗大量的时间、易陷入局部最优值以及训练过程需要设置大量的网络训练参数，且预测精度低，难以迅速、及时地对钢铁企业连铸坯质量进行准确的判定，不利于钢铁企业高品质钢的高效化生产。因此，开发一种适应性强，运算速率快且预测准确率高的连铸坯质量预测方法，对于提高炼钢-连铸过程连铸坯质量的“窄窗口”自动化控制水平具有重要意义。

发明内容

本发明要解决的技术问题是提供一种基于极限学习机的连铸坯质量预测方法。

为实现上述目的，本发明提供了一种基于极限学习机的连铸坯质量预测方法，该方法具体步骤如下：

步骤1：极限学习机输入变量的选取：根据连铸坯质量的影响因素和连铸坯缺陷，运用Pearson相关系数进行相关性分析，确定影响连铸坯质量的影响因素；所述连铸坯缺陷包括中心疏松、中心偏析、缩孔；

步骤2：对连铸坯质量的影响因素数据进行采集，并对所述影响因素数据进行预处理，确定极限学习机计输入节点个数、输出节点个数，确定使用的样本数据集，建立模型；

步骤3：对极限学习机输入数据进行归一化处理，对样本所对应的连铸坯缺陷等级进行分类标签的创建，并选取采集的样本数据中的三分之二输入极限学习机中完成对极限学习机的训练；

步骤4：对极限学习机输入剩余三分之一的样本数据，验证模型的准确性，基于极限学习机的训练拟合度和判定缺陷等级准确率设置合理的隐含层节点个数和隐含层激活函数，以保证网络结构的最优化，完成对连铸坯质量的缺陷等级分类；

所述方法判定缺陷等级的过程运算时间为0.1s；