[发明专利]一种基于Stacking多分类器融合的黏结漏钢预报方法

权利要求书

1.一种基于Stacking多分类器融合的黏结漏钢预报方法，其特征在于，包括以下步骤：

1)构建真伪黏结漏钢样本库

①利用结晶器在线监控系统，获取钢种、浇注温度、拉速、液位和结晶器温度数据；

②根据浇注记录和结晶器温度数据，获取黏结漏钢样本，同时，提取正常浇注、开浇、换水口工艺下的结晶器温度数据，作为伪黏结漏钢样本，构建真伪黏结漏钢样本库；

2)提取真伪黏结漏钢温度特征数据与时序温度速率

①获取同列热电偶真伪黏结漏钢第一排温度标准差DT₍₁₎；

②获取同列热电偶真伪黏结漏钢第二排温度标准差DT₍₂₎；

③获取同列热电偶真伪黏结漏钢第一排温度最大值与平均值差值T_(1)max-ave；

④获取同列热电偶真伪黏结漏钢第二排温度最大值与平均值差值T_(2)max-ave；

⑤根据公式(1)，计算真伪黏结漏钢的温度速率V，获取包含第一排热电偶温度速率上升-下降过程在内的9s温度速率V_(1)i-4，V_(1)i-2，V_(1)i，V_(1)i+2，V_(1)i+4，其中V_(1)i为第一排热电偶温度速率达到最大值时刻的温度速率；

式中，V代表温度速率，℃/s；T_i代表第i个时间点热电偶的温度，℃；

⑥根据公式(1)，获取包含第二排热电偶温度速率上升-下降过程在内的9s温度速率V_(2)i-4，V_(2)i-2，V_(2)i，V_(2)i+2，V_(2)i+4，其中V_(2)i为第二排热电偶温度速率达到最大值时刻的温度速率；

⑦根据公式(2)，计算真伪黏结漏钢的温度速率差值V_minus；

V_minus＝V₍₁₎-V₍₂₎ (2)

式中,V_minus代表温度速率差值，℃/s；V₍₁₎代表第一排热电偶温度速率，℃/s；V₍₂₎代表第二排热电偶温度速率，℃/s；

⑧获取温度速率差值的最大值V_minus(max)与最小值V_minus(min)；

⑨获取温度速率差值的最大值与最小值的差值V_{minus(max-min)}；

3)构建真伪黏结漏钢样本特征向量

①构建黏结漏钢样本特征向量(DT₍₁₎，DT₍₂₎，T_(1)max-ave，T_(2)max-ave，V_(1)i-4，V_(1)i-2，V_(1)i，V_(1)i+2，V_(1)i+4，V_(2)i-4，V_(2)i-2，V_(2)i，V_(2)i+2，V_(2)i+4，V_minus(max)，V_{minus(max-min)})；

②构建伪黏结漏钢样本特征向量(DT₍₁₎，DT₍₂₎，T_(1)max-ave，T_(2)max-ave，V_(1)i-4，V_(1)i-2，V_(1)i，V_(1)i+2，V_(1)i+4，V_(2)i-4，V_(2)i-2，V_(2)i，V_(2)i+2，V_(2)i+4，V_minus(max)，V_{minus(max-min)})；

4)真伪黏结漏钢特征数据预处理

根据公式(3)对特征数据进行归一化处理，并设置黏结漏钢样本标签为1，伪黏结漏钢样本标签为0；

式中，X是归一化后的特征数据；min为特征数据最小值；max为特征数据最大值；

5)构建Stacking多分类器融合的黏结漏钢预报模型

①将处理好的真伪黏结漏钢样本特征向量按7:3比例划分为训练集与测试集

②将随机森林，K近邻分类，支持向量分类设定为初级分类器，将训练集传递给初级分类器，采用5折交叉验证进行训练，将输出结果作为新训练集，同时测试集跟随初级分类器进行预测，将输出结果进行平均并作为新测试集。

③将新训练集与新测试集传递给逻辑回归作为次级分类器训练输出；

④支持向量分类中惩罚系数C设定为3，核函数系数g设定为0.3；

⑤随机森林中树的最大深度max_depth设定为1，最适属性特征max_features设定为1，决策树的个数n_estimators设定为39，规定随机数种子random_state设定为123；

⑥K近邻分类中近邻数目K设定为2；

⑦逻辑回归中正则化强度C设定为2；

⑧设定构建好的Stacking模型输出结果为概率，利用受试者工作特征曲线(ROC曲线)寻找最佳阈值点T，若Stacking输出结果大于T时判定为黏结漏钢；若输出结果小于T时判定为伪黏结漏钢。