本發(fā)明涉及材料性能預(yù)測(cè)，具體為一種熱軋帶鋼力學(xué)性能預(yù)測(cè)方法和系統(tǒng)，更具體的，涉及一種基于多維特征相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)方法和系統(tǒng)。

背景技術(shù)：

1、鋼鐵材料以其在力學(xué)性能上的卓越表現(xiàn)以及在經(jīng)濟(jì)和環(huán)境可持續(xù)性方面的優(yōu)勢(shì)，在眾多工業(yè)領(lǐng)域中發(fā)揮著基石作用。力學(xué)性能作為評(píng)估熱軋帶鋼質(zhì)量的關(guān)鍵指標(biāo)，其精確預(yù)測(cè)對(duì)于減少樣品檢測(cè)頻率、確保產(chǎn)品質(zhì)量穩(wěn)定性、優(yōu)化鋼材成分以及促進(jìn)新產(chǎn)品研發(fā)具有重要意義。

2、目前，力學(xué)性能預(yù)測(cè)方法主要分為兩大類：基于傳統(tǒng)物理冶金學(xué)模型和基于人工智能模型。傳統(tǒng)物理冶金學(xué)模型的構(gòu)建依賴于實(shí)驗(yàn)室測(cè)試數(shù)據(jù)，受限于專業(yè)知識(shí)、成本、時(shí)間和特定鋼種的適用性。而基于人工智能的模型，盡管受益于數(shù)據(jù)采集和管理技術(shù)的發(fā)展，但面對(duì)熱軋產(chǎn)品化學(xué)成分、晶相結(jié)構(gòu)與力學(xué)性能之間復(fù)雜的強(qiáng)耦合和非線性關(guān)系，在預(yù)測(cè)準(zhǔn)確性和適應(yīng)性方面仍存在不足。

3、通過(guò)查閱相關(guān)文獻(xiàn)可以發(fā)現(xiàn)基于數(shù)據(jù)驅(qū)動(dòng)的熱軋帶鋼力學(xué)性能預(yù)測(cè)模型分為兩類：一類是全局建模；另一類為即時(shí)學(xué)習(xí)（just-in-time?learning,?jitl），也稱為局部建模。全局建模依賴于一次性從歷史數(shù)據(jù)集中離線訓(xùn)練得到的模型，并期望其在長(zhǎng)時(shí)間內(nèi)提供服務(wù)。盡管這種方法在運(yùn)行效率上具有優(yōu)勢(shì)，但其在處理工業(yè)數(shù)據(jù)的時(shí)變性方面存在局限性，導(dǎo)致模型難以持續(xù)穩(wěn)定地適應(yīng)工業(yè)過(guò)程的動(dòng)態(tài)變化。此外，全局建模在捕捉過(guò)程變量信息方面存在不足，這直接影響了模型的預(yù)測(cè)能力。相比之下，jitl因其能夠應(yīng)對(duì)特定問(wèn)題而受到業(yè)界的廣泛關(guān)注。jitl模型具有三個(gè)核心特點(diǎn)：首先，它在接收到查詢請(qǐng)求時(shí)才開始構(gòu)建模型；其次，它基于相似度來(lái)評(píng)估待測(cè)樣本與歷史樣本之間的相似性，并根據(jù)相似性選擇相關(guān)樣本來(lái)構(gòu)建一個(gè)局部模型；最后，在完成預(yù)測(cè)后，該模型會(huì)被丟棄，以提高適應(yīng)性和準(zhǔn)確性。

4、然而，jitl模型的預(yù)測(cè)準(zhǔn)確性高度依賴于通過(guò)相似性度量方法選擇出的建模樣本。在樣本分析中，普遍存在多個(gè)相似性維度，且這些維度對(duì)于不同樣本的相似性關(guān)系可能具有不同的影響。通常情況下，單一的相似性度量方法可能不足以全面捕捉樣本間的真正相似性結(jié)構(gòu)。尤其在熱軋帶鋼的力學(xué)性能預(yù)測(cè)中，輸入與輸出特征間的多維相似性關(guān)系使得現(xiàn)有技術(shù)難以準(zhǔn)確選擇相關(guān)樣本，這是該領(lǐng)域一個(gè)突出的技術(shù)難題。

技術(shù)實(shí)現(xiàn)思路

1、為解決現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明的主要目的是提出一種基于多維特征相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)方法和系統(tǒng)。

2、根據(jù)本發(fā)明的一個(gè)方面，本發(fā)明提供了如下技術(shù)方案：

3、一種基于多維特征相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)方法，包括如下步驟：

4、s1、采集熱軋帶鋼生產(chǎn)數(shù)據(jù)集并進(jìn)行預(yù)處理，以熱軋生產(chǎn)工藝參數(shù)x[x1,?x2,?…,xn]為自變量，以熱軋帶鋼力學(xué)性能y[y1,?y2,?…,?yn]為因變量，以每卷熱軋帶鋼生產(chǎn)數(shù)據(jù)為1個(gè)數(shù)據(jù)組，構(gòu)建預(yù)測(cè)模型的歷史數(shù)據(jù)集；

5、s2、針對(duì)歷史數(shù)據(jù)集，采用特征量化方法a計(jì)算熱軋生產(chǎn)工藝參數(shù)x[x1,?x2,?…,xn]對(duì)熱軋帶鋼力學(xué)性能y[y1,?y2,?…,?yn]影響的特征權(quán)重；同時(shí)，每個(gè)數(shù)據(jù)組按相應(yīng)熱軋帶鋼生產(chǎn)時(shí)間排序并賦予時(shí)間權(quán)重；

6、s3、根據(jù)特征權(quán)重和時(shí)間權(quán)重，計(jì)算待測(cè)樣本與歷史數(shù)據(jù)集中樣本的特征-時(shí)間多維度相似性度量值，通過(guò)累積相似性因子從歷史數(shù)據(jù)集中選出與待測(cè)樣本相似性高的多個(gè)樣本，作為訓(xùn)練數(shù)據(jù)集用于構(gòu)建基于即時(shí)學(xué)習(xí)的局部模型，并輸出基于特征量化方法a的熱軋帶鋼力學(xué)性能預(yù)測(cè)結(jié)果；

7、s4、采用不同于特征量化方法a的至少1種其它特征量化方法（特征量化方法b、c、d…），重復(fù)步驟s2-s3；

8、s5、采用集成學(xué)習(xí)策略，對(duì)不同特征量化方法下得到的多個(gè)局部模型預(yù)測(cè)結(jié)果進(jìn)行加權(quán)整合，輸出基于多維特征加權(quán)相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)結(jié)果，作為模型的最終輸出結(jié)果。

9、作為本發(fā)明所述的一種基于多維特征相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)方法的優(yōu)選方案，其中：所述步驟s1中，數(shù)據(jù)集預(yù)處理過(guò)程滿足以下三個(gè)條件之一的數(shù)據(jù)視為異常數(shù)據(jù)：

10、（1）測(cè)量值超出預(yù)定范圍；（2）數(shù)據(jù)缺失；（3）不滿足3σ原則。

11、作為本發(fā)明所述的一種基于多維特征相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)方法的優(yōu)選方案，其中：所述步驟s1中，熱軋生產(chǎn)工藝參數(shù)x[x1,?x2,?…,?xn]包括但不限于化學(xué)元素含量、出爐溫度、粗軋開軋溫度、粗軋開軋厚度、粗軋終軋厚度、精軋開軋溫度、精軋終軋溫度、精軋終軋厚度、卷取溫度等；熱軋帶鋼力學(xué)性能y[y1,?y2,?…,?yn]包括但不限于抗拉強(qiáng)度、屈服強(qiáng)度、伸長(zhǎng)率等。

12、作為本發(fā)明所述的一種基于多維特征相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)方法的優(yōu)選方案，其中：所述步驟s2中，特征量化方法包括但不限于皮爾遜相關(guān)性分析（ppc）、斯皮爾曼相關(guān)性分析（scc）、互信息相關(guān)性分析（micc）、平均遞減精度（mda）等。

13、作為本發(fā)明所述的一種基于多維特征相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)方法的優(yōu)選方案，其中：所述步驟s3中，待測(cè)樣本與歷史數(shù)據(jù)集中樣本的特征-時(shí)間多維相似性度量值計(jì)算公式為：

14、

15、其中：表示待測(cè)樣本與歷史樣本的特征-時(shí)間多維相似性度量值，為第 j個(gè)歷史樣本，為待測(cè)樣本，為待測(cè)樣本與歷史樣本的特征權(quán)重相似性度量值，為歷史樣本的時(shí)間權(quán)重，為可調(diào)參數(shù)。

16、作為本發(fā)明所述的一種基于多維特征相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)方法的優(yōu)選方案，其中：所述步驟s3中，以皮爾遜相關(guān)性分析（ppc）為例介紹特征權(quán)重相似性度量值的計(jì)算方法：

17、采用皮爾遜相關(guān)性分析（ppc）計(jì)算特征權(quán)重的公式為：

18、

19、其中： n表示樣本數(shù)量，和分別表示樣本維度為 d的輸入和輸出觀測(cè)值，和分別表示樣本輸入均值和輸出均值；

20、將皮爾遜相關(guān)性分析（pcc）計(jì)算所得特征權(quán)重與傳統(tǒng)歐幾里得相似度相結(jié)合，得到特征權(quán)重相似性度量值計(jì)算公式為：

21、

22、其中：為第j個(gè)歷史樣本；為測(cè)試樣本； d為輸入數(shù)據(jù)的維度；表示輸入特征權(quán)重；為測(cè)試樣本與歷史樣本的相似度。

23、作為本發(fā)明所述的一種基于多維特征相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)方法的優(yōu)選方案，其中：所述步驟s3中，累積相似度因子 l計(jì)算公式為：

24、

25、其中：分子項(xiàng)表示相似度較高的前n組樣本相似度貢獻(xiàn)之和，分母項(xiàng)表示測(cè)試樣本與所有歷史樣本的相似度總和。

26、作為本發(fā)明所述的一種基于多維特征相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)方法的優(yōu)選方案，其中：所述步驟s3中，基于即時(shí)學(xué)習(xí)的局部模型構(gòu)建方法包括但不限于多元線性回歸（mlr）、偏最小二乘回歸（pls）、支持向量機(jī)（svm）等。

27、作為本發(fā)明所述的一種基于多維特征相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)方法的優(yōu)選方案，其中：所述步驟s5中，多個(gè)局部模型預(yù)測(cè)結(jié)果的加權(quán)整合取決于各局部模型在驗(yàn)證數(shù)據(jù)集上的表現(xiàn)，第 r個(gè)模型的平均絕對(duì)誤差（ mae）計(jì)算公式為：

28、

29、其中：和分別為第 i個(gè)測(cè)試樣本的觀測(cè)值和預(yù)測(cè)值， m為測(cè)試集樣本數(shù)量。

30、作為本發(fā)明所述的一種基于多維特征相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)方法的優(yōu)選方案，其中：所述步驟s5中，通過(guò)各模型 mae定義第 r個(gè)子模型輸出結(jié)果權(quán)重為：

31、

32、其中：分子項(xiàng)表示第 r個(gè)子模型以 e為底數(shù)、 mae為指數(shù)的函數(shù)值，分母項(xiàng)表示所有子模型以 e為底數(shù)、 mae為指數(shù)的函數(shù)值之和。

33、根據(jù)本發(fā)明的一個(gè)方面，本發(fā)明提供了如下技術(shù)方案：

34、一種基于多維特征相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)系統(tǒng)，包括：

35、生產(chǎn)數(shù)據(jù)集采集及預(yù)處理模塊：采集熱軋帶鋼生產(chǎn)數(shù)據(jù)集并進(jìn)行預(yù)處理，以熱軋生產(chǎn)工藝參數(shù)x[x1,?x2,?…,?xn]為自變量，以熱軋帶鋼力學(xué)性能y[y1,?y2,?…,?yn]為因變量，以每卷熱軋帶鋼生產(chǎn)數(shù)據(jù)為1個(gè)數(shù)據(jù)組，構(gòu)建預(yù)測(cè)模型的歷史數(shù)據(jù)集；

36、權(quán)重確定模塊：針對(duì)歷史數(shù)據(jù)集，采用特征量化方法a計(jì)算熱軋生產(chǎn)工藝參數(shù)x[x1,?x2,?…,?xn]對(duì)熱軋帶鋼力學(xué)性能y[y1,?y2,?…,?yn]影響的特征權(quán)重；同時(shí)，每個(gè)數(shù)據(jù)組按相應(yīng)熱軋帶鋼生產(chǎn)時(shí)間排序并賦予時(shí)間權(quán)重；

37、多維特征相似度計(jì)算及局部模型構(gòu)建模塊：根據(jù)特征權(quán)重和時(shí)間權(quán)重，計(jì)算待測(cè)樣本與歷史數(shù)據(jù)集中樣本的特征-時(shí)間多維度相似性度量值，通過(guò)累積相似性因子從歷史數(shù)據(jù)集中選出與待測(cè)樣本相似性高的多個(gè)樣本，作為訓(xùn)練數(shù)據(jù)集用于構(gòu)建基于即時(shí)學(xué)習(xí)的局部模型，并輸出基于特征量化方法a的熱軋帶鋼力學(xué)性能預(yù)測(cè)結(jié)果；采用不同于特征量化方法a的至少1種其它特征量化方法（特征量化方法b、c、d…），輸出基于其的熱軋帶鋼力學(xué)性能預(yù)測(cè)結(jié)果；

38、集成學(xué)習(xí)最終結(jié)果輸出模塊：采用集成學(xué)習(xí)策略，對(duì)不同特征量化方法下得到的多個(gè)局部模型預(yù)測(cè)結(jié)果進(jìn)行加權(quán)整合，輸出基于多維特征加權(quán)相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)結(jié)果，作為模型的最終輸出結(jié)果。

39、本發(fā)明的有益效果如下：

40、本發(fā)明提出一種基于多維特征相似性與集成即時(shí)學(xué)習(xí)的熱軋帶鋼力學(xué)性能預(yù)測(cè)方法和系統(tǒng)，首先采用多種特征量化方法獲得特征權(quán)重，并在特征權(quán)重基礎(chǔ)上引入時(shí)間權(quán)重，構(gòu)建了一種綜合考慮輸入特征和時(shí)間因素的相似性度量來(lái)選擇合適的建模樣本，解決了單一相似性度量建模存在的局限性；其次引入累積相似性因子，確保為局部建模篩選出最優(yōu)的建模數(shù)據(jù)樣本集；最后通過(guò)集成學(xué)習(xí)框架來(lái)整合每個(gè)局部模型的輸出結(jié)果，減少了預(yù)測(cè)結(jié)果對(duì)單一模型的依賴性，進(jìn)而顯著增強(qiáng)了模型性能，提高了復(fù)雜生產(chǎn)工況條件下熱軋帶鋼力學(xué)性能預(yù)測(cè)精度和泛化性。