本發(fā)明涉及鋼鐵企業(yè)冷軋生產(chǎn)控制過(guò)程的數(shù)據(jù)處理，尤其涉及一種面向指標(biāo)偏好不平衡數(shù)據(jù)的連退產(chǎn)品質(zhì)量多指標(biāo)預(yù)測(cè)方法。

背景技術(shù)：

1、連續(xù)退火是鋼鐵工業(yè)冷軋工藝的一個(gè)重要工序，能夠改善冷軋帶鋼的物理性能和加工性能，使其更適合各種工業(yè)應(yīng)用。在連退過(guò)程中，由于無(wú)法實(shí)現(xiàn)質(zhì)量指標(biāo)的在線檢測(cè)，針對(duì)多個(gè)力學(xué)性能指標(biāo)的準(zhǔn)確預(yù)測(cè)可以有效降低生產(chǎn)過(guò)程中的產(chǎn)品質(zhì)量波動(dòng)，提高鋼鐵企業(yè)的產(chǎn)品質(zhì)量管控水平。當(dāng)前，多數(shù)基于機(jī)器學(xué)習(xí)的連退帶鋼性能預(yù)測(cè)模型通常只能實(shí)現(xiàn)對(duì)單個(gè)性能指標(biāo)的預(yù)測(cè)，例如專(zhuān)利授號(hào)為zl201710159565.8的發(fā)明專(zhuān)利《一種基于混合集成學(xué)習(xí)的連續(xù)退火帶鋼質(zhì)量在線檢測(cè)方法》和專(zhuān)利號(hào)為zl201410843307.8的發(fā)明專(zhuān)利《一種連續(xù)退火產(chǎn)品硬度在線集成學(xué)習(xí)預(yù)報(bào)方法》，無(wú)法實(shí)現(xiàn)用一個(gè)模型對(duì)多個(gè)性能指標(biāo)進(jìn)行同時(shí)預(yù)測(cè)。在多指標(biāo)預(yù)測(cè)方面，由于實(shí)際生產(chǎn)中的數(shù)據(jù)樣本對(duì)于不同的性能指標(biāo)在預(yù)測(cè)能力上一般會(huì)有差別，即基于該數(shù)據(jù)集所建立的機(jī)器學(xué)習(xí)模型能夠?qū)崿F(xiàn)對(duì)一些質(zhì)量指標(biāo)的準(zhǔn)確預(yù)測(cè)，但是無(wú)法實(shí)現(xiàn)對(duì)其他指標(biāo)的準(zhǔn)確預(yù)測(cè)（稱(chēng)為指標(biāo)偏好不平衡）。與傳統(tǒng)不平衡分類(lèi)問(wèn)題不同，這種指標(biāo)偏好的不平衡特點(diǎn)使得已有的多指標(biāo)回歸建模方法難以在實(shí)際應(yīng)用中取得較好的結(jié)果，因而當(dāng)前已有的多指標(biāo)預(yù)測(cè)方法（例如申請(qǐng)?zhí)枮閏n115392104a的發(fā)明專(zhuān)利《一種基于退火工藝預(yù)測(cè)冷軋連續(xù)退火帶鋼力學(xué)性能的方法》）通常不考慮數(shù)據(jù)樣本對(duì)于不同指標(biāo)偏好的不平衡問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問(wèn)題是針對(duì)上述現(xiàn)有技術(shù)的不足，提供一種面向指標(biāo)偏好不平衡數(shù)據(jù)的連退產(chǎn)品質(zhì)量多指標(biāo)預(yù)測(cè)方法，該方法首先通過(guò)定義數(shù)據(jù)樣本對(duì)不同性能指標(biāo)的偏好關(guān)系，將這種偏好關(guān)系進(jìn)行量化表示，進(jìn)而融入多任務(wù)深度學(xué)習(xí)預(yù)測(cè)模型進(jìn)行特征計(jì)算與偏好處理，同時(shí)利用進(jìn)化算法實(shí)現(xiàn)多任務(wù)深度學(xué)習(xí)模型的自主優(yōu)化構(gòu)建，提高多任務(wù)預(yù)測(cè)模型的性能。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明所采取的技術(shù)方案是：

3、一種面向指標(biāo)偏好不平衡數(shù)據(jù)的連退產(chǎn)品質(zhì)量多指標(biāo)預(yù)測(cè)方法，包括如下步驟：

4、步驟1：構(gòu)建樣本集合；

5、從冷軋連退機(jī)組的歷史數(shù)據(jù)中采集正常生產(chǎn)工況下的n個(gè)帶鋼的生產(chǎn)過(guò)程數(shù)據(jù)樣本，建立樣本集合s；每個(gè)樣本含有v個(gè)特征，對(duì)應(yīng)該帶鋼的v個(gè)生產(chǎn)過(guò)程工藝數(shù)據(jù)，進(jìn)行m個(gè)輸出，對(duì)應(yīng)帶鋼的m個(gè)質(zhì)量性能指標(biāo)；

6、步驟2：數(shù)據(jù)預(yù)處理；

7、對(duì)建立的樣本數(shù)據(jù)集合s中的n個(gè)樣本數(shù)據(jù)進(jìn)行歸一化處理；

8、步驟3：樣本-指標(biāo)偏好定量化評(píng)估；

9、根據(jù)步驟2獲得的n個(gè)樣本數(shù)據(jù)，構(gòu)建樣本-指標(biāo)的偏好矩陣p；

10、步驟4：數(shù)據(jù)集劃分；

11、將步驟2預(yù)處理后的n個(gè)樣本數(shù)據(jù)隨機(jī)劃分為0.8n和0.2n個(gè)樣本，分別構(gòu)成訓(xùn)練集dtrain和測(cè)試集dtest；如果0.8n和0.2n不是整數(shù)，則做向下取整處理；

12、步驟5：構(gòu)建混合深度學(xué)習(xí)網(wǎng)絡(luò)模型cnn-transformer網(wǎng)絡(luò)模型；

13、步驟6：通過(guò)opc接口實(shí)時(shí)獲取每條帶鋼的生產(chǎn)過(guò)程數(shù)據(jù)，利用所構(gòu)建的cnn-transformer網(wǎng)絡(luò)模型對(duì)帶鋼的屈服強(qiáng)度、抗拉強(qiáng)度和延伸率3個(gè)關(guān)鍵性能指標(biāo)進(jìn)行在線預(yù)測(cè)，當(dāng)某一性能指標(biāo)的預(yù)測(cè)值與設(shè)定目標(biāo)值之間的偏差超出給定閾值時(shí)，進(jìn)行及時(shí)報(bào)警，以保障連退帶鋼產(chǎn)品質(zhì)量的穩(wěn)定性。

14、進(jìn)一步地，所述步驟3的具體方法為：

15、步驟3.1：數(shù)據(jù)聚類(lèi)；

16、對(duì)步驟2獲得的n個(gè)樣本數(shù)據(jù)采用密度聚類(lèi)算法dbscan進(jìn)行聚類(lèi)得到c個(gè)聚類(lèi)簇；

17、步驟3.2：建立單指標(biāo)回歸預(yù)測(cè)模型；

18、在每個(gè)聚類(lèi)簇內(nèi)，使用t個(gè)不同的機(jī)器學(xué)習(xí)方法為每個(gè)質(zhì)量性能指標(biāo)分別建立t個(gè)不同的單指標(biāo)回歸預(yù)測(cè)模型；

19、步驟3.3：計(jì)算樣本-指標(biāo)偏好；

20、針對(duì)每個(gè)聚類(lèi)簇，將步驟3.2中針對(duì)每個(gè)質(zhì)量性能指標(biāo)所建立的t個(gè)單指標(biāo)回歸預(yù)測(cè)模型分別進(jìn)行 k折交叉驗(yàn)證，獲得各自的均方誤差mse，然后再對(duì)各均方誤差求平均值，從而構(gòu)建出樣本-指標(biāo)偏好矩陣，其中，，pij表示第i個(gè)簇中所有樣本對(duì)第j個(gè)性能指標(biāo)的偏好表示，i=1,2,…,c；j=1,2,…,m。

21、進(jìn)一步地，所述步驟3.2中，每一個(gè)單指標(biāo)回歸預(yù)測(cè)模型利用機(jī)器學(xué)習(xí)庫(kù)scikit-learn進(jìn)行構(gòu)建。

22、進(jìn)一步地，所述步驟5的具體方法為：

23、步驟5.1：使用訓(xùn)練集dtrain，訓(xùn)練一個(gè)具有 m個(gè)輸出的多任務(wù)深度卷積神經(jīng)網(wǎng)絡(luò)cnn，每個(gè)輸出為一個(gè)質(zhì)量性能指標(biāo)；

24、步驟5.2：在訓(xùn)練所獲得的cnn模型的后面疊加一個(gè)transformer網(wǎng)絡(luò)，構(gòu)建一個(gè)混合深度學(xué)習(xí)網(wǎng)絡(luò)模型cnn-transformer，其中，在transformer網(wǎng)絡(luò)的編碼器單元encoder-block中添加一個(gè)新的表示層來(lái)處理步驟3中獲得的偏好矩陣p；

25、步驟5.3：使用訓(xùn)練集dtrain對(duì)cnn-transformer網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到融合了樣本-指標(biāo)偏好特征的連退產(chǎn)品質(zhì)量多指標(biāo)預(yù)測(cè)模型；

26、步驟5.4：使用測(cè)試集dtest對(duì)cnn-transformer網(wǎng)絡(luò)進(jìn)行測(cè)試和評(píng)估。

27、進(jìn)一步地，所述步驟5.1中，多任務(wù)深度卷積神經(jīng)網(wǎng)絡(luò)cnn包括3個(gè)卷積層，每個(gè)卷積層都使用128個(gè)輸出通道和包含不同大小的兩組卷積核[[3,5],[5,7]]，卷積層通過(guò)relu激活函數(shù)引入非線性變換。

28、進(jìn)一步地，所述步驟5.2的具體方法為：

29、步驟5.2.1：transformer模塊設(shè)計(jì)；

30、將多任務(wù)深度卷積神經(jīng)網(wǎng)絡(luò)cnn的輸出維度作為transformer網(wǎng)絡(luò)的輸入，在transformer網(wǎng)絡(luò)的編碼器單元encoder-block中添加一個(gè)新的表示層來(lái)處理步驟3中獲得的偏好矩陣p；

31、步驟5.2.2：全連接層設(shè)計(jì)；網(wǎng)絡(luò)包括3個(gè)全連接層，每個(gè)全連接層都含有256個(gè)隱藏單元，在每個(gè)隱藏單元后面都有relu激活函數(shù)；

32、步驟5.2.3：設(shè)置權(quán)重衰減；卷積層和線性層的權(quán)重使用xavier初始化方法進(jìn)行初始化，整個(gè)網(wǎng)絡(luò)在訓(xùn)練時(shí)通過(guò)反向傳播和梯度下降的方式，不斷優(yōu)化參數(shù)以最小化損失函數(shù)，其中學(xué)習(xí)率設(shè)置為0.001，權(quán)重衰減設(shè)置為0.001。

33、進(jìn)一步地，所述步驟5.2.1具體包括：

34、步驟5.2.1.1：偏好矩陣的嵌入；

35、將樣本-指標(biāo)的偏好矩陣p轉(zhuǎn)化為與transformer兼容的嵌入向量；

36、步驟5.2.1.2：修改輸入；

37、將偏好矩陣p與transformer的輸入進(jìn)行拼接，獲得新的矩陣表示pmix；

38、步驟5.2.1.3：修改編碼器結(jié)構(gòu)；

39、將修改后的矩陣pmix添加到transformer編碼器單元的各個(gè)相鄰的層之間。

40、采用上述技術(shù)方案所產(chǎn)生的有益效果在于：本發(fā)明提供的面向指標(biāo)偏好不平衡數(shù)據(jù)的連退產(chǎn)品質(zhì)量多指標(biāo)預(yù)測(cè)方法，提出了樣本-指標(biāo)偏好的定量化計(jì)算方法，并將其應(yīng)用到多任務(wù)深度學(xué)習(xí)模型構(gòu)建中，提升了連退帶鋼質(zhì)量性能多指標(biāo)在線預(yù)測(cè)模型的精度，從而能夠幫助冷軋生產(chǎn)工序提高帶鋼產(chǎn)品的質(zhì)量和穩(wěn)定性，提升質(zhì)量管控的智能化水平。