[发明专利]基于NGBoost算法的热轧带钢表面缺陷预测方法

说明书

一种基于NGBoost算法的热轧带钢表面缺陷预测方法，属于炼钢及轧钢过程自动控制技术领域。步骤包括：采集热轧带钢表面缺陷数据，计算各生产参数数据的平均值和标准差，采用随机划分的方式，将热轧带钢表面缺陷数据集划分为训练集和测试集，输入测试集数据，进行模型的预测准确率验证，进行模型预测结果准确性对比。优点在于，解决了现有的热轧带钢表面缺陷检测方法中的全面性、时效性、快速性上的不足。

技术领域

本发明属于炼钢及轧钢过程自动控制技术领域，具体涉及一种基于NGBoost算法的热轧带钢表面缺陷预测方法。

背景技术

当前，智能制造已经成为新一轮科学技术革命和产业转型的核心动力，基于我国钢铁行业的突出特点及现存问题，要提升产品质量、降低生产成本并实现精准服务需要人工智能及机器学习技术的助力。

伴随着热轧带钢厚度的日益变薄，热轧带钢类产品在汽车制造、家用电器、建筑业等领域获得了极其广泛的应用，热轧带钢类产品的应用行业和产品种类也日益增多，为了适应多场景应用的需要，需要不断提升热轧带钢类产品的质量，这就需要对生产过程中的参数不断调整，以期达到最好的产品质量和最大化的生产效益。

在传统的热轧带钢缺陷检测中，第一种方法为人工裸眼检测，这种只对带钢尾部很短的一段区域进行表面质量抽检的检测方式，不能及时反映带钢表面质量的全貌，给下道工序生产带来困难，造成用户质量异议。第二种方法为传统机器视觉检测，利用机器视觉等技术对热轧带钢类产品进行质量检测，利用非接触式检测方法对钢板表面质量进行在线实时监测，通过设置在热轧辊道上、下方的面扫描CCD高速摄像系统，将移动钢板表面质量数据输入图像处理系统。第三种方法为基于深度学习的检测，这类方法普遍使用卷积神经网络提取特征，再对缺陷进行定位和分类，相比于人工裸眼检测和传统机器视觉检测，基于深度学习的缺陷检测在保证识别率和准确度的情况下，节省了人力，然而，现有的基于深度学习的缺陷检测方法进行特征提取时网络参数量大，导致运算量大，检测速度较慢，不能满足热轧钢板检测实时性的要求。

发明内容

本发明的目的在于提供一种基于NGBoost算法的热轧带钢表面缺陷预测方法，解决了现有的热轧带钢表面缺陷检测方法中的全面性、时效性、快速性上的不足。

本发明包括如下步骤：

(1)采集热轧带钢表面缺陷数据：包含炼钢-连铸过程中的生产参数，如：熔炼号、液相线温度、中间包钢水量、板坯切断长度、中间包内平均温度、液面高度、材料长度、出炉温度；以及缺陷的类型，如：夹渣、边部裂纹系翘皮、表面裂纹系翘皮等，将数据进行收集归纳，格式统一化，制成Excel表格，生成初始热轧带钢表面缺陷数据集；

(2)计算各生产参数数据的平均值和标准差；

对生产数据的异常值进行剔除，采用拉依达准则，具体方式为对满足条件的公式的数据进行异常值剔除：其中，x_i是第i个生产参数数据，是生产数据的平均值，S_x是生产数据的标准差；

对剔除异常值之后的数据进行平滑处理，采用5点3次法，具体公式如下：

其中，Y_i是第i个剔除异常值后的生产数据，是Y_i平滑后的值；

对平滑处理后的生产数据进行归一化处理采用线性归一化的方法，也称离差标准法、min-max标准化，其转换函数为：其中，X:处理前数据，X^*:处理后数据，X_min:处理前数据的最小值，X_max:处理前数据的最大值；

(3)采用随机划分的方式，将热轧带钢表面缺陷数据集划分为训练集和测试集；

建立基于NGBoost算法的热轧带钢表面缺陷预测模型；

输入训练集数据，进行模型训练；