买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜东北大学申请的专利面向指标偏好不平衡数据的连退产品质量多指标预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119204851B 。

龙图腾网通过国家知识产权局官网在2025-03-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411719068.5，技术领域涉及：G06Q10/0639；该发明授权面向指标偏好不平衡数据的连退产品质量多指标预测方法是由王显鹏;徐凯斌;唐立新设计研发完成，并于2024-11-28向国家知识产权局提交的专利申请。

本面向指标偏好不平衡数据的连退产品质量多指标预测方法在说明书摘要公布了：本发明提供一种面向指标偏好不平衡数据的连退产品质量多指标预测方法，涉及钢铁企业冷轧生产控制过程的数据处理技术领域。首先通过定义数据样本对不同性能指标的偏好关系，将这种偏好关系进行量化表示，进而融入多任务深度学习预测模型进行特征计算与偏好处理，同时利用进化算法实现多任务深度学习模型的自主优化构建，提高多任务预测模型的性能。本发明提出了样本‑指标偏好的定量化计算方法，并将其应用到多任务深度学习模型构建中，提升了连退带钢质量性能多指标在线预测模型的精度，从而能够帮助冷轧生产工序提高带钢产品的质量和稳定性，提升质量管控的智能化水平。

本发明授权面向指标偏好不平衡数据的连退产品质量多指标预测方法在权利要求书中公布了：1.一种面向指标偏好不平衡数据的连退产品质量多指标预测方法，其特征在于：包括如下步骤：步骤1：构建样本集合；从冷轧连退机组的历史数据中采集正常生产工况下的n个带钢的生产过程数据样本，建立样本集合S；每个样本含有v个特征，对应该带钢的v个生产过程工艺数据，进行m个输出，对应带钢的m个质量性能指标；步骤2：数据预处理；对建立的样本数据集合S中的n个样本数据进行归一化处理；步骤3：样本-指标偏好定量化评估；根据步骤2获得的n个样本数据，构建样本-指标的偏好矩阵P；具体方法为：步骤3.1：数据聚类；对步骤2获得的n个样本数据采用密度聚类算法DBSCAN进行聚类得到c个聚类簇；步骤3.2：建立单指标回归预测模型；在每个聚类簇内，使用t个不同的机器学习方法为每个质量性能指标分别建立t个不同的单指标回归预测模型；步骤3.3：计算样本-指标偏好；针对每个聚类簇，将步骤3.2中针对每个质量性能指标所建立的t个单指标回归预测模型分别进行K折交叉验证，获得各自的均方误差MSE，然后再对各均方误差求平均值，从而构建出样本-指标偏好矩阵，其中，，pij表示第i个簇中所有样本对第j个性能指标的偏好表示，i=1,2,…,c；j=1,2,…,m；步骤4：数据集划分；将步骤2预处理后的n个样本数据随机划分为0.8n和0.2n个样本，分别构成训练集Dtrain和测试集Dtest；如果0.8n和0.2n不是整数，则做向下取整处理；步骤5：构建混合深度学习网络模型CNN-Transformer网络模型；具体方法为：步骤5.1：使用训练集Dtrain，训练一个具有m个输出的多任务深度卷积神经网络CNN，每个输出为一个质量性能指标；步骤5.2：在训练所获得的CNN模型的后面叠加一个Transformer网络，构建一个混合深度学习网络模型CNN-Transformer，其中，在Transformer网络的编码器单元Encoder-block中添加一个新的表示层来处理步骤3中获得的偏好矩阵P；步骤5.3：使用训练集Dtrain对CNN-Transformer网络进行训练，得到融合了样本-指标偏好特征的连退产品质量多指标预测模型；步骤5.4：使用测试集Dtest对CNN-Transformer网络进行测试和评估；步骤6：通过OPC接口实时获取每条带钢的生产过程数据，利用所构建的CNN-Transformer网络模型对带钢的屈服强度、抗拉强度和延伸率3个关键性能指标进行在线预测，当某一性能指标的预测值与设定目标值之间的偏差超出给定阈值时，进行及时报警，以保障连退带钢产品质量的稳定性。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东北大学，其通讯地址为：110819 辽宁省沈阳市和平区文化路三号巷11号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。