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！

申请/专利权人：东北大学;湖南华菱涟源钢铁有限公司;湖南华菱涟钢特种新材料有限公司

摘要：本发明提供一种基于改进随机森林算法的多钢种力学性能预报方法，涉及热轧带钢轧制生产技术领域。该方法首先搭建综合数据平台，采集一段时间内的热轧带钢生产数据样本，获得完整生产数据样本集合；并对完整生产数据样本集合进行特征信息筛选及数据清洗；然后基于改进随机森林方法构建多钢种力学性能预报模型并进行模型训练；将待预测的完整生产数据样本输入多钢种力学性能预报模型，得到待预测的完整生产数据样本的力学性能值。该方法利用已建立好的力学性能预报模型可以实现力学性能的实时预测，降低产品的检测数量，降低生产成本。

主权项：1.一种基于改进随机森林算法的多钢种力学性能预报方法，其特征在于：所述方法具体包括以下步骤：步骤1：搭建综合数据平台，采集T时间段内的热轧带钢生产数据样本，获得包括N个数据信息的完整生产数据样本集合S＝{S1,S2,…,Sn,…,SN}；其中Sn为第n个完整生产数据样本，n∈{1,2,…,N},Sn＝{Sn1,Sn2,…,Snm,…,SnM,YYS,YTS,YEL}，{Sn1,Sn2,…,Snm,…,SnM}为生产数据样本Sn的原始数据信息，Snm为生产数据样本Sn原始数据信息的第m个属性特征，m∈{1,2,…,M}，M为完整生产数据样本的属性特征总数，YYS、YTS和YEL分别为生产数据样本的屈服强度、抗拉强度和延伸率；步骤2：对完整生产数据样本集合进行属性特征信息筛选及数据清洗；步骤2.1：对完整生产数据样本集合S进行属性特征一次筛选，筛除对力学性能检测数据影响小的属性特征，获得属性特征一次筛选后的完整生产数据样本集合S’；步骤2.2：对属性特征一次筛选后的完整生产数据样本集合S’中存在的力学性能检测数据异常值进行数据异常值处理，得到数据异常值处理后的完整生产数据样本集合为X＝{X1,X2,…,Xp,…,XP}；p∈{1,2,…,P},Xp＝{Xp1,Xp2,…,Xpm,…,XpM}为数据异常值处理后样本数据Xp的属性特征信息，Xpm为生产数据样本Xp原始数据信息的第m个属性特征，P为数据异常值处理后样本数据总数；步骤2.3：利用主成分分析方法PCA对数据异常值处理后的完整生产数据样本集合X进行属性特征二次筛选，得到属性特征二次筛选后的完整生产数据样本集合U＝{U1,U2,…,Up,…,UP}；其中，Up为第p个完整生产数据样本，Up＝{Up1,Up2,…,Upz,…,UpZ,YYS,YTS,YEL}，{Up1,Up2,…,Upz,…,UpZ}为生产数据样本Up的原始数据信息，Upz为属性特征二次筛选后生产数据样本Up原始数据信息的第z个属性特征，z∈{1,2,…,Z}，Z为属性特征二次筛选后完整生产数据样本的属性特征总数；步骤3：利用属性特征筛选及数据清洗后的完整生产数据样本集合构建并训练基于改进随机森林的多钢种力学性能预报模型；步骤3.1：采用优化算法，对基于改进随机森林算法建立的多钢种力学性能预报模型参数进行优化；步骤3.1.1：确定随机森林多钢种力学性能预测模型中的决策树数量Ntree和单棵树的叶子节点深度Mtry为待优化的超参数；步骤3.1.2：设定各个超参数的优化范围；步骤3.1.3：设定初始迭代次数为Gen＝1，设定最大迭代次数为Gen_max，从各个超参数设定优化范围中随机抽取值构成第Gen_i次迭代的超参数组合；步骤3.1.4：计算第Gen_i次迭代的超参数组合条件下的随机森林算法建立的多钢种力学性能预报模型对完整生产数据样本集合U预测力学性能值的预测精度；构建以力学性能实测值和力学性能预测值为输入、该超参数组合下的相关系数、均方根误差、平均相对误差为输出的评价函数，利用第{1,2,...,Gen_max}次迭代的力学性能实测值和力学性能预测值，得到Gen_i迭代的相关系数、均方根误差和平均相对误差数据；步骤3.1.4.1：根据设定的决策树数量Ntree和单棵树的叶子节点深度Mtry这两个超参数范围，随机生成Hn组超参数组合，选取其中的一组超参数组合作为随机森林多钢种力学性能预测模型的建模超参数；步骤3.1.4.2：构造超参数优化过程的评价函数；选取相关系数R、均方根误差MSE、平均相对误AARE差三个评价函数，根据评价函数得到超参数组合对应的相关系数、均方根误差和平均相对误差数据；步骤3.1.4.3：更新随机森林多钢种力学性能预测模型的建模超参数组合，针对决策树数量Ntree、单棵树的叶子节点深度Mtry分别构造超参数更新函数：v1Gen+1＝v1Gen+c1*r1*Δv1，v2Gen+1＝v2Gen+c2*r2*Δv2；其中，v1为一组超参数组合中决策树数量值；v2为一组超参数组合中单棵树的叶子节点深度值；c1、c2均为加速调节因子；r1、r2均为0～1之间的随机数；Δv1、Δv2均为比例系数；步骤3.1.4.4：根据上述计算步骤3.1.4.3分别得到第Gen次迭代和第Gen+1次迭代超参数组合对应的的相关系数、均方根误差和平均相对误差的计算值，当第Gen+1次迭代的相关系数大于第Gen次迭代的相关系数，且第Gen+1次迭代的均方根误差和平均相对误差均小于第Gen次迭代的均方根误差和平均相对误差，c1、c2取正值，否则c1、c2取负值；步骤3.1.5：若Gen＜Gen_max，则令Gen＝Gen+1，返回步骤3.1.4；若Gen≥Gen_max，则进入步骤3.1.6；步骤3.1.6：选取Gen_max个超参数组合中相关系数最大、均方根误差和平均相对误差最小的超参数组合作为随机森林多钢种力学性能预测模型的建模超参数；步骤3.2：根据步骤3.1.6选取的超参数组合，得到最终训练的随机森林多钢种力学性能预测模型；步骤4：采集T时间段后待预测的完整生产数据样本集合Test，对待预测的完整生产数据样本集合Test进行特征信息筛选，得到待预测特征信息筛选后的Z个属性特征构成的输入向量，将输入向量输入步骤3.2得到的随机森林多钢种力学性能预测模型中，得到待预测的完整生产数据样本的力学性能值。

全文数据：

权利要求：

百度查询： 东北大学 湖南华菱涟源钢铁有限公司 湖南华菱涟钢特种新材料有限公司 基于改进随机森林算法的多钢种力学性能预报方法