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：上海大学

摘要：本发明涉及钢铁铸造中连铸坯质量预测领域，公开了一种基于时序网络的连铸坯质量预测方法及系统。本发明中，首先，服务器基于随机森林特征选择器选择对连铸坯质量有重要影响的关键特征，能够降低数据维度，提升模型学习能力，有助于改善连铸工艺。其次，服务器根据选择好的多变量特征数据，输入到设计的时序神经网络进行特征提取，包括感知关键点计算和特征表示提取，进行训练模型。最后，训练完成的模型根据连铸坯的生产过程数据进行实时质量预测。本发明解决了多变量生产数据的实时质量预测问题，能够及时发现有质量问题的连铸坯，防止质量缺陷的连铸坯流入热轧工艺生产线，提升智能化制造水平，降低不良产品带来的经济损失。

主权项：1.一种基于时序网络的连铸坯质量预测方法，其特征在于，包括离线质量缺陷预测器训练和在线质量缺陷预测两个部分，其中，所述离线质量缺陷预测器训练包括以下步骤：步骤S1：服务器收集连铸坯生产过程数据和对应的样本标签，对连铸坯生产过程数据进行预处理后，基于连铸坯生产过程数据筛选出M个重要特征变量，去除连铸坯生产过程数据中不属于重要特征变量的数据获得多变量数据X＝{x1,x2,…,xm,…,xM}，xm为多变量数据X中的第m个单变量数据，为筛选出的一个重要特征变量数据；步骤S2：服务器提取多变量数据X中的感知关键点，并统计得到感知关键点数量Ps；步骤S3：服务器计算出多变量数据X中每条单变量对应的时序距离D，然后根据时序距离D计算出多变量数据X对应的时序距离DM；步骤S4：服务器构建时序网络模型，根据处理后的多变量数据X训练时序网络模型，包括以下子步骤：步骤S4-1：构建DTW动态卷积层，用于提取连铸坯生产过程数据的底层特征，如下式所示： 式中，和分别表示一维过滤器和DTW动态卷积运算，和表示输入的多变量数据X和特征输出表示；步骤S4-2：构建模型基础层，包括卷积层、LSTM层、批正则化层、ReLU层和最大池化层，用于组成时序网络；步骤S4-3：构建压缩激活层，用于提取连铸坯生产过程数据的中层特征表示，如下式所示： 式中，表示第k个特征变量对应的时序压缩后的单值，表示第k个特征变量对应的时序，W表示时序数据的步长，表示第k个特征变量的第w个时序中的第i个观测点，Fsqueeze·表示对时序数据压缩处理，表示对向量激活后的新向量，执行多变量时序压缩后生成的向量，σ表示sigmoid激活函数，W2表示待训练的权重参数，δ表示线性整流激活函数，W1表示待训练的权重参数，Fexcite·表示对向量执行激活操作，Fscale·表示对输入的多变量时序进行缩放操作，表示输入的多变量时序数据，为经过压缩激活后的特征表示；步骤S4-4：构建多维注意力层，用于提取连铸坯生产过程数据的高层特征表示，如下式所示： a＝Softmaxp 式中，压缩合并后的向量ht通过各自特征表示向量fj的权重αj进行聚合；a表示注意力的得分向量；p表示激活后的表示向量；表示第一网络权重参数；F表示时序特征矩阵；表示第一网络偏置参数；表示第二网络权重参数；表示第二网络偏置参数；步骤S4-5：构建完整的模型，将高层特征表示与感知关键点数量Ps和多变量时序距离DM堆叠后，输出到全连接层和Softmax激活函数层进行输出，获得完整的连铸坯质量预测结果；步骤S4-6：服务器根据处理后的样本时序数据X训练构建好的时序网络模型，直到模型的损失小于一定阈值ε；所述在线质量缺陷预测包括以下步骤：步骤S5：传感器采集连铸坯的生产过程实时数据，并将其上传到服务器；步骤S6：服务器对收集到的生产过程实时数据进行预处理和标准化，从生产过程实时数据中筛选出与M个重要特征变量相对应的多变量数据X；步骤S7：服务器计算得到多变量数据X的感知关键点数量Ps和时序距离DM；步骤S8：服务器将多变量数据X、感知关键点数量Ps和时序距离DM输入训练好的时序网络模型中，获得该连铸坯的质量类别。

全文数据：

权利要求：

百度查询： 上海大学 一种基于时序网络的连铸坯质量预测方法及系统