【技術實現步驟摘要】
本專利技術涉及簾線鋼脫碳層質量預測，特別是指一種簾線鋼脫碳層質量預測方法和系統。
技術介紹
1、在簾線鋼生產過程中，脫碳層深度的檢測(脫碳層質量)通常在簾線鋼盤條下線后進行，而且通常需要利用金相法等檢測方式，具有高成本以及滯后性的特點，無法滿足現代鋼鐵企業對于產品質量實時獲取的需求。
技術實現思路
1、本專利技術提供了一種簾線鋼脫碳層質量預測方法和系統，用以解決上述現有技術存在的問題。所述技術方案如下：
2、一方面，提供了一種簾線鋼脫碳層質量預測方法，包括：
3、s1、獲取簾線鋼生產過程中的樣本數據，所述樣本數據包括標量數據和時序數據，將所述標量數據拉長，得到多變量時序數據；
4、s2、利用b樣條基函數擬合，將所述多變量時序數據擬合為多變量函數型數據；
5、s3、利用函數型數據核方法，將所述多變量函數型數據投影到高維函數型特征空間；
6、s4、基于高維下的函數型特征，計算使得類內距離最小、類間距離最大的函數型數據投影超平面；
7、s5、對各個樣本進行投影，得到最終的樣本分類結果。
8、可選地，所述s1中將所述標量數據拉長，得到多變量時序數據，具體包括：
9、將所述標量數據轉化為定義域大小為加熱爐在爐時長的常數函數，并與所述時序數據在變量維度進行拼接，得到所述多變量時序數據。
10、可選地，所述s2，具體包括：
11、對于函數型數據擬合，擬合后得到的函數x可以表示為
12、對于系數向量c的確定，采用最小二乘法的形式，此時對于第i個觀測點的第j個變量的帶權擬合誤差項smsse(yi,j|ci,j)＝(yi,j-ψjci,j)twi,j(yi,j-ψjci,j)，其中，為第j個變量的基函數數值矩陣，dj為第j個變量進行函數型數據擬合時所使用的基函數的個數，為第j個變量函數型數據擬合時所使用的第l個基函數，lj為第j個變量的觀測的時間長度，wi,j為第i個樣本的第j個曲線權重矩陣，它被定義為第i個樣本的第j個變量的曲線的所有觀測點的擬合殘差計算得到的協方差矩陣的逆；
13、基于最小二乘法的函數型數據擬合會損失一定的光滑度，所以需要引入一個粗糙度的懲罰項，得到帶有懲罰項的最小二乘擬合誤差penssem(yi,j|ci,j)＝(yi,j-ψjci,j)twi,j(yi,j-ψjci,j)+λci,jtrjci,j，其中rj是體現變量間關系的權重矩陣，利用最小二乘法求解系數向量ci,j＝(ψjtwi,jψj+λrj)-1ψjtwi,jyi,j，其中λ為光滑系數。
14、可選地，所述s3，具體包括：
15、選取函數型高斯徑向基核函數ker，將所述多變量函數型數據通過一個高維映射投影到高維空間，進而使得線性不可分的低維多變量函數型數據轉換為高維下的線性可分多變量函數型數據，高維下的多變量函數型數據內積可以表示為ker(x1(t),x2(t))＝exp(||x1(t)-x2(t)||2/s2)，其中，s為核函數的參數，||x1(t)-x2(t)||2表示為：
16、
17、因此，最終的函數型核函數ker可以表達成基函數的運算。
18、可選地，所述s4，具體包括：
19、將類內距離最小、類間距離最大問題轉化為多變量函數型數據瑞利商最大化問題其中，為類間散度矩陣，為類內散度矩陣，p為所處理的數據的類別數，μ是其中一個類別數據的類別中心，ni為第i類樣本的數量、xi,j(t)為第i類樣本中的第j個多變量函數，瑞利商最大值對應的ω就是使得類內距離最小、類間距離最大的高維函數型投影超平面；
20、由于投影到高維特征空間后，多變量函數型數據已經是線性可分的，所以，此時將高維下函數型投影超平面ω轉化為高維多變量函數型數據的線性表示其中，φ(x)＝[φ1(x),φ2(x),...,φi(x)]t表示低維向高維的投影關系，α＝[α1,α2,...,αi]t為i×1維的投影系數向量，i為樣本總數，高維空間內φ(x)向函數型投影超平面ω投影表示為φ(x)ω＝φ(x)φ(x)tα＝kerα，因此求解瑞利商最大值對應的ω轉化為求解α問題；
21、利用高維函數型投影超平面的轉化形式，并利用函數型數據核函數對高維形式下的多變量函數型數據內積進行轉化，此時函數型數據瑞利商轉化為其中，
22、為第k類的第j個樣本，ker(xi(t),xj(t))為核函數，ki為i×ni的矩陣，為每一個元素都是的方陣，對于ki中第a行b列的元素ki[a][b]＝ker(xa(t),xbi(t))；
23、對于瑞利商的求解進一步轉化為求解優化問題此時，使用lagrange乘數法，并對α求導可得mα＝δnα，求解特征值δ和特征向量α后，得到能夠最大程度區分脫碳層合格與否的函數型投影超平面。
24、另一方面，提供了一種簾線鋼脫碳層質量預測系統，所述系統包括：
25、獲取模塊，用于獲取簾線鋼生產過程中的樣本數據，所述樣本數據包括標量數據和時序數據，將所述標量數據拉長，得到多變量時序數據；
26、擬合模塊，用于利用b樣條基函數擬合，將所述多變量時序數據擬合為多變量函數型數據；
27、映射模塊，用于利用函數型數據核方法，將所述多變量函數型數據映射到高維函數型特征空間；
28、計算模塊，用于基于高維下的函數型特征，計算使得類內距離最小、類間距離最大的函數型數據投影超平面；
29、投影模塊，用于對各個樣本進行投影，得到最終的樣本分類結果。
30、可選地，所述獲取模塊，具體用于：
31、將所述標量數據轉化為定義域大小為加熱爐在爐時長的常數函數，并與所述時序數據在變量維度進行拼接，得到所述多變量時序數據。
32、可選地，所述擬合模塊，具體用于：
33、對于函數型數據擬合，擬合后得到的函數x可以表示為系數向量與基函數的內積：其中，c為系數向量，t表示矩陣轉置，為基函數；
34、對于系數向量c的確定，采用最小二乘法的形式，此時對于第i個觀測點的第j個變量的帶權擬合誤差項smsse(yi,j|ci,j)＝(yi,j-ψjci,j)twi,j(yi,j-ψjci,j)，其中，為第j個變量的基函數數值矩陣，dj為第j個變量進行函數型數據擬合時所使用的基函數的個數，為第j個變量函數型數據擬合時所使用的第l個基函數，lj為第j個變量的觀測的時間長度，wi,j為第i個樣本的第j個曲線權重矩陣，它被定義為第i個樣本的第j個變量的曲線的所有觀測點的擬合殘差計算得到的協方差矩陣的逆；
35、基于最小二乘法的函數型數據擬合會損失一定的光滑度，所以需要引入一個粗糙度的懲罰項，得到帶有懲罰項的最小二乘擬合誤差penssem(yi,j|ci,j)＝(yi,j-ψjci本文檔來自技高網...
【技術保護點】
1.一種簾線鋼脫碳層質量預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述S1中將所述標量數據拉長，得到多變量時序數據，具體包括：
3.根據權利要求1所述的方法，其特征在于，所述S2，具體包括：
4.根據權利要求3所述的方法，其特征在于，所述S3，具體包括：
5.根據權利要求4所述的方法，其特征在于，所述S4，具體包括：
6.一種簾線鋼脫碳層質量預測系統，其特征在于，所述系統包括：
7.根據權利要求6所述的系統，其特征在于，所述獲取模塊，具體用于：
8.根據權利要求6所述的系統，其特征在于，所述擬合模塊，具體用于：
9.根據權利要求8所述的系統，其特征在于，所述映射模塊，具體用于：
10.根據權利要求9所述的系統，其特征在于，所述計算模塊，具體用于：
【技術特征摘要】
1.一種簾線鋼脫碳層質量預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述s1中將所述標量數據拉長，得到多變量時序數據，具體包括：
3.根據權利要求1所述的方法，其特征在于，所述s2，具體包括：
4.根據權利要求3所述的方法，其特征在于，所述s3，具體包括：
5.根據權利要求4所述的方法，其特征在于，所述s4，具體包...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。