【技術實現步驟摘要】
本專利技術涉及人工智能，特別是指一種基于自適應損失的多任務鑄坯質量缺陷預測方法及裝置。
技術介紹
1、鋼鐵行業的發展與一個國家的工業水平息息相關，中國鋼鐵行業邁入了智能制造時代，迫切需要進行智能化轉型升級。在鋼鐵全流程生產中，組織性能預測是至關重要一環，涵蓋了連鑄坯的質量預測和軋材力學性能預測。
2、連鑄在鋼鐵生產過程中扮演著承上啟下的角色。連鑄過程的復雜性導致生產出的連鑄坯容易出現包括表面裂紋、夾渣以及氣孔等表面缺陷，以及中心裂紋、偏析、夾雜、疏松以及縮孔等內部缺陷。連鑄坯內部質量缺陷的出現主要與多個因素相關。冷卻不均勻可能導致內部應力集中，進而產生裂紋或其他缺陷；其次，鑄造溫度控制不當會影響金屬液體的流動性，從而導致縮孔和氣孔等問題。此外，合金成分不均勻也會導致物理性質的差異，增加缺陷風險。鑄造過程中，金屬液體吸入氣體如水蒸氣和氧氣可能形成氣孔，模具設計不合理則可能影響鑄件的填充和排氣，造成冷隔等缺陷。金屬液體的流動性不足、模具材料及設計問題、以及熱處理過程的不當也都是導致內部缺陷的潛在原因。準確預測連鑄坯的質量不僅可以避免破壞性的實驗，還能幫助技術人員及時調整工藝，降低次品率，保證后續軋制工藝順利進行，提高產品質量。然而，由于連鑄過程的非線性、強耦合特性及多擾動因素，準確預測產品質量具有很大挑戰。因此，連鑄坯的內部質量缺陷預測一直是連鑄生產過程中的一個重要研究方向。
3、傳統方法主要是通過建立連鑄過程的機理模型來預測鑄坯質量，但存在預測精度低、模型復雜以及泛化能力差等問題。目前，連鑄坯內部質量缺陷方
技術實現思路
1、為了解決現有技術存在的無法同時預測多個連鑄坯內部質量缺陷的技術問題，本專利技術實施例提供了一種基于自適應損失的多任務鑄坯質量缺陷預測方法及裝置。所述技術方案如下：
2、一方面，提供了一種基于自適應損失的多任務鑄坯質量缺陷預測方法，該方法由基于自適應損失的多任務鑄坯質量缺陷預測設備實現，該方法包括：
3、s1、獲取連鑄生產樣本數據集；
4、s2、對所述連鑄生產樣本數據集進行預處理，獲得預處理后的樣本數據集；
5、s3、構建初始的基于tabnet的多任務學習模型；
6、s4、根據所述預處理后的樣本數據集對所述初始的基于tabnet的多任務學習模型進行訓練，獲得訓練好的基于tabnet的多任務學習模型；
7、s5、獲取待預測連鑄生產數據；將所述待預測連鑄生產數據進行預處理，獲得預處理后的待預測連鑄生產數據；將所述預處理后的待預測連鑄生產數據輸入所述訓練好的基于tabnet的多任務學習模型中，獲得連鑄坯內部質量預測結果。
8、可選地，所述s2的對所述連鑄生產樣本數據集進行預處理，獲得預處理后的樣本數據集，包括：
9、s21、采用數據挖掘算法，去除所述連鑄生產樣本數據集中的缺失值以及異常值，獲得去除處理后的連鑄生產樣本數據集；
10、s22、采用one-hot編碼對處理后的連鑄生產樣本數據集進行數據數值化，將數據數值化后的數據進行歸一化處理，獲得預處理后的樣本數據集。
11、可選地，所述初始的基于tabnet的多任務學習模型，包括：
12、特征選擇模塊、tabnet共享層、分裂層以及自適應損失模塊；
13、其中，所述特征選擇模塊用于對輸入數據進行特征選擇；
14、其中，所述tabnet共享層用于提取高級別的特征；
15、其中，所述分裂層包括兩個全連接層以及mlp分類頭；
16、其中，所述自適應損失模塊用于平衡不同任務的訓練進度。
17、可選地，所述s4的根據所述預處理后的樣本數據集對所述初始的基于tabnet的多任務學習模型進行訓練，獲得訓練好的基于tabnet的多任務學習模型，包括：
18、s41、將所述預處理后的樣本數據集輸入所述初始的基于tabnet的多任務學習模型中，通過特征選擇模塊進行特征選擇，獲得選擇好的特征集；
19、s42、將選擇好的特征集輸入tabnet共享層中對高級特征進行提取，獲得高級特征的特征表示；
20、s43、將高級特征的特征表示輸入分裂層中，通過兩個全連接層以及mlp分類頭進行計算，輸出計算結果，根據計算結果進行任務匹配，獲得鑄坯質量缺陷預測結果；
21、s44、根據鑄坯質量缺陷預測結果，通過自適應損失模塊對初始的基于tabnet的多任務學習模型進行訓練，獲得訓練好的基于tabnet的多任務學習模型。
22、可選地，所述s41的將所述預處理后的樣本數據集輸入所述初始的基于tabnet的多任務學習模型中，通過特征選擇模塊進行特征選擇，獲得選擇好的特征集，包括：
23、s411、將所述預處理后的樣本數據集輸入所述初始的基于tabnet的多任務學習模型中，采用隨機森林算法進行計算，獲得特征貢獻向量；
24、s412、根據特征貢獻向量，通過機理模型設置先驗知識向量和閾值，計算特征權重；
25、s413、根據特征權重以及預處理后的樣本數據集進行計算，獲得
26、選擇好的特征集。
27、可選地，所述s44的根據鑄坯質量缺陷預測結果，通過自適應損失模塊對初始的基于tabnet的多任務學習模型進行訓練，包括：
28、s441、初始化權重；
29、s442、根據初始化權重，計算單輪中的總損失；根據單輪中的總損失，計算單個任務對整體任務的梯度范數；根據單個任務對整體任務的梯度范數，計算單個任務的相對方向訓練速度；
30、s443、根據單個任務對整體任務的梯度范數，計算所有任務的平均梯度范數；
31、s444、根據所有任務在單輪中的平均梯度范數、單個任務對整體任務的梯度范數以及單個任務的相對方向訓練速度，計算單輪中的梯度損失；
32、s445、根據單輪中的梯度損失計算對于單輪中的權重，獲得下一輪的權重；根據單輪中的總損失反向傳播更新參數，通過對下一輪的權重進行本文檔來自技高網...
【技術保護點】
1.一種基于自適應損失的多任務鑄坯質量缺陷預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于自適應損失的多任務鑄坯質量缺陷預測方法，其特征在于，所述S2的對所述連鑄生產樣本數據集進行預處理，獲得預處理后的樣本數據集，包括：
3.根據權利要求1所述的基于自適應損失的多任務鑄坯質量缺陷預測方法，其特征在于，所述初始的基于TabNet的多任務學習模型，包括：
4.根據權利要求3所述的基于自適應損失的多任務鑄坯質量缺陷預測方法，其特征在于，所述S4的根據所述預處理后的樣本數據集對所述初始的基于TabNet的多任務學習模型進行訓練，獲得訓練好的基于TabNet的多任務學習模型，包括：
5.根據權利要求4所述的基于自適應損失的多任務鑄坯質量缺陷預測方法，其特征在于，所述S41的將所述預處理后的樣本數據集輸入所述初始的基于TabNet的多任務學習模型中，通過特征選擇模塊進行特征選擇，獲得選擇好的特征集，包括：
6.根據權利要求4所述的基于自適應損失的多任務鑄坯質量缺陷預測方法，其特征在于，所述S44的根據鑄坯質量缺陷預
7.根據權利要求1所述的基于自適應損失的多任務鑄坯質量缺陷預測方法，其特征在于，所述S5的將所述預處理后的待預測連鑄生產數據輸入所述訓練好的基于TabNet的多任務學習模型中，獲得連鑄坯內部質量預測結果，包括：
8.一種基于自適應損失的多任務鑄坯質量缺陷預測裝置，所述基于自適應損失的多任務鑄坯質量缺陷預測裝置用于實現如權利要求1-7任一項所述基于自適應損失的多任務鑄坯質量缺陷預測方法，其特征在于，所述裝置包括：
9.一種基于自適應損失的多任務鑄坯質量缺陷預測設備，其特征在于，所述基于自適應損失的多任務鑄坯質量缺陷預測設備包括：
10.一種計算機可讀取存儲介質，其特征在于，所述計算機可讀取存儲介質中存儲有程序代碼，所述程序代碼可被處理器調用執行如權利要求1至7任一項所述的方法。
...【技術特征摘要】
1.一種基于自適應損失的多任務鑄坯質量缺陷預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于自適應損失的多任務鑄坯質量缺陷預測方法，其特征在于，所述s2的對所述連鑄生產樣本數據集進行預處理，獲得預處理后的樣本數據集，包括：
3.根據權利要求1所述的基于自適應損失的多任務鑄坯質量缺陷預測方法，其特征在于，所述初始的基于tabnet的多任務學習模型，包括：
4.根據權利要求3所述的基于自適應損失的多任務鑄坯質量缺陷預測方法，其特征在于，所述s4的根據所述預處理后的樣本數據集對所述初始的基于tabnet的多任務學習模型進行訓練，獲得訓練好的基于tabnet的多任務學習模型，包括：
5.根據權利要求4所述的基于自適應損失的多任務鑄坯質量缺陷預測方法，其特征在于，所述s41的將所述預處理后的樣本數據集輸入所述初始的基于tabnet的多任務學習模型中，通過特征選擇模塊進行特征選擇，獲得選擇好的特征集，包括：
6.根據權利要求4所述...
【專利技術屬性】
技術研發人員：劉艷，孫夢磊，林金輝，楊思琪，白晨成，張曉峰，殷緒成，
申請(專利權)人：北京科技大學，
類型：發明
國別省市：
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。