基于Stacking集成学习的热轧带钢凸度诊断模型

在热连轧生产过程中,凸度是重要的质量指标,过程数据的非平衡性限制了数据驱动模型的预测效果,为提高模型的预测精度,提出一种融合SMOTE和Stacking集成算法的热轧带钢凸度诊断模型。首先,采用SMOTE过采样方法处理凸度相关数据集,降低数据非平衡分布导致的影响;然后,构建以轻量级梯度提升机(LightGBM)、支持向量机(SVM)、K近邻(KNN)和随机森林(RF)为基学习器,逻辑回归(LR)为元学习器的Stacking集成模型,最后,使用某2160 mm热轧带钢实际生产数据进行模型验证。研究结果表明,诊断模型的准确率、少数类召回率、平衡F分数、几何平均值和ROC曲线下面积分别为0.9580、0.9595、0.9573、0.9589和0.9579,与XGBoost、LightGBM、KNN、SVM和随机森林模型对比,预测效果最优,证明了Stacking集成算法能够有效增强诊断模型的泛化能力,具有优良的诊断性能。

基于混合多阶集成模型的非平衡热轧带钢凸度智能诊断

为了提升带钢热轧加工过程的智能化水平,基于数字孪生(DT)和信息物理系统(CPS),文本采用数据驱动方法以诊断热轧带钢凸度。因为热轧工艺具有遗传性、非线性和强耦合性的特点,因此带钢凸度诊断是一个决策边界不明确的非平衡问题。现有回归方法倾向于从多数类样本学习信息,而忽略了少数类的缺陷凸度。为了解决这一问题,本文提出了一个混合多阶集成模型(HMSEN)分类带钢凸度。首先,提出了一个新的采样方法,该方法结合了自适应采样(ADASYN)和重复编辑近邻样本(RENN)以强化对缺陷凸度的关注。随后,基于增加的数据,建立了一个多阶集成模型以提升分类精度。同时,通过分析不同基分类器的组合确定了最佳性能的混合多阶集成模型。实验结果表明,相比于其它采样方法,本文提出的采样方法更适合凸度数据集。此外,混合多阶集成模型的性能要优于现有回归方法和机理模型。因此,对于非平衡热轧带钢凸度智能诊断,本文提出的混合多阶集成模型是一种有效且鲁棒的方法。