CN110569566A - 一种板带力学性能预测方法 - Google Patents

Abstract

本发明提供一种板带力学性能预测方法，在提高模型预测精度和泛化能力的同时，实现了力学性能预测结果的准确性评价。方法包括：采集板带力学性能相关数据，利用采集的数据训练多个描述样本间差异性的力学性能预测子模型；其中，不同的力学性能预测子模型的结构相同，各个力学性能预测子模型具有独立的模型参数；获取待测样本，采用多个力学性能预测子模型分别对待测样本力学性能进行预测；对每一个力学性能预测子模型的预测结果的准确性进行评价，选取准确性值最高的力学性能预测子模型作为目标子模型；输出目标子模型的预测结果作为最终力学性能预测值，利用目标子模型的准确性值对最终力学性能预测值进行评价。本发明涉及板带力学性能预测领域。

Description

一种板带力学性能预测方法

技术领域

本发明涉及板带力学性能预测领域，特别是指一种板带力学性能预测方法。

背景技术

板带力学性能预测是指利用板带化学成分和工艺参数预测轧后板带的各项力学性能，其在实际生产中具有很高的应用价值，如用于力学性能预测、减少取样、优化生产工艺及开发新钢种等。

目前的力学性能预测模型主要分为机理模型和数据模型两种。机理模型大多是在实验室研究基础上建立的，由于实际现场生产数据存在较大的误差，数据质量难以保证，导致其应用的效果不佳；而数据模型在一定程度上克服了冶金机理模型对数据质量要求高的问题，但是，直接通过历史数据样本所建立的力学性能预报模型的泛化能力较差，模型预测结果的准确性和稳定性均无法得到有效保证，而且过度追求高精度，缺少预测结果的准确性评价方法，阻碍了其在许多实际应用中的推广。

发明内容

本发明要解决的技术问题是提供一种板带力学性能预测方法，以解决现有技术所存在的预测模型其预测精度不稳定、泛化能力差，缺少对预测结果的准确性评价的问题。

为解决上述技术问题，本发明实施例提供一种板带力学性能预测方法，包括：

采集板带力学性能相关数据，利用采集的数据训练多个描述样本间差异性的力学性能预测子模型；其中，不同的力学性能预测子模型的结构相同，但各个力学性能预测子模型具有独立的模型参数；

获取待测样本，利用多个力学性能预测子模型分别对待测样本力学性能进行预测；

对每一个力学性能预测子模型的预测结果的准确性进行评价，选取准确性值最高的力学性能预测子模型作为目标子模型；

输出目标子模型的预测结果作为最终力学性能预测值，并利用目标子模型的准确性值对最终力学性能预测值进行评价。

进一步地，所述采集板带力学性能相关数据，利用采集的数据训练多个描述样本间差异性的力学性能预测子模型包括：

T1，采集板带力学性能相关数据，经过异常值检测处理、标准化处理和降维处理后得到初始样本集；

T2，对初始样本集数据进行均匀抽样，得到N个初始训练样本组成初始训练样本集，对初始训练样本集中的样本两两排列得到具有N²条数据的训练集；

T3，构建神经网络模型；

T4，使用训练集对神经网络模型进行迭代训练，得到力学性能预测子模型；

T5，重复步骤T2～T4，训练得到M个力学性能预测子模型。

进一步地，采集的板带力学性能相关数据包括：原料参数、工艺参数和实测力学性能；其中，

实测力学性能是指实测屈服强度、抗拉强度或延伸率。

进一步地，采用孤立森林对采集到的板带力学性能相关数据的异常值进行检测，将孤立的数据判定为异常值并予以删除。

进一步地，采用主成分分析算法对除实测力学性能之外的参数进行降维处理，按照累积贡献率选取Z个主成分作为初始样本集的特征参数；其中，

初始样本集包含Z个主成分和1个力学性能实测值，共Z+1个维度的数据。

进一步地，所述对初始样本集数据进行均匀抽样，得到N个初始训练样本组成初始训练样本集，对初始训练样本集中的样本两两排列得到具有N²条数据的训练集包括：

按照力学性能大小将初始样本集平均划分为Q个力学性能区间，分别在每个区间内有放回的随机选取P个样本，共得到N＝Q*P个样本构成初始训练样本；

将得到的N个初始训练样本两两排列，其中，两个样本的Z个主成分通过顺序拼接进行排列，力学性能值按照同样顺序求差并进行二进制编码，排列得到N²个新样本组成的训练集，每个新样本具有2Z个特征和力学性能偏差值对应的二进制编码。

进一步地，所述获取待测样本，利用多个力学性能预测子模型分别对待测样本力学性能进行预测包括：

C1，获取待测样本，对获取的待测样本进行标准化处理和降维处理，降维处理后的待测样本包含Z个主成分；

C2，从M个已训练好的力学性能预测子模型中按顺序每次选取1个子模型及训练该子模型的N个初始训练样本；

C3，分别将每个初始训练样本与待测样本排列，得到对应该待测样本的2N个测试数据；

C4，分别将2N个测试数据输入到所选取的子模型中进行预测，得到2N个偏差的二进制编码，结合初始训练样本的实测力学性能值反求得到2N个对应于该待测样本的力学性能预测值构成的集合Y＝{σ₁,...,σ_2N}；

C5，从M个已训练好的力学性能预测子模型中按顺序选取下一个子模型及对应的N个初始训练样本，执行步骤C3～C4，直至M个子模型都完成预测，得到M个力学性能预测值集合构成的数据集合{Y₁,...,Y_M}。

进一步地，所述对每一个力学性能预测子模型的预测结果的准确性进行评价，选取准确性值最高的力学性能预测子模型作为目标子模型包括：

对于每一个力学性能预测子模型，将预测值集合的均值作为该子模型的针对待测样本的最终预测值；其中，最终预测值表示为：

其中，σ_mean表示力学性能预测子模型的最终预测值，N和σ_i分别为初始训练样本数目和子模型对待测样本力学性能的各个预测值；

采用区间覆盖率计算每一个力学性能预测子模型的最终预测值的准确性；

根据集成学习的组合策略，从M个力学性能预测子模型中，选取区间覆盖率值最大的子模型作为目标子模型。

进一步地，区间覆盖率表示为：

其中，PICP表示区间覆盖率；N为初始训练样本数目；c_i为预测结果是否合理的标识，当集合Y＝{σ₁,...,σ_2N}内的力学性能预测值σ_i在区间[σ_mean-△σ,σ_mean+△σ]内时，c_i＝1，否则c_i＝0，△σ为力学性能预测的允许误差。

进一步地，所述输出目标子模型的预测结果作为最终力学性能预测值，并利用目标子模型的准确性值对最终力学性能预测值进行评价包括：

将目标子模型的力学性能最终预测值作为对应待测样本的最终力学性能预测值输出，同时输出对应的区间覆盖率值；

判断区间覆盖率值是否大于预设的准确性阈值，若大于，则判定最终力学性能预测值准确，否则，则判定最终力学性能预测值不准确。

本发明的上述技术方案的有益效果如下：

1)、通过对样本的不同排列，同时训练多个可描述样本间差异性的子模型，可以适用于多种复杂变化的生产工况，提高了模型预测稳定性和泛化能力。

2)、采用区间覆盖率对各子模型预测结果进行优选，可提高力学性能预测准确率，并可通过预设的准确性阈值对预测结果进行评价。

3)、通过该评价方法可识别该模型无法准确预测的生产样本，这在实际生产中的抽检取样和质量判断等方面具有很好的应用前景。

附图说明

图1为本发明实施例提供的板带力学性能预测方法的流程示意图；

图2是本发明实施例的力学性能预测及准确性评价的详细流程示意图；

图3是本发明实施例的力学性能预测子模型训练流程示意图；

图4是本发明实施例的力学性能预测子模型预测流程示意图；

图5是本发明实施例的PICP与屈服强度预测误差的关系示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的预测模型其预测精度不稳定、泛化能力差，缺少对预测结果的准确性评价的问题，提供一种板带力学性能预测方法。

如图1所示，本发明实施例提供的板带力学性能预测方法，包括：

S101，采集板带力学性能相关数据，利用采集的数据训练多个描述样本间差异性的力学性能预测子模型；其中，不同的力学性能预测子模型的结构相同，但各个力学性能预测子模型具有独立的模型参数；

S102，获取待测样本，利用多个力学性能预测子模型分别对待测样本力学性能进行预测；

S103，对每一个力学性能预测子模型的预测结果的准确性进行评价，选取准确性值最高的力学性能预测子模型作为目标子模型；

S104，输出目标子模型的预测结果作为最终力学性能预测值，并利用目标子模型的准确性值对最终力学性能预测值进行评价。

本发明实施例所述的板带力学性能预测方法，采集板带力学性能相关数据，利用采集的数据训练多个描述样本间差异性的力学性能预测子模型；其中，不同的力学性能预测子模型的结构相同，但各个力学性能预测子模型具有独立的模型参数；获取待测样本，利用多个力学性能预测子模型分别对待测样本力学性能进行预测；对每一个力学性能预测子模型的预测结果的准确性进行评价，选取准确性值最高的力学性能预测子模型作为目标子模型；输出目标子模型的预测结果作为最终力学性能预测值，并利用目标子模型的准确性值对最终力学性能预测值进行评价；这样，在提高预测模型泛化能力和预测准确率的同时，实现了力学性能预测结果的准确性评价，通过对样本力学性能预测及评价更好地应用于抽检取样和质量判断等方面。

在前述板带力学性能预测方法的具体实施方式中，进一步地，所述采集板带力学性能相关数据，利用采集的数据训练多个描述样本间差异性的力学性能预测子模型包括：

T1，采集板带力学性能相关数据，经过异常值检测处理、标准化处理和降维处理后得到初始样本集；

本实施例中，采集的板带力学性能相关数据包括：原料参数、工艺参数和实测力学性能；其中，原料参数包括：化学成分、原料厚度和出炉温度；工艺参数包括：各轧机轧制温度、轧制力以及终轧厚度、终轧温度、终轧速度和卷取温度；实测力学性能是指实测屈服强度、抗拉强度或延伸率。

本实施例中，为避免异常值对后续力学性能预测子模型预测性能造成影响，采用孤立森林对采集到的板带力学性能相关数据的异常值进行检测，将孤立的数据判定为异常值并予以删除。

本实施例中，为避免数据间量纲不一致而带来的初始权重，影响模型的收敛，采用标准化方法将每一维度的数据按照均值和方差处理为均值为0方差为1的标准数据，采用的标准化处理计算公式为：

其中，x、x^*、μ和σ分别为归一化前的数据、归一化后的数据、样本的均值和样本的方差。

本实施例中，为减少冗余数据和噪声数据影响训练时间和力学性能预测子模型精度，采用主成分分析(PCA)算法对除实测力学性能之外的参数进行降维处理，按照累积贡献率选取Z个主成分作为初始样本集的特征参数；其中，初始样本集包含Z个主成分和1个力学性能实测值，共Z+1个维度的数据。

T2，对初始样本集数据进行均匀抽样，得到N个初始训练样本组成初始训练样本集，对初始训练样本集中的样本两两排列得到具有N²条数据的训练集；

本实施例中，为避免原数据比例不平衡而导致力学性能预测子模型预测出现偏向性，按照力学性能大小将初始样本集平均划分为Q个力学性能区间，分别在每个区间内有放回的随机选取P个样本，共得到N＝Q*P个样本构成初始训练样本；将得到的N个初始训练样本两两排列，其中，两个样本的Z个主成分通过顺序拼接进行排列，力学性能值按照同样顺序求差并进行二进制编码，排列得到N²个新样本组成的训练集，每个新样本具有2Z个特征和力学性能偏差值对应的二进制编码。

T3，构建神经网络模型；

本实施例中，通过设计BP神经网络输入层和输出层的神经元数目构建神经网络模型；其中，BP神经网络的输入层包含训练集特征对应的2Z个神经元，隐层包含2Z+1个神经元，输出层神经元数目与力学性能偏差绝对值的最大值对应的二进制编码位数相同。

T4，使用训练集对神经网络模型进行迭代训练，得到力学性能预测子模型；

本实施例中，随机初始化神经网络模型的权值，应用训练集训练神经网络模型，得到力学性能预测子模型，输出保存子模型参数及对应初始训练样本。

T5，重复步骤T2～T4，训练得到M个力学性能预测子模型。

本实施例中，通过对样本的不同排列，同时训练M个可描述样本间差异性的子模型，可以适用于多种复杂变化的生产工况，提高了模型预测稳定性和泛化能力，M应当不小于2，M个子模型的结构相同，但各自具有独立的模型参数。

在前述板带力学性能预测方法的具体实施方式中，进一步地，所述获取待测样本，通过多个力学性能预测子模型对待测样本力学性能进行预测包括：

C1，获取待测样本，对获取的待测样本进行标准化处理和降维处理，降维处理后的待测样本包含Z个主成分；

本实施例中，待测样本应与训练样本具有相同的属性，采用相同的标准化参数和降维参数进行处理，处理后的待测样本包含Z个主成分。

C2，从M个已训练好的力学性能预测子模型中按顺序每次选取1个子模型及训练该子模型的N个初始训练样本；

C3，分别将每个初始训练样本与待测样本排列，得到对应该待测样本的2N个测试数据；

C4，分别将2N个测试数据输入到所选取的子模型中进行预测，得到2N个偏差的二进制编码，结合初始训练样本的实测力学性能值反求得到2N个对应于该待测样本的力学性能预测值构成的集合Y＝{σ₁,...,σ_2N}；

C5，从M个已训练好的力学性能预测子模型中按顺序选取下一个子模型及对应的N个初始训练样本，执行步骤C3～C4，直至M个子模型都完成预测，得到M个力学性能预测值集合构成的数据集合{Y₁,...,Y_M}。

在前述板带力学性能预测方法的具体实施方式中，进一步地，所述对每一个力学性能预测子模型的预测结果的准确性进行评价，选取准确性值最高的力学性能预测子模型作为目标子模型包括：

对于每一个力学性能预测子模型，将预测值集合的均值作为该子模型的针对待测样本的最终预测值；

采用区间覆盖率(PICP)计算每一个力学性能预测子模型的最终预测值的准确性；

根据集成学习的组合策略，从M个力学性能预测子模型中，选取区间覆盖率值最大的子模型作为目标子模型。

本实施例中，应用评价单元对各子模型预测结果的准确性进行评价，所述评价单元采用区间覆盖率表征子模型预测值的准确性，具体可以包括以下步骤：

A1，对于每一个力学性能预测子模型，将预测值集合的均值作为该子模型的针对待测样本的最终预测值σ_mean；其中，σ_mean表示为：

其中，σ_mean表示力学性能预测子模型的最终预测值，N和σ_i分别为初始训练样本数目和子模型对待测样本力学性能的各个预测值；

本实施例中，从M个力学性能预测值构成的集合{Y₁,...,Y_M}中按顺序取出一个子模型的力学性能预测值集合Y＝{σ₁,...,σ_2N}，通过公式计算得到对应于Y的最终预测值。

A2，设置力学性能预测的允许误差△σ，当集合Y＝{σ₁,...,σ_2N}内的力学性能预测值σ_i在区间[σ_mean-△σ,σ_mean+△σ]内时，c_i＝1，否则c_i＝0，c_i为预测结果是否合理的标识；接着，采用区间覆盖率计算每一个力学性能预测子模型的最终力学性能预测值的准确性。

本实施例中，区间覆盖率为准确性评价指标，区间覆盖率(PICP)表示为：

A3，根据集成学习的组合策略，从M个力学性能预测子模型中，筛选出准确性评价指标(区间覆盖率值)最大的子模型作为目标子模型。

本实施例中，所述集成学习的组合策略为首先计算各子模型的力学性能预测值的均值及其准确性评价指标；其中每个子模型均对应一个预测力学性能均值和一个准确性评价指标；选取M个子模型中准确性评价指标(即:区间覆盖率值)最大的子模型作为目标子模型，将该子模型的力学性能预测值的均值作为对应待测样本的最终力学性能预测值输出，同时输出对应的PICP指标；判断PICP指标是否大于预设的准确性阈值，若大于，则判定最终力学性能预测值准确，否则，则判定最终力学性能预测值不准确。

本实施例中，采用区间覆盖率对各子模型预测结果进行优选，可提高力学性能预测准确率，并可通过预设的准确性阈值对预测结果进行评价；通过该评价方法可识别该模型无法准确预测的生产样本，这在实际生产中的抽检取样和质量判断等方面具有很好的应用前景。

为了更好地理解本发明实施例所述的板带力学性能预测方法，如图2所示，对其进行详细说明：

步骤一、训练数据预处理

采集板带力学性能相关数据，涉及的参数包括化学成分、原料厚度、出炉温度、各轧机轧制温度和轧制力、终轧厚度、终轧温度、终轧速度和卷取温度，实测力学性能为屈服强度。

应用孤立森林算法对所采集数据中的异常值检测并剔除，配置iTree数量(如100)、iTree中样本数量(如256)和iTree高度(如8)。

利用数据标准化公式和线性降维算法PCA对数据(不包含力学性能)进行标准化变换和降维，按照累计贡献率(如约93％)选取Z(如Z＝13)个主成分作为初始样本集的特征参数，初始样本集包含Z(13)个主成分和屈服强度，共Z+1(14)个维度的数据。

步骤二、力学性能预测子模型的训练

如图3所示，为力学性能预测的子模型训练流程。

为避免原数据比例不平衡而导致模型预测出现偏向性，按照屈服强度大小将初始样本集平均划分为Q(如Q＝10)个力学性能区间，分别在每个区间内有放回的随机选取P(如P＝60)个样本，共得到N＝Q*P(600)个样本构成初始训练样本；

将得到的N(600)个初始训练样本两两排列，具体的：将两个样本的Z(13)个主成分通过顺序拼接进行排列(例如，将样本和样本 排列为或者，将样本和样本 排列为)，而对应屈服强度值按照同样顺序求差并进行二进制编码(如样本1的300MPa和样本2的350MPa求差后为-50MPa，二进制编码为0000110010，或者，样本2的350MPa和样本1的300MPa求差后为50MPa，二进制编码为1000110010，最高位为符号位)，排列得到N²(360000)个新样本组成的训练集，每个新样本具有2Z(26)个特征和屈服强度偏差值对应的二进制编码(如10位)。

神经网络模型的输入层包含训练集特征对应的2Z(26)个神经元，隐层包含2Z+1(27)个神经元，输出层神经元数目与屈服强度偏差绝对值的最大值对应的二进制编码位数(如10位)相同；各层神经元传递函数为sigmoid函数，学习率为0.05，迭代次数80000。

本实施例中，随机初始化神经网络模型的权值，应用训练集训练神经网络模型，得到屈服强度预测子模型，输出保存子模型参数及对应初始训练样本。训练M(如500)个屈服强度预测子模型，M(500)个子模型各自具有独立的模型参数。

步骤三、子模型对待测样本的预测

如图4所示，是力学性能预测子模型对待测样本的预测流程。

待测样本与训练样本具有相同的属性，采用相同的标准化参数和降维参数进行处理，处理后的待测样本包含Z(13)个主成分。

从M(500)个已训练好的子模型中按顺序每次选取1个子模型及训练该子模型的N(600)个初始训练样本，分别将每个初始训练样本与待测样本排列，得到对应该测试样本的2N(1200)条测试数据。

分别将2N(1200)个测试数据输入到所选取的子模型中进行预测，得到2N(1200)个偏差的二进制编码，结合训练样本的实测屈服强度值反求(如样本1是作为对照的训练样本，其实测屈服强度为320MPa，样本2为待测样本，其实测屈服强度为σ，模型预测偏差的二进制编码转换到十进制(解码)为-35MPa，则满足320-σ＝-35，求得σ＝355MPa(偏差反解)，得到2N(1200)个对应于该待测样本的屈服强度预测值构成的数据集合Y＝{σ₁,...,σ_2N}。

针对该待测样本预测一共得到M(500)个预测值集合{Y₁,...,Y_M}。

步骤四、应用评价单元对各子模型预测结果进行评价

从M(500)个预测值集合{Y₁,...,Y_M}中按顺序取出一个子模型的屈服强度预测值集合Y＝{σ₁,...,σ_2N}，通过式计算得到对应于Y的最终屈服强度预测值。

设置屈服强度预测的允许误差△σ(如30MPa)，通过式计算最终预测结果的准确性。

步骤五、预测值筛选

从子模型的预测值集合{Y₁,...,Y_M}中筛选出针对该待测样本屈服强度相对准确的子模型，同时输出该样本的最终预测屈服强度和准确性评价指标，其中每个子模型均对应一个预测屈服强度均值和一个准确性评价指标，即集合{Y₁,...,Y_M}对应评价单元输出的结果集合为{{PICP₁,σ_mean,1},...,{PICP_M,σ_mean,M}}，选取M个子模型中准确性评价指标最大的作为目标子模型，即从PICP₁～PICP_M中筛选最大值，可确定目标子模型编号(如k)。

将该子模型的屈服强度预测值的均值作为对应待测样本的最终屈服强度预测值输出，同时输出对应的PICP指标，即模型的最终预测结果为PICP_k和σ_mean,k，通过分析该PICP_k指标的数值大小可判断屈服强度预测值σ_mean,k的准确性，如设定PICP准确性阈值为0.5，若PICP_k>0.5，则σ_mean,k准确，否则认为σ_mean,k不准确。

如图5所示，图5是本发明实施例的200个待测样本中PICP与屈服强度预测误差的关系，PICP值的大小反映了子模型预测值的准确程度，随PICP取值的不断减小，样本屈服强度平均预测误差逐渐增大。

综上，本实施例所述的板带力学性能预测方法在对板带力学性能预测的同时给出预测结果的准确性评价指标。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种板带力学性能预测方法，其特征在于，包括：

采集板带力学性能相关数据，利用采集的数据训练多个描述样本间差异性的力学性能预测子模型；其中，不同的力学性能预测子模型的结构相同，但各个力学性能预测子模型具有独立的模型参数；

获取待测样本，利用多个力学性能预测子模型分别对待测样本力学性能进行预测；

对每一个力学性能预测子模型的预测结果的准确性进行评价，选取准确性值最高的力学性能预测子模型作为目标子模型；

输出目标子模型的预测结果作为最终力学性能预测值，并利用目标子模型的准确性值对最终力学性能预测值进行评价。

2.根据权利要求1所述的板带力学性能预测方法，其特征在于，所述采集板带力学性能相关数据，利用采集的数据训练多个描述样本间差异性的力学性能预测子模型包括：

T1，采集板带力学性能相关数据，经过异常值检测处理、标准化处理和降维处理后得到初始样本集；

T2，对初始样本集数据进行均匀抽样，得到N个初始训练样本组成初始训练样本集，对初始训练样本集中的样本两两排列得到具有N²条数据的训练集；

T3，构建神经网络模型；

T4，使用训练集对神经网络模型进行迭代训练，得到力学性能预测子模型；

T5，重复步骤T2～T4，训练得到M个力学性能预测子模型。

3.根据权利要求2所述的板带力学性能预测方法，其特征在于，采集的板带力学性能相关数据包括：原料参数、工艺参数和实测力学性能；其中，

实测力学性能是指实测屈服强度、抗拉强度或延伸率。

4.根据权利要求2所述的板带力学性能预测方法，其特征在于，采用孤立森林对采集到的板带力学性能相关数据的异常值进行检测，将孤立的数据判定为异常值并予以删除。

5.根据权利要求3所述的板带力学性能预测方法，其特征在于，采用主成分分析算法对除实测力学性能之外的参数进行降维处理，按照累积贡献率选取Z个主成分作为初始样本集的特征参数；其中，

初始样本集包含Z个主成分和1个力学性能实测值，共Z+1个维度的数据。

6.根据权利要求2所述的板带力学性能预测方法，其特征在于，所述对初始样本集数据进行均匀抽样，得到N个初始训练样本组成初始训练样本集，对初始训练样本集中的样本两两排列得到具有N²条数据的训练集包括：

按照力学性能大小将初始样本集平均划分为Q个力学性能区间，分别在每个区间内有放回的随机选取P个样本，共得到N＝Q*P个样本构成初始训练样本；

将得到的N个初始训练样本两两排列，其中，两个样本的Z个主成分通过顺序拼接进行排列，力学性能值按照同样顺序求差并进行二进制编码，排列得到N²个新样本组成的训练集，每个新样本具有2Z个特征和力学性能偏差值对应的二进制编码。

7.根据权利要求1所述的板带力学性能预测方法，其特征在于，所述获取待测样本，利用多个力学性能预测子模型分别对待测样本力学性能进行预测包括：

C1，获取待测样本，对获取的待测样本进行标准化处理和降维处理，降维处理后的待测样本包含Z个主成分；

C2，从M个已训练好的力学性能预测子模型中按顺序每次选取1个子模型及训练该子模型的N个初始训练样本；

C3，分别将每个初始训练样本与待测样本排列，得到对应该待测样本的2N个测试数据；

C4，分别将2N个测试数据输入到所选取的子模型中进行预测，得到2N个偏差的二进制编码，结合初始训练样本的实测力学性能值反求得到2N个对应于该待测样本的力学性能预测值构成的集合Y＝{σ₁,...,σ_2N}；

C5，从M个已训练好的力学性能预测子模型中按顺序选取下一个子模型及对应的N个初始训练样本，执行步骤C3～C4，直至M个子模型都完成预测，得到M个力学性能预测值集合构成的数据集合{Y₁,...,Y_M}。

8.根据权利要求7所述的板带力学性能预测方法，其特征在于，所述对每一个力学性能预测子模型的预测结果的准确性进行评价，选取准确性值最高的力学性能预测子模型作为目标子模型包括：

对于每一个力学性能预测子模型，将预测值集合的均值作为该子模型的针对待测样本的最终预测值；其中，最终预测值表示为：

其中，σ_mean表示力学性能预测子模型的最终预测值，N和σ_i分别为初始训练样本数目和子模型对待测样本力学性能的各个预测值；

采用区间覆盖率计算每一个力学性能预测子模型的最终预测值的准确性；

根据集成学习的组合策略，从M个力学性能预测子模型中，选取区间覆盖率值最大的子模型作为目标子模型。

9.根据权利要求8所述的板带力学性能预测方法，其特征在于，区间覆盖率表示为：

其中，PICP表示区间覆盖率；N为初始训练样本数目；c_i为预测结果是否合理的标识，当集合Y＝{σ₁,...,σ_2N}内的力学性能预测值σ_i在区间[σ_mean-△σ,σ_mean+△σ]内时，c_i＝1，否则c_i＝0，△σ为力学性能预测的允许误差。

10.根据权利要求8所述的板带力学性能预测方法，其特征在于，所述输出目标子模型的预测结果作为最终力学性能预测值，并利用目标子模型的准确性值对最终力学性能预测值进行评价包括：

将目标子模型的力学性能最终预测值作为对应待测样本的最终力学性能预测值输出，同时输出对应的区间覆盖率值；

判断区间覆盖率值是否大于预设的准确性阈值，若大于，则判定最终力学性能预测值准确，否则，则判定最终力学性能预测值不准确。