CN110773580B - 一种基于XGBoost算法计算轧制力的方法及系统 - Google Patents

Abstract

本发明提供一种基于XGBoost算法计算轧制力的方法及系统，该方法使用大量历史数据，运用XGBoost算法对轧制力进行分析和预测，XGBoost采用了集成学习(Boosting)的思想，将弱分类器转化为强分类器，进而达到有效分类的目的，与GBDT算法相比，为了能够自定义loss函数，XGBoost将loss函数进行了2阶的泰勒展开，并同时加入正则项来权衡模型复杂度与避免过拟合，本发明使用了基于树模型的XGBoost，通过传统机理模型的参考和各个特征在节点分裂处出现的次数来确定模型的输入特征，再根据模型中各个参数对结果影响的重要程度，使用网格搜索法和先验知识进行参数调整，最终训练出模型从而计算出轧制力，与传统机理模型相比，轧制力计算精度显著提高。

Description

一种基于XGBoost算法计算轧制力的方法及系统

技术领域

本发明属于基于人工智能算法计算热轧带钢轧制力的计算领域，特别涉及一种基于XGBoost算法计算轧制力的方法及系统。

背景技术

在热连轧系统中，轧制力的计算一直使用传统的机理模型，但轧制力计算受化学成分、温度、变形程度、压下量、变形抗力和轧辊直径等多种参数的影响，因为热轧形变过程属于弹塑性变形，导致了变形抗力的计算很难准确。在不同的生产工况下，基于力学原理的机理模型预报精度的提高有一定难度。

发明内容

为了解决现有技术中存在的问题，本发明提供了一种基于XGBoost算法计算轧制力的方法及系统。

本发明其中一个技术方案提供一种基于XGBoost算法计算轧制力的方法，该方法包括如下步骤：

获取历史数据，筛选出有用的特征；

构建以树模型为基础的XGBoost算法框架，并对参数进行调整；

将筛选出的有用的特征输入到经过参数调整的XGBoost算法框架内进行训练，生成轧制力计算模型；

将待测数据输入到轧制力计算模型内计算轧制力。

进一步改进的方案中，所述获取历史数据，筛选出有用的特征包括如下步骤：

获取历史数据，筛选历史数据内对计算轧制力影响最大的特征；

去掉筛选出的特征的异常值；

去掉相关性大的特征，进而筛选出有用的特征。

进一步改进的方案中，所述去掉筛选出的特征的异常值为利用箱型图去掉筛选出的特征的异常值。

进一步改进的方案中，所述对参数进行调整为利用网格搜索法与先验知识相结合对参数进行调整。

进一步改进的方案中，所述利用网格搜索法与先验知识相结合对参数进行调整具体包括：

利用先验知识确定需要调整的参数及需要调整参数的调整顺序和调整组合；

利用网格搜索法筛选每个参数在进行网络搜索时的范围和/或粒度。

本发明另一个技术方案提供一种基于XGBoost算法计算轧制力的系统，该系统包括：

获取历史数据，筛选出有用的特征的数据处理模块；

构建以树模型为基础的XGBoost算法框架，并对参数进行调整的框架构建模块；

将筛选出的有用的特征输入到经过参数调整的XGBoost算法框架内进行训练，生成轧制力计算模型的计算模型生成模块；

将待测数据输入到轧制力计算模型内计算轧制力的输出模块。

进一步改进的技术方案中，所述数据处理模块包括：

获取历史数据，筛选历史数据内对计算轧制力影响最大的特征的筛选子模块；

去掉筛选出的特征的异常值的异常值删除子模块；

去掉相关性大的特征，进而筛选出有用的特征的特征删除子模块。

进一步改进的方案中，所述对参数进行调整为利用网格搜索法与先验知识相结合对参数进行调整。

本发明的积极效果如下：

1.本发明提供的一种基于XGBoost算法计算轧制力的方法中所应用的XGBoost算法属于机器学习领域的算法，这种算法弥补了使用人工智能方法计算轧制力的空白。

2.本发明提供的一种基于XGBoost算法计算轧制力的方法，不用考虑传统机理模型复杂变量间的耦合关系，只依靠对海量数据的分析即可。

3.使用本发明中的方法计算热轧带钢轧制力的精度高于传统机理模型，可以有效的为钢厂减少废钢，节约成本。

附图说明

图1是本发明提供的一种基于XGBoost算法计算轧制力的方法的流程图。

图2列举三个特征的箱型图，其中上界以上和下界以下的黑点为异常值。

图3是各个特征之间的相似度热度图，相似度越高，颜色越深。

图4是传统机理模型和XGBoost算法计算结果拟合对比图，上图是实测轧制力与基于传统机理模型的传统算法计算轧制力拟合图，下图是实测轧制力与基于XGBoost的机器学习算法预测轧制力拟合图。

图5是本发明提供的一种基于XGBoost算法计算轧制力的系统的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明其中一个实施例提供一种基于XGBoost算法计算轧制力的方法，如图1所示，该方法包括：

1)获取历史数据，筛选出有用的特征；

在一些优选的实施例中，步骤1)具体包括如下步骤：

11)获取历史数据，筛选历史数据内对计算轧制力影响最大的特征；

其中，组成历史数据的特征包括：钢种，生产日期，中间坯厚度，中间坯宽度，中间坯温度，精轧出口厚度，精轧出口宽度，工作辊直径，辊缝，变形抗力，QPF系数，轧制速度，轧机入口厚度，轧机出口厚度，压下量，前滑，轧机入口温度，精轧出口温度，轧机出口温度，接触弧长，轧制里程数，厚度修正，立棍修正，速度修正，HMI投入标志，HMI负荷修正，HMI导卫修正，HMI套高修正，HMI套张修正，支撑辊直径，零调压力，负荷干预量，相对压下率，绝对压下率(负载)，辐射降温，轧制降温，ZTMQOP系数，轧制力矩，轧制功率，磨损值，棍缝偏差，活套高度，活套张力，活套张力矩，带钢重力矩，活套重力矩，活套总力矩，侧导板数值；

本发明利用传统机理模型筛选对最终结果(计算轧制力)影响最大的特征。且传统机理模型中涉及的变量(特征)是对最终结果影响最大的特征。

在一些优选的实施例中，特征的维度为18，可显著提高轧制力的计算精度。

12)去掉筛选出的特征的异常值；

在一些优选的实施例中，步骤12)利用箱型图筛选出特征的异常值，并去掉特征中的异常值，其中图2为三个特征的箱型图，异常值包括箱型图中小于Q1-1.5IQR的值与大于Q3+1.5IQR的值；

13)去掉相关性大的特征，进而筛选出有用的特征；

其中，步骤13)具体为：使用概率统计中的相关性公式，计算出两两特征之间的相关性，相关性的取值在[0,1]之间；本申请所采用的数据中，删除了相似度大于等于0.9的特征。

经过以上处理，本申请所筛选出有用的特征包括：中间坯厚度，中间坯宽度，中间坯温度，精轧出口厚度，精轧出口宽度，精轧出口温度，工作辊直径，变形抗力，QPF系数，轧制速度，轧机入口厚度，轧机出口厚度，负载，前滑，轧机入口温度，轧机出口温度，轧制里程数和接触弧长；如图3介绍了各个特征之间的相似度。

2)构建以树模型为基础的XGBoost算法框架，并对参数进行调整；

其中，XGBoost算法采用了集成学习(Boosting)的思想，将弱分类器转化为强分类器，进而达到有效分类的目的。与GBDT算法相比，为了能够自定义loss函数，XGBoost将loss函数进行了2阶的泰勒展开，并同时加入正则项来权衡模型复杂度与避免过拟合；

构建以树模型为基础的XGBoost算法框架具体包括如下步骤：

假设模型有m颗树(决策树)，即

其损失函数为

其中

T代表叶子的个数，w代表叶子的权重，并且有

则loss函数可以表示为

对loss函数泰勒展开有

其中

将常数项移除

将I_j＝{i|q(x_i)＝j}定义为第j个叶子节点，即

将上式求导数并令导数等于0

把w_j最优解

代入目标函数，得

GXBoost利用贪心的策略，在每次已有的叶子节点中进行分割。假设I_L和I_R为分割后左节点与右节点的集合。信息增益如下

在一些优选的实施例中，所述对参数进行调整为利用网格搜索法与先验知识相结合对参数进行调整，具体包括如下步骤：

利用先验知识筛选需要调整的参数，及需要调整参数的调整顺序和调整组合；

利用网格搜索法筛选每个参数在进行网络搜索时的范围和/或粒度

详细调参过程如下：需要调整的参数包括：n_estimators、min_child_weight、max_depth、gamma、subsample、colsample_bytree、reg_alpha、reg_lambda、learning_rate；第一步调整n_estimators，范围[300,800]，粒度为100；第二步同时调整min_child_weight以及max_depth，调整范围分别为[3,8]、[1,6]，粒度为1；第三步再次调整n_estimators，调整范围和粒度由第一步结果决定，第四步调整gamma，范围[0.1,0.6]，粒度为0.1；第五步同时调整subsample以及colsample_bytree，范围同时为[0.6,0.9]，粒度为0.1；第六步同时调整reg_alpha以及reg_lambda，范围同时为[0.05,0.1,1,2,3]；第七步调整learning_rate,范围[0.01,0.05,0.07,0.1，0.2]。

经过以上调整后，不但能够保证算法的精度，而且可以提高算法的速度，降低耗时。

3)将筛选出的有用的特征输入到经过参数调整的XGBoost算法框架内进行训练，生成轧制力计算模型；

XGBoost算法能够充分利用多核CPU进行并行计算，同时在算法上改进以提高精度。本发明采用XGBoost算法的Python版本进行建模，使用5折交叉验证优化模型参数；

4)将待测数据输入到轧制力计算模型内计算轧制力。

本发明提供的一种基于XGBoost算法计算轧制力的方法目的在于使用XGBoost算法来提高热轧带钢中轧制力的精度。首先，分析历史数据，根据传统机理模型、箱型图法和概率统计中的相关性进行特征的筛选；然后构建XGBoost算法框架，使用网格搜索法与先验知识进行参数调整，最后，将筛选出的有用的特征输入到经过参数调整的XGBoost算法框架内，得到轧制力计算模型，用于计算轧制力。

图4示出了传统机理模型和XGBoost算法计算结果拟合对比图，从图中可以看出，本发明提供的方法与传统机理模型相比，与真实轧制力拟合度更高。

利用本发明提供的一种基于XGBoost算法计算轧制力的方法测试某一闸机轧制力，结果见表1。

表1基于XGBoost算法计算的轧制力与实际值的比较结果

从表中可以看出，本发明提供的方法计算的轧制力具有非常高的精度。

本发明另一个实施例提供一种基于XGBoost算法计算轧制力的系统，如图5所示，该系统包括：

获取历史数据，筛选出有用的特征的数据处理模块1；

在一些优选的实施例中，数据处理模块1具体包括：

获取历史数据，筛选历史数据内对计算轧制力影响最大的特征的筛选子模块11；

其中，组成历史数据的特征包括：钢种，生产日期，中间坯厚度，中间坯宽度，中间坯温度，精轧出口厚度，精轧出口宽度，工作辊直径，辊缝，变形抗力，QPF系数，轧制速度，轧机入口厚度，轧机出口厚度，压下量，前滑，轧机入口温度，精轧出口温度，轧机出口温度，接触弧长，轧制里程数，厚度修正，立棍修正，速度修正，HMI投入标志，HMI负荷修正，HMI导卫修正，HMI套高修正，HMI套张修正，支撑辊直径，零调压力，负荷干预量，相对压下率，绝对压下率(负载)，辐射降温，轧制降温，ZTMQOP系数，轧制力矩，轧制功率，磨损值，棍缝偏差，活套高度，活套张力，活套张力矩，带钢重力矩，活套重力矩，活套总力矩，侧导板数值。

本发明利用传统机理模型筛选对最终结果影响最大的特征。且传统机理模型中涉及的变量(特征)是对最终结果影响最大的特征。

在一些优选的实施例中，特征的维度为18，可显著提高轧制力的计算精度。

去掉筛选出的特征的异常值的异常值删除子模块12；

在一些优选的实施例中，利用箱型图筛选出特征的异常值，并去掉特征中的异常值，异常值包括箱型图中小于Q1-1.5IQR的值与大于Q3+1.5IQR的值；

去掉相关性大的特征，进而筛选出有用的特征的特征删除子模块13；

其中，使用概率统计中的相关性公式，计算出两两特征之间的相关性，相关性的取值在[0,1]之间；本申请所采用的数据中，删除了相关度大于等于0.9的特征。

经过以上处理，本申请所筛选出有用的特征包括：中间坯厚度，中间坯宽度，中间坯温度，精轧出口厚度，精轧出口宽度，精轧出口温度，工作辊直径，变形抗力，QPF系数，轧制速度，轧机入口厚度，轧机出口厚度，负载，前滑，轧机入口温度，轧机出口温度，轧制里程数和接触弧长。

构建以树模型为基础的XGBoost算法框架，并对参数进行调整的框架构建模块2；

其中，XGBoost算法采用了集成学习(Boosting)的思想，将弱分类器转化为强分类器，进而达到有效分类的目的。与GBDT算法相比，为了能够自定义loss函数，XGBoost将loss函数进行了2阶的泰勒展开，并同时加入正则项来权衡模型复杂度与避免过拟合；

构建以树模型为基础的XGBoost算法框架具体包括如下步骤：

假设模型有m颗树(决策树)，即

其损失函数为

其中

T代表叶子的个数，w代表叶子的权重，并且有

则loss函数可以表示为

对loss函数泰勒展开有

其中

将常数项移除

将I_j＝{i|q(x_i)＝j}定义为第j个叶子节点，即

将上式求导数并令导数等于0

把w_j最优解

代入目标函数，得

GXBoost利用贪心的策略，在每次已有的叶子节点中进行分割。假设I_L和I_R为分割后左节点与右节点的集合。信息增益如下

在一些优选的实施例中，所述对参数进行调整为利用网格搜索法与先验知识相结合对参数进行调整，具体包括如下步骤：

利用先验知识筛选需要调整的参数，及需要调整参数的调整顺序和调整组合；

利用网格搜索法筛选每个参数在进行网络搜索时的范围和/或粒度

详细调参过程如下：需要调整的参数包括：n_estimators、min_child_weight、max_depth、gamma、subsample、colsample_bytree、reg_alpha、reg_lambda、learning_rate；第一步调整n_estimators，范围[300,800]，粒度为100；第二步同时调整min_child_weight以及max_depth，调整范围分别为[3,8]、[1,6]，粒度为1；第三步再次调整n_estimators，调整范围和粒度由第一步结果决定，第四步调整gamma，范围[0.1,0.6]，粒度为0.1；第五步同时调整subsample以及colsample_bytree，范围同时为[0.6,0.9]，粒度为0.1；第六步同时调整reg_alpha以及reg_lambda，范围同时为[0.05,0.1,1,2,3]；第七步调整learning_rate,范围[0.01,0.05,0.07,0.1，0.2]。

经过以上调整后，不但能够保证算法的精度，而且可以提高算法的速度，降低耗时。

将筛选出的有用的特征输入到经过参数调整的XGBoost算法框架内进行训练，生成轧制力计算模型的计算模型生成模块3；

XGBoost算法能够充分利用多核CPU进行并行计算，同时在算法上改进以提高精度。本发明采用XGBoost算法的Pyhon版本进行建模，使用5折交叉验证优化模型参数；

将待测数据输入到轧制力计算模型内计算轧制力的输出模块4。

该系统计算的轧制力相比于传统机理模型，精度显著提高。

本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。

Claims (6)

1.一种基于XGBoost算法计算轧制力的方法，其特征在于，所述方法包括如下步骤：

获取历史数据，筛选出有用的特征；所述获取历史数据，筛选出有用的特征包括如下步骤：

获取历史数据，筛选历史数据内对计算轧制力影响最大的特征；

去掉筛选出的特征的异常值；

去掉相关性大的特征，进而筛选出有用的特征；

构建以树模型为基础的XGBoost算法框架，并对参数进行调整；

将筛选出的有用的特征输入到经过参数调整的XGBoost算法框架内进行训练，生成轧制力计算模型；

将待测数据输入到轧制力计算模型内计算轧制力。

2.如权利要求1所述的基于XGBoost算法计算轧制力的方法，其特征在于，所述去掉筛选出的特征的异常值为利用箱型图去掉筛选出的特征的异常值。

3.如权利要求1所述的基于XGBoost算法计算轧制力的方法，其特征在于，所述对参数进行调整为利用网格搜索法与先验知识相结合对参数进行调整。

4.如权利要求3所述的基于XGBoost算法计算轧制力的方法，其特征在于，所述利用网格搜索法与先验知识相结合对参数进行调整具体包括：

利用先验知识确定需要调整的参数及需要调整参数的调整顺序和调整组合；

利用网格搜索法筛选每个参数在进行网络搜索时的范围和/或粒度。

5.一种基于XGBoost算法计算轧制力的系统，其特征在于，所述系统包括：

获取历史数据，筛选出有用的特征的数据处理模块；所述数据处理模块包括：

获取历史数据，筛选历史数据内对计算轧制力影响最大的特征的筛选子模块；

去掉筛选出的特征的异常值的异常值删除子模块；

去掉相关性大的特征，进而筛选出有用的特征的特征删除子模块；

构建以树模型为基础的XGBoost算法框架，并对参数进行调整的框架构建模块；

将筛选出的有用的特征输入到经过参数调整的XGBoost算法框架内进行训练，生成轧制力计算模型的计算模型生成模块；

将待测数据输入到轧制力计算模型内计算轧制力的输出模块。

6.如权利要求5所述的基于XGBoost算法计算轧制力的系统，其特征在于，所述对参数进行调整为利用网格搜索法与先验知识相结合对参数进行调整。

Images