TWI805501B - 基於機器學習模型預判耐火材可用性的方法 - Google Patents
基於機器學習模型預判耐火材可用性的方法 Download PDFInfo
- Publication number
- TWI805501B TWI805501B TW111137425A TW111137425A TWI805501B TW I805501 B TWI805501 B TW I805501B TW 111137425 A TW111137425 A TW 111137425A TW 111137425 A TW111137425 A TW 111137425A TW I805501 B TWI805501 B TW I805501B
- Authority
- TW
- Taiwan
- Prior art keywords
- model
- refractory materials
- refractory
- machine learning
- availability
- Prior art date
Links
Images
Landscapes
- Furnace Housings, Linings, Walls, And Ceilings (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
一種基於機器學習模型預判耐火材可用性的方法，該方法包括步驟：讀取一訓練資料集，該訓練資料集包括數件耐火材的數種特性參數；依據該訓練資料集對多種二元分類器模型進行訓練，使用一測試資料集對被訓練完的該些二元分類器模型進行測試，依據一基於正確率的混淆矩陣對測試結果進行檢視，以從被測試完的該些二元分類器模型中選出一者作為一預判模型；及使用該預判模型依據一待測耐火材的該些特性參數輸出一可用性指標。
Description
本發明係關於一種機器學習技術，特別是關於一種基於機器學習模型預判耐火材可用性的方法。
在煉鋼製程中，鋼液容器須於內表面塗耐火材，以利盛裝高溫鋼液，進行鋼液分配過程。
舉例而言，以煉鋼作業用的鋼液分配器為例，不定型耐火材經遵循供應商指定的水量與時間進行攪拌後，再塗抹於鋼液分配器內表面，續經風乾、加熱及組合等過程，經驗收後，再使用於製程中。經多次使用後，需拆解組合、去除鋼液殘渣(如紀錄傾倒次數)，及檢查表面(如紀錄表面是否燒結及鋼渣層厚是否太薄等)，再進行下一回的耐火材塗抹過程。
如此反覆進行上述過程，導致耐火材使用量大，驗收次數繁複。又，習知鋼種轉用作業仰賴人為經驗進行上述過程，容易導致人員負擔過重等情事。以往雖有一些技術方案被提出，但仍有待改善。
有鑑於此，有必要提供一種有別以往的技術方案，以解決習知技術所存在的問題。
本發明之一目的在於提供一種基於機器學習模型預判耐火材可用性的方法，以利降低耐火材檢驗頻率。
為達上述之目的，本發明的一方面提供一種基於機器學習模型預判耐火材可用性的方法，由耦接一記憶體的一處理器執行被儲存在該記憶體中的指令，該方法包括步驟：讀取一訓練資料集，該訓練資料集包括數件耐火材的數種特性參數；依據該訓練資料集對多種二元分類器模型進行訓練，使用一測試資料集對被訓練完的該些二元分類器模型進行測試，依據一基於正確率的混淆矩陣對測試結果進行檢視，以從被測試完的該些二元分類器模型中選出一者作為一預判模型；及使用該預判模型依據一待測耐火材的該些特性參數輸出一可用性指標。
在本發明之一實施例中，該些二元分類器模型包括羅吉斯回歸模型、決策樹模型、隨機森林模型及極限梯度提升模型。
在本發明之一實施例中，在訓練該些二元分類器模型的過程，進行K-fold交叉驗證。
在本發明之一實施例中，該K-fold交叉驗證的一資料切割設定值的範圍介於5至10。
在本發明之一實施例中，該數種特性參數包括煉鋼用耐火材的數值特徵、煉鋼用耐火材的類別特徵及煉鋼用耐火材的預判結果。
在本發明之一實施例中，該煉鋼用耐火材的數值特徵先經過雜訊清除及空值濾除的處理，再用於訓練該些二元分類器模型。
在本發明之一實施例中，該煉鋼用耐火材的數值特徵包括耐火材的表面氣孔率數值及耐火材的耐壓強度數值，該煉鋼用耐火材的類別特徵包括耐火材的來源代碼數值，該煉鋼用耐火材的預判結果包括耐火材被預檢後的已達標代碼數值與未達標代碼數值。
在本發明之一實施例中，該混淆矩陣中的數值包括整體正確率、達標正確率及未達標正確率。
在本發明之一實施例中，該預判模型為該些二元分類器模型被測試後的可用性指標與真實可用性之間的相符程度最高者。
在本發明之一實施例中，該方法還包括步驟，依據該可用性指標調整耐火材的實際取樣化驗頻率。
本發明基於機器學習模型預判耐火材可用性的方法，依據該訓練資料集訓練該些二元分類器模型，使用該測試資料集對該些二元分類器模型進行測試，依據該基於正確率的混淆矩陣對測試結果進行檢視，以從被測試完的該些二元分類器模型中選出一者作為該預判模型；及使用該預判模型依據該待測耐火材的該些特性參數輸出一可用性指標。從而，可運用資料科學領域的機器學習演算法，從歷史數據中學習脈絡，譬如根據耐火材的化性及物性等紀錄數據，有效輔助判讀耐火材是否仍適用(合格)，藉以調整耐火材的抽驗策略，可以減少耐火材的化驗頻率及降低耐火材的查驗人力需求，進而加速製程中的耐火材驗收效率，可適用於鋼鐵業需要進行耐火材檢驗之場域，有利於提升產品競爭力。
為了讓本發明之上述及其他目的、特徵、優點能更明顯易懂，下文將特舉本發明較佳實施例，並配合所附圖式，作詳細說明如下。再者，本發明所提到的方向用語，例如上、下、頂、底、前、後、左、右、內、外、側面、周圍、中央、水平、橫向、垂直、縱向、軸向、徑向、最上層或最下層等，僅是參考附加圖式的方向。因此，使用的方向用語是用以說明及理解本發明，而非用以限制本發明。
本發明的一方面提供一種基於機器學習模型預判耐火材可用性的方法，由耦接一記憶體的一處理器執行被儲存在該記憶體中的指令，譬如，可配置一電子裝置，該電子裝置可包括該處理器及記憶體，其架構係本發明所屬技術領域中具有通常知識者可以理解，不再贅述。
請參閱第1圖所示，該方法可包括步驟S1、S2及S3。
步驟S1，讀取一訓練資料集，該訓練資料集包括數件耐火材的數種特性參數，譬如該訓練資料集可儲存於一資料庫(譬如由雲端儲存平台或儲存裝置構成)，該資料庫與該電子裝置耦接，使該電子裝置可以對該資料庫存取資料，譬如各種資料集或是在方法進行過程中產生的資料。
步驟S2，依據該訓練資料集對多種二元分類器模型進行訓練，使用一測試資料集對被訓練完的該些二元分類器模型進行測試，依據一基於正確率的混淆矩陣(confusion matrix)對測試結果進行檢視，以從被測試完的該些二元分類器模型中選出一者作為一預判模型，譬如該些二元分類器模型、該測試資料集、該混淆矩陣、該正確率、該預判模型可被儲存於該資料庫。
舉例而言，在一示例中，可依據該混淆矩陣的正確率指標來評比各個演算法；譬如，正確率指標可被定義為如下幾種，例如(1)整體正確率：Accuracy=(TP+TN)/(TP+TN+FP+FN)，其中TP為表示真陽、TN表示真陰、FP表示偽陽、FN表示偽陰，其係用於表示預測正確與否的結果；(2)達標正確率：Sensitivity或Recall=TP/(TP+FN)；(3)未達標正確率：Specificity= TN/(FP+TN)。藉此，可利用多種二元分類器演算法 (譬如4種演算法)分別對訓練資料建立模型，隨後，在本實施例中，譬如可採用整體正確率進行評比，從而，可得知多種二元分類器演算法中的一者(譬如極限梯度提升模型，Xgboost)的整體正確率優於其他多種演算法的整體正確率，則可據此選出該極限梯度提升模型作為該預判模型。
步驟S3，使用該預判模型依據一待測耐火材的該些特性參數輸出一可用性指標，譬如該可用性指標可被儲存於該資料庫，但不以此為限，該可用性指標也能以列印、顯示、播音及/或發送有線或無線通訊封包等方式進行輸出過程，其係所屬技術領域中具有通常知識者可以理解。以下舉例說明相關實施態樣，惟不以此為限。
舉例而言，該訓練資料集可收集自數件耐火材的數種特性參數，譬如成分合格未轉用的煉鋼用耐火材的歷史數據，該數據譬如可為過往一段時間實際用於製程中的耐火材特性數據。
例如，每件耐火材的特性參數可包括：(1)X (影響預判結果的因子)：耐火材之化性及物性等參數，譬如可包括：(X1)數值(numeric)特徵(例如包括耐火材之表面氣孔率及耐壓強度等數值，但不以此為限)；及(X2)類別(category)特徵(例如廠商代號或代碼數值等)；(2)Y (實際檢驗結果)：實檢判讀結果，譬如包括“達標(代表合格，例如可用性指標的代碼數值為1，但不以此為限)”及“非達標(代表不合格，例如可用性指標的代碼數值為0，但不以此為限)”，該些結果可為人工或機器判讀後被記錄的諸多結果，在此不另設限。
其中，上述實檢判讀結果的分類及依據可依照耐火材在鋼液分配器上實際使用後的表面狀況進行判定，但不以此為限。
可選地，在一實施例中，該數種特性參數包括煉鋼用耐火材的數值特徵、煉鋼用耐火材的類別特徵及煉鋼用耐火材的預判結果。
表一 煉鋼用耐火材歷史數據示例
| X2 | X1 | Y | |||||||||||
| 廠商 | 體比重 | 表面氣孔率 | 再熱線性變化率 | 耐壓強度 | 常溫抗折強度 | Cr 2O 3 | Fe 2O 3 | CaO | MgO | Al 2O 3 | SiO 2 | P 2O 5 | 達標 |
| F | 1.488 | 45.056 | -4.381 | -2.804 | 3.32 | 0.003 | 0.173 | 3.045 | 2.829 | 2.392 | 9.121 | 2.324 | 1 |
| D | 1.468 | 46.056 | -5.211 | 25.397 | 2.56 | 0.003 | 0.163 | -2.285 | 2.669 | 2.082 | 5.351 | 1.014 | 1 |
| F | 1.488 | 45.056 | -4.381 | -2.804 | 3.32 | 0.003 | 0.173 | 1.885 | 2.729 | 0.752 | 7.291 | 1.914 | 1 |
| D | 1.468 | 46.056 | -5.211 | 25.397 | 2.56 | 0.003 | 0.163 | 3.905 | 2.599 | 0.142 | 7.391 | 1.944 | 0 |
| D | 1.468 | 46.056 | -5.211 | 25.397 | 2.56 | 0.003 | 0.163 | -1.585 | 2.219 | -0.318 | 17.371 | 1.414 | 1 |
| D | 1.468 | 46.056 | -5.211 | 25.397 | 2.56 | 0.003 | 0.163 | 4.365 | 2.249 | -0.328 | 10.441 | 2.624 | 1 |
| D | 1.468 | 46.056 | -5.211 | 25.397 | 2.56 | 0.003 | 0.163 | -3.095 | 1.039 | -0.238 | 9.791 | 1.994 | 1 |
| H | 1.468 | 45.956 | -3.381 | -5.204 | 1.67 | 0.003 | 0.138 | 3.045 | 2.139 | 0.742 | 8.901 | 2.614 | 1 |
| F | 1.488 | 45.056 | -4.381 | -2.804 | 3.32 | 0.003 | 0.173 | 0.345 | 2.579 | 0.092 | 9.191 | 2.094 | 0 |
| F | 1.488 | 45.056 | -4.381 | -2.804 | 3.32 | 0.003 | 0.173 | 1.695 | 2.549 | 1.522 | 7.191 | 2.114 | 1 |
| K | 1.468 | 46.056 | -5.211 | 25.397 | 2.56 | 0.003 | 0.163 | -0.185 | 2.409 | 3.502 | 6.411 | 1.314 | 1 |
| K | 1.468 | 46.056 | -5.211 | 25.397 | 2.56 | 0.003 | 0.163 | 0.445 | 1.579 | 0.722 | 6.131 | 1.774 | 1 |
| H | 1.468 | 45.956 | -3.381 | -5.204 | 1.67 | 0.003 | 0.138 | -4.345 | 1.339 | 2.402 | 6.941 | 1.174 | 1 |
| H | 1.468 | 45.956 | -3.381 | -5.204 | 1.67 | 0.003 | 0.138 | 3.965 | 2.949 | 2.152 | 6.251 | 1.914 | 1 |
| H | 1.468 | 45.956 | -3.381 | -5.204 | 1.67 | 0.003 | 0.138 | -4.225 | 1.819 | -0.288 | 22.461 | 2.164 | 0 |
| H | 1.468 | 45.956 | -3.381 | -5.204 | 1.67 | 0.003 | 0.138 | -8.965 | 2.639 | 3.002 | 5.751 | 1.444 | 0 |
| H | 1.468 | 45.956 | -3.381 | -5.204 | 1.67 | 0.003 | 0.138 | -6.625 | 2.859 | 2.192 | 6.341 | 1.284 | 1 |
| H | 1.468 | 45.956 | -3.381 | -5.204 | 1.67 | 0.003 | 0.138 | -7.325 | 2.269 | 2.872 | 5.051 | 1.274 | 0 |
| K | 1.583 | 42.614 | -6.257 | -0.89 | 3.97 | 0.011 | 0.134 | 3.175 | 2.789 | 0.092 | 14.991 | 2.354 | 1 |
| K | 1.583 | 42.614 | -6.257 | -0.89 | 3.97 | 0.011 | 0.134 | 2.975 | 7.059 | 0.092 | 9.461 | 2.914 | 1 |
| K | 1.583 | 42.614 | -6.257 | -0.89 | 3.97 | 0.011 | 0.134 | 2.975 | 7.059 | 0.092 | 9.461 | 2.914 | 1 |
示例地，以下舉例說明其他示例的煉鋼用耐火材歷史數據內容(如上表一所示)。其中，非數值的資料(譬如廠商代號)可先編碼轉成代碼數值，例如：廠商代號“D”、“F”、“H”、“K”還可分別轉成代碼數值“0”、“1”、“2”、“3”，但不以此為限。
可選地，在一實施例中，該煉鋼用耐火材的數值特徵包括耐火材的表面氣孔率數值及耐火材的耐壓強度數值，該煉鋼用耐火材的類別特徵包括耐火材的來源代碼數值，該煉鋼用耐火材的預判結果包括耐火材被預檢後的已達標代碼數值與未達標代碼數值。
藉此，通過煉鋼用耐火材的數值特徵、煉鋼用耐火材的類別特徵及煉鋼用耐火材的預檢(預先檢驗)結果等歷史資料，可以具體定義用於訓練模型的數據內容，使得訓練後的模型之耐火材取樣化驗之預判(預先判定)與實檢(實際檢驗)為達標與未達標的相符比例可以提高，從而，可以降低耐火材取樣化驗之頻率。
可選地，在一實施例中，該煉鋼用耐火材的數值特徵先經過雜訊清除及空值濾除的處理，再用於訓練該些二元分類器模型。
在此例中，該煉鋼用耐火材的數值特徵(如X1)還可先進行數據清理過程，用以簡化數據內容，譬如數值特徵先經過雜訊清除及空值濾除的處理，再用於模型訓練過程。
在此例中，可以利用實際使用量較大的特定耐火材做為應用示例，譬如：經過上述清理過程後的數據，可進一步導入機器學習演算法的二元分類器(binary classifier)，用於訓練二元分類器模型。
可選地，在一實施例中，在訓練該些二元分類器模型的過程，進行K-fold交叉驗證。藉此，可以降低模型侷限特定數據特徵而衍生誤差。
例如，在進行模型訓練過程中，還可進行K-fold交叉驗證(cross validation)或其衍生驗證，譬如K-fold cross validation、Nested K-fold cross validation、Repeated K-fold cross validation、Stratified K-fold cross validation及Group K-fold cross validation等。
舉例而言，以K-fold交叉驗證為例，例如可將資料集切分為K(譬如5、7、8、9、10)等份，理論上只要K不會大到使得被切割的子樣本數過少都可使用，K可以依實際情況微調待將資料集分割成K個子樣本後，一個單獨的子樣本被保留作為驗證模型的數據，其他(K−1)個樣本用來訓練。交叉驗證重複K次，每個子樣本驗證一次，驗證結果的計算定義譬如可取自前述三種正確率(例如：Accuracy、Sensitivity或Specificity)，接著，將此K次的驗證結果經過一種平均算式(例如均方誤差(MSE)、平均絕對誤差(MAE)或均方根誤差(RMSE))進行計算，以取得一個可被用於估測模型的指標，在此例中，以K為10獲得的模型正確率最高。
可選地，在一實施例中，該K-fold交叉驗證的一資料切割設定值的範圍介於5至10。藉此，可以通過合理運算資源取得有效驗證效率，避免耗費過多運算資源。
應被理解的是，假設K=10，即，將資料集切割為十等份，如同上述K-fold交叉驗證的說明，每一次的訓練都會從這十等份挑選其中九等份作為訓練資料，剩下一等份未參與訓練的資料作為驗證資料，從而，訓練十次，將有來自不同驗證資料的十筆誤差(Error)，該誤差也被稱為損失(loss)，表示模型評估參數。模型評估模式可有多種，以回歸議題而言，可以包括均方誤差(MSE)、平均絕對誤差(MAE)、均方根誤差(RMSE)等算式，該等算式的計算方式係所屬技術領域中具有通常知識者可以理解，不再贅述。最後，將該十次的損失加總，取平均值，即可以當成最終結果。從而，通過這種方式，可將不同分組訓練的結果進行平均來減少誤差，使得模型的特性不會侷限於特定數據，對不同數據不會顯得特別敏感或不敏感。
可選地，在一實施例中，該混淆矩陣中的數值包括整體正確率、達標正確率及未達標正確率。
在此例中，還可利用相關模型指標來評估訓練後的模型對待測資料的輸出表現，例如，可採用混淆矩陣(confusion matrix)作為訓練後的性能指標(performance metrics)，應被理解的是，以混淆矩陣(confusion matrix)分析，可包含三種評估指標：正確度(Accuracy)、精密度(Precision)、召回率(Recall)。以煉鋼用耐火材為例，譬如該混淆矩陣中的數值可包括整體正確率(譬如Accuracy=(TP+TN)/(TP+TN+FP+FN))、達標正確率(譬如Sensitivity或Recall=TP/(TP+FN))及未達標正確率(譬如Specificity= TN/(FP+TN))，但不以此為限。
可選地，在一實施例中，該些二元分類器模型包括羅吉斯回歸模型、決策樹模型、隨機森林模型及極限梯度提升模型。
在此例中，可使用多種二元分類器模型進行訓練，例如，採用羅吉斯回歸(Logistic Regression)模型、決策樹(Decision Tree)模型、隨機森林(Random Forest)模型及極限梯度提升(Xgboost)模型，作為待選模型進行訓練。
舉例而言，每種演算法(二元分類器)的訓練過程示例敘述如下：將訓練集分割成K個子樣本，一個單獨的子樣本被保留作為驗證模型的數據，其他(K−1)個樣本用來訓練。交叉驗證重複K次，每個子樣本驗證一次，將此K次的驗證結果(驗證結果的計算定義如前述三種正確率，例如：整體正確率(Accuracy)、達標正確率(Sensitivity)、未達標正確率(Specificity)經過一個平均算式(例如RMSE、MAE、MSE)得到一個用於估測模型的指標。從而，每種演算法(二元分類器)經過上述訓練過程都可得到一個指標，後續，可再透過這些指標的大小評比哪個演算法最好，一種示例性判斷依據是，指標越大表示相應的演算法訓練後的模型效能越好。
以上述多種模型為例，通過評估比較後，Xgboost模型可獲得最佳模型指標，譬如，經比對Xgboost模型的預判結果與其實檢數據，實檢為達標且預判為達標的相符比例約75%，其計算方式即為上述三種正確率定義中的Sensitivity或Recall =TP/(TP+FN)；實檢為未達標且預判為未達標的相符比例約60%，其計算方式即為三種正確率定義中的Specificity= TN/(FP+TN)。從而，可以依據該基於正確率的混淆矩陣從被測試完的該些二元分類器模型(如上述多種模型)中選出一者作為該預判模型，譬如依據檢驗條件(如實檢數據與模型預判的相符程度)擇優選出一個訓練後的二元分類器模型作為後續採用的模型，但不以此為限，該檢驗條件及待選模型數量可依實際應用需求進行修改，譬如，也可從上述兩種、三種、四種中依據特定檢驗條件選出一者作為該預判模型。
可選地，在一實施例中，該預判模型為該些二元分類器模型被測試後的可用性指標與真實可用性之間的相符程度最高者，譬如，將訓練集分割成K個子樣本，一個單獨的子樣本被保留作為驗證模型的數據，其他(K−1)個樣本用來訓練。交叉驗證重複K次，每個子樣本驗證一次，將此K次的驗證結果(驗證結果的計算定義如前述三種正確率，例如：Accuracy整體正確率、Sensitivity達標正確率、Specificity未達標正確率，經過一個平均算式(例如RMSE、MAE、MSE)得到一個用於估測模型的指標。每種演算法(二元分類器)透過上述訓練過程都可得到一個指標，再透過這些指標的大小評比哪個演算法最好(指標越大越好)，從而，可選出該些二元分類器模型被測試後的可用性指標與真實可用性之間的相符程度最高者作為該預判模型。藉此，可選出合適的二元分類器模型作為該預判模型，以利減少耐火材的化驗頻率及降低耐火材的查驗人力需求。
示例地，本發明以該預判模型為基礎，可適度將原本耐火材取樣化驗頻率較高的策略進行如下調整：(1) 若本次取樣化驗以模型預判為“達標”，譬如該可用性指標的數值為“1”，則後續可間隔較多次再取樣化驗耐火材；(2) 若本次取樣化驗以模型預判為“非達標”，譬如該可用性指標的數值為“0”，則下次仍需取樣化驗耐火材。
可選地，在一實施例中，該方法還可包括步驟S4，依據該可用性指標調整耐火材的實際取樣化驗頻率，譬如，倘若該可用性指標為1(表示達標)，可降低耐火材的實際取樣化驗頻率，例如後續可間隔較多次再取樣化驗耐火材；倘若該可用性指標為0(表示非達標)，可維持或提高耐火材的實際取樣化驗頻率，例如下次仍需取樣化驗耐火材，使得每次仍需取樣化驗耐火材，但不以此為限。
本發明上述方法實施例採用該預判模型為基礎，取樣化驗之頻率約為5.86批取樣化驗一次，習知人為驗收耐火材方法約為4.76批取樣化驗一次。與習知人為驗收耐火材技術相較，本發明採用該預判模型為基礎的取樣化驗之頻率可降低20%。藉此，可以減少耐火材的化驗頻率及降低耐火材的查驗人力需求，進而加速製程中的耐火材驗收效率，可適用於鋼鐵業需要進行耐火材檢驗之場域，有利於提升產品競爭力。
本發明上述實施例的基於機器學習模型預判耐火材可用性的方法，依據該訓練資料集訓練該些二元分類器模型，使用該測試資料集對該些二元分類器模型進行測試，依據該基於正確率的混淆矩陣對測試結果進行檢視，以從被測試完的該些二元分類器模型中選出一者作為該預判模型；及使用該預判模型依據該待測耐火材的該些特性參數輸出一可用性指標。從而，可運用資料科學領域的機器學習演算法，從歷史數據中學習脈絡，譬如根據耐火材的化性及物性等紀錄數據，有效輔助判讀耐火材是否仍適用(合格)，藉以調整耐火材的抽驗策略，可以減少耐火材的化驗頻率及降低耐火材的查驗人力需求，進而加速製程中的耐火材驗收效率，可適用於鋼鐵業需要進行耐火材檢驗之場域，有利於提升產品競爭力。
雖然本發明已以較佳實施例揭露，然其並非用以限制本發明，任何熟習此項技藝之人士，在不脫離本發明之精神和範圍內，當可作各種更動與修飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
S1:步驟
S2:步驟
S3:步驟
S4:步驟
［第1圖］：基於機器學習模型預判耐火材可用性的方法的流程示意圖。
S1:步驟
S2:步驟
S3:步驟
S4:步驟
Claims (10)
- 一種基於機器學習模型預判耐火材可用性的方法，由耦接一記憶體的一處理器執行被儲存在該記憶體中的指令，該方法包括步驟： 讀取一訓練資料集，該訓練資料集包括數件耐火材的數種特性參數； 依據該訓練資料集對多種二元分類器模型進行訓練，使用一測試資料集對被訓練完的該些二元分類器模型進行測試，依據一基於正確率的混淆矩陣對測試結果進行檢視，以從被測試完的該些二元分類器模型中選出一者作為一預判模型；及 使用該預判模型依據一待測耐火材的該些特性參數輸出一可用性指標。
- 如請求項1所述之基於機器學習模型預判耐火材可用性的方法，其中該些二元分類器模型包括羅吉斯回歸模型、決策樹模型、隨機森林模型及極限梯度提升模型。
- 如請求項1所述之基於機器學習模型預判耐火材可用性的方法，其中在訓練該些二元分類器模型的過程，進行K-fold交叉驗證。
- 如請求項3所述之基於機器學習模型預判耐火材可用性的方法，其中該K-fold交叉驗證的一資料切割設定值的範圍介於5至10。
- 如請求項1所述之基於機器學習模型預判耐火材可用性的方法，其中該數種特性參數包括煉鋼用耐火材的數值特徵、煉鋼用耐火材的類別特徵及煉鋼用耐火材的預判結果。
- 如請求項5所述之基於機器學習模型預判耐火材可用性的方法，其中該煉鋼用耐火材的數值特徵先經過雜訊清除及空值濾除的處理，再用於訓練該些二元分類器模型。
- 如請求項5所述之基於機器學習模型預判耐火材可用性的方法，其中該煉鋼用耐火材的數值特徵包括耐火材的表面氣孔率數值及耐火材的耐壓強度數值，該煉鋼用耐火材的類別特徵包括耐火材的來源代碼數值，該煉鋼用耐火材的預判結果包括耐火材被預檢後的已達標代碼數值與未達標代碼數值。
- 如請求項1所述之基於機器學習模型預判耐火材可用性的方法，其中該混淆矩陣中的數值包括整體正確率、達標正確率及未達標正確率。
- 如請求項1所述之基於機器學習模型預判耐火材可用性的方法，其中該預判模型為該些二元分類器模型被測試後的可用性指標與真實可用性之間的相符程度最高者。
- 如請求項1至9任一項所述之基於機器學習模型預判耐火材可用性的方法，其中該方法還包括步驟：依據該可用性指標調整耐火材的實際取樣化驗頻率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111137425A TWI805501B (zh) | 2022-09-30 | 2022-09-30 | 基於機器學習模型預判耐火材可用性的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111137425A TWI805501B (zh) | 2022-09-30 | 2022-09-30 | 基於機器學習模型預判耐火材可用性的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI805501B true TWI805501B (zh) | 2023-06-11 |
| TW202416184A TW202416184A (zh) | 2024-04-16 |
Family
ID=87803058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111137425A TWI805501B (zh) | 2022-09-30 | 2022-09-30 | 基於機器學習模型預判耐火材可用性的方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI805501B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201144788A (en) * | 2010-06-08 | 2011-12-16 | Dragon Steel Corp | Refractory material internal defect inspection method |
| TWI408367B (zh) * | 2009-09-18 | 2013-09-11 | ||
| CN105181509A (zh) * | 2015-08-07 | 2015-12-23 | 辽宁科技大学 | 一种耐火材料使用性能的检测方法 |
| US20220099607A1 (en) * | 2019-09-26 | 2022-03-31 | Harbisonwalker International, Inc. | Predictive refractory performance measurement system |
-
2022
- 2022-09-30 TW TW111137425A patent/TWI805501B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI408367B (zh) * | 2009-09-18 | 2013-09-11 | ||
| TW201144788A (en) * | 2010-06-08 | 2011-12-16 | Dragon Steel Corp | Refractory material internal defect inspection method |
| CN105181509A (zh) * | 2015-08-07 | 2015-12-23 | 辽宁科技大学 | 一种耐火材料使用性能的检测方法 |
| US20220099607A1 (en) * | 2019-09-26 | 2022-03-31 | Harbisonwalker International, Inc. | Predictive refractory performance measurement system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6953990B2 (ja) | 品質予測装置及び品質予測方法 | |
| JP6817426B2 (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
| CN110066895B (zh) | 一种基于Stacking的高炉铁水质量区间预测方法 | |
| CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
| CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
| CN106897774B (zh) | 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法 | |
| CN110569566B (zh) | 一种板带力学性能预测方法 | |
| CN101211383A (zh) | 一种高炉铁水硅含量的特征分析预报方法 | |
| CN110598958B (zh) | 一种钢包分级管理分析方法及系统 | |
| CN114722973B (zh) | 一种钢管热处理的缺陷检测方法及系统 | |
| CN117312816B (zh) | 一种特种钢材的冶炼效果评估方法及系统 | |
| TWI614699B (zh) | 大量客製化產品的品質預測方法 | |
| WO2022121956A1 (zh) | 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质 | |
| CN112304478B (zh) | 一种基于蠕变轮廓法的残余应力测试方法 | |
| CN112906976A (zh) | 一种基于r-wgan的水泥熟料游离钙样本数据增强及预测方法 | |
| CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
| TWI805501B (zh) | 基於機器學習模型預判耐火材可用性的方法 | |
| CN111027117A (zh) | 胶凝砂砾石配合比关键指标预测抗压强度的bp神经网络分析方法 | |
| US20230419225A1 (en) | Method and Apparatus for Process Optimization | |
| CN111931425A (zh) | 一种基于rf算法的热轧q355b钢种的性能预测系统 | |
| CN116258087A (zh) | 冰铜品位软测量方法、装置、电子设备及存储介质 | |
| CN107122609A (zh) | 一种基于质量特性基因理论的机电产品质量评价方法 | |
| CN116612814A (zh) | 基于回归模型的基因样本污染批量检测方法、装置、设备及介质 | |
| Pani et al. | Neural network soft sensor application in cement industry: Prediction of clinker quality parameters | |
| CN114875196B (zh) | 一种转炉出钢量的确定方法和系统 |