申请/专利权人：河北河钢材料技术研究院有限公司;河钢集团有限公司;河钢股份有限公司

申请日：2024-02-05

公开（公告）日：2024-05-17

公开（公告）号：CN118051840A

主分类号：G06F18/2415

分类号：G06F18/2415;G06F18/2413;G06N3/047;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.07#实质审查的生效;2024.05.17#公开

摘要：本发明涉及一种基于贝叶斯神经元网络的铸坯粘结离线判别方法，通过收集铸坯发生粘结与未发生粘结时的热电偶数据，采用贝叶斯神经元网络对数据进行训练，应用训练好的模型对热电偶离线数据进行判别，根据模型判别结果的置信度决定是否补充进行铸坯实物与热电偶曲线的观察确认。本发明的有益效果是：采用贝叶斯神经元网络对粘结进行判别，提高了铸坯粘结判断确认的准确性与便捷性，减少了该过程对岗位操作人员的劳动强度和经验依赖。

主权项：1.一种基于贝叶斯神经元网络的铸坯粘结离线判别方法，其特征在于：包括以下步骤：S1、收集铸坯发生粘结与未发生粘结时的热电偶数据，铸坯发生粘结的热电偶数据包括粘结发生位置所在热电偶列的第一行、第二行、第三行热电偶最近60s的温度数据组成的特征向量XN，铸坯未发生粘结的热电偶数据包括未发生粘结的某一正常热电偶列的第一行、第二行、第三行热电偶最近60s的温度数据组成的特征向量XZ，XN与XZ的格式均为[T1_1、T1_2、……T1_60、T2_1、T2_2、……T2_60、T3_1、T3_2、……T3_60]；S2、将铸坯发生粘结的热电偶数据标记为XN，1、铸坯未发生粘结的热电偶数据标记为XZ，0后，将铸坯发生粘结与未发生粘结的所有热电偶数据合并为总数据集Q，从总数据集Q中按比例随机抽取数据并打乱顺序作为训练数据集Qtrain，从总数据集Q中按比例随机抽取数据并打乱顺序作为测试数据集Qtest；S3、构建一个贝叶斯神经元网络；S4、采用训练数据集Qtrain对贝叶斯神经元网络进行训练，每轮训练完成后采用测试数据集Qtest进行测试并记录测试数据集Qtest的损失函数，当本轮训练后测试数据集Qtest的损失函数值大于上一轮训练后测试数据集Qtest的损失函数值时，完成贝叶斯神经元网络的训练并保存网络结构；S5、应用训练好的贝叶斯神经元网络模型对热电偶离线数据进行判别，将结晶器专家系统报警热电偶列的热电偶温度数据作为贝叶斯神经元网络模型的输入，连续重复计算多次；S6、计算模型判别结果的置信度P：P=MaxN0,N1100其中：P为模型判别结果的置信度；N0为多次贝叶斯神经元网络模型计算中结果小于0.5的次数，对应模型计算结果为非粘结的次数；N1为多次贝叶斯神经元网络模型计算中结果大于等于0.5的次数，对应模型计算结果为粘结的次数；S7、当模型判别结果的置信度P≥0.9时，采用模型多次计算结果中出现次数多的结果作为最终判定结果；当模型判别结果的置信度P0.9时，模型判定结果失效，采用模型多次计算结果中出现次数多的结果作为辅助判定结果；S8、当模型判别结果失效时，由专业技术人员结合辅助判定结果、热电偶曲线以及实物铸坯表面痕迹进行人工判定。

全文数据：

权利要求：

百度查询： 河北河钢材料技术研究院有限公司;河钢集团有限公司;河钢股份有限公司 一种基于贝叶斯神经元网络的铸坯粘结离线判别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD