-
公开(公告)号：CN116796646A
公开(公告)日：2023-09-22
申请号：CN202310856024.6
申请日：2023-07-13
申请人： 太原科技大学
摘要： 本发明公开一种热连轧机振动预测方法，包括，获取样本数据集；获取若干个机器学习回归模型，分别对若干个机器学习回归模型进行单一模型训练，基于训练结果，构建模型库；通过贝叶斯优化方法对模型库中的单一模型进行超参数优化，并基于样本数据集对优化后的模型进行选取；通过堆叠集成策略及均值平均的融合方法对选取后的模型进行组合，得到预测模型，其中预测模型包括基本学习器层及元学习器层，其中基本学习器层的输出对应均值作为元学习器层的输入，通过元学习器层输出预测结果；获取工艺参数对应的实时数据，通过预测模型对工艺数据进行处理，生成热轧机振动预测结果。
-
公开(公告)号：CN113468960A
公开(公告)日：2021-10-01
申请号：CN202110577520.9
申请日：2021-05-26
申请人： 太原科技大学
摘要： 本发明涉及一种提高基于xgboost的轧机振动预测模型泛化能力的调参方法。主要解决现有基于xgboost轧机振动预测模型存在的过拟合问题严重和模型泛化能力不足的技术问题。本发明的技术方案是：其包括如下步骤：步骤1：将实测到的工艺参数数据和振动加速度数据进行拼接处理；步骤2：将剔除异常值的数据进行相关性分析；步骤3：将数据集进行训练集、测试集划分；步骤4：采用训练集数据训练默认参数下的xgboost模型；步骤5：使用网格搜索和K折交叉验证方法，确定模型第一个参数迭代棵树；步骤6：确定max_depth最佳取值；步骤7：确定eta最佳取值；步骤8：全部模型参数确定后，使用测试集数据验证调参完毕后的模型，绘制原模型与调参后模型预测精度、泛化能力对比图。
-
公开(公告)号：CN112668500B
公开(公告)日：2023-12-29
申请号：CN202011623091.6
申请日：2020-12-30
申请人： 太原科技大学
IPC分类号： G06F18/10 , G06F18/213 , G06F18/23 , G06F18/21
摘要： 本发明涉及一种基于Xgboost的轧机多目标振动预测方法。主要是解决现有的振动预测方法存在的作用预测范围窄和无法实现多目标振动预测的技术问题。本发明的技术方案是：其包括如下步骤：步骤1：将从轧机现场实测到的工艺参数和振动数据进行拼接，组成完整的数据集；步骤2：对标准化后的数据进行聚类、降维处理，选取数据特征；步骤3：将选取的数据特征进行训练集、测试集划分，70％为训练集，30％为测试集；步骤4：设置Xgboost模型及参数，设置精度要求；步骤5：将训练集数据导入Xgboost模型进行训练，查看预测精度；步骤6：将测试集数据导入满足精度要求的Xgboost模型，得出预测值，调用Xgboost模型Score接口查看预测准确率，用matplotlib绘制预测结果图像并与测试集真实值进行对比。
-
公开(公告)号：CN112668500A
公开(公告)日：2021-04-16
申请号：CN202011623091.6
申请日：2020-12-30
申请人： 太原科技大学
摘要： 本发明涉及一种基于Xgboost的轧机多目标振动预测方法。主要是解决现有的振动预测方法存在的作用预测范围窄和无法实现多目标振动预测的技术问题。本发明的技术方案是：其包括如下步骤：步骤1：将从轧机现场实测到的工艺参数和振动数据进行拼接，组成完整的数据集；步骤2：对标准化后的数据进行聚类、降维处理，选取数据特征；步骤3：将选取的数据特征进行训练集、测试集划分，70％为训练集，30％为测试集；步骤4：设置Xgboost模型及参数，设置精度要求；步骤5：将训练集数据导入Xgboost模型进行训练，查看预测精度；步骤6：将测试集数据导入满足精度要求的Xgboost模型，得出预测值，调用Xgboost模型Score接口查看预测准确率，用matplotlib绘制预测结果图像并与测试集真实值进行对比。
-
-
-
搜索结果
4 条记录 (耗时 0.034 秒)