CN119514379B 基于自适应数据增强的转炉炼钢终点碳温预测方法及装置 （北京科技大学）

基于自适应数据增强的转炉炼钢终点碳温本发明提供一种基于自适应数据增强的转生产数据集中的数据进行预处理；通过自适应SMOTE数据增强技术对预处理后的数据集进行处根据处理后的数据集对炼钢终点碳温预测模型终点碳温预测模型得到转炉炼钢终点碳温预测SMOTE数据增强算法提高转炉炼钢过程数据集的和处理数据的劳动成本并根据数据分布密度和2S1、获取转炉炼钢过程的历史生产数据集，对所算插值权重Di;值数量采用自适应SMOTE数据增强技术，对稀疏区域和密集区域根据权重进行插值生成新式中，Densitymax表示预处理后的数32.根据权利要求1所述的基于自适应数据增强的转炉炼钢终点碳温预测方法，其特征3.一种基于自适应数据增强的转炉炼钢终的转炉炼钢终点碳温预测装置用于实现如权利要求1_2任一项所述基于自适应数据增强的数据预处理模块，用于获取转炉炼钢过程的历史生产数据集，对所述模型训练模块，用于根据所述处理后的数据集，对所述炼钢终点碳温模型推理模块，用于获取待预测的转炉炼钢过程的生产数据，将所述生产数所述训练好的自适应数据增强的炼钢终点碳温预测模型，得到转炉炼钢终点碳温预测结4.一种转炉炼钢终点碳温预测设备，其特征在于，所述存储器，所述存储器上存储有计算机可读指令，所述计算机4对生产效率和钢水质量起着至关重要的作用。钢水中的碳含量是钢材质量的关键指标之5领域背景探索SMOTE及其变种算法的应用，提升模型在实际应用中的表现。目前，尚未有SMOTE数据增强模型应用于转炉炼钢终点碳6量采用自适应SMOTE数据增强技术，对稀疏区域和密集区域根据权重进行插值生成新的数[0025]式中，Density(x:)表示样本数据分布密度衡量指标，k表示最大邻近样本数量，第i个数据的第feat个属性值，ij,feat表示数据的第j个近邻数据，j=1,2,..,k，k为xi,feat7量采用自适应SMOTE数据增强技术，对稀疏区域和密集区域根据权重进行插值生成新的数[0048]式中，Density(xz)表示样本数据分布密度衡量指标，k表示最大邻近样本数量，d(xi,xj)表示数据与数据之间的距离。第i个数据的第feat个属性值，ij,feat表示数据的第j个近邻数据，j=1,2,..,k，k为xi,feat8法大多依赖于简单的相关性分析，无法准确识别异常数据和捕捉复杂高维特征之间的关使用RFE特征选择方法自动评估每个特征的重要性，这种数据预处理方案能够提高数据集[0062]结合数据自身分布特点应用SMOTE数据增强算法，能够更大程度上发挥该算法的[0063]通过SMOTE数据增强生成的样本为模型提供了更加平衡的数据分布，减轻了原始9[0065]图1是本发明实施例提供的一种基于自适应数据增强的转炉炼钢终点碳温预测方[0069]图5是本发明实施例提供的一种基于自适应数据增强的转炉炼钢终点碳温预测方[0070]图6是本发明实施例提供的一种基于自适应数据增强的转炉炼钢终点碳温预测方[0071]图7是本发明实施例提供的一种基于自适应数据增强的转炉炼钢终点碳温预测装[0086]h(xi)=e+c(Tnz)（1）在同一个叶子结点样本的个数，c(n)表示构建Tn个样本构建一个二叉树的平均路径长度，[0101]式中，Density(xz)表示样本数据分布密度衡量指标，k表示最大邻近样本数量，d(xi,xj)表示数据xi与数据之间的距离。在某一区域内，数据样本距离越近，则密度值越量采用自适应SMOTE数据增强技术，对稀疏区域和密集区域根据权重进行插值生成新的数i个样本的第feat个属性值，feat=1,2,.,d，v的然后在该样本与选定样本之间的线段上根据的随机值插值生成一个新的特征变量xnew，数量nmax、用于合成新样本的最近邻样本数k，在密集区域和稀疏区域插值数量确定为式用随机搜索方法进行调参，终点钢水碳含量预测模型参数nestimators、maxdepth、max一台含有4块NVIDIATitanXPGPU的机器上进行。推理过程进行数据处理，流程如图5所[0137]论文（TorgoL,RibeiroRP,PfahringerB,etal.Sm[C]//Portugueseconferenceonartificialintelligence.Berlin,Heidelberg:建在回归问题中SMOTE数据增强算法，结合论文（ChenB,XiaS,ChenZ,etal.RSMOTE:Aself_adaptiverobustSMOTEforimbalancedproblemswith法大多依赖于简单的相关性分析，无法准确识别异常数据和捕捉复杂高维特征之间的关使用RFE特征选择方法自动评估每个特征的重要性，这种数据预处理方案能够提高数据集[0141]结合数据自身分布特点应用SMOTE数据增强算法，能够更大程度上发挥该算法的[0142]通过SMOTE数据增强生成的样本为模型提供了更加平衡的数据分布，减轻了原始[0143]图7是根据一示例性实施例示出的一种基于自适应数据增强的转炉炼钢终点碳温法大多依赖于简单的相关性分析，无法准确识别异常数据和捕捉复杂高维特征之间的关使用RFE特征选择方法自动评估每个特征的重要性，这种数据预处理方案能够提高数据集[0151]结合数据自身分布特点应用SMOTE数据增强算法，能够更大程度上发挥该算法的[0152]通过SMOTE数据增强生成的样本为模型提供了更加平衡的数据分布，减轻了原始所示，转炉炼钢终点碳温预测设备可以包括上述图7所示的基于自适应数据增强的转炉炼处理器，也可以是多个处理元件的统称。例如，第一处理器2001是一个或多个中央处理器（centralprocessingunit，CPU也可以是特定集成电路（applicationspecificintegratedcircuit，ASIC或者是被配置成实施本发明实施例的一个或多个集成电路，[0158]可选地，第一处理器2001可以通过运行或执行存储在存储器[0161]其中，所述存储器2002用于存储执行本发明方案的软件程序，并由第一处理器可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但对此不作具体限定。[0167]此外，转炉炼钢终点碳温预测设备410的技术效果可以参考上述方法实施例所述[0168]应理解，在本发明实施例中的第一处理器2001可以是中央处理单元（centralprocessingunit，CPU该处理器还可以是其他通用处理器、数字信号处理器（digital可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read_速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（randomaccess