-
QQ交談
-
QQ交談
專利類型：
發(fā)明授權
申請(專利)號：
CN202210437826.9
申請日：
2022-04-25
授權公告號：
CN114742172B
授權公告日：
2025-04-18
申請人：
大連理工大學
地址：
116024 遼寧省大連市甘井子區(qū)凌工路2號
發(fā)明人：
張超; 陳新宇; 鄭超琦; 宋學官
專輯：
工程科技Ⅱ輯
專題：
電力工業(yè)
主分類號：
G06F18/20
分類號：
G06F18/20;G06Q30/018;G06Q10/063;G06Q50/04;G06N7/01
國省代碼：
21
頁數：
10
代理機構：
遼寧鴻文知識產權代理有限公司
代理人：
許明章;王海波
1.一種基于貝葉斯網絡的鋼鐵缺陷溯源方法,其特征在于,包括以下幾個步驟：第一步,對數據集中樣本各參數進行判定,給定標簽；對于鋼鐵生產過程中獲得的實測數據集其中m表示數據集共有m個樣本,一個樣本即為一個鋼鐵產品,n表示每一個樣本有n個特征,構建貝葉斯網絡時,每個特征為一個節(jié)點,通過已有的異常檢測方法,將所有樣本的全部參數賦予異?；蛘５臉撕?其中參數異常標簽為1,參數正常標簽為0；第二步,得到貝葉斯網絡權重矩陣2.1)建立貝葉斯網絡初始權重矩陣W-1,···,W-n,W-(n+1),其中前n個矩陣W-1,···,W-n的尺寸為n×n,但需要保證對角線元素為0,以表示節(jié)點不與自身相連,第n+1個矩陣W-(n+1)的尺寸為n×1,為各節(jié)點與缺陷節(jié)點y之間的連接權重,其中y∈{0,1},為樣本的產品缺陷標簽,y＝1時表明該樣本為缺陷產品,y＝0時表明該樣本為正常產品；所述貝葉斯網絡初始權重矩陣根據經驗知識建立,或不使用經驗知識直接采用初始零矩陣；2.2)根據第一步布爾化的數據集以及數據集中各樣本的產品缺陷標簽數據對貝葉斯網絡權重矩陣進行更新,遍歷數據集D：若樣本為缺陷產品,則其異常參數在權重矩陣中兩兩對應位置權重增加Δw～+；若為正常產品,則樣本的異常參數對應矩陣中的連接位置權重減小Δw～-,直至數據集遍歷完全,停止更新,得到貝葉斯網絡權重矩陣第三步,根據第二步得到的貝葉斯網絡權重矩陣構建貝葉斯網絡；3.1)給定集合定義并進行初始化；定義當前子節(jié)點集N-s,用以儲存當前的子節(jié)點們,并從子節(jié)點出發(fā)尋找父節(jié)點,初始化當前子節(jié)點集N-s＝{x-(n+1)},為簡化代碼,x-(n+1)實際為樣本缺陷節(jié)點y；定義剩余父節(jié)點集N-f,用以儲存當前子節(jié)點集可選擇的父節(jié)點,初始化剩余父節(jié)點集N-f＝{x-1,···,x-n},定義當前父節(jié)點集N-f～′,當子節(jié)點集中的節(jié)點尋找父節(jié)點時,臨時儲存已選擇的父節(jié)點,并作為下一層的當前子節(jié)點集,初始化當前父節(jié)點集定義鄰接矩陣G＝{0}-((n+1)×(n+1)),負責記錄節(jié)點間連線關系,繪制貝葉斯網絡圖；定義父節(jié)點選擇數k；3.2)以缺陷節(jié)點y為第一層當前子節(jié)點集,開始逆向尋找父節(jié)點以構建貝葉斯網絡；通過權重矩陣W-i～(new),對當前子節(jié)點集N-s進行遍歷,N-s中每一個節(jié)點x-j,在剩余父節(jié)點集N-f中選擇與其相連的前k大的節(jié)點作為x-j的父節(jié)點,記入當前父節(jié)點集N-f～′中,且G(j,[t-1,···,t-k])＝1,當前子節(jié)點集N-s遍歷完全后,將當前子節(jié)點集N-s從剩余父節(jié)點集N-f中剔除,將當前父節(jié)點集N-f～′作為下一次循環(huán)的當前子節(jié)點集N-s,而當前父節(jié)點集N-f～′置為空集重新加入循環(huán),直至循環(huán)完成；通過臨界矩陣G記錄的節(jié)點間連線關系,從矩陣最后一層尋找值為1的元素另一坐標確定父節(jié)點,遞歸繪出貝葉斯網絡；第四步,根據第三步繪制的貝葉斯網絡,能夠確定各節(jié)點連接邊數和節(jié)點之間的父子關系；與缺陷節(jié)點y的父子關系越近,節(jié)點影響度越高；據此,各節(jié)點對于產品缺陷的影響度可直接從獲得的貝葉斯網絡中得到,從而確定各參數在鋼鐵產品缺陷產生過程中的重要性。
一種基于貝葉斯網絡的鋼鐵缺陷溯源方法,屬于工業(yè)設計技術領域,該方法以貝葉斯網絡為基模型,對鋼鐵缺陷進行較為準確的溯源,主要步驟：1)對數據集中各樣本參數進行異常檢測,獲得特征或參數的異常標簽；2)給定貝葉斯網絡初始權重矩陣；3)根據樣本異常情況對權重矩陣進行調整；4)根據調整后的權重矩陣得到貝葉斯網絡結構,從而確定各參數在鋼鐵產品缺陷產生過程中的重要性。針對鋼鐵生產過程中缺陷多、鋼鐵生產實測數據特征復雜、鋼鐵缺陷成因難以分析等困難,本發(fā)明能充分挖掘數據特征間的聯(lián)系,在不依賴先驗知識的情況下,可以便捷地得到樣本缺陷與參數異常的對應關系,整體算法流程通俗易懂,具有較強的解釋性。
