公开(公告)号：CN119204851B

公开(公告)日：2025-03-18

申请号：CN202411719068.5

申请日：2024-11-28

Applicant: 东北大学

Inventor： 王显鹏 ,  徐凯斌 ,  唐立新

IPC: G06Q10/0639 ,  G06F18/2321 ,  G06F18/27 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084 ,  G06Q50/04

Abstract: 本发明提供一种面向指标偏好不平衡数据的连退产品质量多指标预测方法，涉及钢铁企业冷轧生产控制过程的数据处理技术领域。首先通过定义数据样本对不同性能指标的偏好关系，将这种偏好关系进行量化表示，进而融入多任务深度学习预测模型进行特征计算与偏好处理，同时利用进化算法实现多任务深度学习模型的自主优化构建，提高多任务预测模型的性能。本发明提出了样本‑指标偏好的定量化计算方法，并将其应用到多任务深度学习模型构建中，提升了连退带钢质量性能多指标在线预测模型的精度，从而能够帮助冷轧生产工序提高带钢产品的质量和稳定性，提升质量管控的智能化水平。

公开(公告)号：CN119227782B

公开(公告)日：2025-02-11

申请号：CN202411709581.6

申请日：2024-11-27

Applicant: 东北大学

Inventor： 王显鹏 ,  徐凯斌 ,  唐立新

IPC: G06N3/0985 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/086 ,  G06N3/006 ,  G06Q50/04

Abstract: 本发明提供一种基于多目标进化深度学习的连退带钢性能多指标预测方法，涉及钢铁企业冷轧生产控制过程的数据处理技术领域。将多目标进化算法应用到深度学习模型的超参数选择中，进一步提升在线检测方法的精度；同时，利用随机选择方式获得训练集，利用其在超参数空间中的搜索策略能快速获得深度学习模型的最优超参数组合，最终提高在线检测模型的泛化能力。本发明所提出的方法克服了传统基于人工经验的深度神经网络模型的不足以及实现多个性能指标的同时预测，实现深度学习模型的自主优化构建，以及带钢性能的多指标预测，能够帮助冷轧生产提高产品质量控制的水平。

公开(公告)号：CN119204851A

公开(公告)日：2024-12-27

申请号：CN202411719068.5

申请日：2024-11-28

Applicant: 东北大学

Inventor： 王显鹏 ,  徐凯斌 ,  唐立新

IPC: G06Q10/0639 ,  G06F18/2321 ,  G06F18/27 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084 ,  G06Q50/04

Abstract: 本发明提供一种面向指标偏好不平衡数据的连退产品质量多指标预测方法，涉及钢铁企业冷轧生产控制过程的数据处理技术领域。首先通过定义数据样本对不同性能指标的偏好关系，将这种偏好关系进行量化表示，进而融入多任务深度学习预测模型进行特征计算与偏好处理，同时利用进化算法实现多任务深度学习模型的自主优化构建，提高多任务预测模型的性能。本发明提出了样本‑指标偏好的定量化计算方法，并将其应用到多任务深度学习模型构建中，提升了连退带钢质量性能多指标在线预测模型的精度，从而能够帮助冷轧生产工序提高带钢产品的质量和稳定性，提升质量管控的智能化水平。

公开(公告)号：CN119227782A

公开(公告)日：2024-12-31

申请号：CN202411709581.6

申请日：2024-11-27

Applicant: 东北大学

Inventor： 王显鹏 ,  徐凯斌 ,  唐立新

IPC: G06N3/0985 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/086 ,  G06N3/006 ,  G06Q50/04

Abstract: 本发明提供一种基于多目标进化深度学习的连退带钢性能多指标预测方法，涉及钢铁企业冷轧生产控制过程的数据处理技术领域。将多目标进化算法应用到深度学习模型的超参数选择中，进一步提升在线检测方法的精度；同时，利用随机选择方式获得训练集，利用其在超参数空间中的搜索策略能快速获得深度学习模型的最优超参数组合，最终提高在线检测模型的泛化能力。本发明所提出的方法克服了传统基于人工经验的深度神经网络模型的不足以及实现多个性能指标的同时预测，实现深度学习模型的自主优化构建，以及带钢性能的多指标预测，能够帮助冷轧生产提高产品质量控制的水平。

公开(公告)号：CN119067490A

公开(公告)日：2024-12-03

申请号：CN202411086285.5

申请日：2024-08-08

Applicant: 东北大学

Inventor： 唐立新 ,  刘畅 ,  徐凯斌 ,  陶哲瑞

IPC: G06Q10/0639 ,  G16C20/20 ,  G16C20/30 ,  G16C20/70 ,  G06Q50/04 ,  G06N3/126 ,  G06F18/214 ,  G06F18/27

Abstract: 本发明提供一种基于多目标进化学习的冷轧材料质量性能区间预报方法，涉及冷轧材料质量性能预报技术领域。该方法首先在冷轧材料生产过程中收集化学成分、工艺参数以及对应的质量性能数据，得到原始样本数据集，对样本数据进行预处理并划分训练集和测试集；接着，采用多目标差分进化算法获取构建质量性能预报模型所需的超参数集合，基于偏好膝解在帕累托前沿中选取最优的一组超参数组合作为构建高斯回归模型的参数组合；最后基于高斯过程回归模型框架以及选取的核函数构建最终冷轧材料质量性能区间预报模型。该方法使所获得的多目标进化学习模型具有较高的预测准确率和较低的时间复杂度。