基于遗传算法的中厚板应力分析特征提取及缺陷预测

摘要

随着企业信息化水平的不断提高，钢铁企业计算机系统经过长期的运行，积累了大量的生产过程数据。如何分析这些数据，从而提高企业在同行业中的竞争力和创造更高的利润是钢铁企业正面临的一类重要课题。 中厚板在生产过程中产生的内应力是影响中厚板产品质量的一类关键因素。本文基于中厚板生产过程中积累的大规模工业数据，应用机器学习和统计分析的理论和方法，研究数据驱动的中厚板应力缺陷分类预测模型。主要研究的内容有两个方面: 1)基于统计学习的中厚板应力分析特征提取及缺陷预测。利用最优子集选择、热图与聚类分析方法从大量数据特征中选择对中厚板应力缺陷有显著影响的数据特征，然后建立logistic分类预测模型，采用交叉验证的方法对模型进行训练和验证。 2)遗传算法与机器学习混合的中厚板应力分析特征提取及缺陷预测。利用遗传算法的0-1编码机制实现数据特征的选择，利用logistic分类预测模型及交叉验证方法对遗传算法中个体的编码进行解码，计算出个体的适应值。利用遗传算法的进化机制实现数据特征的最优选择。 数据清理和分析模型采用R语言作为分析工具，遗传算法采用C#调用R语言的混合方式实现。实验结果表明本文所给出的两种特征提取及预测模型均可以较准确地预测中厚板生产过程产生的应力缺陷。 最后，将两种方法所得出的结果做出比较，研究各自方法的优缺点，从而更好的解决中厚板缺陷预测问题。

目录

声明

摘要

第1章绪论

1．1研究背景及意义

1．1．1课题研究背景

1．1．2课题研究意义

1．2主要研究内容

1．3组织结构

第2章机器学习及遗传算法简介

2．1机器学习理论

2．1．1机器学习的主要算法

2．1．2统计学习理论

2．2数据挖掘技术

2．2．1数据挖掘技术概述与研究现状

2．2．2数据挖掘一般流程

2．2．3数据特征提取常用方法

2．2．4数据挖掘技术常用工具

2．2．5数据挖掘技术在钢铁行业的应用

2．3遗传算法

2．3．1遗传算法概述

2．3．2遗传算法历史回顾

2．3．3遗传算法基本框架

2．3．4遗传算法参数控制

2．3．5遗传算法的特点

2．3．6遗传算法的应用研究概况

2．4 R语言环境介绍

2．4．1 R语言简介

2．4．2 R语言与统计、计量

2．5本章小结

第3章基于统计学习的中厚板应力分析特征提取及缺陷预测

3．1特征提取理论基础

3．1．1子集选择

3．1．2热图

3．1．3聚类分析

3．1．4 Logistic回归

3．2变量特征提取具体过程一

3．2．1最优子集筛选变量

3．2．2使用热图分类的方法进行相关性分析筛选变量

3．2．3再次使用最优子集筛选变量

3．2．4考虑变量与EVEVT的交互作用

3．2．5最终预测模型的确立与预测结果

3．3变量特征提取过程二

3．3．1向后逐步选择法筛选变量

3．3．2使用热图分类的方法进行相关性分析筛选变量

3．3．3再次使用向后逐步选择法筛选变量

3．3．4最终预测模型的确立与预测结果

3．4本章小结

第4章基于遗传算法的中厚板应力分析特征提取及缺陷预测

4．1遗传算法结构

4．1．1问题描述

4．1．2个体编码与适值计算

4．1．3初始种群

4．1．4交叉算子与变异算子

4．1．5精英保留策略与终止准则

4．2程序结构设计

4．3实验设计与结果分析

4．4本章小结

5．1本文工作总结

5．2未来工作展望

参考文献

致谢