(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111212098.3 (22)申请日 2021.10.18 (71)申请人 北京科技大 学 地址 100083 北京市海淀区学院路3 0号 (72)发明人 彭功状　徐冬　周金航　宋乐宝　 杨荃　王晓晨　何海楠　 (74)专利代理 机构 北京市广友专利事务所有限 责任公司 1 1237 代理人 张仲波　付忠林 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的板坯弯曲模式分类方 法及装置 (57)摘要 本发明公开了一种基于机器学习的板坯弯 曲模式分类方法及装置， 该方法包括： 获取待分 类板坯对应的检测仪表测量的板坯弯曲的原始 数据， 并对获取的原始数据进行预处理， 得到待 分类板坯对应的板坯全长中心线曲线数据； 分别 计算出板坯全长中心线曲线数据与预设的标准 模板库中的每一板坯弯曲模板曲线数据之间的 距离； 以板坯全长中心线曲线数据与标准模板库 中的所有板坯弯曲模板曲线数据之间的距离作 为预设的机器学习模型的输入， 实现板坯弯曲模 式的分类。 本发 明将弯曲曲线与模板库中所有曲 线的距离作为机器学习模型的输入， 通过对模型 的训练， 实现对板坯弯曲模式的分类， 提高了分 类准确性。 权利要求书3页 说明书8页 附图1页 CN 114118205 A 2022.03.01 CN 114118205 A 1.一种基于 机器学习的板坯弯曲模式分类方法， 其特 征在于， 包括： 获取待分类板坯对应的检测仪表测量的板坯弯曲的原始数据， 并对获取的原始数据进 行预处理， 得到所述待分类板坯对应的板坯全长中心线曲线数据； 分别计算出所述待分类板坯对应的板坯全长中心线曲线数据与预设的标准模板库中 的每一板坯弯曲模板曲线数据之间的距离； 其中， 所述标准模板库中包括多种不同种类的 板坯弯曲形式所对应的板坯弯曲模板曲线数据； 以计算出的所述待分类板坯对应的板坯全长中心线曲线数据与所述标准模板库中的 所有板坯弯曲模板曲线数据之间的距离， 作为预设的机器学习模型 的输入， 通过所述机器 学习模型， 实现所述待分类板坯的板坯弯曲模式的分类。 2.如权利要求1所述的基于机器学习的板坯弯曲模式分类方法， 其特征在于， 所述对获 取的原始数据进行 预处理， 包括： 将获取的原始数据的横纵坐标均归一化为[0， 1]， 并进行线性插值； 其中， 插值后的数 据点个数为 n， n的取值范围为15 0‑200。 3.如权利要求1所述的基于机器学习的板坯弯曲模式分类方法， 其特征在于， 所述标准 模板库中包括： 操作侧“C”型弯的板坯弯曲模板曲线数据， 其 函数表达式为： y＝‑13.108x6+39.324x5‑65.84x4+66.14x3‑36.333x2+9.8171x 传动侧“C”型弯的板坯弯曲模板曲线数据， 其 函数表达式为： y＝13.108x6‑39.324x5+65.84x4‑66.14x3+36.333x2‑9.8171x+1 头部操作侧“L”型弯的板坯弯曲模板曲线数据， 其 函数表达式为： y＝‑6.554x6+35.751x5‑73.144x4+73.493x3‑38.578x2+10.049x 头部传动侧“L”型弯的板坯弯曲模板曲线数据， 其 函数表达式为： y＝6.554x6‑35.751x5+73.144x4‑73.493x3+38.578x2‑10.049x+1 尾部操作侧 “L”型弯的板坯弯曲模板曲线数据， 其 函数表达式为： y＝‑6.554x6+3.5726x5+7.3036x4‑7.3533x3+2.2448x2‑0.2322x+1 尾部传动侧 “L”型弯的板坯弯曲模板曲线数据， 其 函数表达式为： y＝6.554x6‑3.5726x5‑7.3036x4+7.3533x3‑2.2448x2+0.2322x 传动侧“S”型弯的板坯弯曲模板曲线数据， 其 函数表达式为： y＝‑16.089x5+40.224x4‑40.423x3+20.411x2‑5.1407x+1 操作侧“S”型弯的板坯弯曲模板曲线数据， 其 函数表达式为： y＝16.089x5‑40.224x4+40.423x3‑20.411x2+5.1407x 其中， x表示相应板坯弯曲模板曲线的横坐标， y表示相应板坯弯曲模板曲线的纵坐标， 每个板坯弯曲模板曲线的数据点个数为m， m的取值范围为15 0‑200。 4.如权利要求1所述的基于机器学习的板坯弯曲模式分类方法， 其特征在于， 所述分别 计算出所述待分类板坯对应的板坯全长中心线曲线数据与预设的标准模板库中的每一板 坯弯曲模板曲线数据之间的距离， 包括： 采用动态时间规整DTW算法分别计算出所述待分类板坯对应的板坯全长 中心线曲线数 据与预设的标准模板库中的每一板坯弯曲模板曲线数据间的距离 。 5.如权利要求1所述的基于机器学习的板坯弯曲模式分类方法， 其特征在于， 所述机器权　利　要　求　书 1/3 页 2 CN 114118205 A 2学习模型为支持向量机SVM模型。 6.如权利要求5所述的基于机器学习的板坯弯曲模式分类方法， 其特征在于， 所述机器 学习模型的构建过程， 包括： 获取热轧板坯全长中心线曲线作为样本数据； 构建训练样本集： {(xi， yi)|xi＝{di1， di2， di3， di4， di5， di6， di7， di8}∈R8， yi∈R， i＝1， 2， ...， M}， 其中， xi表示第i条样本曲线Si与所述标准模板库中的所有板坯弯曲模板曲线数 据之间的距离组成的序列， dij表示第i条样本曲线Si与所述标准模板库中的第 j条板坯弯曲 模板曲线数据之间 的距离， j＝1， 2， 3， 4， 5， 6， 7， 8； yi表示第i条样本曲线Si对应的板坯弯曲 模式种类， M表示样本总数； 利用高斯函数 将数据样本映射到高维特征空间， 在高维空间构建出基于SVM模型 的分类函数： 其中ω和b是SVM模型的回归参数； 初始化SVM模型的参数C和g， 将SVM模型的参数求 解表示为以下约束最优化问题： 满足约束 εi≥0； 其中， εi是松弛变量， 计算公式为 表示xi对应的高斯 函数； 基于所述训练样本集对SVM模型进行训练， 并根据训练结果对SVM模型进行调优， 保存 调优训练后得分最高的模型参数， 得到所述机器学习模型。 7.如权利要求6所述的基于机器学习的板坯弯曲模式分类方法， 其特征在于， 所述根据 训练结果对SVM模型进行调优， 包括： 采用K折交叉验证方法对SVM模型的参数C和g进行优化， 包括： 将训练样本集均分成K 组， 1组作为验证的数据样 本， 其余K ‑1组作为训练的数据样 本， 每一组数据都轮流作为验证 数据样本； 在每一次验证中， 将参数C和g在给定取值范围内按照一定的步长进 行取值组合， 参数C的步长为(Cmax‑Cmin)/K， 参数g的步长为(gmax‑gmin)/K； 其中， Cmax， Cmin， gmax， gmin分别为 参数C和g的最大和最小取值； 在每一组参数(C， g)组合下， 分别进行K次计算， 求取K次计算 的模型测试准确率的均值作为 这组(C， g)下模型的得分 score： 其中， fp为每一类分类正确的数量， S为每次测试样本集的数量。 8.一种基于 机器学习的板坯弯曲模式分类装置， 其特 征在于， 包括： 板坯全长 中心线曲线数据获取模块， 用于获取待分类板坯对应的检测仪表测量的板坯 弯曲的原始数据， 并对获取 的原始数据进行预处理， 得到所述待分类板坯对应的板坯全长 中心线曲线数据； 曲线距离计算模块， 用于分别计算出所述板坯全长 中心线曲线数据获取模块所得到的 待分类板坯对应的板坯全长中心线曲线数据与预设的标准模板库中的每一板坯弯曲模板 曲线数据之间的距离； 其中， 所述标准模板库中包括多种不同种类的板坯弯曲形式所对应权　利　要　求　书 2/3 页 3 CN 114118205 A 3