基于XGBoost和迁移学习的冷轧带钢力学性能预报方

本发明涉及冷轧带钢性能预报方法，具体地，涉及基于xgboost和迁移学习的冷轧带钢力学性能预报方法及系统。背景技术：1、当前，冷轧产品面临着国内外钢铁企业的巨大挑战，特别是冷轧析出强化钢产品，由于这些钢种相对成熟、进入门槛不高，国内厂家在装备及生产实力的提升，该类产品同质化竞争更趋激烈，目前此类产品面临最大的问题就是现场成本压力巨大；此外，用户的要求越来越挑剔，对产品性能稳定性要求越来越严格。所以，如何以较小的成本实现产品的稳定化生产成为现场的一大挑战课题。2、为解决这一问题，本发明采用xgboost构建性能预报模型，同时采用迁移学习的方法，提高整体的预测精度。严格意义来讲，xgboost是一个可供用户轻松解决分类、回归或排序问题的软件包。它内部实现了梯度提升树(gbdt)模型，并对模型中的算法进行了诸多优化，在取得高精度的同时又保持了极快的速度，在系统优化和机器学习原理方面都进行了深入的考虑。取冷轧产品的某条产线的全工艺数据，进行分组，构建xgboost预测模块。针对不同分组间的数据质量差异，采用迁移学习的方法，选择模型训练结果较优越的预测模型作为源模型，并将源模型作为先验知识加入到目标模型的训练中，从而提高数据质量较差的样本的预测精度，进一步提高整条产线的预测准确度，将此技术拓展到冷轧带钢的其他产线，整体上降低取样成本，提高冷轧产品的稳定性。技术实现思路1、针对现有技术中的缺陷，本发明的目的是提供一种基于xgboost和迁移学习的冷轧带钢力学性能预报方法及系统。2、根据本发明提供的一种基于xgboost和迁移学习的冷轧带钢力学性能预报方法，包括：3、步骤s1：获取冷轧产品的预设产线，获取当前冷轧产品相关的化学成分及所有工艺参数数据，并对获取的数据进行预处理，得到预处理后的数据；4、步骤s2：对预处理后的数据进行分组获得源域数据集和目标域数据集；5、步骤s3：基于源域数据集构建源域预测模型，并利用源域数据集对源域预测模型进行训练并验证获得训练后的源域预测模型；6、步骤s4：构建与源域预测模型相同结构的目标域预测模型，并将训练后的源域预测模型迁移到目标域预测模型中；利用目标域数据集对当前目标域预测模型进行训练并验证得到训练后的目标域预测模型；7、所述源域预测模型是采用xgboost构建的预测模型对冷轧带刚力学性能进行预测。8、优选地，所述步骤s1采用：9、步骤s1.1：对获取的冷轧产品的预设产线的相关化学成分及所有工艺参数进行数据清洗，得到清洗后的数据；10、步骤s1.2：对清洗后的数据计算pearson相关系数，筛选pearson相关系数满足预设要求的清洗后的数据。11、优选地，所述步骤s2采用：12、步骤s2.1：对获取的pearson相关系数满足预设要求的清洗后的数据进行分组，选取分组后样本量最大的数据为源域数据集，其他作为目标域数据集；13、当性能预报的目标是拉伸性能，所述拉伸性能包括屈服强度、抗拉强度以及断裂延伸率，则按照拉伸方向、试样标距以及试样形状分组，挑选三个代码都相同且样本量最大的一组数据作为源域数据集，其他分组作为目标域数据集；14、当性能预报的目标是硬度，则按硬度测量方法分组，挑选样本量最大的一组数据作为源域数据集，其他分组作为目标域数据集；15、步骤s2.2：将源域数据集和目标域数据集按照预设比例划分为源域训练集、源域测试集、目标域训练集和目标域测试集。16、优选地，所述步骤s3采用：17、步骤s3.1：利用源域训练集使用贝叶斯优化调参对源域预测模型进行训练；18、步骤s3.2：采用多次交叉验证，在源域测试集上进行验证测试，最终得到训练后的源域预测模型。19、优选地，所述步骤s4采用；20、步骤s4.1：利用迁移学习的思想将训练后的源域预测模型的结构和参数迁移到目标域预测模型中，作为目标域预测模型的参数初始值；21、步骤s4.2：利用目标域训练集对当前目标域预测模型进行训练，优化和调整当前目标域预测模型；22、步骤s4.3：利用目标域测试集对训练后的目标域预测模型进行多次交叉验证，得到目标域预测模型。23、根据本发明提供的一种基于xgboost和迁移学习的冷轧带钢力学性能预报系统，包括：24、模块m1：获取冷轧产品的预设产线，获取当前冷轧产品相关的化学成分及所有工艺参数数据，并对获取的数据进行预处理，得到预处理后的数据；25、模块m2：对预处理后的数据进行分组获得源域数据集和目标域数据集；26、模块m3：基于源域数据集构建源域预测模型，并利用源域数据集对源域预测模型进行训练并验证获得训练后的源域预测模型；27、模块m4：构建与源域预测模型相同结构的目标域预测模型，并将训练后的源域预测模型迁移到目标域预测模型中；利用目标域数据集对当前目标域预测模型进行训练并验证得到训练后的目标域预测模型；28、所述源域预测模型是采用xgboost构建的预测模型对冷轧带刚力学性能进行预测。29、优选地，所述模块m1采用：30、模块m1.1：对获取的冷轧产品的预设产线的相关化学成分及所有工艺参数进行数据清洗，得到清洗后的数据；31、模块m1.2：对清洗后的数据计算pearson相关系数，筛选pearson相关系数满足预设要求的清洗后的数据。32、优选地，所述模块m2采用：33、模块m2.1：对获取的pearson相关系数满足预设要求的清洗后的数据进行分组，选取分组后样本量最大的数据为源域数据集，其他作为目标域数据集；34、当性能预报的目标是拉伸性能，所述拉伸性能包括屈服强度、抗拉强度以及断裂延伸率，则按照拉伸方向、试样标距以及试样形状分组，挑选三个代码都相同且样本量最大的一组数据作为源域数据集，其他分组作为目标域数据集；35、当性能预报的目标是硬度，则按硬度测量方法分组，挑选样本量最大的一组数据作为源域数据集，其他分组作为目标域数据集；36、模块m2.2：将源域数据集和目标域数据集按照预设比例划分为源域训练集、源域测试集、目标域训练集和目标域测试集。37、优选地，所述模块m3采用：38、模块m3.1：利用源域训练集使用贝叶斯优化调参对源域预测模型进行训练；39、模块m3.2：采用多次交叉验证，在源域测试集上进行验证测试，最终得到训练后的源域预测模型。40、优选地，所述模块m4采用；41、模块m4.1：利用迁移学习的思想将训练后的源域预测模型的结构和参数迁移到目标域预测模型中，作为目标域预测模型的参数初始值；42、模块m4.2：利用目标域训练集对当前目标域预测模型进行训练，优化和调整当前目标域预测模型；43、模块m4.3：利用目标域测试集对训练后的目标域预测模型进行多次交叉验证，得到目标域预测模型。44、与现有技术相比，本发明具有如下的有益效果：45、1.本发明提高整体性能预报的准确率，减少取样次数，提升优化原有工艺优化调整规则和拓展工艺优化调整钢种范围，提高产品稳定性；46、2、本发明特别适用于钢铁制造企业，通过多数据样本量的性能预报模型帮助少数据量的样本进行性能预报，对提高整体预测准确率有恰当的处理方案；47、3.对其他预测类场景有借鉴的作用。