《基于SVM热轧板形识别》由会员分享，可在线阅读，更多相关《基于SVM热轧板形识别（6页珍藏版）》请在金锄头文库上搜索。
1、基于SVM热轧板形识别李超，王炭(济南大学自动化与电气工程学院，山东济南250022)摘要：本文提出了一种热轧板形缺陷分类识别方法，利用支持向量机(SVM)多分类方法 中的一对一策略实现了对常见几种板形缺陷的识别，并使用网格搜索法对参数进行了优化。 仿真实验证明，该方法行之有效。关键词：支持向量机；热轧；板形识别；多分类The shape recognition in hot strip rolling based on SVMLi Chao, Wang Yan(School of Control Science and Engineering. University of Jinan, Ji
2、nan250022, China)Abstract: This paper presents a kind of hot rolled sheet shape defect classification method, using one-versus-one strategy which is one of the support vector machine ( SVM ) multiple classification methods to achieve the common shape defect recognition, and use the grid search metho
3、d to optimize parameters, the simulation results verify the method is effective0引言板形是热轧薄板轧制过程中的一个重要控制指标，直接影响和决定产晶的最终质昴。因 此，热轧板形识别在板带轧制生产过程中占有非常重要的地位。目前热轧板形识别方法主要 有最小二乘法、多项式冋归分解法、小波分析法以及智能识别方法等，目前已有的很多研究 成果表明，在很多方面，智能识别方法的精度耍高于传统的模式识别方法。本文在现有的模 糊分类法、人工神经网络方法和遗传算法等板形识别方法的基础上，提出一种基于支持向量 机的热轧板形智能识别方法，经仿
4、真实验证明，该方法能有效的识别多种热轧板形，口具有 较高的识别精度。1板形信息检测所谓板形，直观上是指板带的翘曲程度。板形包括平直度、板凸度、边部减薄及局部高 点。图1表示出现翘曲的板带材出现平直度缺陷和局部的高点，图2中he-hl即为中心板凸度， hl-h2即为边部减薄。一般情况下用板的平直度来表示板形，测定平直度的检测器称作板形 检测仪。热轧板带板形检测技术是板形识别的基础。山于热轧带钢与冷轧带钢的生产工艺 和环境不同，一般在微张力下轧制，带钢的振动、漂浮、横向移动和高温対接触式板形检测 方法产生的干扰较大，而通常采用非接触式检测装置测最板形。本文采用多束激光作光源的截光式平直度测量技术。
5、图3是多束激光截而法测量原理。 处于同一平面内的3束激光倾斜照射在钢板上，曲漫反射产生3个沿带钢运动方向分布的激光 光斑。3个光斑的位置(A、B、C)随带钢“浪形”而变化，依靠适当的计算处理可以测彊3个 光斑照対位置同一吋刻的高度值，利用后面的方程组(4),就可以计算出被测位置的纵向延 伸率。山于这种方法不涉及带钢速度和运动时间,所以能消除带钢摇摆运动对平直度测量的 影响n图3多束激光截面法测議原理通常延伸率&可按下式计算：op- OPOPIO5（1）考虑到实际需耍与测量方便，以近似值來评价带钢延伸率:AC由于血,Bo,Co,q,&3,厶2,厶3可事先测知，故可依下列方程组解出AB、BC和AC
6、 ,并带入（3）式计算。h2 = AX 2 x fg Qh3 = AX3 xX|2 = X2 + AX】-AX?(3)x23 = l23 + ax2-ax3X3 = X2 + X23A3=X：+(2_)2%BC = X+(/z3-/z2)2AC=X|4-(/z3-/2|)2X若3束激光沿带钢宽度方向扫描，测量带钢沿宽度方向各位置的册，就可以得到带钢的 板形情况。如果测量速度足够快，就可在线实时测量带钢全长的板形情况，就可以为后而的 板形控制提供板形信号。常见板形缺陷模式主要有左侧浪、右侧浪、中间浪、双边浪、四分 浪和边中浪六种，如图4所示。实际应用中常见的板形缺陷，主耍是中间浪和边浪，所以一般
7、只需测量带钢边部、“1/4”处和中间部位的延伸率能即可。图4六种板形缺陷基本模式边中浪2支持向量机及其多分类方法支撑向量机（SVM）是在V. N. Vapnik的统计学习理论基础上发展起来的一种新型机器 学习方法。它根据Vapnik的结构风险瑕小化原则来构造学习机器，在最小化训练鉛误的同时 尽量提高学习机的泛化能力；同时，山于支持向量机学习算法是一个凸二次规划问题，因此 所求得的解一定是全局最优解。SVM从线性可分情况下的垠优分类面发展而來，最优分类面 就是要求分类线不但能将两类止确分开，且使分类间隔最大n SVM考虑寻找一个满足分类要 求的超平面，并且使训练集中的点距离分类面尽可能的远，也就
8、是寻找一个分类面使它两侧 的空白区域最大，图5所示H即为二维线性可分情况下的最优分类线。它所拥有的高泛化能力 和全局最优解是英它基于经验风险最小化原则的学习算法如神经网络学习算法等所不能比 拟的。目前，SVM主要应用于模式识别领域，比如手写数字识别、语音识别、人脸识别和文 本分类等。口图5线性可分情况下的最优分类线决定SVM性能的因素是核函数的选取，常用的主要有以下几种核函数，英中应用最广 泛的核函数是RBF核函数。多项式核函数：K（x,xj=（r）+iy（5）径向基(RBF)核函数:Kg码)=尹-中2/（6）感知器核函数：K（X,兀）=tanh（v（x 兀）+ c）（7）传统的SVH是基于两
9、类问题的，当遇到板形识别这种多类别的吋候，一般采取如下两种 策略叫1) 一对多法(one-versus-rest,简称1-v-r SVMs)o训练时依次把某个类别的样本归为一 类，其他剩余的样本归为另-类，这样k个类别的样本就构造出了k个SVM。分类时将未知样 本分类为具有最大分类函数值的那类。2) 一对一法(one-versus-one,简称1-v-l SVMs)0其做法是在任意两类样本之间设计一 个SVM,因此k个类别的样本就需要设计k(k-l)/2个SVM。当对一个未短样本进行分类吋， 最后得栗瑕多的类别即为该未知样本的类别。后面用到的仿真软件Libsvm中的多类分类就 是根据这个方法实
10、现的。3仿真实例通过多束激光法沿板宽方向设置边部、1/4处和中间5个检测点，将检测仪获取的延伸 率数据进行归一化处理。山于存在六种板形缺陷，本文釆用多分类方法中的一对一-方法，需 要构造6* (6-1) /2二15个SVM,利用matlab中的libsvm进行仿真实验。选取180组样本， 収每一类的前20纽作为训练样本：P,每一类的后10纽作为测试样本：T_testo设置类别标签如下：厂=1 2 3 4 5 6分别代表左侧浪、边中浪、中间浪、四分浪、双边浪和右侧浪。参数选用网格搜索法进行优化，首先进行参数粗选，然后再精选。粗选、精选结果如 图6、图7所示。得到最佳参数c=8, g二5. 656
11、85后，训练支持向量机，并对测试样本进行预测，实验结果如图8、图9所示。图6参数粗选3D视图8908070850)10图7参数擀选3D视图图8训练集和测试集的实际分类和预测分类图22i1TiLJ1Ml fl 1O英即测ul刃:X fl扁;试外卖(图9训练集和测试集的实际分类和预测分类图瀏皿的为称分真和笊滴分离IB密试榊*2030405060通过仿真实验,得到训练样本准确率Accuracy = 98. 3333% (118/120),测试样本准确率 Accuracy = 91.6667% (55/60)。4结语本文提出了一种基于热轧板形缺陷分类识别方法，山实验结果表明基于RBF核函数的 多分类支
12、持向量机利用-对一的判别策略对热轧板形缺陷进行了很好的识别分类，其中使用 经过网格搜索法优化的参数后分类器収得了较高的识别准确率。参考文献1 孙一康.带钢热连轧的模型与控制M北京:冶金工业出版社,2002.2 杨溪林，金国藩，焦景民.多束激光热轧带钢板形测杲仪的开发与硏究J.冶金自动化;1997,(1)3 刘志刚等.支持向量机在多类分类问题中的推广J.计算机工程与应,2004,(7):10-13.4 王益群，尹国芳，孙旭光.板形信号模式识别方法研究J.机械工程学报,2003, 39(8): 91-94.5 李盼池，许少华.支持向量在模式识别中的核函数特性分析卩.计算机工程与设计,2005,26(2):302-304.6 Szafranski Marie, Grandvalel Yves, Rakotomamonjy Alian Composite Kernel LearningC The 25thInternational Conference on Machine Learningt Helsinki, Finland, 2008, 1040-10477 李琳,张晓龙基于RBF核的SVM学习算法的优化计算J计算机工程与应用,2006,29:190-192
