买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东北大学申请的专利一种基于进化学习的带钢多指标质量预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117133390B 。

龙图腾网通过国家知识产权局官网在2026-03-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311110636.7，技术领域涉及：G16C60/00；该发明授权一种基于进化学习的带钢多指标质量预测方法是由唐立新;刘畅;张凯楠设计研发完成，并于2023-08-31向国家知识产权局提交的专利申请。

本一种基于进化学习的带钢多指标质量预测方法在说明书摘要公布了：本发明提供一种基于进化学习的带钢多指标质量预测方法，涉及自动控制技术领域，本发明从实际连续退火生产过程中采集历史数据信息建立预测模型数据库，将连续退火过程相关信息作为历史数据集合，并依据碳当量的两种表示计算得出碳当量；对建立的数据库中的数据进行预处理得到处理后的标准训练数据集；然后建立深度稀疏自编码网络和极端梯度提升算法的两阶段模型与多目标优化算法相结合的连续退火过程的多指标质量预测模型。最后采用Knee点策略依据实际生产过程的偏好从多目标优化的帕累托最优解集中选取最优结果作为多指标质量预测模型的参数。本发明的多指标质量预测方法可以有效地应用于实际生产过程中，为操作人员及时掌握带钢质量情况提供依据。

本发明授权一种基于进化学习的带钢多指标质量预测方法在权利要求书中公布了：1.一种基于进化学习的带钢多指标质量预测方法，其特征在于，包括以下步骤： 步骤1：建立连续退火过程的多指标质量预测模型数据集； 步骤2：针对步骤1构建的多指标质量预测模型数据集进行数据预处理，得到标准的训练数据集和测试集； 步骤3：构建基于进化学习的连续退火过程中的多指标质量预测模型，具体包括深度稀疏自编码网络和极端梯度提升算法； 步骤4：初始化多目标优化算法起始参数，并对深度稀疏自编码网络和极端梯度提升算法的结构参数和超参数设置搜索范围； 步骤5：执行步骤3构建的基于进化学习的连续退火过程中的多指标质量预测模型，优化深度稀疏自编码网络以及极端梯度提升算法的结构参数和超参数，采用Knee点策略选择连续退火过程中的多指标质量预测模型最佳性能时的参数值； 所述步骤5具体包括以下步骤： 步骤5.1：初始化非支配排序遗传算法II的算法参数，定义连续退火过程中的多指标质量预测模型的最大种群规模和最大迭代次数； 步骤5.2：输入连续退火过程工艺参数与化学成分数据，训练深度稀疏自编码网络模型，并优化深度稀疏自编码网络的网络结构以及超参数，采用Knee点策略选取最佳性能模型参数； 在优化深度稀疏自编码网络时，考虑网络的时间复杂度和网络性能，因此深度稀疏自编码网络的优化目标设置为： 16； 17； 其中，F.为非支配排序遗传算法II的目标函数，LDSAE.为深度稀疏自编码网络的重构误差值；θ为被优化的模型参数，在第一阶段，θ是网络的数量，结构参数包含第i层节点，层数Nlayer和超参数； 步骤5.2.1：以深度稀疏自编码网络的重构误差最小为目标，计算每个种群的适应度函数值； 步骤5.2.2：保存当前计算结果，种群数目加一，当种群数目等于最大种群数时，种群数，迭代次数加一； 步骤5.2.3：判断终止条件是否满足；重复步骤5.2.1至步骤5.2.3，直到迭代次数等于最大迭代次数； 步骤5.2.4：采用Knee点策略在深度稀疏自编码网络的帕累托最优解集中寻找最优解， 步骤5.2.5：将最优结果对应的深度稀疏自编码网络的结构参数和超参数设置为连续退火过程中的多指标质量预测模型的最优参数； 步骤5.3：优化极端梯度提升算法预测模型的网络结构和超参数；首先将步骤5.2优化后的最优参数结果对深度稀疏自编码网络进行重新设置，与步骤5.2中一致的输入连续退火过程工艺参数与化学成分数据，然后重新训练连续退火过程中的多指标质量预测模型，对极端梯度提升算法进行优化，采用Knee点策略选取最佳性能模型参数；将极端梯度提升算法网络的超参数优化目标重新设计为： 18； 其中，LYS，LTS，LEL分别是连续退火过程的屈服强度，抗拉强度和延伸率三个力学性能指标的预测值与实际检测值的均方根误差结果； 步骤5.3.1：以连续退火过程的屈服强度，抗拉强度和延伸率三个力学性能指标的预测值与实际检测值的均方根误差最小为目标，计算每个种群的适应度函数值； 步骤5.3.2：保存当前计算结果，种群数目加一，当种群数目等于最大种群数时，种群数，迭代次数加一； 步骤5.3.3：判断终止条件是否满足；重复步骤5.3.1至步骤5.3.3，直到迭代次数等于最大迭代次数； 步骤5.3.4：采用Knee点策略从整体框架的优化结果的非支配解集中确定最优解； 步骤5.3.5：将Knee解对应的极端梯度提升算法的网络结构和超参数设置为极端梯度提升算法的最优参数； 步骤6：完成多目标优化过程，将优化后的得到的超参数与结构参数作为连续退火过程中多指标质量预测模型的超参数和结构参数，然后采用步骤2得到的测试集进行质量预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东北大学，其通讯地址为：110819 辽宁省沈阳市和平区文化路3号巷11号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。