160MPa,DC05的屈服强度范围为125-150MPa,因此类1和类2的样本在DC04和DC05存在重叠 区域，但这并不表明由工艺参数所确定的类被误判。如，DC04中的个别样本点落在DC05区域，可 以被判定为DC05,因为这些样本满足DC05质量指标，同样这些样本也满足DC04质量标准，因此 不会引起客户异议。 oDC04 region DC05 region DC06 region Elongation(%) 图6三种钢种的质量指标的上下限 Fig.6 The up and down limits of quality indexes for 3 steel type 为了检验在线自动判级的准确性，表4给出采用不同判级和性能预测方法的计算结果。采用如 下6种方法： 1)BP网络：数据经过标准化处理后，输入到BP网绍，网络输入层为8个变量（工艺参数）， 隐含层20个节点，输出层为4个变量（质量指标） 预侧质量指标值，并根据预测值对标图6的 上、下限范围对待测样本进行判级： 2)长短时记忆网络(LSTM)：LSTM网络要拥于序列数据的预测和分类，本案例中采用 遗忘门、输入门、输出门以及2层隐含层和32个隐含节点建立全连接网络，通过预测质量指标值， 并根据预测值和质量指标的范围对待测样本进行判级： 3)核偏最小二乘法(KPLS):采用高斯核函数，通过非线性降维，取4个主成分，建立回 归方程来预测质量指标，并根据预测值和质量指标的范围对待测样本进行判级： 4)偏最小二乘法(PLS):采用传统的线性降维方法，取4个主成分建立回归方程来预测质 量指标值，并根据预测值对待测样本进行判级，过程与KPLS方法相似： 5)KNN+统计平均法：J工艺参数通过同等缩放投影到低维映射图中，并选取邻近的7个训练 集中的参考样本，计算参考样的质量指标的平均值来确定待测样本的类别： 6) 综合分类法Synthesis)通过对LSTB、BP与KPLS、KNN四种方法所确定类别进行综合评 判，将占多数的类别判定结果作为最终判定的类。 在这6种分级法中，BP网络、LSTM、核偏最小二乘法、偏最小二乘法属于全域分类法， KNN+统计平法属局域分类方法。全域分类是根据质量参数的整个分布域，建立分类模型。局域分 类将类域划分为若千子域，根据子区域内样本的属性来确定待测样本的所属类，如“KNN+统计平 均法”是采用K个最邻近样本的质量指标的统计平均值作为判据。 为了检验方法的有效性，从生产线另外采集100个样本的工艺参数与实测质量指标，通过前面 给出的方法对待测样本进行判级，结果如表4所示。从表4中可以看出，由于综合分类法集成了4 种算法的各自优点，综合分类法的判级准确率为96%。在4%的误差中，其中一半以上的错误判级是 将合格的产品误判为不合格产品。 表4不同判级和性能预测方法的计算结果 Table 4 Calculating results of discrimination and predicting quality index using different method BP LSTM KPLS PLS KNN Synthesis160MPa，DC05 的屈服强度范围为 125-150MPa，因此类 1 和类 2 的样本在 DC04 和 DC05 存在重叠 区域，但这并不表明由工艺参数所确定的类被误判。如，DC04 中的个别样本点落在 DC05 区域，可 以被判定为 DC05，因为这些样本满足 DC05 质量指标，同样这些样本也满足 DC04 质量标准，因此 不会引起客户异议。 40 42 44 46 48 50 52 54 115 120 125 130 135 140 145 150 155 160 165 Elongation(%) Yield strength(Mpa) DC06 region DC05 region DC04 region Misclassification samples 图 6 三种钢种的质量指标的上下限 Fig.6 The up and down limits of quality indexes for 3 steel types 为了检验在线自动判级的准确性，表 4 给出采用不同判级和性能预测方法的计算结果。采用如 下 6 种方法： 1） BP 网络：数据经过标准化处理后，输入到 BP 网络，网络输入层为 8 个变量（工艺参数）， 隐含层 20 个节点，输出层为 4 个变量（质量指标），预测质量指标值，并根据预测值对标图 6 的 上、下限范围对待测样本进行判级； 2） 长短时记忆网络（LSTM）：LSTM 网络主要用于序列数据的预测和分类，本案例中采用 遗忘门、输入门、输出门以及 2 层隐含层和 32 个隐含节点建立全连接网络，通过预测质量指标值， 并根据预测值和质量指标的范围对待测样本进行判级； 3） 核偏最小二乘法（KPLS）：采用高斯核函数，通过非线性降维，取 4 个主成分，建立回 归方程来预测质量指标，并根据预测值和质量指标的范围对待测样本进行判级； 4） 偏最小二乘法（PLS）：采用传统的线性降维方法，取 4 个主成分建立回归方程来预测质 量指标值，并根据预测值对待测样本进行判级，过程与 KPLS 方法相似； 5） KNN+统计平均法：工艺参数通过同等缩放投影到低维映射图中，并选取邻近的 7 个训练 集中的参考样本，计算参考样本的质量指标的平均值来确定待测样本的类别； 6） 综合分类法(Synthesis)：通过对 LSTB、BP 与 KPLS、KNN 四种方法所确定类别进行综合评 判，将占多数的类别判定结果作为最终判定的类。 在这 6 种分级方法中，BP 网络、LSTM、核偏最小二乘法、偏最小二乘法属于全域分类法， KNN+统计平均法属局域分类方法。全域分类是根据质量参数的整个分布域，建立分类模型。局域分 类将类域划分为若干子域，根据子区域内样本的属性来确定待测样本的所属类，如“KNN+统计平 均法”是采用 K 个最邻近样本的质量指标的统计平均值作为判据。 为了检验方法的有效性，从生产线另外采集 100 个样本的工艺参数与实测质量指标，通过前面 给出的方法对待测样本进行判级，结果如表 4 所示。从表 4 中可以看出，由于综合分类法集成了 4 种算法的各自优点，综合分类法的判级准确率为 96%。在 4%的误差中，其中一半以上的错误判级是 将合格的产品误判为不合格产品。 表 4 不同判级和性能预测方法的计算结果 Table 4 Calculating results of discrimination and predicting quality index using different method BP LSTM KPLS PLS KNN Synthesis 录用稿件，非最终出版稿