徐荣军等：模式识别及人工神经网络算法在16Mn钢生产中应用 ·107· 表1以6，为目标对样本的分类 表2以为目标对样本的分类 类别划分依据/MPa炉数占份数/% 类别划分依据/MPa炉数占份数/% 1 0,≥400 3845.8 1 m≥550 4250.6 2345<a,<400 38 45.8 2 510≤m<550 2833.7 3 0,≤345 7 8.4 3 0m<510 1315.7 表3以6，为目标对样本的分类 类别划分依据/%炉数占份数/% 表4以冷弯为目标对样本分类 1 6:≥28 40 48.2 类别 划分依据 炉数占份数/% 22≤6528 4048.2 1 冷弯合格 72 86.7 3 6<22 33.6 2冷弯裂或断 1113.3 表5以a,、、6:及冷弯综合为目标对样本分类 2.2样本集的预处理 类别 划分依据 炉数占份数/% 设M,、S,为训练样本集的变量j 1符合，≥365,0m≥540,6s≥25 的平均值和方差。定义一个分类贡献 怜弯合格 35 42.2 量： 2不属于1、3类者 2327.7 C=1M,1-M,:/WS,1-VS,2)3符合a<345,<510,a<22 2530.1 将变量按其分类贡献量大小重排，使用前m个变量作为PLS变换，令训练样本向PLS第一和 第二基构成的平面投影，测量在该平面上的聚类情况.又令由小到大，直到聚类最佳，从 而确定变量的选取.经过这一步骤后，被选用的变量又称为类识别的特征变量(features)..通 过样本的标准化，又删去变量波动过大的样本，再合并相近的样本（即变量和目标量极为相 近的样本) 经过上述预处理，选用8个特征变量，训练样本83个. 2.3作已确定变量的PLS计算 得到训练样本在PLS的R和R2的二维空间分布. 3类样本可以被较好地分开，在第一类样本聚集区重心附近获得若干优化点，通过逆映 照，得到它们的工艺参数.同时也给出2、3类样本聚集区的重心对应工艺参数，以便考验即 将建立的神经网络可靠程度（见表6）.徐荣军等 : 模式识别及人工 神经网 络算法在 1 6M n 钢生产 中应 用 表 1 以 6 , 为 目标对样本 的分类 表 2 以 。 、 为 目标对样本 的分类 类别 划 分依据 / M P a 炉数 占份数 / % 类别 划分依据 / M P a 炉数 占份数 / % 00 ǎ 8 八J C a , ) 4 0 0 4 5 . 8 2 3 4 5 < 口。 < 4 0 0 4 2 2 8 5 0 . 6 4 5 . 8 l 饥妻 5 5 0 2 5 1 0蕊 。 、 < 5 5 0 3 。 : 挺 3 4 5 仇 < 5 1 0 3 3 1 5 表 3 以 a : 为 目标对样本的分类 类别 划分 依据 / 写 炉数 占份数 / % 表 4 以冷弯为 目标 对样本分类 1 a s ) 2 8 4 0 2 2 2簇a s 镇 2 8 4 0 4 8 4 8 类别 划分依据 冷弯合格 炉 数 占份数 / % 己5 < 2 2 冷弯裂 或断 7 2 8 6 1 1 1 3 表 5 以 6 , 、 。 。 、 占5 及冷弯综合为 目标对样本分 类 2 . 2 样本集的预处理 类别 划分 依据 炉 数 占份数 / % 设 M , 、 S , 为训练 样本 集 的变 量 j 的平均 值和方差 . 定义一 个分类贡 献 量 : cj 一 l。 , 1 一 、 , 2 一/川瓦 一 v溉 ) 符合 a : 》 3 6 5 , a 、 ) 5 4 0 , a s ) 2 5 冷弯合 格 不属于 l 、 3 类者 符 合 a , < 3 4 5 , a 、 < 5 1 0 , 己5 < 2 2 3 5 2 3 4 2 . 2 : ū 沙` 0 」9é八 将变量 按其分类贡献量 大小重排 , 使用前 m 个变 量作 为 P L S 变换 . 令训 练样本 向 P L S 第一 和 第二 基构 成 的平 面投 影 , 测量 在该 平面 上的 聚类 情况 . 又 令 m 由小 到大 , 直 到聚 类最 佳 , 从 而 确 定变量 的选取 . 经 过这 一步 骤后 , 被选 用 的变 量 又 称 为类 识别 的特 征变量 ( f ea t 盯es ) . 通 过样本 的标 准 化 , 又 删去 变量 波动 过大 的样 本 , 再 合并 相近 的样 本 ( 即变 量和 目标量极 为 相 近 的样 本 ) . 经过上 述预 处理 , 选 用 8 个特 征变 量 , 训练 样 本 83 个 . 2 . 3 作已确定变量 的 P L S 计算 得到 训 练 样本在 P L S 的 R l 和 R : 的 二维 空 间分布 . 3 类样 本 可 以 被 较好 地 分开 . 在 第一类 样本 聚 集 区 重 心 附近 获 得若 干 优 化点 , 通 过 逆 映 照 , 得 到 它 们 的工 艺参 数 . 同时 也给 出 2 、 3 类 样本 聚 集区 的重 心对 应 工艺 参数 , 以 便考 验 即 将 建立 的 神经 网络 可靠 程度 ( 见 表 6)