本发明钢铁加工，尤其涉及机器学习，具体是指一种基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测方法、装置、处理器及其计算机可读存储介质。
背景技术：
1、钢坯夹渣是直接影响最终产品质量的因素之一。有些缺陷可能隐藏在铸坯表面以下，连铸过程中很难及时发现钢坯夹渣的问题。由于连铸生产的钢坯有时会在生产后放置很长时间，即使当天生产，质量监测结果也会有几个小时的滞后。因此，无法形成及时的闭环控制机制。
2、根据现有技术，借助机器学习或深度学习神经网络的方法进行质量分析也具有一定可行性。然而，需要注意的是，不同类别之间往往存在明显的差异，若模型将这些样本相互分错，会导致模型在边界区域产生错误的预测结果。这会导致模型的准确率下降，因为模型无法准确划分具有差异的样本。模型可能会过度关注较容易分类的样本，而对于较难分类的样本表现不佳。模型将差异较大样本错分的情况在实际连铸钢坯生产过程中，可能会导致质量风险增加，安全隐患，经济损失等一系列问题。
3、因此，针对这一行业难题，有必要提出一种能够有效解决上述实际问题的技术方案。
技术实现思路
1、本发明的目的是克服了上述现有技术的缺点，提供了一种构建连铸过程夹渣钢坯质量分析预测模型，本发明不仅能够处理大规模工业数据，还能提供高度精确的分类预测结果，从而为连铸钢坯生产过程的智能监测管理和决策提供强有力的技术支持。
2、为了实现上述目的，本发明的该基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测方法、装置、处理器及其计算机可读存储介质如下：
3、该基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测方法，其主要特点是，所述的方法包括以下步骤：
4、(1)针对获取到的钢坯夹渣原始数据集进行数据清洗、整理以及标签标注处理；
5、(2)引入深度神经网络结构对经过处理后的数据进行模型训练，构建钢坯质量分析预测模，并使用dropout正则化技术防止模型过拟合；
6、(3)使用自定义损失函数对所述的钢坯质量分析预测模型进行优化训练，以提高该模型的预测准确率；
7、(4)对所述的钢坯质量分析预测模型的超参数进行调优和评估处理，以获取最终的模型评价结果。
8、较佳地，所述的步骤(1)具体为：
9、对数据集中存在的缺失值、异常值以及离群值均采用均值插补法进行数据预处理，再根据钢坯夹渣原始数据对应的批次号对数据进行压缩以及拼接处理，最后进行标签标注。
10、较佳地，所述的步骤(1)具体包括以下步骤：
11、(1.1)采用均值插补法，对所述的钢坯夹渣原始数据集中的每个特征变量所对应的列进行均值计算，识别该数据集中的null值和空值，并使用计算得出的均值对所述的null值和空值进行数据填充；
12、(1.2)对于每个特征变量中，如果相对于均值的偏移绝对值超过50％，则使用该特征列的均值来替换超过50％偏移的值；
13、(1.3)以板坯号为单位，将与相应板坯号对应的若干块钢坯数据取平均值，将属于同一板坯号的数据压缩为一行样本数据，再对压缩后的样本数据进行拼接，并保存至excel文件中；
14、(1.4)对步骤(1.3)中完成压缩的数据，以板坯号为单位计算夹渣数，对于夹渣数在[0,5]区间内的标记为“0”，表示钢坯质量优；对于夹渣数在[6,10]区间内的标记为“1”，表示钢坯质量良；对于夹渣数在[11，∞]区间内的标记为“2”，表示钢坯质量差，以此完成标签标注处理。
15、较佳地，所述的步骤(2)具体包括以下步骤：
16、(2.1)根据深度神经网络模型层层叠加得到的多个隐藏层，从中提取出钢坯夹渣数据的高阶特征数据；
17、(2.2)使用dropout正则化技术，首先定义dropout概率，选择一个介于0至1之间的丢弃概率，用于设置深度神经网络模型中每一个神经元被丢弃的概率；
18、(2.3)在每个训练批次中，对于每个神经元，按照指定的丢弃概率进行随机采样，如果采样结果小于丢弃概率，则该神经元将被丢弃，其输出设置为零；如果采样结果大于等于丢弃概率，则该神经元将保留；
19、(2.4)将保留下来的神经元进行缩放处理，以便在训练时和测试时具有相同的期望输出(2.5)在所述的深度神经网络模型的损失函数中添加l2正则化项，以提高模型的泛化能力。
20、较佳地，所述的步骤(3)具体包括以下步骤：
21、(3.1)根据实际任务需求和特点，为当前获取到的钢坯夹渣数据的每个类别的样本分别分配权重，其中，所述的权重通过以下方式进行计算：
22、(3.1.1)手动设置固定值：手动为每个样本或类别设置权重，以反映其重要性或难易
23、程度；
24、(3.1.2)自动计算权重：使用类别平衡权重或者错误代价权重来自动计算权重，以反
25、映不同类别的重要性或难易程度；
26、(3.2)在训练过程中，为每个样本定义一个权重，通过将每个样本的权重乘以其对应的损失值，以调整该样本在整体损失中的占比；
27、(3.3)对于每个样本，将其损失值乘以对应的权重，得到加权的损失值，再将所有样本的加权损失值求和，得到整体的加权损失，即加权损失函数；
28、(3.4)使用所述的加权损失函数对所述的深度神经网络模型进行训练，并基于所述的加权损失函数计算所述的深度神经网络模型的参数对应的梯度，通过向梯度的反方向调整参数值，使损失函数逐渐减小，从而优化模型。
29、较佳地，所述的步骤(4)具体包括以下步骤：
30、(4.1)基于十折交叉验证，将获取到的原始数据集分为10个子集，并保持类别分布的相对均衡；依次选择其中9个子集作为训练数据，剩余1个子集作为验证数据；在每个训练集上分别进行模型训练，并在对应的验证集上评估所述的深度神经网络模型的性能，将10次验证的结果进行平均，得到最终模型的评估结果；
31、(4.2)确定神经元数量：根据经验法则，选择初始的神经元数量，使用初始的神经元数量训练所述的深度神经网络模型，并计算对应的损失函数值；通过比较不同神经元数量下的损失函数值，选择具有最小损失函数的神经元数量作为最终的神经元数量；
32、(4.3)使用相同的数据集和相似的实验设置，对比不同方法的性能指标，并进一步分析比较结果，以此验证本模型方法的优越性。
33、该基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测装置，其主要特点是，所述的装置包括：
34、处理器，被配置成执行计算机可执行指令；
35、存储器，存储一个或多个计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述所述的基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测的步骤。
36、该基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测的处理器，其主要特点是，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述所述的基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测的步骤。
37、该计算机可读存储介质，其主要特点是，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现上述所述的基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测的步骤。
38、采用了本发明的该基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测方法、装置、处理器及其计算机可读存储介质，在做到不浪费生产过程产生的历史数据的前提下，充分利用数据进行分析，从而帮助行业成功筛选出质量优质夹渣含量低的钢坯，实现成本的降低，资源的优化，使钢坯生产质量提升，生产效率提升，具有较为突出的实用价值。
1.一种基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测方法，其特征在于，所述的方法包括以下步骤：
2.根据权利要求1所述的基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测方法，其特征在于，所述的步骤(1)具体为：
3.根据权利要求2所述的基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测方法，其特征在于，所述的步骤(1)具体包括以下步骤：
4.根据权利要求2所述的基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测方法，其特征在于，所述的步骤(2)具体包括以下步骤：
5.根据权利要求4所述的基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测方法，其特征在于，所述的步骤(3)具体包括以下步骤：
6.根据权利要求5所述的基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测方法，其特征在于，所述的步骤(4)具体包括以下步骤：
7.一种基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测装置，其特征在于，所述的装置包括：
8.一种基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测的处理器，其特征在于，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现权利要求1～6中任一项所述的基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测的步骤。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现权利要求1～6中任一项所述的基于代价敏感思想和全连接神经网络的钢坯夹渣质量分析预测的步骤。
