河北工业大学硕士学位论文 i 基于支持向量机的钢材检验分类研究基于支持向量机的钢材检验分类研究 摘摘 要要 随着经济环境的变化，市场竞争加剧，传统的钢铁检验分类方法在提高钢铁制造业产品检验效率、降低生产成本等方面无法适应新的形势，这为钢铁制造业产品质检管理创新带来机遇，迫使人们不得不从新的视角来审视钢铁制造业现行的检验管理系统。近年来发展起来的支持向量机技术为实现上述目标提供了有效的方法。基于以上原因，分析了现有钢铁企业产品检验研究与应用中存在的问题。以邯郸钢铁集团第三炼钢厂为实践背景，应用全面、系统的分析思想，进行了研究。本文在对支持向量机技术理论研究的基础上主要做出了如下应用研究工作： 介绍了支持向量机算法的原理，建立了基于支持向量机的钢材产品多层次分类模型，通过提取钢材评价标准中的物质成分为特征参数，利用几个 SVM 分类器的组合，实现对钢材的分类和识别，实验结果显示该方法提高了钢材评价的准确性和效率。 关键词：关键词：钢铁制造业；支持向量机；多分类器；钢材检验 基于支持向量机的钢材检验分类研究 ii STUDY OF STEEL TEST CLASSIFICATION BASED ON SUPPORT VECTOR MACHINE ABSTRACT With the development of economy, traditional steel test classification method becomes weak in promoting efficiency and reducing the cost of production for steel making industry, while it is an opportunity to the innovation of steel making industry product quality management. Therefore, the current Problems of the research and application of steel test in steel making industry are analyzed. support vector machine, new techniques of the statistical learning theory proposed by Vapnik in 1995 and developed form the Structural Risk Minimization(SRM) theory, provides a good solution in order to carry out the objective above. Under the background of application in the third steel plant of Han Dan Special Steel Group, the dissertation analyses the process of steel test for steel making industry, studied these proplem. After the study of SVM theory, we performed the main work as follows: The principle of support vector machine was introduced, and a multi-stratified classification model for Steel products evaluation was established based on it. Through extracting substances components of steel products standard as parameters and using several SVM classifiers combination, steel products was classified and identified. Test results showed that the method could improve the precision and efficiency of Steel products evaluation. KEY WORDS：steel making industry, support vector machine, multi-classifier, steel test河北工业大学硕士学位论文 1 第一章第一章 绪论绪论 1-1 研究的背景和意义 1-1 研究的背景和意义 1-1-1 本文研究的背景 1-1-1 本文研究的背景 改革开放之初， 在中国钢产量 4000 万吨不到时， 一些专家基于西方钢铁业发展经验推测中国最多需要 1 亿多吨钢。但历史的发展却令人瞠目，改革开放 18 年后即 1996 年，我国钢产量过 1 亿吨；再过 7 年即 2003 年过 2 亿吨；又过两年即 2005 超过 3 亿吨；此后仅用一年时间，在 2006 年我国钢产量超过 4 亿吨；再过 2 年，2008 年轻松过 5 亿吨。如果不出预料，粗钢产量过 6 亿吨也就最多再用两年时间，即 2010 年。 钢铁一直是经济建设、 社会发展的重要物质基础， 并成为衡量一个国家国力的重要标志。 2004 年，中国粗钢产量突破 2.6 亿吨，占世界粗钢总产量的四分之一强。钢铁冶炼及延压行业创造的工业增加值为 1.6 万亿元人民币，钢铁行业占全国工业的比重接近 10%。而且，钢铁行业在国民经济中处于非常上游的位置，目前中国发展最迅速的房地产行业、汽车行业、机械制造行业、造船行业等都是钢铁消耗大户。钢铁工业是否能够健康稳定地发展，关系着我国整个国民经济的持续、协调发展。 在当前原燃材料和运输涨价，钢材价格持续下滑，赢利空间进一步压缩，降低成本已成为钢铁企业必须要做的事。中国钢铁工业协会顾问吴溪淳指出，企业信息化建设的新浪潮正在给中国钢铁企业的经营管理带来深刻变革，今后钢铁企业要向信息化要效益。而随着我国钢铁企业的发展，我国钢铁产量已居世界首位。在钢铁企业中，产品种类越来越丰富，产量越来越大，质检方面的成本也随之增加。如何降低这方面的投入在钢铁企业产销平衡中具有十分重要的作用，是企业挖潜增效，降低成本，提高产品竞争力的重要途径。 钢铁企业从粗放的生产计划控制模式向精确化计划控制模式转变、努力实现精确化产品检验分类的过程中，由于钢铁产品种类多，产量大的问题比较突出。这一问题不但影响产品生产计划的制定，还直接导致企业质检方面的压力，影响了企业的生产计划，所以对钢材产品快速分类、分级研究就显得尤为重要了。通过对钢材产品质检的精确研究，保证产品分类、分级系统的准确性，能够在最短时间分级、分类有着重要的意义，对整个钢铁企业的产品种类、产量分配和提高企业的经济效益来说都是必须重视的一个问题。因此，如何快速对钢铁企业产品进行快速分类和分级，尽可能的减少检验系统的的误差，保证钢材产品的结构平衡，符合实际、公正合理地产品快速分类、分级，即如何科学合理地进行常用钢种产品分类和分级，以减少质检系统的误差，提高产品生产率，节约企业成本，成为一项意义重大的研究和开发课题。 1-1-2 本文研究的意义 1-1-2 本文研究的意义 在当前，我国面临经济大发展的制约因素之一是原材料问题，而钢材作为经济建设中的重要原材料，很大程度上制约着我国的现代化建设。经济发展对钢材的需求进一步加大，然而钢铁生产企业属于劳动密集型企业，产品生产成本中产品检验的消耗占比较大的比例，因此在目前原燃材料和运输涨基于支持向量机的钢材检验分类研究 2 价，钢材价格持续下滑，赢利空间进一步压缩，降低成本已成为钢铁企业必须要做的事。因而钢铁企业的产品检验中的分类和分级研究就显得尤为重要。这样可以给钢材产品检验员提供新的检验方法，同时为其它产品制造业企业提供相关的产品检验方法。那么对钢材检验分类的研究扩展了支持向量分类机的应用领域，有着明显的现实意义。 支持向量机是一种新的非常有发展前景的分类技术。 它建立在统计学习理论的 VC 维理论和结构风险最小化原理基础之上的。它克服了神经网络分类和传统统计分类法的许多缺点，具备较高的泛化能力。基于传统的统计学的机器学习方法，理论体系十分完善，但由于其理论基础的问题，这些学习方法在解决小样本问题时的表现不能令人满意。 从 Vapnik 等人提出的统计学习理论是专门研究小样本机器学习问题的基础理论1，在此基础上 Vapnik 又进一步提出了支持向量机学习算法，它在解决基于小样本的一些实际问题时表现出的性能令人振奋。目前多类分类问题已成为支持向量机研究的热点问题之一，而钢材的检验分类正是标准的多分类问题。本论文在分析多类分类机的基础上，提出了钢材检验的分类模型，经研究我们发现其分类精准、快速，有较高的理论研究意义。 支持向量机算法有着坚实的理论基础，在解决高维空间中的小样本学习问题时显示了极大的优越性， 国内外众多学者对支持向量机的研究方兴未艾， 我们充分相信它是一项很有前途的新的学习方法。研究支持向量机这样优秀的学习算法是一件十分有意义的事情，对其进行改进并且拓展其应用领域更是一项极具挑战性的工作。 1-2 研究现状 1-2 研究现状 支持向量机算法一经提出，就得到国内外学者的高度关注。学术界普遍认为它是继神经网络之后的一个新的研究方向。在短短的几年里，取得了一系列研究成果2。 1-2-1 支持向量机理论研究 1-2-1 支持向量机理论研究 90 年代初，刮起一股“统计学习理论(Statistical Leaning Theory，简称 SLT)3”的热风。统计学习理论是一种专门研究有限样本情况下机器学习规律的理论。1992 年-1995 年，在统计学习理论的基础上发展出了一种新的模式识别方法一支持向量机(Support Veoctor Machine，简称 SVM4。 统计是我们面对观测数据而又缺乏理论模型时最基本的(也是唯一的)分析手段。在样本数目足够多的情况下，传统的统计学能进行较好的机器学习，这种学习也才有理论的支持。然而实际应用中样本数目大都是有限的，根本满足不了上述要求。Vapnik 等人早在 20 世纪 60 年代就开始研究有限样本情况下的机器学习问题，但这些研究长期没有得到充分的重视。近十几年来，有限样本情况下的机器学习理论逐渐成熟起来，形成了一个较完善的统计学习理论 SLT 体系。而同时，神经网络等较新兴的机器学习方法的研究则遇到一些大的困难，比如如何确定网络结构的问题、过拟合与欠拟合问题、局部极小点问题等。在这种情况下，试图从更本质上研究机器学习的 SLT 体系逐步得到重视。美国贝尔实验室的 Vapnik 等人在 STL 的基础上发展了一种新兴的机器学习方法支持向量机。 虽然支持向量机发展时间很短，但是由于它的产生是基于统计学习理论的，因此具有坚实的理论河北工业大学硕士学位论文 3 基础。 近几年涌现出的大量理论研究成果， 更为其应用研究奠定了坚实基础。 如 Anthony et al.(1999)等人给出了关于硬邻域支持向量机学习误差的严格理论界限，Shwae-Taylor(2000)，和 Cristianini (2000)也给出了类似的关于软邻域支持向量机和回归情况下的误差界限； Weston et al.(1998)和 Vap- nik(1995，1998) 等研究了支持向量机的泛化性能及其在多值分类和回归问题的扩展问题等；Smola (1998)和 Schoelkopf(1999) 提出了支持向量机一般意义下的损失函数数学描述。 随着支持向量机理论上深入研究，出现了许多变种支持向量机，如 Smola et al.(1999)提出的用于分类和回归