论文部分内容阅读
目前，热连轧是主要的带钢生产方式，而粗轧是其中的关键环节。粗轧过程中，板坯的轧制过程涉及到了很多的过程控制参数，这些过程参数都会直接或间接影响所生产带钢的产品质量及轧制稳定性。其中，有两个参数对带钢质量起着至关重要的作用，分别是板坯粗轧出口温度和板坯翘扣头。板坯粗轧出口温度对后续的精轧、层冷等工序有重要作用，直接影响着带钢的力学性能、产品厚度指标及轧制稳定性;翘扣头是板坯经过粗轧机架轧制后头部发生不对称变形导致的上翘或下扣，严重影响带钢生产工况和带钢质量。因此，建立精确的板坯粗轧出口温度预测模型和翘扣头预测模型就极为重要。
本文基于钢厂实际生产过程数据，分别建立了基于随机森林-长短期记忆神经网络(RF-LSTM)的板坯粗轧出口温度预测模型和基于stacking集成学习的热连轧板坯翘扣头预测模型。
针对热连轧过程数据维度过高、难以准确预测板坯温度的问题，提出一种基于RF-LSTM的板坯粗轧出口温度预测模型。首先，采用改进随机森林算法对特征变量进行选择，通过分析板坯粗轧出口温度预测结果的变化衡量各特征变量的贡献度，挑选具有较大贡献的特征变量;其次，针对热连轧生产过程数据具有时间序列特性的特点，采用LSTM预测板坯粗轧出口温度。实验验证结果表明:特征选择前后钢坯的温度预测平均绝对误差、均方根误差分别下降了0.21℃、0.25℃，预测相对误差在±3.0％以内的精度达到了99.07％。
针对热连轧粗轧板坯轧制过程中轧件头部弯曲问题，提出一种基于stacking集成学习的翘扣头预测模型，预报粗轧过程中板坯头部的翘曲程度。首先，对建模数据进行预处理，包括异常值和缺失值的处理、人工组合部分特征以弥补特征不足、利用皮尔森相关系数和最大信息系数结合人工经验进行特征筛选，以提高建模数据质量。其次，利用stacking集成学习方法对自适应增强学习AdaBoost、随机森林RF、梯度提升树GBDT、极端提升树XGBoost以及支持向量机回归SVR等五种机器学习算法进行集成，构建更高层次的翘扣头预测模型，并且给出了模型参数寻优的具体思路。通过实验验证和对比分析，相对于单个机器学习算法构建的翘扣头预测模型，吸收了各个算法优势的stacking集成学习模型的预测精度有了明显的提升，对比单个算法构建的翘扣头预测模型中精度最高的GBDT模型，板坯的翘扣头预测平均绝对误差、均方根误差分别下降了0.0358cm、0.0762cm，绝对误差绝对值在±2cm以内的样本在测试集的比例提升了1.81％，达到了88.50％。充分证明了所提出的基于stacking集成学习的翘扣头预测模型的有效性。
本文基于钢厂实际生产过程数据，分别建立了基于随机森林-长短期记忆神经网络(RF-LSTM)的板坯粗轧出口温度预测模型和基于stacking集成学习的热连轧板坯翘扣头预测模型。
针对热连轧过程数据维度过高、难以准确预测板坯温度的问题，提出一种基于RF-LSTM的板坯粗轧出口温度预测模型。首先，采用改进随机森林算法对特征变量进行选择，通过分析板坯粗轧出口温度预测结果的变化衡量各特征变量的贡献度，挑选具有较大贡献的特征变量;其次，针对热连轧生产过程数据具有时间序列特性的特点，采用LSTM预测板坯粗轧出口温度。实验验证结果表明:特征选择前后钢坯的温度预测平均绝对误差、均方根误差分别下降了0.21℃、0.25℃，预测相对误差在±3.0％以内的精度达到了99.07％。
针对热连轧粗轧板坯轧制过程中轧件头部弯曲问题，提出一种基于stacking集成学习的翘扣头预测模型，预报粗轧过程中板坯头部的翘曲程度。首先，对建模数据进行预处理，包括异常值和缺失值的处理、人工组合部分特征以弥补特征不足、利用皮尔森相关系数和最大信息系数结合人工经验进行特征筛选，以提高建模数据质量。其次，利用stacking集成学习方法对自适应增强学习AdaBoost、随机森林RF、梯度提升树GBDT、极端提升树XGBoost以及支持向量机回归SVR等五种机器学习算法进行集成，构建更高层次的翘扣头预测模型，并且给出了模型参数寻优的具体思路。通过实验验证和对比分析，相对于单个机器学习算法构建的翘扣头预测模型，吸收了各个算法优势的stacking集成学习模型的预测精度有了明显的提升，对比单个算法构建的翘扣头预测模型中精度最高的GBDT模型，板坯的翘扣头预测平均绝对误差、均方根误差分别下降了0.0358cm、0.0762cm，绝对误差绝对值在±2cm以内的样本在测试集的比例提升了1.81％，达到了88.50％。充分证明了所提出的基于stacking集成学习的翘扣头预测模型的有效性。