面向带钢热镀锌感应加热的改进贝叶斯温度预测算法

出锌锅后的带钢需通过合金化炉进行感应加热以保证镀层合金化过程顺利进行和获得优良的镀层质量,出感应加热炉的带钢目标温度预报研究对热镀锌带钢镀层质量在线控制具有重要意义。针对生产中带钢感应加热(Induction Heating,IH)目标温度确定靠经验公式和人工在线调整,计算精度低、人工干预量大等问题,提出了一种结合贝叶斯参数调优和梯度提升决策树(Gradient Boosting Decision Tree,GBDT)算法的带钢热镀锌感应加热目标温度预测建模方法。对多维度和多钢种热镀锌带钢感应加热工艺大数据集,借助冶金机理和皮尔逊相关系数,筛选了与预测模型相关的特征;采用贝叶斯优化中的树状帕森估计(Tree-structured Parzen Estimator,TPE)对六种机器学习算法调参后,发现只有GBDT模型和K近邻(KNearest Neighbor,KNN)模型达到工厂生产要求;对GBDT预测模型超参数采用TPE算法、差分进化算法、随机搜索优化以及网格搜索优化四种调参方法进行调优,调优结果比较表明TPE的调参模型精度与网格搜索的模型精度相当,高于随机搜索的调参模型;TPE的调参时间与随机搜索调参时间接近,比网格搜索调参时间大大缩短;TPE算法相对于差分进化算法调优效率更高。利用优化的超参数建立GBDT模型和KNN模型,两种模型比较表明,GBDT模型训练时间短,精度高,生产预报绝对误差在±20℃以内的命中率达到了97.56%,符合生产要求,TPE和GBDT结合是建立热镀锌感应加热目标温度预测模型的最佳策略。

基于梯度提升决策树的冷轧高强钢卷力学性能预测

基于1180 MPa级超高强度冷轧双相(DP)钢卷生产数据,研究了基于主成分分析的化学主成分提取方法、网格搜索和交叉验证相结合的超参数寻优方法,建立了DP钢力学性能梯度提升决策树(GBDT)预测模型,并将预测结果与BP神经网络模型和广义可加模型的预测结果进行了比较。为了提高断后伸长率预测精度,以预测精度较高的GBDT预测模型为基础,通过模型预测误差分类模型和考虑误差补偿的模型预测修正方法,建立了考虑误差补偿的断后伸长率预测校正模型,该模型使断后伸长率在绝对误差±0.9%下的预测准确率达到了94.63%。DP钢性能预测模型在线运行时的实际预测精度较高,达到生产要求,有助于力学性能在线质量监控。