基于PCA-RF的热轧带钢板凸度预测

为了满足日益增长的带钢板凸度预测精度和速度要求,建立了一种基于降维的主成分分析(Principal Component Analysis,PCA)协同随机森林(Random Forest,RF)的板凸度预测模型。首先,应用Pauta准则去除异常值,用五点三次平滑公式进行降噪处理;其次采用主成分分析法对数据进行降维,利用载荷矩阵选取关键控制变量;最后利用关键控制变量建立基于随机森林的板凸度预测模型,并与支持向量机回归(Support Vector Regression,SVR)、最近邻(K Nearest Neighbor,KNN)、轻量梯度提升机(light Gradient Boosting Machine,LightGBM)、极端梯度增强(Extreme Gradient Boosting,XGBoost)和梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型进行比较。结果表明,PCA-RF模型将参数由93维降低到15维,极大地减少了建模时间,且PCA-RF对测试集预测的决定系数(Coefficient of Determination,R^(2))、平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)分别为0.9820、1.4852μm和2.2603μm,均优于其他预测模型,且98%以上样本点的预测误差为-3~3μm,满足板凸度预测的精度要求。从而证明该模型能够通过降维减少建模时间,同时实现了带钢板RF凸度的高精度预测,为热轧带钢板凸度的研究提供了一定的参考。

基于BO-LightGBM混合模型的热轧带钢板凸度预测

为了满足日益增长的热轧带钢板凸度预测要求,建立了基于贝叶斯优化(Bayesian Optimization,BO)结合轻量梯度提升机(Light Gradient Boosting Machine,Light GBM)的板凸度预测模型BO-Light GBM。首先通过贝塞尔公式去除异常值,并经过五点三次平滑降噪。其次,建立Light GBM模型进行板凸度预测,最后通过贝叶斯优化算法选择最优参数,得到最优的模型,并与梯度提升决策树(Gradient Boosting Decision Tree,GBDT)、极端梯度增强(Extreme Gradient Boosting,XGBoost)和随机森林(Random Forest,RF)模型XGBoost、GBDT、RF算法进行比较。实验表明,基于BO-light GBM的板凸度预测模型优于XGBoost、GBDT、RF模型,对测试集预测的决定系数(Coefficient of Determination,R2)、平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)分别为0.97、1.49、2.28μm,均优于其他预测模型,且98%以上样本点的预测误差在-4~4μm,满足板凸度预测的精度要求。同时为了进一步验证该模型的预测稳定性,将模型运行100次后,R2、MAE和RMSE的分布仍处于最优位置,所以认为BO-LIght GBM是值得推荐的板凸度预测模型。

基于深度森林的热轧带钢凸度预测模型

在热轧现场轧制规格切换或工况异常的情况下板凸度控制模型偏差较大,为了提高模型精度,提出了一种基于深度森林的热轧带钢凸度预测模型。深度森林模型融合了集成学习和深度学习的思想,采用了多粒度扫描增加数据特征多样性,采用级联森林逐层处理,使得模型具备强大数据拟合能力。将热轧数据经前期预处理导入模型,并对模型参数进行了网格搜索寻优,对比随机森林模型,深度森林模型的效果更优。基于深度森林的热轧带钢凸度预测模型得到了MSE值为6.537,MAE值为1.587,MAPE值为2.903%和R值为0.985的预测性能。

基于神经网络算法的热轧钢板凸度预报

提出了一种基于Elman神经网络的预测模型,并结合布谷鸟算法(CS)对网络的初始权值和阈值进行优化,以提高钢板凸度的预测精度。通过收集鞍钢股份有限公司热轧带钢厂的生产数据并进行预处理后训练模型,结果表明,本文提出的CS-Elman模型的平均绝对值误差(MAE)为1.3693、均方误差(MSE)为3.0843、平均绝对百分比误差(MAPE)为3.9025%,决定系数R2为0.95123,以上指标均较原始Elman算法表现出明显的提升。该预测模型能够有效挖掘生产数据中的潜在规律,为钢板凸度的精准预测提供了一种有效的解决方案,对优化热轧过程和提升产品质量具有重要的实际应用价值。

热轧带钢出口凸度数据驱动建模及智能化预测分析

提出一种基于热轧现场生产数据和智能算法的新型带钢出口凸度预测模型,该模型采用差分进化算法对支持向量机的惩罚因子和核函数宽度进行优化。确定了支持向量回归模型的最佳参数组合,采用大量实际生产数据对模型进行训练并将其用于带钢出口凸度预测。该模型结构简单、容易实现,其整体性能用平均绝对误差(MAE)、平均绝对百分误差(MAPE)、均方根误差(RMSE)和决定系数R2来评价。预测值和实际值的比较验证了所提出模型的可行性。

基于数据挖掘的宽厚板板凸度控制

针对某宽厚板CVC plus大型骨干工业轧机存在板凸度偏大且难以控制的问题,对现场轧制过程工艺及板凸度质量数据进行跟踪采集和分析,通过数据转换、提炼和集成建立标准的数据挖掘数据集,基于历史生产数据建立宽厚板板凸度随机森林预测模型,应用主成分分析以及减法聚类离散化方法进行数据的预处理,通过关联规则挖掘和控制变量影响力评估实现不同产品质量状态下关键控制变量的快速定位,并将其应用于典型规格宽厚板关键工艺参数调整策略;建立三维有限元耦合模型用于调整策略的仿真分析。研究结果表明:3种典型规格宽厚板板凸度分别下降30.9%,14.7%和23.9%;基于数据挖掘提出的调整策略可以有效改善板凸度控制情况,可为宽厚板板形质量控制研究提供参考。

2800四辊轧机“逆宽”轧制中的凸度控制

为了研究２８００四辊轧机在工作辊服役后期“逆宽”轧制状态下的凸度控制问题，结合 大量的现场实测数据，运用变厚度平面有限元方法建立了专门针对２８００四辊轧机的辊系变形 （即凸度预测）仿真模型．根据仿真计算结果，揭示出工作辊服役后期的“箱型”磨损辊形、钢板 宽度及轧制力等对钢板凸度的影响关系，并提出相应的生产中可行的控制措施．