热镀锌钢卷力学性能GBDT预报模型

针对热镀锌钢卷力学性能预报建模条件属性选取难、预报精度不足的问题,研究热镀锌钢卷力学性能梯度提升树(gradient boosting decision tree,GBDT)预报模型.利用互信息差算法综合评估工艺参数、化学成分和钢卷尺寸参数等条件属性的相对重要性以及属性之间的冗余性,进行模型条件属性筛选;采用同分布原理进行样本划分,结合网格搜索法和交叉验证法优化模型参数,建立力学性能GBDT预报模型;并将GBDT模型预报结果与随机森林(random forest,RF)、AdaBoost算法和BP神经网络的预报结果进行比较.结果表明:GBDT模型优于其他模型,90%的数据样本预测的绝对误差小于14.24 MPa,94.6%的数据样本相对误差在6%范围内,具有更高的预测精度.

热镀锌钢卷白锈原因分析及解决措施

针对热镀锌钢卷白锈状腐蚀现象,分析其产生的主要原因为钝化膜的厚度较薄,包装时钢卷与环境温度差较大。通过改进钝化工艺,降低卷取与包装温度等措施,减少了钢卷白锈质量缺陷,保证了产品质量。

热镀锌钢卷外圈白锈缺陷原因分析及对策

针对热镀锌钢卷外圈产生白锈状腐蚀现象,分析出其产生原因为钝化膜厚度较薄、PMT温度过低以及包装时钢卷与环境温差较大,通过优化钝化烘干工艺,降低卷取与包装温度等措施,消除了钢卷外圈白锈缺陷,保证了产品质量。

基于聚类和GBDT的镀锌钢卷力学性能预测

热镀锌钢卷力学性能影响因素之间关系复杂,限制了模型精度的提升。采用k-means算法利用化学成分属性对镀锌钢卷数据集进行聚类,将数据聚成三种模式簇实现样本的优选。利用梯度提升树算法,开展各模式数据集与不划分模式的全数据集下的力学性能建模研究,最后结合网格搜索与交叉验证方法进行模型参数优化。研究结果表明,分模式下模型MAE误差相比于全数据集建模平均减小0.85 MPa。参数优化后,各模式下MAE误差平均减少5.19 MPa,RMSE误差平均减少3.63 MPa,提高了预测模型精度。

基于梯度提升决策树的特征筛选与钢卷力学性能预测

基于冶金机理选取热镀锌钢卷基本建模特征,采用梯度提升决策树算法对其他化学元素特征进行筛选,结合网格搜索与交叉验证方法对模型参数进行优化,并利用模型分析不同特征对钢卷屈服强度的影响。结果表明:热镀锌钢卷力学性能预测建模的基本特征包括工艺参数特征、规格特征以及基本化学元素特征,对钢卷屈服强度影响较大的其他化学元素特征为氮、铝含量;模型参数优化后,在测试集上测得屈服强度的均方根误差为10.671 MPa,平均绝对误差为8.244 MPa,平均绝对百分误差为2.641%,模型预测精度比模型参数优化前的明显提高;当碳、硅、锰含量变化或热轧入轧温度变化时,钢卷屈服强度的变化幅度较大。