[发明专利]一种基于梯度提升树模型的热连轧带钢凸度预测方法

说明书

本发明的一种基于梯度提升树模型的热连轧带钢凸度预测方法，包括：选择相关热轧带钢的工艺参数、设备参数和带钢参数与实际带钢凸度作为热连轧带钢凸度预测模型的输入与输出；在热轧带钢生产现场收集相关原始建模数据并进行预处理，通过去除缺失值、异常值和数据均衡获得最终建模数据；按照一定比例将通过预处理获得的最终建模数据划分为训练数据集和测试数据集；基于训练数据集，用交叉验证建立基于梯度提升树算法的热连轧带钢凸度预测模型；采用坐标下降法确定热连轧带钢凸度预测模型的最优参数；基于测试数据集评价所建立的热连轧带钢凸度预测模型的性能。本发明可以精确的预测热连轧带钢的凸度，有助于改善热连轧带钢的大凸度偏差问题。

技术领域

本发明属于工程与人工智能技术领域，涉及一种基于梯度提升树模型的热连轧带钢凸度预测方法。

背景技术

随着制造业的迅速发展，对优质带钢的需求也在不断增加。热轧带钢的质量指标不仅包括机械性能，还包括几何外观参数。凸度作为带钢非常重要的几何外观参数之一被用于评价带钢的横截面形状。作为许多工业产品的一种主要原材料，极大的热轧带钢凸度偏差将严重影响工业产品的质量，因此，明确热轧带钢凸度的变化规律一直是本领域的研究重点。带钢凸度受轧辊弹性变形、轧辊磨削凸度、轧辊热膨胀、轧辊磨损、带钢力学性能与几何尺寸等因素的影响，因此，带钢凸度的控制精度直接取决于上述因素的计算精度。传统理论方法，包括解析法、影响函数法、有限元法和有限差分法等传统方法已被采用来建立高精度的轧辊变形、热凸度、磨损凸度与带钢变形计算模型。虽然基于传统方法的计算模型已被广泛接受与应用，但由于热轧环境复杂和传统方法本身的局限性(存在条件简化与假设)，很难进一步提高带钢凸度的控制精度。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于梯度提升树模型的热连轧带钢凸度预测方法，基于大量实际带钢生产数据和梯度提升树算法建立了高精度热轧带钢凸度预测模型，以改善热轧带钢存在的大凸度偏差问题。

本发明提供一种基于梯度提升树模型的热连轧带钢凸度预测方法，包括如下步骤：

步骤1：选择相关热轧带钢的工艺参数、设备参数和带钢参数与实际带钢凸度作为建立热连轧带钢凸度预测模型的输入与输出；

步骤2：在热轧带钢生产现场收集相关原始建模数据并进行预处理，通过去除缺失值、异常值和数据均衡获得最终建模数据；

步骤3：按照一定比例将通过预处理获得的最终建模数据随机划分为训练数据集和测试数据集；

步骤4：基于训练数据集，采用交叉验证建立基于梯度提升树算法的热连轧带钢凸度预测模型；

步骤5：采用坐标下降法确定基于梯度提升树算法的热连轧带钢凸度预测模型的最优参数；

步骤6：基于测试数据集，采用决定系数、平均绝对误差、平均绝对百分误差和均方根误差来评价按照上述步骤建立的基于梯度提升树算法的热连轧带钢凸度预测模型的性能。

在本发明的基于梯度提升树模型的热连轧带钢凸度预测方法中，所述步骤2具体为：

步骤2.1：检查所收集的每一个带钢数据样本是否存在缺失值，如果某一个带钢数据样本存在缺失值，则去除该带钢数据样本；

步骤2.2：将所有变量按照是否与带钢种类有关分为A类与B类，A类变量与带钢种类有关，B类变量与带钢种类无关；

步骤2.3：基于拉依达准则去除含有B类变量的异常值的每个带钢数据样本；

步骤2.4：根据带钢化学成分，尺寸规格将余下的带钢数据样本分成M个类别(C₁，…，C_J，…，C_M)；