本發明的一種基于梯度提升樹模型的熱連軋帶鋼凸度預測方法，包括：選擇相關熱軋帶鋼的工藝參數、設備參數和帶鋼參數與實際帶鋼凸度作為熱連軋帶鋼凸度預測模型的輸入與輸出；在熱軋帶鋼生產現場收集相關原始建模數據并進行預處理，通過去除缺失值、異常值和數據均衡獲得最終建模數據；按照一定比例將通過預處理獲得的最終建模數據劃分為訓練數據集和測試數據集；基于訓練數據集，用交叉驗證建立基于梯度提升樹算法的熱連軋帶鋼凸度預測模型；采用坐標下降法確定熱連軋帶鋼凸度預測模型的最優參數；基于測試數據集評價所建立的熱連軋帶鋼凸度預測模型的性能。本發明可以精確的預測熱連軋帶鋼的凸度，有助于改善熱連軋帶鋼的大凸度偏差問題。

技術領域

本發明屬于工程與人工智能技術領域，涉及一種基于梯度提升樹模型的熱連軋帶鋼凸度預測方法。

背景技術

隨著制造業的迅速發展，對優質帶鋼的需求也在不斷增加。熱軋帶鋼的質量指標不僅包括機械性能，還包括幾何外觀參數。凸度作為帶鋼非常重要的幾何外觀參數之一被用于評價帶鋼的橫截面形狀。作為許多工業產品的一種主要原材料，極大的熱軋帶鋼凸度偏差將嚴重影響工業產品的質量，因此，明確熱軋帶鋼凸度的變化規律一直是本領域的研究重點。帶鋼凸度受軋輥彈性變形、軋輥磨削凸度、軋輥熱膨脹、軋輥磨損、帶鋼力學性能與幾何尺寸等因素的影響，因此，帶鋼凸度的控制精度直接取決于上述因素的計算精度。傳統理論方法，包括解析法、影響函數法、有限元法和有限差分法等傳統方法已被采用來建立高精度的軋輥變形、熱凸度、磨損凸度與帶鋼變形計算模型。雖然基于傳統方法的計算模型已被廣泛接受與應用，但由于熱軋環境復雜和傳統方法本身的局限性(存在條件簡化與假設)，很難進一步提高帶鋼凸度的控制精度。

發明內容

為解決上述技術問題，本發明的目的是提供一種基于梯度提升樹模型的熱連軋帶鋼凸度預測方法，基于大量實際帶鋼生產數據和梯度提升樹算法建立了高精度熱軋帶鋼凸度預測模型，以改善熱軋帶鋼存在的大凸度偏差問題。

本發明提供一種基于梯度提升樹模型的熱連軋帶鋼凸度預測方法，包括如下步驟：

步驟1：選擇相關熱軋帶鋼的工藝參數、設備參數和帶鋼參數與實際帶鋼凸度作為建立熱連軋帶鋼凸度預測模型的輸入與輸出；

步驟2：在熱軋帶鋼生產現場收集相關原始建模數據并進行預處理，通過去除缺失值、異常值和數據均衡獲得最終建模數據；

步驟3：按照一定比例將通過預處理獲得的最終建模數據隨機劃分為訓練數據集和測試數據集；

步驟4：基于訓練數據集，采用交叉驗證建立基于梯度提升樹算法的熱連軋帶鋼凸度預測模型；

步驟5：采用坐標下降法確定基于梯度提升樹算法的熱連軋帶鋼凸度預測模型的最優參數；

步驟6：基于測試數據集，采用決定系數、平均絕對誤差、平均絕對百分誤差和均方根誤差來評價按照上述步驟建立的基于梯度提升樹算法的熱連軋帶鋼凸度預測模型的性能。

在本發明的基于梯度提升樹模型的熱連軋帶鋼凸度預測方法中，所述步驟2具體為：

步驟2.1：檢查所收集的每一個帶鋼數據樣本是否存在缺失值，如果某一個帶鋼數據樣本存在缺失值，則去除該帶鋼數據樣本；

步驟2.2：將所有變量按照是否與帶鋼種類有關分為A類與B類，A類變量與帶鋼種類有關，B類變量與帶鋼種類無關；

步驟2.3：基于拉依達準則去除含有B類變量的異常值的每個帶鋼數據樣本；

步驟2.4：根據帶鋼化學成分，尺寸規格將余下的帶鋼數據樣本分成M個類別(C₁，…，C_J，…，C_M)；