基于图卷积网络的热轧带钢轧制力预测

摘要：

热连轧生产为多钢种、多规格混杂的带钢连续轧制过程,现有的机器学习方法不能考虑各带钢层的影响,将各带钢的轧制力预测过程视为独立的而不是关联的,这种做法不符合实际情况.提出一种预测带钢轧制力的梯度提升树-图卷积神经网络(gradient boosting decision tree-graph convolutional net works,GBDT-GCN)模型.首先,构建用于轧制力预测的带钢关系图结构,将数据集中的每块带钢作为图结构中的节点,根据带钢的轧制时序、层别关系生成各带钢节点之间的连接边,将连续轧制、相同层别的带钢关联起来;接着,将图结构输入结构调整后的GCN模型,采用平均绝对误差作为损失函数进行模型训练,采用GBDT对轧制力的影响因素进行重要性排序,并根据GCN模型的预测精度变化筛选出重要的因子作为最终的节点特征向量.最后,利用国内某热连轧机组的实际生产数据进行试验验证,结果表明,GBDT-GCN模型在测试集上的平均绝对误差为405.6 kN,相对误差在±10％以内的数据所占比例为91.5％,相较于传统SIMS模型、RF随机森林算法、MLP多层感知机模型,利用带钢关系图结构预测轧制力的GBDT-GCN模型具有更高的预报精度.

关键词：热连轧带钢、轧制力预测、特征选择、梯度提升树、图卷积神经网络

所属期刊栏目：58

分类号：TG335.56;TP391.41;TP181

资助基金：国家自然科学基金51774219

在线出版日期：2023-04-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：89-96,127