基于BO-LightGBM混合模型的热轧带钢板凸度预测

摘要：

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,LightGBM)的板凸度预测模型BO-LightGBM.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LightGBM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-lightGBM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、2.28 μm,均优于其他预测模型,且98%以上样本点的预测误差在-4～4 μm,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-LIghtGBM是值得推荐的板凸度预测模型.

关键词：板凸度预测、贝叶斯优化、LightGBM

分类号：TG335.11(金属压力加工)

在线出版日期：2023-09-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：23-26,29