基于随机森林的热轧带钢卷取温度预测

01研究背景在带钢热连轧过程中，卷取温度是极其重要的工艺参数和主要的控制目标之一，其一定程度上可决定带钢成品的微观组织，从而影响其力学性能和使用性能。如果卷取温度过高，带钢成卷后由于散热较慢，保温时间过长将产生粗晶组织及碳化物的积聚，使带钢的力学性能变差。且由于温度过高，容易产生坚硬的氧化铁皮，在后续冷轧时容易造成“麻点”缺陷，影响下游产品表面质量。若卷取温度过低，一方面由于硬度较高使卷取变得困难，且由于过冷度较大，带钢残余应力较大，容易造成松卷，影响带钢尺寸精度和成品卷质量；另一方面没有足够的温度使过饱和的碳化合物析出，影响带钢力学性能。轧后冷却的传热过程包括带钢的辐射、空气的自然对流、冷却水的强制对流、运输辊道的热传导、冷却过程发生相变所产生的相变潜热等多种传热。目标温度的控制精度还受到冷却水流量、水压、水温、集管开启位置、带钢温度、轧制速度、化学成分、冷却水在带钢表面的运动状态、产线环境等因素的影响。这些因素具有很强的时变性和非线性，因此轧后冷却温度的精确控制一直是热轧领域关注的重点问题和难点问题。随着人工智能技术的不断发展，采用智能化算法挖掘蕴含在海量历史生产数据中的有效信息成为解决多变量、强耦合复杂问题的有效途径。热连轧产线轧后冷却过程不仅具有这种多变量、强耦合、非线性特点，且在较短的时间或者同一个轧制计划中生产工况基本完全相同，因此可基于历史生产数据，采用机器学习算法建立卷取温度预测模型，实现轧后冷却卷取温度的高精度智能化控制。02研究方法本文以国内某热连轧产线的实际生产数据为基础，采用贝叶斯优化的随机森林算法建立了一种基于数据驱动的热轧带钢卷取温度预测模型。结合该产线实际生产情况和经典传热学理论，选取了轧制速度等26个影响卷取温度的因素为模型的输入变量，同时考虑沿轧制方向带钢各点的在冷却区的冷却过程有所差别，因此采用采样周期为1s的时间离散化得到各样本点的特征属性。采用贝叶斯优化算法确定随机森林模型的最优超参数，采用类似于网格搜索的方式确定贝叶斯优化算法自身超参数。同时，采用贝叶斯优化的决策树模型、支持向量回归模型和现场基于经典传热学建立的机理模型进行对比验证。最后采用均方误差、平均绝对误差、平均绝对百分比误差和拟合决定系数评估了模型预测精度。具体过程如图1所示。图1

建模流程图03研究结果图2所示为RF和现场机理模型对1479组测试数据的部分预测结果。由图可知，大多数样本的预测结果与实测温度偏差基本上在±15℃以内，极少数预测误差大于15℃，这说明两个模型的预测精度基本都能满足工业生产需求。且贝叶斯优化的随机森林模型的预测结果更加集中在直线y=x附近，说明该模型的预测温度更接近于实测卷取温度，该模型的性能更优。且随机森林模型的预测结果与实测温度的偏差基本均保持在±5℃，预测偏差更小。图2

不同模型预测结果04研究结论相比于现场采用的机理模型，RF模型具有更好的拟合和泛化性能，能够对关系复杂的卷取温度实际生产数据进行很好拟合。同时，BOA可以进一步提升RF模型的拟合和泛化性能。相比于SVR和DT模型，RF具有较好的预测精度，故本文选取BOA和RF结合的方式（BOA-RF）建立了轧制速度，冷却水量等影响因素与卷取温度之间的数学关系，实现了对卷取温度的高精度预测。在测试集上BOA-RF模型的预测误差在±10℃之内的样本占比高达97.97%，其完全能够满足工业生产需求。本文在数据采集过程中考虑了带钢沿轧制方向由于轧制速度变化引起冷却过程发生变化导致的不同位置温度分布不同，故在每隔1s