面向带钢热镀锌感应加热的改进贝叶斯温度预测算法  

Improved Bayes Temperature Prediction Algorithm for Induction Heating of Hot-dip Galvanized Steel Strip

作　　者：王子昂 王伟[1] 马乾伦 白振华[2] WANG Zi-ang;WANG Wei;MA Qian-lun;BAI Zhen-hua

机构地区：[1]福州大学机械工程及自动化学院,福建福州350108 [2]燕山大学机械工程学院,河北秦皇岛066004

出　　处：《制造业自动化》2024年第10期157-164,188,共9页Manufacturing Automation

基　　金：国家自然科学基金(51774097);福建省科技计划(2018H0015)。

摘　　要：出锌锅后的带钢需通过合金化炉进行感应加热以保证镀层合金化过程顺利进行和获得优良的镀层质量,出感应加热炉的带钢目标温度预报研究对热镀锌带钢镀层质量在线控制具有重要意义。针对生产中带钢感应加热(Induction Heating,IH)目标温度确定靠经验公式和人工在线调整,计算精度低、人工干预量大等问题,提出了一种结合贝叶斯参数调优和梯度提升决策树(Gradient Boosting Decision Tree,GBDT)算法的带钢热镀锌感应加热目标温度预测建模方法。对多维度和多钢种热镀锌带钢感应加热工艺大数据集,借助冶金机理和皮尔逊相关系数,筛选了与预测模型相关的特征;采用贝叶斯优化中的树状帕森估计(Tree-structured Parzen Estimator,TPE)对六种机器学习算法调参后,发现只有GBDT模型和K近邻(KNearest Neighbor,KNN)模型达到工厂生产要求;对GBDT预测模型超参数采用TPE算法、差分进化算法、随机搜索优化以及网格搜索优化四种调参方法进行调优,调优结果比较表明TPE的调参模型精度与网格搜索的模型精度相当,高于随机搜索的调参模型;TPE的调参时间与随机搜索调参时间接近,比网格搜索调参时间大大缩短;TPE算法相对于差分进化算法调优效率更高。利用优化的超参数建立GBDT模型和KNN模型,两种模型比较表明,GBDT模型训练时间短,精度高,生产预报绝对误差在±20℃以内的命中率达到了97.56%,符合生产要求,TPE和GBDT结合是建立热镀锌感应加热目标温度预测模型的最佳策略。

关 键 词：感应加热温度 模型预测 超参数调优 梯度提升决策树算法 TPE算法 

分 类 号：TP391.7[自动化与计算机技术—计算机应用技术]