Онлайн-прогнозирование механических свойств горячекатаного стального листа с использованием машинного обучения

В промышленном производстве стального листа параметры процесса и состав марки стали существенно влияют на микроструктуру и механические свойства получаемой стали. Однако определение точной взаимосвязи между параметрами процесса и механическими свойствами представляет собой сложную задачу. Целью данной работы была разработка модели глубокого обучения для прогнозирования механических свойств промышленного стального листа, включая предел текучести (YS), предел прочности при растяжении (UTS), относительное удлинение (EL) и ударную энергию (Akv), на основе параметров процесса и состава исходной стали, а также ее онлайн-применение на реальном сталеплавильном предприятии. Оптимальная модель глубокой нейронной сети (DNN) была построена с 27 входными параметрами, двумя скрытыми слоями по 200 узлов в каждом и четырьмя выходными параметрами (27 × 200 × 200 × 4), с начальной скоростью обучения 0,0001, использованием оптимизатора Adam и Z-преобразования для предварительной обработки данных; точность модели составила R² = 0,907. Настроенная модель DNN имела среднеквадратичные ошибки 21,06 МПа, 16,67 МПа, 2,36% и 39,33 Дж, а также среднеквадратичные процентные ошибки 4,7%, 2,9%, 7,7% и 16,2% для YS, UTS, EL и Akv соответственно. Сравнительный анализ показал, что модель DNN была точнее других классических алгоритмов машинного обучения. Для интерпретации допущений и результатов модели были разработаны и проанализированы несколько локальных линейных моделей, позволивших установить взаимосвязи между параметрами процесса и механическими свойствами. Наконец, настроенная модель DNN была внедрена на реальном сталепроизводственном предприятии для онлайн-мониторинга и управления механическими свойствами стали, а также для управления производством стальных листов с заданными целевыми и специально сформированными механическими свойствами.